【技术实现步骤摘要】
本专利技术涉及变压器设备故障诊断，尤其涉及一种变压器故障诊断的智能方法。
技术介绍
1、变压器(transformer)是指利用电磁感应的原理来改变交流电压的装置；变压器按用途可分为电力变压器和特种变压器；电力变压器主要用于输配电线路，改变交流电压大小以适应不同用户的需要；特种变压器用于冶炼、电加工、电力拖动、通讯、自动控制等特殊领域，其主要构件是初级线圈、次级线圈和铁芯(磁芯)；变压器的主要功能有：电压变换、电流变换、阻抗变换、隔离、稳压(磁饱和变压器)等；变压器是输配电的基础设备，广泛应用于工业、农业、交通、城市社区等领域，在电器设备和无线电路中，变压器常用作升降电压、匹配阻抗，安全隔离等，在发电机中，不管是线圈运动通过磁场或磁场运动通过固定线圈，均能在线圈中感应电势，此两种情况，磁通的值均不变，但与线圈相交链的磁通数量却有变动，这是互感应的原理，变压器就是一种利用电磁互感应，变换电压，电流和阻抗的器件；变压器的最基本形式，包括两组绕有导线之线圈，并且彼此以电感方式称合一起，当一交流电流(具有某一已知频率)流于其中一组线圈时，于另一组线圈中将感应出具有相同频率之交流电压，而感应的电压大小取决于两线圈耦合及磁交链之程度，一般指连接交流电源的线圈称之为一次线圈；而跨于此线圈的电压称之为一次电压，在二次线圈的感应电压可能大于或小于一次电压，是由一次线圈与二次线圈间的匝数比所决定的，因此，变压器分为升压与降压变压器两种，大型电力变压器是电力系统的枢纽设备之一，其运行状况将直接影响电力系统的安全运行，一旦发生故障将对电力系统和终端用户
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在效率和准确率较低的缺点，而提出的一种变压器故障诊断的智能方法。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种变压器故障诊断的智能方法，包括以下步骤：
4、s1：变压器多特征故障气体原始数据的降维：
5、智能诊断方法利用主成分分析(principal component analysis，pca)降低变量的维数、降低变量之间的相关性等的特点和rbf神经网络的任意非线性逼近能力，构建pca-rbf算法，对变压器的故障样本进行训练和测试，实现故障自动诊断；利用主成分分析方法对变压器多特征故障气体的原始数据进行处理，消除向量间的相关性，降低输入向量的维数，提取影响输出预测值的主成分；
6、s2：变压器故障诊断rbf神经网络模型的训练：
7、变压器故障诊断rbf神经网络模型采用三层结构形式，即第一层为输入层，第二层为隐含层，第三层为输出层，输入层为利用主成分分析提取的影响变压器故障预测值的主成分，输出层为变压器的五种故障类型即无故障、中低温过热、高温过热、低能量放电、高能量放电；选取变压器多特征故障气体降维后的主成分(80％的数据即训练数据)作为rbf神经网络的输入，对变压器故障诊断的rbf神经网络模型进行训练；
8、s3：变压器故障诊断rbf神经网络模型的验证：
9、选取变压器多特征故障气体降维后的主成分(余下数据即测试数据)作为rbf神经网络的输入，对变压器故障诊断的rbf神经网络模型进行测试，对变压器故障诊断的准确率进行验证。
10、优选的，所述s2中，变压器多特征故障气体降维后的主成分数据中80％的数据作为训练数据。
11、优选的，所述s2中，变压器故障诊断rbf神经网络模型采用三层结构形式，即第一层为输入层，第二层为隐含层，第三层为输出层，所述s2中，输入层为利用主成分分析提取的影响变压器故障预测值的主成分，所述s2中，输出层为变压器的五种故障类型即无故障、中低温过热、高温过热、低能量放电、高能量放电。
12、优选的，所述s3中，变压器故障的诊断需要用到pca-rbf神经网络算法。
13、优选的，所述s3中，pca-rbf神经网络算法由主成分分析降低输入变量的维数、降低变量之间的相关性和rbf神经网络的非线性逼近能力来构建。
14、优选的，所述s3中，变压器多特征故障气体降维后的主成分数据中20％的数据作为测试数据。
15、本专利技术中，所述一种变压器故障诊断的智能方法的有益效果：利用主成分分析降低输入变量的维数、降低变量之间的相关性等的特点和rbf神经网络的任意非线性逼近能力等来构建pca-rbf算法的变压器故障诊断方法，并对变压器故障样本进行了训练和测试，得到较为准确地故障诊断模型，充分利用主成分分析对变压器多特征故障气体的原始数据进行预处理，消除向量间的相关性，降低输入向量的维数，提取影响输出预测值的主成分，从而使变压器故障诊断的输入数据更有效；将经过pca降维后的故障数据作为rbf神经网络模型的输入对变压器的故障类型进行诊断，将会提高变压器故障诊断的速度、效率和准确率。
16、本专利技术能够提高变压器故障诊断的速度、效率和准确率。
本文档来自技高网...【技术保护点】
1.一种变压器故障诊断的智能方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种变压器故障诊断的智能方法，其特征在于，所述S2中，变压器故障诊断RBF神经网络模型采用三层结构形式，即第一层为输入层，第二层为隐含层，第三层为输出层。
3.根据权利要求2所述的一种变压器故障诊断的智能方法，其特征在于，所述S2中，输入层为利用主成分分析提取的影响变压器故障预测值的主成分。
4.根据权利要求2所述的一种变压器故障诊断的智能方法，其特征在于，所述S2中，输出层为变压器的五种故障类型即无故障、中低温过热、高温过热、低能量放电、高能量放电。
5.根据权利要求1所述的一种变压器故障诊断的智能方法，其特征在于，所述S3中，变压器故障的诊断需要用到PCA-RBF神经网络算法。
6.根据权利要求1所述的一种变压器故障诊断的智能方法，其特征在于，所述S2中，变压器多特征故障气体降维后的主成分数据中80％的数据作为训练数据。
7.根据权利要求1所述的一种变压器故障诊断的智能方法，其特征在于，所述S3中，变压器多特征故障气体降
8.根据权利要求5所述的一种变压器故障诊断的智能方法，其特征在于，所述S3中，PCA-RBF神经网络算法由主成分分析降低输入变量的维数、降低变量之间的相关性和RBF神经网络的非线性逼近能力来构建。
...【技术特征摘要】
1.一种变压器故障诊断的智能方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种变压器故障诊断的智能方法，其特征在于，所述s2中，变压器故障诊断rbf神经网络模型采用三层结构形式，即第一层为输入层，第二层为隐含层，第三层为输出层。
3.根据权利要求2所述的一种变压器故障诊断的智能方法，其特征在于，所述s2中，输入层为利用主成分分析提取的影响变压器故障预测值的主成分。
4.根据权利要求2所述的一种变压器故障诊断的智能方法，其特征在于，所述s2中，输出层为变压器的五种故障类型即无故障、中低温过热、高温过热、低能量放电、高能量放电。
5.根据权利要求1所述的一种变压...
【专利技术属性】
技术研发人员：张美凤，郭杰，潘王菁菁，李小雨，刘星雨，
申请(专利权)人：常州工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。