本发明专利技术涉及一种基于改进概率神经网络的变压器励磁涌流鉴别方法，采用遗传算法对概率神经网络的平滑因子进行优化，通过在Matlab/Simulink中搭建的模型仿真获得电流波形，将励磁涌流和内部故障电流的小波变换能量作为网络输入，进行故障模式识别。把智能技术运用到励磁涌流的判别上，此方法大大提高了励磁涌流故障识别能力。
【技术实现步骤摘要】
本专利技术涉及一种变压器生产检测技术，特别涉及一种。
技术介绍
电力变压器作为电力系统中的重要组成部分和关键设备之一，担负着电能传输和电压变换的重要作用，其运行状态直接影响到整个电力系统的安全性和稳定性。目前我国的电力工业飞速发展，电力系统正朝着更大的输电容量和更高的电压等级发展，电力变压器也朝着大容量、高电压的方向发展。然而容量越大，等级越高，使电力变压器的故障率也越高，同时由于电力变压器内部结构复杂，运行环境特殊，在电力变压器长时期的运行当中，发生故障是无法避免的。如果处于电力系统中枢地位的大型电力变压器发生故障，会严重影响社会的生产和人民生命财产的安全，会大大制约国民经济的发展，造成严重的经济损失，因此对要求变压器的继电保护具有较高的可靠性。长期以来，纵联差动保护一直被认为是电力变压器最完善的主保护，它是基于基尔霍夫电流定律(KCL)的，利用故障时产生的不平衡电流来动作，具有选择性好、灵敏度高的特点。但是，变压器差动保护的正确动作率一直不高，远远达不到现代电力继电保护的要求。根据相关文献的统计数据，1996 2005年十年间，220kv及以上变压器差动保护总动作次数为2247次，其中正确动作次数为1673次，不正确动作574次，平均正确动作率为 74. 45%ο变压器的保护发展还比较落后，其保护准确动作率还是相当低的，远远低于电力系统中其他主设备，如发电机保护、输电线路保护等。造成现在这种结果，有工作人员的操作问题(设计，制造，整定调试，运行维护诸方面的失误)，也有管理监督方面的不足，但究其根本原因，是电力变压器差动保护方案的原理上不足。差动保护在纯电路设备如发电机、输电线路上的应用比较简单，效果比较理想，但是作为电力变压器的主保护性能不是很好，如何防止由不平衡电流引起的差动保护误动作成为不得不面临的最关键问题。差动保护的理论依据是基尔霍夫电流定理，但变压器内部采用闭合铁芯，实质上是一个非线性元件，因此基尔霍夫电流定理本质上已不再适用。变压器的励磁电流是差动保护不平衡电流的一种主要来源。变压器正常运行时， 其励磁电流一般为额定电流的1% 3%，可以忽略不计，通过整定适当的门槛值，差动保护就可以准确区分变压器的内部故障与外部故障。但当变压器空载合闸，或者外部故障切除后端电压突然恢复时，励磁涌流的数值很大，有时可能与短路电流相比拟，如果没有别的保护措施，这么大的不平衡电流必然导致差动保护误动作。因此，当前变压器差动保护的主要矛盾集中在如何快速、准确的区分变压器励磁涌流和内部故障电流，只有及时准确地切除内部故障电流，才能避免更大的电力损失，保证电力供应的可靠性。为此，国内外学者进行了大量的探索，提出了许多新原理、新方法用于差动保护，主要包括二次谐波制动原理、间断角原理、波形对称原理和磁通特性制动原理等。目前，在系统中配置的变压器保护，主要是采用二次谐波制动原理和电流间断角原理来识别励磁涌流的存在。由于间断角原理对硬件要求高，在微机变压器差动保护中，采用二次谐波制动原理较多。该原理通过比较差动电流中的二次谐波与基波之比值的大小来决定是否闭锁差动保护，但是由于励磁涌流中二次谐波的含量由多个参数决定且变化很大，所以很难适当选择制动系数。特别是随着现代大型变压器的大量使用，变压器的励磁特性发生很大的变化，导致励磁涌流中二次谐波的含量减小，而大容量变压器和远距离输电的发展，又使得内部故障时暂态电流中的二次谐波增加，从而造成谐波制动原理识别困难，经常出现误动作。 因此，运用新的原理和方法实现变压器励磁涌流的判别具有现实迫切性，以提高变压器差动保护的准确性和性能。从九十年代开始，我国的继电保护技术已进入了微机保护的时代微机的应用引起了继电保护领域的深刻变革，也带来了继电保护技术发展的新机遇。在识别变压器励磁涌流技术方面，已经提出了许多新的原理和解决方法。这些方法中有很多是综合了人工智能领域的最新成果而提出的。比如小波理论，模糊数学，神经网络等等，这些技术的飞速发展为变压器的智能保护的出现和突破提供了坚实的基础。
技术实现思路
本专利技术是针对变压器的励磁电流对提高变压器品质的重要性的问题，提出了一种，采用概率神经网络(Probability Neural Network, PNN)作为核心分类器，来鉴别电力变压器的励磁涌流和内部故障电流， 把智能技术运用到励磁涌流的判别上，并且取得了不错的成果。本专利技术的技术方案为一种， 具体包括如下步骤1)建模仿真变压器励磁涌流和短路电流的波形采用Matlab/Simulink中的 SimPowerSystems模块库，参数为系统默认，获得励磁涌流和短路两种电流波形；2)分别对励磁涌流和短路电流进行小波分析，提取能量特征设定采样频率，对采样的电流信号进行四次小波，分解取各高频段的能量形成特征向量Γ = ，对特征向量进行归一化J =[屯，识别励磁涌流和短路电流的特征向量，形成了由归一化后的特征向量组成的样本空间；3)遗传算法优化概率神经网络的平滑因子α在有限的样本空间中提炼出能反映整个样本空间的平滑因子，利用遗传算法优化后获得平滑因子的最优值；4)基于人工神经网络的变压器差动保护方案将励磁涌流和内部故障电流经小波分解后的能量作为特征向量输入，对优化后的神经网络进行训练和测试，以进行模式识别。所述遗传算法优化平滑因子主要有以下几个步骤A 设定平滑因子的取值范围，随即产生初始N条染色体形成初始种群， ￠1=0^ , ,..., },并设当前代数 t=l ；B:根据由所有染色体得到的平滑因子，构建PNN网络，计算分类正确的个数t及误差函数八，m为训练样本的数量，即计算染色体的适应度函数； C 选择优胜的个体，进行交叉、变异操作，得到下代种群；D 设当前代数t=t+l ；E 检查t和误差函数弋，若t=T或及=0，停止，否则返回步骤B。本专利技术的有益效果在于本专利技术，把智能技术运用到励磁涌流的判别上，此方法大大提高了励磁涌流故障识别能力。附图说明图1为概率神经网络(PNN)结构图； 图2为单电源电力系统图3为三相变压器空载合闸时的励磁涌流波形图； 图4为三相变压器短路电流波形图5为本专利技术设计的变压器差动保护系统示意图。具体实施例方式采用遗传算法对概率神经网络的平滑因子进行优化，通过在Matlab/Simulink中搭建的模型仿真获得电流波形，将励磁涌流和内部故障电流的小波变换能量作为网络输入，进行故障模式识别。概率神经网络是一种前馈神经网络。概率神经网络结构是一种根据Parzen参数概率密度函数(probability density function, pdf)估计和贝叶斯分类规则的神经网络。概率神经网络标准的训练程序应包含所有模式的训练集。这一特点使概率神经网络相比前馈反向传播神经网络的训练速度更快。概率神经网络唯一的缺点是必需大量存储训练模式。随着计算机内存已变得非常便宜又有效，如今大容量存储的成本和空间大小都已不成为问题。概率神经网络被广泛用于模式识别、非线性映射、故障检测和分类等领域。概率神经网络的结构如图1所示。它是一个四层前向反馈神经网络，第I层为输入层，第II层为求知层，第III层为模式层，第IV层为输出层，可以作为一个最优的分类器。在概率神经网络中，高斯函数由于其性能良好且易本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：杨旭红，许行，
申请(专利权)人：上海电力学院，
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。