基于极限学习机的电力变压器故障诊断方法技术

本发明专利技术涉及一种基于极限学习机的电力变压器故障智能诊断方法，可应用于变压器监/检测装置或系统。在监/检测装置或系统所采集的数据基础上提取故障特征，并选取变压器状态样本进行变压器的极限学习机故障诊断模型学习。该方法包括以下步骤：划分变压器的运行状态；选取蕴含变压器运行状态的监/检测数据作为数据源；对变压器数据源进行特征提取，确定特征变量；确定变压器各种运行状态的极限学习机的目标向量表达方式；选取变压器在各种运行状态下的样本数据；确定训练样本数据和测试样本数据；确定变压器的极限学习机故障诊断模型的输入层、隐层、输出层节点数和激励函数；变压器的极限学习机故障诊断模型的学习和验证。

【技术实现步骤摘要】

本专利技术涉及一种电力变压器故障诊断的方法，属于电力设备故障诊断的

技术介绍
变压器是电力系统的重要设备，其运行状态直接影响系统的安全水平。目前出现了包括油色谱监/检测(油中气体含量分析DGA)、局部放电监/检测(脉冲电流、超高频UHF 和超声波方法等)、接地电流的宽频带在线监测等多种监/检测装置或系统。大量的监/检测数据靠人工分析是难以完成的，必须寻找快速的自动的故障诊断方法嵌入到监/检测装置或系统中，以便及时发现潜在故障以及故障类型，为变压器的状态维修提供依据。现有变压器故障诊断方法中，贝叶斯网络诊断方法需要大量样本数据，特征变量为离散变量，然而离散阀值选取没有理论依据，且离散过程会造成变压器状态信息的丢失; 支持向量机诊断方法规则化参数和核函数参数确定困难，此外变压器故障诊断本质为多分类问题，而支持向量机为二分类算法，需要通过“一对多”、“一对一”或“二叉树”等方法将其转化为多分类，存在分类重叠和不可分类、需要构建较多分类器、误差累 计等问题；神经网络诊断方法需要求解的网络参数多，且需要在训练过程中迭代确定，搜索空间和计算量很大，必须选取合适的学习速率与输入权值初值，才能取得理想的结果，此外可能陷入局部最优。
技术实现思路
本专利技术的目的在于提供一种电力变压器故障智能诊断方法，可应用于变压器监/ 检测装置或系统。在监/检测装置或系统所采集的数据基础上提取故障特征，并选取变压器状态样本进行变压器的极限学习机故障诊断模型学习，进而实现对变压器的故障诊断。为了达到上述目的，本专利技术的技术方案是提供一种，其包括下列步骤步骤I :依据研究问题的特点划分变压器的运行状态。若研究变压器的总体运行状态， 可将变压器的运行状态划分为正常状态和低能放电、高能放电、中低温过热、高温过热、局部放电五种故障状态。若要进一步研究变压器的局部放电的放电类型，可将变压器的运行状态划分为针尖放电、气泡放电、悬浮放电、沿面放电四种放电类型。步骤2 :选取蕴含变压器运行状态的在线或离线的监/检测数据作为数据源。油色谱监/检测(油中气体含量分析DGA)、局部放电(脉冲电流、超高频UHF和超声波方法等) 等监/检测装置或系统的监/检数据均可作为数据源。步骤3 :对变压器数据源进行特征提取，确定特征变量，特征变量既可以是离散变量也可以是连续变量。若选用油色谱监/检测数据作为数据源，特征变量可选用氢气(H2)、 甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)五种特征气体含量，或氢气(H2)占总气体含量的比值，甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)占总烃量的比值。若选用超高4频法局部放电监/检测数据作为数据源，特征变量可选用由放电图谱提取的偏斜度、突出度、局部峰个数、放电不对称度、相位不对称度、互相关因子和相位中值等宏观统计量，以及脉冲上升时间、脉冲下降时间、脉冲宽度、脉冲持续时间、10%幅值脉冲持续时间等微观特征量。步骤4:确定变压器各种运行状态下的极限学习机的目标向量表达方式，通常采用0-1向量表达方式。步骤5 :选取变压器在各种运行状态下的样本数据。按照代表性、广泛性和紧凑性的原则选取样本数据，此外为避免数据偏斜问题，各种运行状态下选取的样本数据所占的比例应相近，若样本数据特征变量的特征值差异比较大，需对样本数据进行标准化处理。步骤6 :将样本数据按一定的比例分为训练样本数据和测试样本数据。训练样本数据用于学习变压器的极限学习机故障诊断模型，测试样本数据用于验证变压器的极限学习机故障诊断模型。步骤7 :确定变压器的极限学习机故障诊断模型的输入层节点数、隐层节点数、输出层节点数，选取变压器的极限学习机故障诊断模型的激励函数步骤8 :以训练样本数据作为极限学习机的输入，进行变压器的极限学习机故障诊断模型的学习。步骤9 :采用测试样本数据对步骤8得到的极限学习机变压器故障诊断模型进行验证。其中，所述步骤8进一步包括下列步骤步骤81:随机赋值输入权重向量1^以及偏置权利要求1.一种，其特征在于，所述方法包含以下步骤 步骤I :依据变压器研究问题的特点，划分变压器的A个运行状态； 步骤2 :选取蕴含变压器运行状态的在线或离线的监/检测数据作为数据源； 步骤3 :对变压器数据源进行特征提取，确定若干个特征变量，特征变量既可以是离散变量也可以是连续变量； 步骤4 :采用A维的0-1向量表达方式，确定变压器各种运行状态下的极限学习机的目标向量； 步骤5 :选取变压器在各种运行状态下的样本数据； 步骤6 :将样本数据按设定的比例分为训练样本数据和测试样本数据；其中，训练样本数据用于学习变压器的极限学习机故障诊断模型，测试样本数据用于验证变压器的极限学习机故障诊断模型； 步骤7 :确定变压器的极限学习机故障诊断模型的输入层节点数、隐层节点数、输出层节点数，选取变压器的极限学习机故障诊断模型的激励函数 步骤8 :以训练样本数据作为极限学习机的输入，进行变压器的极限学习机故障诊断模型的学习； 步骤9 :采用测试样本数据对步骤8得到的极限学习机变压器故障诊断模型进行验证。2.如权利要求I所述的方法，其特征在于，所述方法用以研究变压器的总体运行状态，则 步骤I中，将变压器的运行状态划分为正常状态，以及低能放电、高能放电、中低温过热、高温过热、局部放电五种故障状态； 步骤2中，将经由油色谱监/检测装置或系统所获取的油中气体含量分析数据作为数据源； 步骤3中，特征变量是特征气体含量或特征气体含量比值。3.如权利要求I所述的方法，其特征在于，所述方法用以研究变压器的局部放电的放电类型，则 步骤I中，将变压器的运行状态划分为针尖放电、气泡放电、悬浮放电、沿面放电四种放电类型； 步骤2中，将基于脉冲电流、超高频UHF或超声波方法的局部放电监/检测装置或系统所获取的监/检测数据作为数据源； 步骤3中，特征变量是宏观统计量或微观特征量，其中，所述宏观统计量包含以下变量中的一个或多个由放电图谱提取的偏斜度、突出度、局部峰个数、放电不对称度、相位不对称度、互相关因子和相位中值； 所述微观特征量包含以下变量中的一个或多个脉冲上升时间、脉冲下降时间、脉冲宽度、脉冲持续时间、10%幅值脉冲持续时间。4.如权利要求I或2或3所述的方法，其特征在于， 步骤7中，所述输入层节点数为步骤3中特征向量的维数，所述输出层节点数为步骤I中的运行状态数A ;隐层节点数目是特征向量的维数的2倍；激励函数选用sigmoidal函数:5.如权利要求4所述的方法，其特征在于，所述步骤8进一步包括下列步骤 步骤81 :随机赋值输入权重向量胃;以及偏置= \r...#为隐层节点数； 步骤82 :计算对应训练样本数据的隐层输出矩阵Hir ；其中，6.如权利要求4所述的方法，其特征在于，所述步骤9进一步包括下列步骤 步骤91 :计算对应测试样本数据的隐层输出矩阵!^ ；其中，全文摘要本专利技术涉及一种基于极限学习机的电力变压器故障智能诊断方法，可应用于变压器监/检测装置或系统。在监/检测装置或系统所采集的数据基础上提取故障特征，并选取变压器状态样本进行变压器的极限学习机故障诊断模型学习。该方法包括以下步骤划分变压器的运本文档来自技高网...

【技术保护点】
一种基于极限学习机的电力变压器故障诊断方法，其特征在于，所述方法包含以下步骤：步骤1：依据变压器研究问题的特点，划分变压器的A个运行状态；步骤2：选取蕴含变压器运行状态的在线或离线的监/检测数据作为数据源；步骤3：对变压器数据源进行特征提取，确定若干个特征变量，特征变量既可以是离散变量也可以是连续变量；步骤4：采用A维的0?1向量表达方式，确定变压器各种运行状态下的极限学习机的目标向量；步骤5：选取变压器在各种运行状态下的样本数据；步骤6：将样本数据按设定的比例分为训练样本数据和测试样本数据；其中，训练样本数据用于学习变压器的极限学习机故障诊断模型，测试样本数据用于验证变压器的极限学习机故障诊断模型；步骤7：确定变压器的极限学习机故障诊断模型的输入层节点数、隐层节点数、输出层节点数，选取变压器的极限学习机故障诊断模型的激励函数；步骤8：以训练样本数据作为极限学习机的输入，进行变压器的极限学习机故障诊断模型的学习；步骤9：采用测试样本数据对步骤8得到的极限学习机变压器故障诊断模型进行验证。

【技术特征摘要】

【专利技术属性】
技术研发人员：朱永利，俞国勤，尹金良，邵宇鹰，黄建才，李坚，
申请(专利权)人：上海市电力公司，华北电力大学保定，国家电网公司，
类型：发明
国别省市：