[发明专利]基于聚类算法和神经网络的变压器故障诊断方法

权利要求书

1.一种基于聚类算法和神经网络的变压器故障诊断方法，包括以下步骤：a、根据IEC标准和DL/T 722-2000导则，确定故障类型为中低温过热、中

温过热、高温过热、局部放电、低能放电和高能放电；在原始样本集中选取H₂、CH₄、C₂H₆、C₂H₄和C₂H₂为故障样本集的特征量； 

b、用聚类法对原始样本进行分析后得到样本空间分布，根据某一相似性度量，把原始样本划分三类，从这三类中按一定的方法和比例挑选训练样本和测试样本，利用K-means聚类方法对这些样本进行聚类；

c、构建RBF神经网络； 

d、进行参数学习，确定隐藏层的个数、中心位置、宽度以及输出权值； 

e、采用PSO进行优化训练，确定隐藏层中心的位置，而个数、宽度、权值分别采用试验法、最小距离法、伪逆法确定；

f、输入训练样本，求解后验概率，判断故障类别。

2.根据权利要求1所述的基于聚类算法和神经网络的变压器故障诊断方法，其特征是：在利用油中溶解气体数据进行故障诊断之前，对这些样本数据进行统一的规范化处理，设DGA样本集如矩阵形式，即有                                                个样本，每个样本有个特征量， 使用最大值规范化对样本进行规范化，

即每个元素除以该行的最大值元素，如式1-1所示；

               （1-1）。

3.根据权利要求1所述的基于聚类算法和PSO-RBFNN的变压器故障诊断方法，其特征是：在使用前，先确定聚类的类别数，使聚类数K从小到大逐步增加，同时针对每一个不同K值所产生的分类结果，计算各样本与其所属子集中心的距离平方和J(K)，该距离平方和是随着K的增大而减小的，而最佳聚类数Ka的选择，可取为该距离平方和J(K)变化曲线的曲率变化最大点对应的子集数，该子集数即为Ka值。

4. 根据权利要求1所述的基于聚类算法和神经网络的变压器故障诊断方法，其特征是： 所述RBF神经网络的结构由两部分组成，分别是网络的输入和网络的输出，其中，网络输入，网络输出。

5. 根据权利要求1所述的基于聚类算法和神经网络的变压器故障诊断方法，其特征是：所述隐藏层中心个数的确定是根据多次试验确定的，即从最小值到最大值不断增加，对每个值，都进行训练，并根据输入测试样本的诊断正确率来确定取值，取使为最大时的值为RBF神经网络最终的隐藏层中心数目。

6. 根据权利要求5所述的基于聚类算法和神经网络的变压器故障诊断方法，其特征是：给出隐藏层中心的最大个数和最小个数，并使当前隐藏层中心个数为；随机初始化粒子群，设定各相关参数，另外，设在个中心时，最佳神经网络为；

利用各粒子的位置，作为隐藏层中心，根据1-2式计算宽度，根据伪逆法计算输出权值，构建RBF神经网络；

              (1-2)

式中：

——聚类中心间的最小距离；

——重叠系数；

输入训练样本，对所构建的RBF神经网络进行训练；

   根据1-3式计算粒子的适应度值，对粒子群中的粒子进行评估；

                           (1-3)

式中

——均方误差；

——粒子适应度函数；

如果迭代次数达到最大迭代次数或者目标函数值，即误差小于给定值，则输出粒子所经历的全局最好位置作为RBF神经网络的最优隐藏层中心，并根据测试样本计算该RBF神经网络的正确率，如果，则把该神经网络保存为，同时跳到第八步进行计算；否则，根据各粒子的适应度值重新确定各粒子最好位置和全局最好位置；

 更新粒子，根据式1-4和1-5更新所有粒子的当前位置和当前速度，并转到第三步进行重新计算；

     (1-4)

      (1-5)

 式中：

 ——第个粒子，；

——粒子的第维，；

——粒子的第代；

——惯性因子； 

 ，——正的加速常数，通常取0~2；

，——0到1之间均匀分布的随机数；

如果，则，并转到第二步重新计算，否则输出 ，停止计算。