[发明专利]一种变压器表面振动基频幅值预测方法

说明书

本发明实施例公开了一种变压器表面振动基频幅值预测方法，该方法采用模糊C‑均值聚类的方法来选取训练样本数据，使得选取的训练样本数据能够涵盖全部运行工况，同时也降低数据冗余。从而避免了直接使用海量样本数据所产生的大量的冗余数据，同时也避免了冗余数据可能造成样本空间不平衡，产生过学习现象，降低网络泛化能力的技术问题。

技术领域

本发明涉及电力领域，尤其涉及一种变压器表面振动基频幅值预测方法。

背景技术

大型电力变压器故障诊断一直是电力设备故障诊断中的难题，振动分析则是极具潜力的一种较新的研究思路：电力变压器表面的振动与其绕组和铁心的压紧状况、绕组的位移及变形密切相关，振动信号的基频(变压器工作频率的2倍)幅值是判断其运行状态和故障诊断的重要依据。传统方法将变压器表面振动基频幅值与运行电压和负载电流粗略近似为正相关的叠加关系。

但是，实际中变压器表面振动不仅取决于负载电流和运行电压，也与变压器结构、制造材料与工艺、安装方式等多重因素相关，基频幅值与负载电流和运行电压等因素之间是一种一对多的非线性映射关系。尽管有人提出一种基于广义回归神经网络(GeneralRegression Neural Networ，GRNN)的变压器振动基频幅值计算方法，可根据在运变压器运行工况预测其正常状态下的表面基频幅值，相比上述传统方法具有更高的计算精度和可信程度。而该方法的计算精度和可信度，与样本数据密切相关。那么，在面临海量的样本数据时，如何选取高效的训练样本是本领域技术人员急需解决的问题。

发明内容

为解决上述技术问题，本发明实施例提供了一种变压器表面振动基频幅值预测方法，采用模糊C-均值聚类的方法来选取训练样本数据，使得选取的训练样本数据能够涵盖全部运行工况，同时也降低数据冗余。从而避免了直接使用海量样本数据所产生的大量的冗余数据，同时也避免了冗余数据可能造成样本空间不平衡，产生过学习现象，降低网络泛化能力的技术问题。

本发明实施例提供了如下技术方案：

一种变压器表面振动基频幅值预测方法，包括：

获取原始样本数据，采用模糊C-均值聚类方法对原始样本数据进行优化，得到训练样本；

利用所述训练样本对广义回归神经网络进行训练，得到网络函数；

利用所述网络函数预测变压器表面振动基频幅值。

优选地，所述采用模糊C-均值聚类方法对原始样本数据进行优化，得到训练样本，具体包括：

采用递归的方式将所有的原始样本数据x_j(j＝1,2…，n，n为样本数量)归并到c个簇C_i(i＝1,2…，c)中，并求每组的聚类中心c_i和模糊隶属度u_ij(u_ij∈[0,1])使得非相似性指标的价值函数J达到最小，

其中，价值函数J为：

其中，d_ij＝||c_i-x_j||表示第i个聚类中心与第j个样本数据间的欧氏距离。且m∈[1,∞)是一个加权指数，

从c个簇中的每个簇中选取N个样本数据作为训练样本，N为大于等于1的正整数，用户可根据实际需求选取N的值。

优选地，还包括：

基于预设的贡献率选择平滑因子，若第i个输入X_i的第j个模式层单元的神经元传递函数大于预设的贡献率，对第i个输入X_i的第j个模式层单元中的平滑因子进行优化，若第i个输入X_i的第j个模式层单元的神经元传递函数小于预设的贡献率，对第i个输入X_i的第j个模式层单元中的平滑因子不进行优化。