[发明专利]一种神经网络和决策融合的油浸式变压器故障诊断方法

权利要求书

1.一种神经网络和决策融合的油浸式变压器故障诊断方法，其特征在于，包括以下步骤：

步骤1：根据故障状态类型对多种故障状态进行编码，根据故障数量m，把变压器故障用长度为m的数字序列表示，且保证第i个故障编码中只有第i位值为1，其余位为0，i∈[1,m]；

步骤2：以变压器油中多种气体含量作为特征，采集的变压器故障特征数据通过步骤1进行编码，编码后故障特征数据根据一定比例分为训练数据、整定数据和测试数据三组，并进一步把训练数据平均分为n组训练样本；

步骤3：构建神经网络，通过训练得到n个训练完成的神经网络，分别对步骤2中所述整定数据进行辨识以统计每个神经网络分别对每个故障的辨识准确度构建准确度矩阵，将准确度矩阵进行归一化得到决策融合矩阵，将神经网络模型和决策融合模型组成为故障诊断模型，对测试数据进行检测并辨识结果；

步骤4：采集变压器油特征气体含量，特征气体向量输入至步骤3中所述故障诊断模型，故障诊断模型输出向量中最大值对应的故障类型即为辨识结果；

步骤1中所述根据故障类型对多种故障进行编码具体为：

所述故障状态类型的数量为m种，m＝6；

每种故障对应的编码分别为：

低温过热，对应的编码为100000；

中温过热，对应的编码为010000；

高温过热，对应的编码为001000；

局部放电，对应的编码为000100；

低能放电，对应的编码为000010；

高能放电，对应的编码为000001；

所述步骤2，具体为：

以变压器油中的氢气(H₂)、甲烷(CH₄)、乙烯(C₂H₄)、乙烷(C₂H₆)、乙炔(C₂H₂)含量作为特征，含量单位为μL/L；

采集多条变压器所有类型故障的特征数据，其中，一条特征数据由所有上述特征组成，用向量的形式表示，如X＝(x₁,x₂,…,x₅)，x_k表示第k个特征，即第k个上述气体的含量；

对以上的每条变压器故障特征数据进行编码；

编码后将所有故障特征数据根据一定比例分为训练数据、整定数据和测试数据三组，并进一步把训练数据平均分为n组训练样本；

所述一定比例为编码后所有故障特征数据的70％作为训练数据，编码后故障特征数据的10％作为整定数据，编码后故障特征数据的20％作为测试数据；

所述的分组应保证训练数据、整定数据、测试数据和训练样本均包括了所有故障，且单组数据内对应每种故障的特征数据所占比例大致相同；

步骤3中所述构建神经网络为：

通过训练得到n个训练完成的神经网络；进一步分别对步骤2中所述整定数据进行辨识，统计每个神经网络分别对每个故障的辨识准确度构建准确度矩阵；

其中，神经网络中输入层神经元数量和特征气体数量相同，即为5，输出层神经元数量和故障种类相同，即为6，隐含层可根据实际情况确定层数和每个隐含层神经元数量；

并使用softmax函数作为输出层神经元的激活函数

步骤3中所述通过训练得到n个训练完成的神经网络为：

通过步骤2得到的n组训练样本对神经网络进行训练，分别得到n个训练完成的神经网络；

步骤3中所述对步骤1中所述整定数据进行辨识以统计每个神经网络分别对每个故障的辨识准确度构建准确度矩阵为：

使用n个训练完成的神经网络分别对整定数据进行辨识，并统计每个神经网络分别对每个故障的辨识准确度，记所有神经网络对第j个故障的辨识准确度向量为P_j＝(p_1j,p_2j,…,p_nj)^T；

把所有神经网络的准确度向量组合成准确度矩阵P＝(P₁,P₂,…P_m),m＝6，准确度矩阵展开为：

步骤3中所述将准确度矩阵进行归一化得到决策融合矩阵为：

对准确度矩阵的每一列进行归一化，具体如下：

得到决策融合矩阵W＝(W₁,W₂,…,W_m),m＝6，

其中W_j＝(w_1j,w_2j,…,w_nj)^T,j＝1,2…,m，表示神经网络模型对第j个故障辨识的权重向量，决策融合矩阵为：

其中w_ij表示第i个神经网络对第j个故障的辨识结果在决策融合中的权重，也可理解为重要程度；

步骤3中所述将神经网络模型和决策融合模型组成为故障诊断模型为：

记特征气体输入为X＝(x₁,x₂,…,x₅)，单个神经网络的函数为N_i(·)，则第i个神经网络模型输出向量O_i为：

O_i＝(o_i1,o_i2,…,o_im)^T＝N_i(X)

将所有神经网络的输出向量组合得到神经网络模型输出矩阵为：

其中o_ij为第i个神经网络输出层第j个神经元的输出值；

记决策融合结果为则每种故障的决策结果可分别由O的第j行元素和W第j列元素对应相乘得到，所述决策融合结果为：

使用softmax函数将决策融合结果映射至0～1范围，具体为

得到最终诊断结果向量为Y＝(y₁,y₂,…,y_m)，Y中各项表示其对应故障的概率值，概率值最高项对应的故障类型即为诊断结果；

步骤3中所述对测试数据进行检测并辨识结果为：

使用故障诊断模型对步骤2得到的测试数据进行检测，并统计辨识结果，若辨识结果没有满足要求，继续通过所述训练得到n个训练完成的神经网络，否则保存训练完成的故障检测模型并执行步骤4；

使用故障诊断模型对步骤2得到的测试数据进行检测，并统计辨识结果，若辨识结果准确率没有达到期望值，重新执行步骤3，否则保存训练完成的故障检测模型并执行步骤4；

上述的期望值，可根据实际场景的需求确定故障诊断模型应达到的最低辨识准确率；

上述的重新执行步骤3，构建神经网络模型中，可在已构建的神经网络模型基础上进行优化，也可以使用其他种类的神经网络模型；

步骤4中所述组成特征气体向量为：X＝(x₁,x₂,…,x₅)；

最大值对应的故障类型即为辨识结果具体为：

根据步骤3得到故障诊断模型输出向量Y＝(y₁,y₂,…,y_m)，则Y中最大值y_max＝max(y₁,y₂,…,y_m)对应的故障类型即为辨识结果，且y_max为故障诊断模型认为此时发生的故障是辨识结果的概率。