[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

说明书

本发明提出了一种神经网络和决策融合的油浸式变压器故障诊断方法。其中，神经网络和决策融合的方法包括：故障编码、神经网络模型的构建和训练、决策融合矩阵的计算。对故障低温过热、中温过热、高温过热、局部放电、低能放电、高能放电编码后，使用5种变压器油中溶解气体含量作为辨识特征，训练多个神经网络，并根据神经网络的测试准确率计算决策融合矩阵，实现多个神经网络的决策融合。该方法可以根据单个神经网络对特定故障的辨识性能调整其在整个模型辨识中的权重，以提高故障诊断的准确度，对变压器故障的及时处理和电力系统的稳定可靠运行具有重要意义。

技术领域

本发明属于变压器故障诊断领域，具体涉及一种神经网络和决策融合的油浸式变压器故障诊断方法。

背景技术

变压器作为电力系统的关键设备，在电能转换中发挥着电压转换、电流转换、功率传输等作用。随着电网容量的逐步扩增，及超高压和特高压技术的快速发展，电网需要具有更高的可靠性和安全性，如果变压器发生故障，很可能造成大规模停电，不但给市民的正常生活带来不便，还会严重影响国民经济的发展进度。变压器的运行状态将直接印象电力系统的稳定性、安全性、完整性和经济性，因此保证变压器的安全稳定和及时排除故障运行具有非常重要的意义。

变压器油中溶解气体分析(DGA)是目前广泛应用的电力变压器故障诊断手段，主要包括IEC/IEEE推荐的三比值法、四比值法、改良三比值法等，由于这些方法存在的诸多局限性，诊断准确率不高。只有寻求新的智能化的诊断方法才能打破这些局限，提高诊断结果的准确率。近年来，随着人工智能理论，如人工神经网络、模糊理论、专家系统的发展，为变压器故障诊断技术提供了新的拓展方向，这些方法将弥补传统DGA方法的不足。

人工神经网络是一种分类算法，它可以有效拟合输入和输出之间的非线性映射关系，具有非常好的分类性能，能够应用于故障检测，但是在使用神经网络进行训练时可能会陷入局部最优，进一步可能会导致故障辨识中对不同故障的辨识性能不均衡，即能够很好得辨识某几种故障，而对其他故障辨识效果较差。

发明内容

为了解决上述现有技术问题，本发明提出了一种神经网络和决策融合的油浸式变压器故障诊断方法。根据变压器油中溶解气体：氢气(H₂)、甲烷(CH₄)、乙烯(C₂H₄)、乙烷(C₂H₆)、乙炔(C₂H₂)含量，针对低温过热、中温过热、高温过热、局部放电、低能放电、高能放电故障进行检测。

本发明所采取的技术方案是一种神经网络和决策融合的油浸式变压器故障诊断方法，具体包括以下步骤：

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，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；

本发明提出的方法，具有如下优点：

相比传统故障检测方法，该方法将具有更高的辨识准确度；