[发明专利]一种基于模糊神经网络的变压器直流偏磁的诊断方法

权利要求书

1.一种基于模糊神经网络的变压器直流偏磁的诊断方法，其特征在于，包括以下步骤：

步骤1：选择变压器振动的基频幅值p_f50、频率复杂度FC、奇偶次谐波幅值之比λ_oe作为特征量，采用振动传感器采集变压器工作时的振动信号数据，将数据分析处理得到该时刻变压器的特征量参数；

步骤2：构造隶属度函数及神经网络，并初始化相关参数；

步骤3：将样本分为训练集和验证集，使用训练集对包含隶属度函数的神经网络进行训练，直至误差满足要求；

步骤4：在验证集上验证训练好的模型的有效性；

步骤5：利用训练好的模型，通过遍历法寻找三特征量隶属度函数中的关键值，从而确定隶属度函数参数，获得可用于故障诊断的故障概率曲线；训练好的模型的输出仅可表示变压器的故障与否，即输出集为[0，1]；

步骤6：根据故障概率曲线，得到三种特征量对应的故障概率，取其加权平均数为变压器最终的发生故障概率，即发生直流偏磁的概率。

2.根据权利要求1所述的诊断方法，其特征在于，步骤1中所述频率复杂度FC、奇偶次谐波幅值之比λ_oe的计算方法如下式(1)、(2)所示：

其中，基频幅值p_f50为100-2000Hz中50Hz倍频频率幅值。

3.根据权利要求2所述的诊断方法，其特征在于，步骤2中所述神经网络架构共有六层组成，依次分别为输入层、量化输入层、3层隐含层、输出层，其中每个隐含层有6个神经元；所述隶属度函数选择S型函数，如式(3)所示：

所述神经网络的第一层为输入层，x₁，x₂，x₃分别为三个输入特征量，节点数为3个，输入层将采集到的特征量数据传递到第二层；第二层为量化输入层，通过隶属度函数将输入变量模糊化，节点数为三个，每个节点代表一个模糊集合；第三到五层为网络的隐含层；第六层为输出层，输出结果为0和1，1代表变压器发生直流偏磁，0代表变压器无直流偏磁。

4.根据权利要求3所述的诊断方法，其特征在于，所述步骤3具体包括：

步骤S31：输入训练样本及期望输出，设定学习误差那个及最大训练次数；

步骤S32：初始化隶属度函数的参数以及神经网络中节点的各连接权值；

步骤S33：输入样本，第2层隶属度函数将其模糊化，并经过第3-5层进行计算，通过第6层输出；

步骤S34：计算得到的目标值与实际值之间的平方误差E(i)，判断是否满足误差要求；

步骤S35：若不满足要求，进行反向传播，计算各层参数调整量，并更新参数，若满足要求，保存已训练好的网络及参数。

5.根据权利要求4所述的诊断方法，其特征在于，所述步骤5中所述确定隶属度函数参数指确定隶属度函数S(x)的参数α和β，具体为：

当特征量X大于某个特定值时，不论其余两个特征量如何取值，神经网络都会判断其为故障状态，此时记特征量X为X_H，即如式(4)所示：

取ε作为极小值，则如式(5)所示：

整理可得，如式(6)所示：

在隶属度函数曲线上找到一个点X_M，使得步骤5中训练好的模型的输出从0变到1，假定点X_M在隶属度函数曲线S(x)中对应的故障概率为1/2，即如式(7)所示，

整理得到，如式(8)所示：

β＝-X_M＝f(X₁，X₂) (8)，

其中，X₁，X₂是除了X以外的两个特征量；f(X₁，X₂)通过对已有网络进行取值测试，拟合出X_M的曲线。