[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在审
申请号: | 202011132498.9 | 申请日: | 2020-10-21 |
公开(公告)号: | CN112307918A | 公开(公告)日: | 2021-02-02 |
发明(设计)人: | 李涛;张琛亮;郭春林;朱柯佳;马慧远 | 申请(专利权)人: | 华北电力大学;国网北京市电力公司;国家电网有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62;G06N3/04;G06N3/08;G01R31/62;G01M7/02;G01H17/00 |
代理公司: | 北京众合诚成知识产权代理有限公司 11246 | 代理人: | 黄家俊 |
地址: | 102206 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 模糊 神经网络 变压器 直流 诊断 方法 | ||
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pf50、频率复杂度FC、奇偶次谐波幅值之比λoe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λoe的计算方法如下式(1)、(2)所示:
其中,基频幅值pf50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XH,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XM,使得步骤5中训练好的模型的输出从0变到1,假定点XM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=-XM=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XM的曲线。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于华北电力大学;国网北京市电力公司;国家电网有限公司,未经华北电力大学;国网北京市电力公司;国家电网有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011132498.9/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种二硫化钼和硼酸双修饰的层状双氢氧化物的制备方法
- 下一篇:插拔针装置