[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

说明书

本发明公开了一种基于模糊神经网络的变压器振动故障诊断方法，将采集到的变压器振动信号输入网络进行训练，并基于训练好的神经网络进行参数拟合，得到基于振动的变压器直流偏磁故障概率曲线，可以实现变压器直流偏磁的在线诊断，根据振动信号，实时判断变压器是否发生直流偏磁，同时在诊断方法中引入先验知识，减小了样本需求量，且提高了故障诊断的准确率。

技术领域

本发明涉及一种基于振动的变压器故障方法，尤其涉及一种基于模糊神经网络的变压器直流偏磁诊断方法，属于电力变压器及人工智能技术领域。

背景技术

电力变压器是电力系统中的核心设备，承担着电能转换与传输的核心任务，是电网中最重要的设备之一，变压器故障对电网的影响很大，甚至会造成严重的不良社会影响和经济损失。然而现有的对变压器健康状态进行诊断的方法多需要停机检修，对变压器在线运行状态的故障诊断手段有限。近年来，随着人工智能的快速发展，深度学习、大数据等方法也被引入到变压器的故障诊断这一传统问题中。然而，人工智能算法通常要求有较多的数据才能达到很好的训练效果，而变压器的故障数据与正常运行的数据相比，恰恰是比较稀缺的，导致训练数据不足而使故障诊断的准确度受到影响。

发明目的

本发明的目的就是为了克服现有技术存在的一些缺陷，采用模糊数学与神经网络结合的思想，设计出的一种适用于变压器状态检测的方法，通过对变压器振动信号的处理分析，给出变压器发生直流偏磁的概率，主要解决以下问题：

1.解决目前对变压器健康状态进行诊断时需要停机检修的现状，实现变压器的在线状态检测，实时对变压器的状态进行诊断。

2.解决采用人工智能方法对变压器进行故障诊断时的数据稀少问题，通过采用模糊神经网络构架并引入先验知识，减小训练时的样本需求量。

发明内容

本发明提供了一种基于模糊神经网络的变压器直流偏磁的诊断方法，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。

进一步地，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；

进一步地，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。