本發(fā)明屬于變壓器故障診斷領(lǐng)域，具體涉及一種基于模糊玻爾茲曼機(jī)的變壓器故障診斷方法。

背景技術(shù)：

隨著電網(wǎng)的規(guī)模不斷擴(kuò)大，電網(wǎng)復(fù)雜程度也隨之提高，與此同時(shí)所帶來(lái)的電力系統(tǒng)穩(wěn)定問(wèn)題也日趨嚴(yán)重，全國(guó)各地因電力系統(tǒng)故障每年都造成巨大的經(jīng)濟(jì)損失，分析其主要原因是電力系統(tǒng)故障不能及時(shí)發(fā)現(xiàn)和處理，不能阻止故障擴(kuò)大影響范圍。電氣設(shè)備故障一直是危害電力系統(tǒng)安全的主要因素，一些關(guān)鍵線(xiàn)路上的電氣設(shè)備一旦發(fā)生故障，將會(huì)對(duì)重要負(fù)荷供電及電力系統(tǒng)穩(wěn)定運(yùn)行產(chǎn)生重大影響。為此，必須實(shí)時(shí)監(jiān)測(cè)電力設(shè)備的運(yùn)行狀態(tài)，及時(shí)發(fā)現(xiàn)、排查安全隱患，將故障帶來(lái)的影響降至最低。變壓器是電力系統(tǒng)最重要的電氣設(shè)備之一，是輸電網(wǎng)和配電網(wǎng)的樞紐。由于變壓器長(zhǎng)時(shí)間在電網(wǎng)中不間斷運(yùn)行，變壓器的故障率隨使用時(shí)間呈上升趨勢(shì)。一旦變壓器發(fā)生故障，經(jīng)常需要停電檢修，直接影響人民生活，影響電力系統(tǒng)的穩(wěn)定性和安全性，所以對(duì)變壓器運(yùn)行狀態(tài)實(shí)時(shí)監(jiān)測(cè)顯得尤為重要。

分析油式變壓器的故障原因，主要是因?yàn)樽儔浩鲀?nèi)部固體絕緣介質(zhì)發(fā)生老化。固體絕緣介質(zhì)在電、熱作用下，會(huì)發(fā)生局部放電，產(chǎn)生甲烷、氫氣和乙烷等氣體，這些氣體將溶解于變壓器油中。通過(guò)安裝在變壓器內(nèi)部的氣體成分監(jiān)測(cè)裝置，可以檢測(cè)變壓器油中這些氣體的種類(lèi)和含量，便可以判斷變壓器是否發(fā)生絕緣老化。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提出一種基于模糊玻爾茲曼機(jī)的變壓器故障診斷方法，能夠根據(jù)輸入的樣本中氣體含量，準(zhǔn)確判斷變壓器是否發(fā)生絕緣老化，確保變壓器安全穩(wěn)定運(yùn)行。

本發(fā)明采用下述技術(shù)方案：

一種基于模糊玻爾茲曼機(jī)的變壓器故障診斷方法，其特征在于，由以下步驟構(gòu)成：

步驟1、收集變壓器油中氣體數(shù)據(jù)，包括氫氣，甲烷，乙烷，乙烯，乙炔，一氧化碳和二氧化碳；

步驟2、對(duì)缺失數(shù)據(jù)進(jìn)行線(xiàn)性擬合補(bǔ)充完整，即對(duì)于發(fā)現(xiàn)有缺失的數(shù)據(jù)，利用缺失數(shù)據(jù)前后的信息，通過(guò)線(xiàn)性擬合手段，將缺失數(shù)據(jù)補(bǔ)充完整，避免不良數(shù)據(jù)的影響；

步驟3、建立模糊玻爾茲曼機(jī)模型；定義模糊能量函數(shù)表達(dá)式如下：

其中是模糊參數(shù)，是可視層的模糊偏置，是隱含層的模糊偏置，是隱含層和可視層的模糊連接權(quán)重；

基于該能量函數(shù)的聯(lián)合概率分布可表示為：

其中Z為配分函數(shù)，

步驟4、將訓(xùn)練樣本輸入模糊玻爾茲曼機(jī)，調(diào)整內(nèi)部參數(shù)，采用對(duì)比歧化算法避免馬爾科夫鏈蒙特卡洛算法的計(jì)算量太大的問(wèn)題，通常只需要一次對(duì)比歧化計(jì)算過(guò)程就可以達(dá)到精度要求；具體過(guò)程為：

步驟4.1、使用一個(gè)樣本來(lái)初始化馬爾科夫鏈，用一個(gè)訓(xùn)練樣本初始化可視層參數(shù)；

步驟4.2、利用對(duì)比歧化算法求出隱含層激活概率，再反饋回可視層重構(gòu)；重復(fù)上述步驟直至訓(xùn)練梯度滿(mǎn)足要求，其中激活單元表達(dá)式為：

對(duì)比歧化算法只需要進(jìn)行一步即可完成訓(xùn)練，用CD-1表示，學(xué)習(xí)算法過(guò)程表示為：x＝x⁽⁰⁾→h⁽⁰⁾→x⁽¹⁾→h⁽¹⁾，由此得到模糊玻爾茲曼機(jī)訓(xùn)練模型；

步驟5、將測(cè)試樣本輸入到變壓器故障診斷分類(lèi)器當(dāng)中，得到輸出結(jié)果即可判斷變壓器是否發(fā)生故障，與變壓器實(shí)際狀態(tài)對(duì)比，計(jì)算出精度；如果精度不滿(mǎn)足要求，則需要將此模型輸入新的訓(xùn)練樣本，繼續(xù)調(diào)整參數(shù)，而后測(cè)試，直至精度滿(mǎn)足要求；

步驟6、將實(shí)時(shí)數(shù)據(jù)導(dǎo)入訓(xùn)練后的模型，得到識(shí)別結(jié)果，在此步驟前已經(jīng)訓(xùn)練出一個(gè)高精度變壓器故障診斷分類(lèi)器，在導(dǎo)入實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)后，可以快速得到故障識(shí)別結(jié)果，判斷樣本所表征的變壓器是否發(fā)生絕緣老化；本方法采用人工智能的手段，可以做到自動(dòng)提取樣本特征、自學(xué)習(xí)調(diào)整參數(shù)，自?xún)?yōu)化提高識(shí)別精度，大大減輕人工處理的繁重任務(wù)。

在上述的一種基于模糊玻爾茲曼機(jī)的變壓器故障診斷方法，在步驟3中建立模糊玻爾茲曼機(jī)后，采用去模糊化的手段降低計(jì)算復(fù)雜度，將問(wèn)題轉(zhuǎn)換為計(jì)算常規(guī)的最大似然問(wèn)題；

模糊自由能量函數(shù)可表示為：

模糊自由能量函數(shù)重心F_c(x)可以表示為：

當(dāng)模糊自由能量函數(shù)去模糊化之后，概率可表示為：

在模糊玻爾茲曼機(jī)，目標(biāo)函數(shù)是負(fù)的對(duì)數(shù)似然函數(shù)，可表示為：

其中D是訓(xùn)練集，訓(xùn)練過(guò)程的目標(biāo)是找到最小目標(biāo)函數(shù)的參數(shù)

在上述的一種基于模糊玻爾茲曼機(jī)的變壓器故障診斷方法，在步驟3建立模糊玻爾茲曼機(jī)之后，訓(xùn)練樣本時(shí)需要做去模糊化處理；采用積分法計(jì)算難度和計(jì)算量依舊很大，因此才用α-cuts法，采用逐步逼近思想將函數(shù)離散化做近似處理；模糊自由能量函數(shù)通常是單調(diào)下降，因此它的α-cuts可表示為：

定義有M個(gè)α-cuts將自由能量函數(shù)離散化，近似求出模糊自由能量函數(shù)

其中α＝(α₁,α₂,…,α_N)，α∈[0,1]^N和

由此，定義從近似分布中采樣N個(gè)樣本，則根據(jù)梯度計(jì)算出最優(yōu)參數(shù)

本發(fā)明能夠在少樣本情況下訓(xùn)練出一個(gè)高精度的故障診斷模型，為快速識(shí)別出變壓器故障和保證變壓器安全穩(wěn)定運(yùn)行提供依據(jù)，模糊玻爾茲曼機(jī)在進(jìn)行訓(xùn)練時(shí)候，能夠自學(xué)習(xí)樣本特征，在檢測(cè)故障時(shí)大大降低人力成本。

附圖說(shuō)明

圖1是本發(fā)明流程圖。

圖2是模糊玻爾茲曼機(jī)示意圖。

圖3是模糊玻爾茲曼機(jī)訓(xùn)練過(guò)程。

具體實(shí)施過(guò)程

為進(jìn)一步闡述本發(fā)明的過(guò)程和具體步驟，結(jié)合具體實(shí)例進(jìn)一步說(shuō)明。

一、如附圖1所示，本發(fā)明包括以下步驟：

(1)收集變壓器油中氣體數(shù)據(jù)；

(2)對(duì)缺失數(shù)據(jù)進(jìn)行線(xiàn)性擬合補(bǔ)充完整；由于變壓器油中氣體檢測(cè)裝置可能存在工作不穩(wěn)定情況，使得部分?jǐn)?shù)據(jù)缺失，此時(shí)可采樣線(xiàn)性擬合方法，利用前后歷史數(shù)據(jù)將缺失值補(bǔ)充完整，確保樣本數(shù)據(jù)完整性和合理性

(3)建立模糊玻爾茲曼機(jī)模型；改造原有的受限玻爾茲曼機(jī)，包括：

步驟3.1、將可視層和隱含層的偏置及兩層單元的連接權(quán)重均修改為模糊值。為建立模糊玻爾茲曼機(jī)模型，首先需定義模糊能量函數(shù)表達(dá)式如下：

其中是模糊參數(shù)，是可視層的模糊偏置，是隱含層的模糊偏置，是隱含層和可視層的模糊連接權(quán)重。基于該模糊能量函數(shù)，可以得到其聯(lián)合概率分布：

其中Z為配分函數(shù)，

步驟3.2、建立模糊玻爾茲曼機(jī)后，采用去模糊化的手段降低計(jì)算復(fù)雜度，將問(wèn)題轉(zhuǎn)換為計(jì)算常規(guī)的最大似然問(wèn)題。

模糊自由能量函數(shù)可表示為模糊自由能量函數(shù)重心F_c(x)可以表示為當(dāng)模糊自由能量函數(shù)去模糊化之后，概率可表示為在模糊玻爾茲曼機(jī)，目標(biāo)函數(shù)是負(fù)的對(duì)數(shù)似然函數(shù)，可表示為D是訓(xùn)練集，訓(xùn)練過(guò)程的目標(biāo)是找到最小目標(biāo)函數(shù)的參數(shù)

步驟3.3、建立模糊玻爾茲曼機(jī)之后，需要訓(xùn)練樣本時(shí)候需要做去模糊化處理。采用積分法計(jì)算難度和計(jì)算量依舊很大，因此才用α-cuts法，采用逐步逼近思想將函數(shù)離散化做近似處理。模糊自由能量函數(shù)通常是單調(diào)下降，因此它的α-cuts可表示為：

假設(shè)有M個(gè)α-cuts將自由能量函數(shù)離散化，可以近似求出模糊自由能量函數(shù)

其中α＝(α₁,α₂,…,α_N)，α∈[0,1]^N和

由此，假設(shè)從近似分布中采樣N個(gè)樣本，則可以根據(jù)梯度計(jì)算出極點(diǎn)的最優(yōu)參數(shù)

(4)將訓(xùn)練樣本輸入模糊玻爾茲曼機(jī)，調(diào)整內(nèi)部參數(shù)；訓(xùn)練模糊玻爾茲曼機(jī)時(shí)，采用對(duì)比歧化算法。對(duì)比歧化算法可以避免馬爾科夫鏈蒙特卡洛算法的大計(jì)算量的問(wèn)題，通常只需要一次對(duì)比歧化計(jì)算過(guò)程就可以達(dá)到精度要求。具體過(guò)程為：

(a)使用一個(gè)樣本來(lái)初始化馬爾科夫鏈，通常是用一個(gè)訓(xùn)練樣本初始化可視層參數(shù)；

(b)利用對(duì)比歧化算法求出隱含層激活概率，再反饋回可視層重構(gòu)。重復(fù)上述步驟直至訓(xùn)練梯度滿(mǎn)足要求，其中激活單元表達(dá)式為：

CD-1學(xué)習(xí)算法過(guò)程可以表示為：x＝x⁽⁰⁾→h⁽⁰⁾→x⁽¹⁾→h⁽¹⁾，由此可以得到模糊玻爾茲曼機(jī)訓(xùn)練模型。

(5)將測(cè)試樣本輸入到訓(xùn)練后樣本，驗(yàn)證精度是否滿(mǎn)足要求；步驟(5)前已經(jīng)訓(xùn)練出一個(gè)變壓器故障診斷分類(lèi)器，將測(cè)試樣本輸入到分類(lèi)器當(dāng)中，得到輸出結(jié)果即可判斷變壓器是否發(fā)生故障，與變壓器實(shí)際狀態(tài)對(duì)比，計(jì)算出精度。如果精度不滿(mǎn)足要求，則需要將此模型輸入新的訓(xùn)練樣本，繼續(xù)調(diào)整參數(shù)，而后測(cè)試，直至精度滿(mǎn)足要求。

(6)將實(shí)時(shí)數(shù)據(jù)導(dǎo)入訓(xùn)練后的模型，得到識(shí)別結(jié)果。步驟(6)前已經(jīng)訓(xùn)練出一個(gè)高精度變壓器故障診斷分類(lèi)器，在導(dǎo)入實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)后，可以快速得到故障識(shí)別結(jié)果，判斷數(shù)據(jù)所表征的變壓器是否發(fā)生絕緣老化。本方法采用人工智能的手段，可以做到自動(dòng)提取樣本特征、自學(xué)習(xí)調(diào)整參數(shù)，自?xún)?yōu)化提高識(shí)別精度，大大減輕人工處理的繁重任務(wù)。

二、下面介紹采用上述方法的具體實(shí)施例。

本發(fā)明中，訓(xùn)練樣本數(shù)據(jù)分別為氫氣、甲烷、乙烯、乙炔、一氧化碳、二氧化碳?xì)怏w含量。在變壓器中安裝傳感器，每12小時(shí)采集一次，觀(guān)測(cè)變壓器油中溶解各種氣體含量，可得到上述模糊玻爾茲曼機(jī)的輸入值。

對(duì)數(shù)據(jù)缺失值進(jìn)行線(xiàn)性擬合補(bǔ)充完整，截取部分樣本如下表所示。從數(shù)據(jù)監(jiān)測(cè)表可以看出，在2016-3-29，22:39:22時(shí)刻傳感器并未獲得甲烷氣體含量的數(shù)據(jù)，此時(shí)利用線(xiàn)性擬合，推算出此時(shí)甲烷含量大致為13.05μL/L；同理，在2016-3-26，22:39:22時(shí)刻，一氧化碳?xì)怏w含量數(shù)據(jù)缺失，通過(guò)線(xiàn)性擬合推算出一氧化碳含量為630μL/L。最終選取1300條數(shù)據(jù)作為訓(xùn)練樣本，608條數(shù)據(jù)作為測(cè)試樣本。

如附圖2所示，本發(fā)明建立的模糊玻爾茲曼機(jī)可視層采用7單元結(jié)構(gòu)，隱含層使用3單元結(jié)構(gòu)。采用對(duì)比歧化學(xué)習(xí)算法，先用一個(gè)樣本初始化可視層參數(shù)，再將剩余訓(xùn)練樣本導(dǎo)入模型訓(xùn)練，調(diào)整模型參數(shù)和遍歷數(shù)據(jù)次數(shù)。同時(shí)也建立受限玻爾茲曼機(jī)模型，與模糊玻爾茲曼機(jī)測(cè)試結(jié)果對(duì)比。

根據(jù)附圖3所示學(xué)習(xí)過(guò)程，依次算出模型的能量函數(shù)、聯(lián)合分布、自由能量函數(shù)，通過(guò)α-cuts將自由能量函數(shù)離散化，使用離散函數(shù)逼近，以降低計(jì)算難度；利用離散自由能量函數(shù)的計(jì)算結(jié)果，求出出每個(gè)可視層和隱含層單元的激活條件概率，使用對(duì)比歧化算法，將樣本依次輸入模型調(diào)整權(quán)值，最終得到一個(gè)變壓器故障診斷器。

表1主變C相變壓器油氣體含量監(jiān)測(cè)表(單位：μL/L)

將測(cè)試樣本輸入到訓(xùn)練后的模型，如果精度滿(mǎn)足要求，則訓(xùn)練的模型符合要求，可以作為變壓器油溶解氣體在線(xiàn)監(jiān)測(cè)模型；否則，重新輸入新的參數(shù)。本發(fā)明中將實(shí)驗(yàn)樣本導(dǎo)入搭建好的模型，同時(shí)與受限玻爾茲曼機(jī)對(duì)比。訓(xùn)練精度如表2所示。

表2兩種玻爾茲曼機(jī)模型訓(xùn)練精度對(duì)比

本文中所描述的具體實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說(shuō)明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類(lèi)似的方式替代，但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書(shū)所定義的范圍。