一種基于rbpnn的變壓器故障診斷方法
【專利摘要】本發(fā)明公開了一種基于RBPNN的變壓器故障診斷方法，屬于智能變電站設備監(jiān)測和診斷技術領域。方法包括：步驟一，采集變壓器故障特征氣體的濃度數(shù)據(jù)作為歷史數(shù)據(jù)，對歷史數(shù)據(jù)進行歸一化處理后分為訓練樣本和測試樣本，其中故障特征氣體包括氫氣、甲烷、乙烷、乙烯和乙炔；步驟二，以故障特征氣體的濃度作為輸入層、故障類型作為輸出層建立RBPNN模型；步驟三，利用訓練樣本對模型進行訓練，并結(jié)合PSO算法得到最優(yōu)的RBPNN模型；步驟四，將測試樣本輸入優(yōu)化后的RBPNN模型，得到預測的故障類型。本發(fā)明引入RBPNN模型，經(jīng)改造并優(yōu)化后大大提高了故障預測準確率和收斂速度，穩(wěn)定性較高，為變壓器故障診斷提供了一條新的途徑。
【專利說明】
一種基于RBPNN的變壓器故障診斷方法
技術領域
[0001] 本發(fā)明涉及一種基于RBPNN的變壓器故障診斷方法，特別涉及了電力變壓器放電 和過熱故障的診斷方法，屬于智能變電站設備監(jiān)測和診斷技術領域。
【背景技術】
[0002]隨著電網(wǎng)容量的不斷擴大，電力系統(tǒng)的核心設備一電力變壓器，其內(nèi)部故障發(fā)生 率越來越高。因此，為了整個電網(wǎng)的安全運行，對變壓器運行狀態(tài)及其早期潛伏性故障進行 監(jiān)測和判斷，已經(jīng)引起了相關電力系統(tǒng)部門的高度重視。
[0003] 目前，油中溶解氣體分析法(DGA)是對變壓器內(nèi)部故障診斷最普遍，最有效的方法 之一，而其三比值法的固有缺點是存在編碼邊界過于絕對且編碼不全的現(xiàn)象。依據(jù)電協(xié)研 提出的編碼組合，我國專家嘗試作了一些改良，故障判斷準確率得到了一定的提升，但其診 斷精度仍有待更進一步的研究。近幾年，國內(nèi)外研究學者應用人工神經(jīng)網(wǎng)絡、專家系統(tǒng)、模 糊理論等建立相應數(shù)學模型，結(jié)合油中溶解氣體特征量對變壓器故障進行診斷探索，也取 得了一定的成效。
[0004] 其中，以人工神經(jīng)網(wǎng)絡研究較為普遍，成效顯著。常見的有反向傳播神經(jīng)網(wǎng)絡 (BPNN)、徑向基函數(shù)神經(jīng)網(wǎng)絡(RBFNN)和概率神經(jīng)網(wǎng)絡(PNN)。其中，BPNN可以實現(xiàn)一個從輸 入到輸出的非線性映射功能，擁有較強的自學習和自適應能力同時也具有較高的泛化能 力。但是，網(wǎng)絡訓練時易陷入局部最優(yōu)，收斂速度較慢且此網(wǎng)絡性能對網(wǎng)絡結(jié)構和初值要求 較高;RBFNN結(jié)構簡單、訓練簡潔而且學習收斂速度很快，可以將低維的模式輸入數(shù)據(jù)變換 到高維空間內(nèi)，將低維不可分問題在高維空間變成可分。然而其固有的徑向基函數(shù)空間區(qū) 域很小，當要獲得較大輸入空間時，和BPNN相比，往往需要較多的徑向基神經(jīng)元;PNN是一種 特殊的RBFNN，無需訓練樣本的連接權值，直接由給定的訓練樣本構成，擁有較高的預測精 度。但是，PNN沒有考慮到樣本的總體分布特性，即沒有考慮不同類別模式間的交錯影響，因 而限制了其性能進一步提尚。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服現(xiàn)有技術中的不足，提供了一種基于RBPNN的變壓器故障 診斷方法，引入RBPNN模型，簡化優(yōu)化后進行故障預測，解決了現(xiàn)有技術中故障診斷方法收 斂速度慢、預測準確率低的技術問題。
[0006] 為解決上述技術問題，本發(fā)明提供了一種基于RBPNN的變壓器故障診斷方法，其特 征是，包括以下步驟：
[0007] 步驟一，采集變壓器故障特征氣體的濃度數(shù)據(jù)作為歷史數(shù)據(jù)，對歷史數(shù)據(jù)進行歸 一化處理后分為訓練樣本和測試樣本，其中故障特征氣體包括氫氣、甲烷、乙烷、乙烯和乙 塊；
[0008] 步驟二，以故障特征氣體的濃度作為輸入層、故障類型作為輸出層建立RBPNN模 型；
[0009]步驟三，利用訓練樣本對模型進行訓練，并結(jié)合PS0算法得到最優(yōu)的RBPNN模型； [0010]步驟四，將測試樣本輸入最優(yōu)的RBPNN模型，得到預測的故障類型。
[0011] 進一步的，在步驟一中，所述歸一化處理采用離差標準化方法統(tǒng)一不同量綱的數(shù) 據(jù)，具體公式
?，其*xP(p = l，2,…，5)為原始的氣體濃度數(shù)據(jù)，Xmax為同一氣 體濃度中的最大值，Xmin為同一氣體濃度中的最小值，X/為歸一化后的數(shù)據(jù)。
[0012] 進一步的，在步驟二中，所述RBPNN模型包括輸入層、第1隱層、第2隱層和輸出層，
[0013] 輸入層有5個神經(jīng)元，對應5種故障特征氣體的濃度；
[0014] 第1隱層中第i個神經(jīng)元的輸入表示為
[0016] 式中：X代表不同特征氣體濃度組成的一個矩陣向量，X = [x/ ，. . .，X[/ ] ;m為 第1隱層節(jié)點個數(shù)，由PSO算法確定;m為第i個神經(jīng)元的中心因子，〇1為第i個神經(jīng)元的寬度 因子，當中心因子m確定后，寬度 〇1可由下式得出，
[0017] ffj = dimax /-Jim
[0018] 式中：dimax為當前神經(jīng)元中心與其他神經(jīng)元中心的最大距離；
[0019] 第2隱層中第j個神經(jīng)元的輸入表示為
[0020] *5^ = / = 1'2.....?'？ " ' ：;=i
[0021] 式中:n為第2隱層的神經(jīng)元個數(shù)，為7,對應7種故障類型，\為故障類另Ijj先驗概率 等于K/N(Nj為故障類型j的訓練樣本數(shù)為第j個故障類別節(jié)點連接數(shù)，大小等于INT (入j*m)，其中m=mi+m2+."mn;
[0022] 輸出層采用s i gmo i d作為激活函數(shù)，輸出層第k個神經(jīng)元的輸出表示為
[0023] 3k = fiZca^S^Jc = 1,2,：；n /-I
[0024] 式中：n為輸出節(jié)點個數(shù)，為7,對應7種故障類型；表示第2隱層第j個神經(jīng)元與 輸出層第k個神經(jīng)元連接權。
[0025] 進一步的，7種故障類型及其故障類型編碼分別為，編碼0000001，對應低溫過熱； 編碼0000010,對應中溫過熱;編碼0000100,對應高溫過熱;編碼0001000,對應局部放電；編 碼0010000,對應低能放電;編碼0100000,對應高能放電;編碼1000000,對應正常。
[0026] 進一步的，模型的特征參數(shù)指第1隱層神經(jīng)元數(shù)和初始權值，引入一個結(jié)構變量gl G[0，1]來確定第1隱層節(jié)點數(shù)，其值大小越接近1代表第1隱層中第i個神經(jīng)元存在的可能 性越大，其中，i = l，2, ...，m，m表示第1隱層節(jié)點數(shù)，采用粒子群算法確定特征參數(shù)的具體 過程為，
[0027] (1)在可行域內(nèi)，設定迭代總次數(shù)Tmax、種群規(guī)模M、個體位置和速度的最大值、最小 值及最小誤差精度 e ;
[0028] (2)根據(jù)特征參數(shù)確定每個粒子的維數(shù)D = m+n+n2,對特征參數(shù)在[0,1]內(nèi)隨機賦 值;其中，m表示第1隱層節(jié)點數(shù)，n表示輸出節(jié)點數(shù)；
[0029] (3)導入訓練樣本，通過RBPNN進行第1次前向運算，計算每個粒子適應度值，根據(jù) 適應度值的大小，對粒子進行排序，尋找出初始個體極值Psti和群體極值PStg ;
[0030] (4)進入迭代過程，根據(jù)式（1)和式(2)對位置和速度更新，并判斷是否超出速度或 位置的最大值、最小值范圍;排除越界后，進入下一步;其中，式(1)和式(2)分別為 c2rand2(P^ - X^A) ()
[0032] Xl：l = X^+V^ (2)
[0033]式中：《為慣性權重;ci，C2為加速度因子，非負常數(shù);randi，rand2為分布于[0,1] 之間的隨機數(shù);#，，巧代表在進行第k次迭代時，第i個粒子在第d維位置上的個體極值， 位置和速度數(shù)值；端代表在進行第k次迭代時，全體極值；
[0034]其中《、(^和(32分別采用下式計算得出：
[0035] O k - 〇 max- ( 〇 max- 〇 min ) ( k/Tmax )
[0036] ci = 2.5-1.5k/Tmax
[0037] C2=l + 1.5k/Tmax
[0038] 式中：《max為慣性權重最大值，選擇0.9; ?min為慣性權重最小值，選擇0.4;k代表 當前迭代次數(shù);Tmax代表迭代總數(shù)；
[0039] (5)根據(jù)更新后的位置，計算每個粒子的適應度值，對粒子進行排序，尋找出此次 的個體極值和群體極值，并與上次得到的個體極值 Pl和群體極值Pg比較，選取數(shù)值小的作為 個體極值Pi和群體極值Pg;
[0040] (6)判斷當前迭代次數(shù)是否達到了設定的最大迭代次數(shù)Tmax，或者群體極值? {；達到 最小誤差精度e ;若符合，則迭代終止，否則轉(zhuǎn)向步驟(4);
[0041] (7)待網(wǎng)絡訓練結(jié)束后，最優(yōu)粒子中包含的特征參數(shù)即為最優(yōu)的第1隱層神經(jīng)元數(shù) 和初始權值。
[0042] 進一步的，適應度函數(shù)由均方誤差表示，具體如下：
[0044]式中：心表示訓練第1個樣本，第k個輸出神經(jīng)元的理想輸出值;yi,k表示訓練第1個 樣本，第k個輸出神經(jīng)元的實際輸出值。
[0045]與現(xiàn)有技術相比，本發(fā)明所達到的有益效果是:本發(fā)明引入RBPNN模型，并進行了 改造并優(yōu)化。首先對模型參數(shù)作出簡化，減少了粒子的維數(shù)和網(wǎng)絡復雜程度;然后確定模型 分別采用成熟的反向傳播算法作為網(wǎng)絡學習算法和均方誤差作為適應度函數(shù)。最后通過 PS0優(yōu)化方法對網(wǎng)絡進行訓練，確定模型結(jié)構和初始權值。本發(fā)明方法大大提高了故障預測 準確率和收斂速度，穩(wěn)定性較高，為變壓器故障診斷提供了一條新的途徑。
【附圖說明】
[0046]圖1是本發(fā)明方法的流程圖。
[0047]圖2是本發(fā)明RBPNN模型的結(jié)構示意圖。
[0048]圖3是本發(fā)明中利用粒子群算法優(yōu)化RBPNN模型的流程圖。
【具體實施方式】
[0049] 下面結(jié)合附圖對本發(fā)明作進一步描述。以下實施例僅用于更加清楚地說明本發(fā)明 的技術方案，而不能以此來限制本發(fā)明的保護范圍。
[0050] 徑向基概率神經(jīng)網(wǎng)絡（Radial basis probabilistic neural networks，簡稱 RBPNN)是人工神經(jīng)網(wǎng)絡模型的一種，它是由徑向基神經(jīng)網(wǎng)絡（Radial basis function neural networks，簡稱RBFNN)與概率神經(jīng)網(wǎng)絡（Probabilistic Neural Networks，簡稱 PNN)相結(jié)合而生成的網(wǎng)絡模型，它吸收了 2種網(wǎng)絡優(yōu)點，具有識別率高、訓練速度快、網(wǎng)絡規(guī) 模小和推廣能力強等特點。
[0051] 基于徑向基概率神經(jīng)網(wǎng)絡的特點，本申請將其引入變壓器故障診斷應用中。但初 始的RBPNN模型方法不好直接應用在變壓器故障診斷中，因此，本申請對其模型參數(shù)作了簡 化，給出了每一層結(jié)構的具體表達式，以及模型中參數(shù)用反向傳播算法進行迭代，這些確定 之后，這個RBPNN模型也就能應用到變壓器故障診斷應用中。但由于直接應用這個模型結(jié)構 診斷效果一般，因此又利用PS0(粒子群算法)優(yōu)化算法來確定最適合于RBPNN故障診斷的特 征參數(shù)(初始權值和第1隱層節(jié)點數(shù)），參數(shù)的好壞由適應度函數(shù)來確定。本申請將其改造并 優(yōu)化后的RBPNN模型應用于變壓器故障診斷，提高了故障預測準確率和收斂速度，穩(wěn)定性較 尚。
[0052]如圖1至圖3所示，本發(fā)明的一種基于RBPNN的變壓器故障診斷方法，包括以下步 驟：
[0053] 步驟一，采集變壓器故障特征氣體的濃度數(shù)據(jù)作為歷史數(shù)據(jù)，對歷史數(shù)據(jù)進行歸 一化處理后分為訓練樣本和測試樣本，其中故障特征氣體包括氫氣、甲烷、乙烷、乙烯和乙 塊。
[0054] 由于不同故障特征氣體的量綱不同，其數(shù)值差異較大，因此對其進行歸一化處理， 歸一化處理采用離差標準化方法統(tǒng)一不同量綱的數(shù)據(jù)，具體公式
，其中xP(P =1，2，…，5 )為原始的氣體濃度數(shù)據(jù)，Xmax為同一氣體濃度中的最大值，Xmin為同一氣體濃度 中的最小值，X/為歸一化后的數(shù)據(jù)。
[0055]步驟二，以故障特征氣體的濃度作為輸入層、故障類型作為輸出層建立RBPNN模 型。
[0056] RBPNN模型如圖2所示，由4層結(jié)構構成，分別為輸入層、第1隱層、第2隱層和輸出 層。
[0057]在神經(jīng)網(wǎng)絡中，某層的神經(jīng)元數(shù)與節(jié)點數(shù)是相等的，是相同的概念，其中，輸入層 節(jié)點個數(shù)為P，其大小由反應問題本質(zhì)的特征量決定;本實施例中輸入層有5個神經(jīng)元，對應 5種故障特征氣體。
[0058]第1隱層中第i個神經(jīng)元的輸入表示為
[0060]式中：X代表不同特征氣體濃度組成的一個矩陣向量，X = [x/，X2、? ? ?，X[/ ] ;m為 第1隱層節(jié)點個數(shù)，其大小決定網(wǎng)絡結(jié)構是否最優(yōu)，由PS0算法確定;m為第i個神經(jīng)元的中 心因子為第i個神經(jīng)元的寬度因子，當中心因子m確定后，寬度〇1可由下式得出，
[0061 ] cr； = /y[2m
[0062] 式中：dimax為當前神經(jīng)元中心與其他神經(jīng)元中心的最大距離。
[0063] 由第1隱層中神經(jīng)元的輸入表達式可知第1隱層中同一神經(jīng)元相連的各輸入權系 數(shù)相等，輸入權系數(shù)為1，簡化了模型結(jié)構，減少復雜度。
[0064] 第2隱層中第j個神經(jīng)元的輸入表示為
[0065] 珥=丨['、，J.二
[0066] 式中:n為第2隱層的神經(jīng)元個數(shù)，為7,對應7種故障類型，\為故障類別j先驗概率 等于K/N(Nj為故障類型j的訓練樣本數(shù)為第j個故障類別節(jié)點連接數(shù)，大小等于INT (入j*m)，其中m=mi+m2+."mn〇
[0067] 由第2隱層中神經(jīng)元的輸入表達式可知第2隱層中同一神經(jīng)元相連的各輸入權系 數(shù)相等，輸入權系數(shù)為h，簡化了模型的復雜度。
[0068] 輸出層采用sigmoid作為激活函數(shù)，已知sigmoid激活函數(shù)表達式為:f(v) = 1/(1+ eTv)，輸出層第k個神經(jīng)元的輸出表示為 n
[0069] jk. = /f = I2，.…，h /=1
[0070] 式中:n為輸出節(jié)點個數(shù)，其大小由需判別的故障類別決定；表示第2隱層第j個 神經(jīng)元與輸出層第k個神經(jīng)元連接權。本實施例中第2隱層節(jié)點和輸出層節(jié)點個數(shù)相等，為7 個，對應7種故障狀態(tài)。7種故障類型的編碼分別為，編碼0000001，對應低溫過熱；編碼 0000010，對應中溫過熱；編碼0000100，對應高溫過熱；編碼0001000，對應局部放電；編碼 0010000，對應低能放電；編碼0100000，對應高能放電；編碼1000000，對應正常。輸出層的輸 出值為故障類型的編碼，根據(jù)故障類型的編碼即可查找到相對應的故障類型。
[0071] 其中，RBPNN的適應度函數(shù)由均方誤差表示，具體如下：
[0073]式中：心表示訓練第1個樣本，第k個輸出神經(jīng)元的理想輸出值;yi,k表示訓練第1個 樣本，第k個輸出神經(jīng)元的實際輸出值。
[0074]步驟三，利用訓練樣本對模型進行訓練，并結(jié)合PS0算法得到最優(yōu)的RBPNN模型。 [0075] RBPNN模型采用反向傳播算法作為學習算法。RBPNN模型中的特征參數(shù)指第1隱層 神經(jīng)元數(shù)和初始權值，其中初始權值變量是指Ui和CO jk，而第一隱層節(jié)點數(shù)沒有確定變量表 示，所以引入一個結(jié)構變量glG[0，l]來確定第1隱層節(jié)點數(shù)， gl值大小越接近1代表第1隱層 中第i個神經(jīng)元存在的可能性越大。特征參數(shù)是一個矩陣變量，設A表示，包括初始權值m和 ?jk，以及第一隱層節(jié)點數(shù)確定變量gi，因此為A= [Uj，0 jk,gi]，其中Uj有n個，〇 jk有n2個，gi 有m個。采用粒子群算法(PSO)來確定特征參數(shù)，如圖3所示，其具體過程為：
[0076] (1)在可行域內(nèi)，設定迭代總次數(shù)Tmax、種群規(guī)模M、個體位置和速度的最大值、最小 值及最小誤差精度e ;這些參數(shù)都是粒子群算法的一些經(jīng)驗參數(shù)；
[0077] (2)根據(jù)特征參數(shù)確定每個粒子的維數(shù)D = m+n+n2，對特征參數(shù)在[0，1 ]內(nèi)隨機賦 值，即對i^，c^k，gl這些變量在[0，1]內(nèi)隨機賦值;其中，m表示第1隱層節(jié)點數(shù)，m是未知數(shù)， 通過PSO算法訓練樣本，模型訓練結(jié)束后才能得到;n表示輸出層節(jié)點數(shù)；
[0078] (3)導入訓練樣本，通過RBPNN進行第1次前向運算，計算每個粒子適應度值，根據(jù) 適應度值的大小，對粒子進行排序，尋找出初始個體極值Psti和群體極值PStg ;
[0079] 個體極值和群體極值都是指的適應度函數(shù)值，而適應度函數(shù)值指實際輸出和理想 輸出的均方誤差，適應度函數(shù)表達式
，誤差最小這是期望目標，所以， 群體極值誤差最小對應的粒子就是我們尋找的最優(yōu)粒子；
[0080] (4)進入迭代過程，根據(jù)式（1)和式(2)對速度和位置更新，并判斷是否超出速度或 位置的最大值、最小值范圍;排除越界后，進入下一步;其中，式(1)和式(2)分別為
[0081 ] ^^rand^-X^+c.rwid^ - Z^> ⑴
[0082] X^l=X\A + V^ (2)
[0083] 式中：《為慣性權重；ci，C2為加速度因子，非負常數(shù);randi，rand2為分布于[0,1] 之間的隨機數(shù);代表在進行第k次迭代時，第i個粒子在第d維位置上的個體極值、 位置和速度數(shù)值;代表在進行第k次迭代時，全體極值；
[0084]其中《、(^和(32分別采用下式計算得出：
[0085] 〇 max_( 〇 max-〇 min) (k/Tmax)
[0086] ci = 2.5-1.5k/Tmax
[0087] C2=l + 1.5k/Tmax
[0088] 式中：《max為慣性權重最大值，選擇0.9; ?min為慣性權重最小值，選擇0.4;k代表 當前迭代次數(shù);Tmax代表迭代總數(shù)。
[0089] (5)根據(jù)更新后的位置，計算每個粒子的適應度值;根據(jù)適應度值的大小，對粒子 進行排序，尋找出此次的個體極值和群體極值，并與上次得到的個體極值Pi和群體極值P g& 較，選取數(shù)值小的作為個體極值Pi和群體極值Pg;
[0090] (6)判斷當前迭代次數(shù)是否達到了設定的最大迭代次數(shù)Tmax，或者群體極值? {；達到 最小誤差精度e ;若符合，則迭代終止，此粒子作為最優(yōu)粒子，否則轉(zhuǎn)向步驟(4);
[0091] (7)待網(wǎng)絡訓練結(jié)束后，最優(yōu)粒子中包含的特征參數(shù)即為最優(yōu)的第1隱層神經(jīng)元數(shù) 和初始權值。
[0092]確定了最優(yōu)的RBPNN模型的第1隱層神經(jīng)元數(shù)和初始權值，即可確定最優(yōu)的RBPNN 模型。
[0093] 步驟四，將測試樣本輸入最優(yōu)的RBPNN模型，得到預測的故障類型。
[0094] 利用測試樣本來預測故障的類型，將測試樣本中故障特征氣體的濃度數(shù)據(jù)輸入最 優(yōu)的RBPNN模型，得到輸出層輸出的值，查找故障類型編碼即可得到預測的故障類型。
[0095]為了驗證本發(fā)明方法的效果和可靠性，特進行以下實例驗證。從權威期刊和專著 中搜集了 168組樣本數(shù)據(jù)。其中，100組作為訓練樣本，68組作為測試樣本。采用PS0算法對網(wǎng) 絡訓練時，首先需要設置相應參數(shù)。參數(shù)值具體如表1所示。
[0096] 表1:粒子群算法中經(jīng)驗參數(shù)

_8]^為驗證本文所提粒子群優(yōu)化方法的優(yōu)越性，采用遺傳算法和粒子群算法分別對 RBPNN網(wǎng)絡訓練并測試其性能。經(jīng)驗證，前者遺傳算法經(jīng)過60次后，誤差精度達到最小，為 0.018，此時隱層節(jié)點數(shù)為24，預判準確率為86.76 % ;后者粒子群算法經(jīng)過23次后，誤差精 度達到最小，為0.0051，此時，隱層節(jié)點數(shù)確定為18個，測試樣本預測準確率達到92.65 %。 驗證了上述所提方法具有收斂速度快，高預測精度的正確性。
[0099] 為進一步測試其預測穩(wěn)定性，利用隨機函數(shù)rand()對樣本集重新進行2次隨機抽 取，采用粒子群算法進行網(wǎng)絡訓練，并測試。連同初始1次的測試結(jié)果，共3次。如表2所示。
[0100] 表2:三次測試結(jié)果
[0102]根據(jù)表2結(jié)果顯示，同樣驗證了本文所提方法具有較高的穩(wěn)定性。
[0103]本發(fā)明引入RBPNN模型，并進行了改造與優(yōu)化。首先對模型參數(shù)作出簡化，減少了 粒子的維數(shù)和網(wǎng)絡復雜程度;然后確定模型分別采用成熟的反向傳播算法作為網(wǎng)絡學習算 法和均方誤差作為適應度函數(shù)。最后通過PS0優(yōu)化方法對網(wǎng)絡進行訓練，確定模型結(jié)構和初 始權值。經(jīng)驗證，該方法大大提高了故障預測準確率和收斂速度，具有較高的穩(wěn)定性。
[0104]以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人 員來說，在不脫離本發(fā)明技術原理的前提下，還可以做出若干改進和變型，這些改進和變型 也應視為本發(fā)明的保護范圍。
【主權項】
1. 一種基于RBPNN的變壓器故障診斷方法，其特征是，包括以下步驟： 步驟一，采集變壓器故障特征氣體的濃度數(shù)據(jù)作為歷史數(shù)據(jù)，對歷史數(shù)據(jù)進行歸一化 處理后分為訓練樣本和測試樣本，其中故障特征氣體包括氫氣、甲烷、乙烷、乙烯和乙炔； 步驟二，以故障特征氣體的濃度作為輸入層、故障類型作為輸出層建立RBPNN模型； 步驟三，利用訓練樣本對模型進行訓練，并結(jié)合PSO算法得到最優(yōu)的RBPNN模型； 步驟四，將測試樣本輸入最優(yōu)的RBPNN模型，得到預測的故障類型。2. 根據(jù)權利要求1所述的一種基于RBPNN的變壓器故障診斷方法，其特征是，在步驟一 中，所述歸一化處理采用離差標準化方法統(tǒng)一不同量綱的數(shù)據(jù)其中Xp (P=I，2，···，5)為原始的氣體濃度數(shù)據(jù)，XmaxS同一氣體濃度中的最大值，Xmin為同一 氣體濃度中的最小值，X、為歸一化后的數(shù)據(jù)。3. 根據(jù)權利要求1所述的一種基于RBPNN的變壓器故障診斷方法，其特征是，在步驟二 中，所述RBPNN模型包括輸入層、第1隱層、第2隱層和輸出層； 輸入層有5個神經(jīng)元，對應5種故障特征氣體的濃度； 第1隱層中第i個神經(jīng)元的輸入表示為式中：X代表不同特征氣體濃度組成的一個矩陣向量，X=R1, xS，...，VpLm為第1隱 層節(jié)點個數(shù)，由PSO算法確定;m為第i個神經(jīng)元的中心因子，〇1為第i個神經(jīng)元的寬度因子， 當中心因子m確定后，寬度 〇1可由下式得出，式中:dimax為當前神經(jīng)元中心與其他神經(jīng)元中心的最大距離； 第2隱層中第j個神經(jīng)元的輸入表示為式中：η為第2隱層的神經(jīng)元個數(shù)，為7,對應7種故障類型，\為故障類別j先驗概率等于 Nj/N，N偽故障類型j的訓練樣本數(shù)觀為第j個故障類別節(jié)點連接數(shù)，大小等于INT(Vm)， 其中πι=πιι+π?2+···π?η; 輸出層采用sigmoid作為激活函數(shù)，輸出層第k個神經(jīng)元的輸出表示為式中為輸出節(jié)點個數(shù)，為7,對應7種故障類型；表示第2隱層第j個神經(jīng)元與輸出 層第k個神經(jīng)元連接權。4. 根據(jù)權利要求3所述的一種基于RBPNN的變壓器故障診斷方法，其特征是，7種故障類 型及其故障類型編碼分別為，編碼0000001，對應低溫過熱;編碼0000010,對應中溫過熱;編 碼0000100，對應高溫過熱;編碼0001000，對應局部放電；編碼0010000，對應低能放電；編碼 0100000，對應高能放電；編碼1000000，對應正常。5. 根據(jù)權利要求3所述的一種基于RBPNN的變壓器故障診斷方法，其特征是，模型的特 征參數(shù)指第1隱層神經(jīng)元數(shù)和初始權值，引入一個結(jié)構變量 gle[〇，l]來確定第1隱層節(jié)點 數(shù)，其值大小越接近1代表第1隱層中第i個神經(jīng)元存在的可能性越大，其中，i = l，2,...，m， m表示第1隱層節(jié)點數(shù)，采用粒子群算法確定特征參數(shù)的具體過程為， (1) 在可行域內(nèi)，設定迭代總次數(shù)Tmax、種群規(guī)模M、個體位置和速度的最大值、最小值及 最小誤差精度 ε; (2) 根據(jù)特征參數(shù)確定每個粒子的維數(shù)D = m+n+n2，對特征參數(shù)在[0，1 ]內(nèi)隨機賦值;其 中，m表示第1隱層節(jié)點數(shù)，η表示輸出節(jié)點數(shù)； (3) 導入訓練樣本，通過RBPNN進行第1次前向運算，計算每個粒子適應度值，根據(jù)適應 度值的大小，對粒子進行排序，尋找出初始個體極值Psti和群體極值P stg; (4) 進入迭代過程，根據(jù)式（1)和式(2)對位置和速度更新，并判斷是否超出速度或位置 的最大值、最小值范圍;排除越界后，進入下一步;其中，式(1)和式(2)分別為式中：ω為慣性權重;Ci，C2為加速度因子，非負常數(shù);randi，rand2為分布于[0，1 ]之間的 隨機數(shù);C代表在進行第k次迭代時，第i個粒子在第d維位置上的個體極值，位置和 速度數(shù)值；4代表在進行第k次迭代時，全體極值； 其中ω、cdPC2*別采用下式計算得出： 〇 k- ^max-C ^ max-^ min) (k/Tmax) Cl = 2.5-1.5k/Tmax C2= 1 + 1.5k/Tmax 式中：ω max為慣性權重最大值，選擇〇 . 9 ; ω min為慣性權重最小值，選擇〇 . 4; k代表當前 迭代次數(shù);Tmax代表迭代總數(shù)； (5) 根據(jù)更新后的位置，計算每個粒子的適應度值，對粒子進行排序，尋找出此次的個 體極值和群體極值，并與上次得到的個體極值P 1和群體極值Pg比較，選取數(shù)值小的作為個體 極值Pi和群體極值Pg; (6) 判斷當前迭代次數(shù)是否達到了設定的最大迭代次數(shù)Tmax，或者群體極值?8達到最小 誤差精度ε ;若符合，則迭代終止，否則轉(zhuǎn)向步驟(4); (7) 待網(wǎng)絡訓練結(jié)束后，最優(yōu)粒子中包含的特征參數(shù)即為最優(yōu)的第1隱層神經(jīng)元數(shù)和初 始權值。6.根據(jù)權利要求5所述的一種基于RBPNN的變壓器故障診斷方法，其特征是，適應度函 數(shù)由均方誤差表示，具體如下：式中：?表示訓練第1個樣本，第k個輸出神經(jīng)元的理想輸出值;yi,k表示訓練第1個樣 本，第k個輸出神經(jīng)元的實際輸出值。
【文檔編號】G06N3/04GK105930901SQ201610566471
【公開日】2016年9月7日
【申請日】2016年7月18日
【發(fā)明人】馬宏忠, 施恂山, 付明星, 劉寶穩(wěn), 李勇, 許洪華, 唐艦
【申請人】河海大學