基于art1神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于電力變壓器綜合故障監(jiān)測方法技術(shù)領(lǐng)域，具體設(shè)及一種基于ART1神經(jīng) 網(wǎng)絡(luò)的油浸式變壓器故障診斷方法。
【背景技術(shù)】
[0002] 電力變壓器是電力系統(tǒng)中最重要的電氣器件設(shè)備，也是導(dǎo)致電力系統(tǒng)事故最多的 電氣設(shè)備之一。其運行狀態(tài)直接影響供電系統(tǒng)的安全穩(wěn)定性水平。及時發(fā)現(xiàn)電力變壓器的 潛在性故障，保障變壓器安全有效的運行，從而提高變壓器穩(wěn)定供電的可靠性，是電力部口 關(guān)注的一個極其重要的問題。因此，研究電力變壓器故障診斷技術(shù)，提高變壓器的運行維護(hù) 水平，具有重要的現(xiàn)實意義。
[0003] 目前的電力變壓器故障診斷技術(shù)，雖然已經(jīng)發(fā)展了多種有效的故障診斷方法，但 大部分是在某種程度上的疊加堆積，大多數(shù)故障診斷方法本身仍缺乏完善的理論基礎(chǔ)和系 統(tǒng)化的概念體系。此外，大多數(shù)故障診斷方法都是利用對象所表現(xiàn)出的特征信號來診斷特 征類型的故障，往往需要大量的故障訓(xùn)練樣本，而在實際中大規(guī)模的有效故障樣本數(shù)據(jù)是 難W獲取的。電力變壓器因電壓等級、絕緣結(jié)構(gòu)和故障程度不同，都使得變壓器油中溶解氣 體含量有較大隨機(jī)性，并存在一定的冗余數(shù)據(jù)，運就要求故障診斷方法具有很強(qiáng)的容錯性， 目前運方面的研究還遠(yuǎn)不夠深入。
[0004] 在全面了解油浸式電力變壓器存在的各種故障情況和故障診斷相關(guān)技術(shù)的基礎(chǔ) 上，結(jié)合國內(nèi)、外相關(guān)科研機(jī)構(gòu)在電力變壓器在線監(jiān)測、智能診斷和狀態(tài)修復(fù)領(lǐng)域的研究成 果與實踐經(jīng)驗，開發(fā)出一種主要針對研究電力變壓器故障診斷的方法尤為重要。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種基于ART1神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障診斷方法，能 夠正確地針對油浸式變壓器不同類型的過熱性故障進(jìn)行實時在線故障診斷。
[0006] 本發(fā)明所采用技術(shù)方案是，基于ART1神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障診斷方法，具 體按照W下步驟實施：
[0007] 步驟1、利用ART1神經(jīng)網(wǎng)絡(luò)具體算法，構(gòu)建基于ART1神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障 診斷模型；
[000引步驟2、利用四比值法確定經(jīng)步驟1得到的構(gòu)建基于ART1神經(jīng)網(wǎng)絡(luò)的油浸式變壓器 故障診斷模型的輸入輸出量；
[0009] 步驟3、經(jīng)步驟2后，設(shè)置基于ART1神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障診斷的參數(shù)；
[0010] 步驟4、利用基于ART1神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障診斷模型對故障樣本進(jìn)行學(xué) 習(xí)訓(xùn)練；
[0011] 步驟5、利用基于ART1神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障診斷模型對實際故障數(shù)據(jù)類 型進(jìn)行識別診斷。
[0012] 本發(fā)明的特點還在于：
[0013] 步驟1具體按照W下步驟實施：
[0014] 步驟1.1、對ART1神經(jīng)網(wǎng)絡(luò)模型輸入層和輸出層之間的連接權(quán)值進(jìn)行初始化處理， 具體方法如下：
[0015] 設(shè)定ART1神經(jīng)網(wǎng)絡(luò)模型的輸入層有N個神經(jīng)元，輸出層有Μ個神經(jīng)元；
[0016] 二值故障輸入向量模式Ak和輸出向量化分別如下：
[0019] 其中，k = l，2,…，p，p為輸入學(xué)習(xí)模式的數(shù)目；
[0020] 令 tij(0) = l:
i = l，2，...，N，j = l，2，...，M;
[0021] 其中，警戒參數(shù)0<p含l，tu為網(wǎng)絡(luò)模型反饋連接權(quán)值，Wu為網(wǎng)絡(luò)模型前饋連接權(quán) 值；
[0022] 步驟1.2、經(jīng)步驟1.1后，將二值故障輸入向量模式為^二(口f，:誠，提供給網(wǎng) 絡(luò)的輸入層；
[0023] 步驟1.3、經(jīng)步驟1.2后，計算ART1神經(jīng)網(wǎng)絡(luò)模型輸出層各神經(jīng)元的輸入加權(quán)和，具 體按照W下算法實施：
[0024] / = 1.2..... Μ ；
[0025] 其中，Wu為網(wǎng)絡(luò)模型前饋連接權(quán)值；
[00%] af為具體構(gòu)成二值故障輸入向量模式Ak的值，具體為0或1;
[0027] Sj為ART1神經(jīng)網(wǎng)絡(luò)模型輸出層各神經(jīng)元的輸入加權(quán)和；
[0028] 步驟1.4、經(jīng)步驟1.3后，選擇輸入模式的網(wǎng)絡(luò)模型最佳分類結(jié)果，該結(jié)果按照W下 算法經(jīng)計算獲得：
[0029]
[0030] 式中，令神經(jīng)元g的輸出為l，Sj為ART1神經(jīng)網(wǎng)絡(luò)模型輸出層各神經(jīng)元的輸入加權(quán) 和；
[0031] 步驟1.5、對W下Ξ個式子進(jìn)行計算，并對計算結(jié)果進(jìn)行判斷，判斷最終計算結(jié)果 是否滿足ART1神經(jīng)網(wǎng)絡(luò)模型設(shè)定的警戒參數(shù)P(0<P。），即判斷ART1神經(jīng)網(wǎng)絡(luò)模型能否接 受本次識別結(jié)果：
[0034]
[0035] 若最后一式成立，則進(jìn)入步驟1.7;
[0036] 若最后一式不成立，則進(jìn)入步驟1.6;
[0037] 步驟1.6、經(jīng)步驟1.5后，取消識別結(jié)果，具體方法為：
[0038] 先將輸出層神經(jīng)元g的輸出值復(fù)位為0,并將運一神經(jīng)元排除在下次識別的范圍之 夕h然后返回步驟1.5;
[0039] 若所有已利用過的神經(jīng)元都無法滿足步驟1.5中的最后一式時，則選擇一個新的 神經(jīng)元作為分類結(jié)果，然后轉(zhuǎn)入步驟1.7;
[0040] 步驟1.7、接受識別結(jié)果，并按照如下算法調(diào)整連接權(quán)值：
[0043] 其中，i = l，2，...，N;
[0044] t為當(dāng)前時刻；
[0045] α A為具體構(gòu)成二值故障輸入向量模式Ak的值，具體為:0或1;
[0046] tgi為網(wǎng)絡(luò)模型反饋連接權(quán)值；
[0047] Wig為網(wǎng)絡(luò)模型前饋連接權(quán)值；
[004引步驟1.8、將步驟1.6中復(fù)位的所有神經(jīng)元重新加入識別范圍中，返回步驟1.2對下 一個模式進(jìn)行識別存儲；
[0049] 經(jīng)過步驟1.1~步驟1.8就構(gòu)建出了基于ART1神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障診斷 模型。
[0050] 步驟2具體按照W下方法實施：
[0051] 首先、對故障變壓器進(jìn)行故障特征氣體組分的提取；
[0052] 其次、測定油中溶解氣體邸4、C2出、C2也、C2H4、出的組分濃度含量；
[0053 ]最后、利用四比值法得到故障特征向量T:
[0054]兩組分濃度比值若大于1，則用1表示；
[0化5] 兩組分濃度比值若小于1，則用0表示；
[0056] 在1左右，則表示故障性質(zhì)的中間變化過程，即故障性質(zhì)暴露不太明顯；
[0057] 比值越大，則故障性質(zhì)的顯示越明顯。
[0058] 步驟2中設(shè)及的利用四比值法得到故障特征向量T的方法具體如下：
[0059] 利用五種主要特征氣體CH4、C2H2、C2H6、C2H4、H2組成四對比值，即：取
對其比值進(jìn)行二進(jìn)制編碼，得到故障特征向量T。
[0060]步驟3具體按照W下步驟實施：
[0061] 步驟3.1、根據(jù)油浸式電力變壓器實際運行的環(huán)境和條件，針對變壓器故障診斷不 同檢測精度，設(shè)置ART1神經(jīng)網(wǎng)絡(luò)的具體警戒參數(shù)P(0<P含1)W實現(xiàn)對變壓器故障類型的快 速準(zhǔn)確地識別判斷；
[0062] 步驟3.2、經(jīng)步驟3.1后，再對ART1神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)初始化，等待故障特征向量T 的輸入，則實現(xiàn)ART1神經(jīng)網(wǎng)絡(luò)模型對變壓器故障的診斷識別。
[0063] 步驟4具體按照W下方法實施：
[0064] 利用故障樣本數(shù)據(jù)，對ART1神經(jīng)網(wǎng)絡(luò)進(jìn)行故障樣本的學(xué)習(xí)，實現(xiàn)對變壓器故障類 型的分類;結(jié)合四比值法得到的二進(jìn)制編碼故障特征向量T作為ART1神經(jīng)網(wǎng)絡(luò)的輸入，選擇 了包含九種變壓器故障類型的20組已知故障類型的樣本數(shù)據(jù)對ART1神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn) 練。
[0065] 步驟5具體按照W下方法實施：
[0066] 經(jīng)步驟2得到實際工作環(huán)境下的油浸式變壓器的故障數(shù)據(jù)的故障特征向量T，將實 際故障特征向量T輸入基于ART1神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障診斷模型進(jìn)行故障分析，輸 出故障類型。
[0067] 本發(fā)明的有益效果在于：
[0068] (1)本發(fā)明基于ART1神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障診斷方法，能夠?qū)崿F(xiàn)變壓器故 障數(shù)據(jù)的實時在線學(xué)習(xí)并準(zhǔn)確識別變壓器故障類型。
[0069] (2)本發(fā)明基于ART1神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障診斷方法，無需大量的變壓器 故障數(shù)據(jù)樣本來進(jìn)行訓(xùn)練，不用對冗