基于極限學習機的電力變壓器故障診斷方法技術

本發明專利技術涉及一種基于極限學習機的電力變壓器故障智能診斷方法，可應用于變壓器監/檢測裝置或系統。在監/檢測裝置或系統所采集的數據基礎上提取故障特征，并選取變壓器狀態樣本進行變壓器的極限學習機故障診斷模型學習。該方法包括以下步驟：劃分變壓器的運行狀態；選取蘊含變壓器運行狀態的監/檢測數據作為數據源；對變壓器數據源進行特征提取，確定特征變量；確定變壓器各種運行狀態的極限學習機的目標向量表達方式；選取變壓器在各種運行狀態下的樣本數據；確定訓練樣本數據和測試樣本數據；確定變壓器的極限學習機故障診斷模型的輸入層、隱層、輸出層節點數和激勵函數；變壓器的極限學習機故障診斷模型的學習和驗證。

【技術實現步驟摘要】

本專利技術涉及一種電力變壓器故障診斷的方法，屬于電力設備故障診斷的

技術介紹
變壓器是電力系統的重要設備，其運行狀態直接影響系統的安全水平。目前出現了包括油色譜監/檢測(油中氣體含量分析DGA)、局部放電監/檢測(脈沖電流、超高頻UHF 和超聲波方法等)、接地電流的寬頻帶在線監測等多種監/檢測裝置或系統。大量的監/檢測數據靠人工分析是難以完成的，必須尋找快速的自動的故障診斷方法嵌入到監/檢測裝置或系統中，以便及時發現潛在故障以及故障類型，為變壓器的狀態維修提供依據。現有變壓器故障診斷方法中，貝葉斯網絡診斷方法需要大量樣本數據，特征變量為離散變量，然而離散閥值選取沒有理論依據，且離散過程會造成變壓器狀態信息的丟失; 支持向量機診斷方法規則化參數和核函數參數確定困難，此外變壓器故障診斷本質為多分類問題，而支持向量機為二分類算法，需要通過“一對多”、“一對一”或“二叉樹”等方法將其轉化為多分類，存在分類重疊和不可分類、需要構建較多分類器、誤差累 計等問題；神經網絡診斷方法需要求解的網絡參數多，且需要在訓練過程中迭代確定，搜索空間和計算量很大，必須選取合適的學習速率與輸入權值初值，才能取得理想的結果，此外可能陷入局部最優。
技術實現思路
本專利技術的目的在于提供一種電力變壓器故障智能診斷方法，可應用于變壓器監/ 檢測裝置或系統。在監/檢測裝置或系統所采集的數據基礎上提取故障特征，并選取變壓器狀態樣本進行變壓器的極限學習機故障診斷模型學習，進而實現對變壓器的故障診斷。為了達到上述目的，本專利技術的技術方案是提供一種，其包括下列步驟步驟I :依據研究問題的特點劃分變壓器的運行狀態。若研究變壓器的總體運行狀態， 可將變壓器的運行狀態劃分為正常狀態和低能放電、高能放電、中低溫過熱、高溫過熱、局部放電五種故障狀態。若要進一步研究變壓器的局部放電的放電類型，可將變壓器的運行狀態劃分為針尖放電、氣泡放電、懸浮放電、沿面放電四種放電類型。步驟2 :選取蘊含變壓器運行狀態的在線或離線的監/檢測數據作為數據源。油色譜監/檢測(油中氣體含量分析DGA)、局部放電(脈沖電流、超高頻UHF和超聲波方法等) 等監/檢測裝置或系統的監/檢數據均可作為數據源。步驟3 :對變壓器數據源進行特征提取，確定特征變量，特征變量既可以是離散變量也可以是連續變量。若選用油色譜監/檢測數據作為數據源，特征變量可選用氫氣(H2)、 甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)五種特征氣體含量，或氫氣(H2)占總氣體含量的比值，甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)占總烴量的比值。若選用超高4頻法局部放電監/檢測數據作為數據源，特征變量可選用由放電圖譜提取的偏斜度、突出度、局部峰個數、放電不對稱度、相位不對稱度、互相關因子和相位中值等宏觀統計量，以及脈沖上升時間、脈沖下降時間、脈沖寬度、脈沖持續時間、10%幅值脈沖持續時間等微觀特征量。步驟4:確定變壓器各種運行狀態下的極限學習機的目標向量表達方式，通常采用0-1向量表達方式。步驟5 :選取變壓器在各種運行狀態下的樣本數據。按照代表性、廣泛性和緊湊性的原則選取樣本數據，此外為避免數據偏斜問題，各種運行狀態下選取的樣本數據所占的比例應相近，若樣本數據特征變量的特征值差異比較大，需對樣本數據進行標準化處理。步驟6 :將樣本數據按一定的比例分為訓練樣本數據和測試樣本數據。訓練樣本數據用于學習變壓器的極限學習機故障診斷模型，測試樣本數據用于驗證變壓器的極限學習機故障診斷模型。步驟7 :確定變壓器的極限學習機故障診斷模型的輸入層節點數、隱層節點數、輸出層節點數，選取變壓器的極限學習機故障診斷模型的激勵函數步驟8 :以訓練樣本數據作為極限學習機的輸入，進行變壓器的極限學習機故障診斷模型的學習。步驟9 :采用測試樣本數據對步驟8得到的極限學習機變壓器故障診斷模型進行驗證。其中，所述步驟8進一步包括下列步驟步驟81:隨機賦值輸入權重向量1^以及偏置權利要求1.一種，其特征在于，所述方法包含以下步驟 步驟I :依據變壓器研究問題的特點，劃分變壓器的A個運行狀態； 步驟2 :選取蘊含變壓器運行狀態的在線或離線的監/檢測數據作為數據源； 步驟3 :對變壓器數據源進行特征提取，確定若干個特征變量，特征變量既可以是離散變量也可以是連續變量； 步驟4 :采用A維的0-1向量表達方式，確定變壓器各種運行狀態下的極限學習機的目標向量； 步驟5 :選取變壓器在各種運行狀態下的樣本數據； 步驟6 :將樣本數據按設定的比例分為訓練樣本數據和測試樣本數據；其中，訓練樣本數據用于學習變壓器的極限學習機故障診斷模型，測試樣本數據用于驗證變壓器的極限學習機故障診斷模型； 步驟7 :確定變壓器的極限學習機故障診斷模型的輸入層節點數、隱層節點數、輸出層節點數，選取變壓器的極限學習機故障診斷模型的激勵函數 步驟8 :以訓練樣本數據作為極限學習機的輸入，進行變壓器的極限學習機故障診斷模型的學習； 步驟9 :采用測試樣本數據對步驟8得到的極限學習機變壓器故障診斷模型進行驗證。2.如權利要求I所述的方法，其特征在于，所述方法用以研究變壓器的總體運行狀態，則 步驟I中，將變壓器的運行狀態劃分為正常狀態，以及低能放電、高能放電、中低溫過熱、高溫過熱、局部放電五種故障狀態； 步驟2中，將經由油色譜監/檢測裝置或系統所獲取的油中氣體含量分析數據作為數據源； 步驟3中，特征變量是特征氣體含量或特征氣體含量比值。3.如權利要求I所述的方法，其特征在于，所述方法用以研究變壓器的局部放電的放電類型，則 步驟I中，將變壓器的運行狀態劃分為針尖放電、氣泡放電、懸浮放電、沿面放電四種放電類型； 步驟2中，將基于脈沖電流、超高頻UHF或超聲波方法的局部放電監/檢測裝置或系統所獲取的監/檢測數據作為數據源； 步驟3中，特征變量是宏觀統計量或微觀特征量，其中，所述宏觀統計量包含以下變量中的一個或多個由放電圖譜提取的偏斜度、突出度、局部峰個數、放電不對稱度、相位不對稱度、互相關因子和相位中值； 所述微觀特征量包含以下變量中的一個或多個脈沖上升時間、脈沖下降時間、脈沖寬度、脈沖持續時間、10%幅值脈沖持續時間。4.如權利要求I或2或3所述的方法，其特征在于， 步驟7中，所述輸入層節點數為步驟3中特征向量的維數，所述輸出層節點數為步驟I中的運行狀態數A ;隱層節點數目是特征向量的維數的2倍；激勵函數選用sigmoidal函數:5.如權利要求4所述的方法，其特征在于，所述步驟8進一步包括下列步驟 步驟81 :隨機賦值輸入權重向量胃;以及偏置= \r...#為隱層節點數； 步驟82 :計算對應訓練樣本數據的隱層輸出矩陣Hir ；其中，6.如權利要求4所述的方法，其特征在于，所述步驟9進一步包括下列步驟 步驟91 :計算對應測試樣本數據的隱層輸出矩陣!^ ；其中，全文摘要本專利技術涉及一種基于極限學習機的電力變壓器故障智能診斷方法，可應用于變壓器監/檢測裝置或系統。在監/檢測裝置或系統所采集的數據基礎上提取故障特征，并選取變壓器狀態樣本進行變壓器的極限學習機故障診斷模型學習。該方法包括以下步驟劃分變壓器的運本文檔來自技高網...

【技術保護點】
一種基于極限學習機的電力變壓器故障診斷方法，其特征在于，所述方法包含以下步驟：步驟1：依據變壓器研究問題的特點，劃分變壓器的A個運行狀態；步驟2：選取蘊含變壓器運行狀態的在線或離線的監/檢測數據作為數據源；步驟3：對變壓器數據源進行特征提取，確定若干個特征變量，特征變量既可以是離散變量也可以是連續變量；步驟4：采用A維的0?1向量表達方式，確定變壓器各種運行狀態下的極限學習機的目標向量；步驟5：選取變壓器在各種運行狀態下的樣本數據；步驟6：將樣本數據按設定的比例分為訓練樣本數據和測試樣本數據；其中，訓練樣本數據用于學習變壓器的極限學習機故障診斷模型，測試樣本數據用于驗證變壓器的極限學習機故障診斷模型；步驟7：確定變壓器的極限學習機故障診斷模型的輸入層節點數、隱層節點數、輸出層節點數，選取變壓器的極限學習機故障診斷模型的激勵函數；步驟8：以訓練樣本數據作為極限學習機的輸入，進行變壓器的極限學習機故障診斷模型的學習；步驟9：采用測試樣本數據對步驟8得到的極限學習機變壓器故障診斷模型進行驗證。

【技術特征摘要】

【專利技術屬性】
技術研發人員：朱永利，俞國勤，尹金良，邵宇鷹，黃建才，李堅，
申請(專利權)人：上海市電力公司，華北電力大學保定，國家電網公司，
類型：發明
國別省市：