CN104299035A - 基于聚类算法和神经网络的变压器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于聚类算法和神经网络的变压器故障诊断方法，包括以下步骤：a、根据IEC标准和DL/T722-2000导则确定故障类型；在原始样本集中选取故障样本集的特征量；b、利用K-means聚类方法对这些样本进行聚类；c、构建RBF神经网络；d、进行参数学习，确定隐藏层的个数、中心位置、宽度以及输出权值；e、采用PSO进行优化训练，确定隐藏层中心的位置，而个数、宽度、权值分别采用试验法、最小距离法、伪逆法确定；f、输入训练样本，求解后验概率，判断故障类别。本发明能够较为均匀地从总的样本中划分出训练样本和测试样本，而良好的测试样本能够对神经网络进行更为完整的测试，从而确保神经网络得到正确合理的评价。

Description

基于聚类算法和神经网络的变压器故障诊断方法

技术领域

本发明涉及一种油浸式变压器故障诊断方法，尤其涉及一种基于聚类算法和PSO-RBFNN相结合的油浸式变压器故障诊断方法。

背景技术

随着我国国民经济的不断发展，对电力的需求也在不断增加。整个电力系统也向着更高的电压等级，更大的输电容量方向发展，而电力变压器作为系统中最重要的设备之一，其运行状态直接影响到整个电力系统的安全性和稳定性。由于电力变压器内部结构的复杂性，运行环境的特殊性，在变压器的长期运行当中，发生故障是不可避免的。一旦发生故障，将会严重影响社会的生产和人们的生活，造成严重的经济损失，所以对变压器故障诊断系统进行研究，以及早发现和处理变压器的故障具有重要的意义。

    在现有常规的变压器故障诊断方法中，油中溶解气体分析方法（DGA）是最为有效的方法之一。DGA诊断方法通过分析变压器发生故障时所产生气体的成分、含量和速率，就能够诊断出变压器的大部分故障。在我国的DL/T722-2000的导则中，推荐改良三比值法作为设备内部故障诊断的主要方法。尽管这些方法在实际当中获得了广泛的应用，但是仍然存在有许多不足之处，例如，故障编码种类有限不能诊断所有可能的故障，对于相近的故障判断误诊率高，对以往实践中所积累的经验知识不能充分利用等。所以寻求一种能够克服这些不足的新的诊断方法，以提高诊断的自动化程度、诊断的精度和诊断的覆盖率具有重要的现实意义。因此提出了利用基于粒子群优化(PSO)算法的径向基函数(RBF)神经网络(PSO-RBFNN)进行变压器故障诊断系统的设计，以解决传统诊断方法的不足之处。

   专利公开号为：CN103207950A的中国专利公开了名为“一种基于RBF 神经网络的变压器故障诊断的智能方法”的故障诊断方法。该方法利用IEC 三比值法得出五种气体的三比值 ：C2H2/C2H4、CH4/H2、C2H4/C2H6作为训练样本数据 ；（2）利用隶属函数将三比值进行模糊化处理 ；（3）对故障类型进行编码 ；（4）根据训练样本数据训练RBF神经网络，直到 RBF 网络满足精度要求，（5）输入模糊化处理后的待诊断样本 ；（6）输出诊断结果。该方法不仅提高了的推理能力和诊断精度，同时也克服了 IEC 三比值法的缺陷，能准确的反映出变压器故障的所有形态。但是在总样本数较少的情况下，得出的训练样本较为片面，分布不均匀，从而严重影响RBF神经网络的知识获取，以及最终的网络性能。针对RBF神经网络参数的确定问题，其中最为关键的是确定隐藏层径向基函数的中心。然而该方法往往不能得到最优的中心参数，容易收敛于局部最优值。

发明内容

    本发明所要解决的技术问题是：克服现有技术的不足，提供一种容易实施、能够提高故障诊断正确率及工作效率的基于聚类算法和神经网络的变压器故障诊断方法。

    本发明的技术方案是：

    RBF神经网络是属于一种有监督的网络，其最终的诊断性能，很大程度上依赖于两个方面，一是训练样本的选择；二是网络参数的确定。针对RBF神经网络训练样本的选择问题，通常采用随机挑选的方法，即从总样本中随机挑选出训练样本，这种方法虽然简单，但是在总样本数较少的情况下，得出的训练样本较为片面，分布不均匀，从而严重影响RBF神经网络的知识获取，以及最终的网络性能。所以本发明提出了基于聚类法的划分方法，首先利用聚类法分析得出样本的具体分布情况，然后利用文中所提出划分原则，从总样本中挑选出有利于RBF网络学习的训练样本。针对RBF神经网络参数的确定问题，其中最为关键的是确定隐藏层径向基函数的中心。较为常用的方法是利用聚类法，把聚类数作为中心的个数，把聚类中心作为径向基函数的中心，然而该方法往往不能得到最优的中心参数，容易收敛于局部最优值。所以本发明提出了采用具有全局寻优能力的粒子群优化(PSO)算法对RBF神经网络的参数进行最优化确定的方法。测试结果表明该方法能够有效的提高变压器故障诊断系统的诊断正确率。

    具体步骤如下：

    根据内部故障与气体的关系，变压器在发生故障时油中溶解气体主要有H₂、CH₄、C₂H₆、C₂H₄、C₂H₂、CO和CO₂等。而CO和CO₂主要用于故障是否涉及固体绝缘的判断，又根据各种三比值法中都没有采用这两种气体进行诊断，因此选择H₂、CH₄、C₂H₆、C₂H₄和C₂H₂作为故障样本集的特征量。

   故障所属的类别，采用跟IEC标准和DL/T 722-2000导则一样，取如下6种类型：低温过热（T1）、中温过热(T2)、高温过热(T3)、局部放电(PD)、低能放电（D1）和高能放电（D2）。

   在变压器故障诊断中，由于油中溶解气体的样本数据来自不同形式、容量和电压等级的变压器，同时即便是同一台变压器的同一类型故障，由于故障气体含量和故障时间、故障源面积以及气体积累等因素有关，故障气体含量也可能相差很大。这样就使故障气体含量的取值范围会非常大，从而导致对应关系比较复杂，降低诊断系统的判断正确率，所以，一般在利用油中溶解气体(GDA)数据进行故障诊断之前，对这些样本数据进行统一的规范化处理，设DGA样本集如矩阵形式，即有                                                个样本，每个样本有个特征量。

使用最大值规范化对样本进行规范化。

即每个元素除以该行的最大值元素，如式1-1所示。

              （1-1）

用聚类法对样本进行分析后得到样本空间分布，聚类法根据某一相似性度量，把原样本划分了三类，如果现在从这三类中按一定的方法和比例挑选训练样本和测试样本，这样所得到的训练样本和测试样本，就完全可以避免以往由于随机挑选训练样本和测试样本所带来的问题。

  利用K-means聚类方法对这些样本进行聚类，由于该算法在使用前，需要确定聚类的类别数。该方法首先使聚类数K从小到大逐步增加，同时针对每一个不同K值所产生的分类结果，计算各样本与其所属子集中心的距离平方和J(K)。该距离平方和是随着K的增大而减小的，而最佳聚类数Ka的选择，可取为该距离平方和J(K)变化曲线的曲率变化最大点对应的子集数，该子集数即为Ka值。

 RBF神经网络属于有监督网络，所以其样本的结构由两部组成，分别是网络的输入和网络的输出。网络输入，即。而网络的输出，即。另外，在定义神经网络输出时，如某类故障发生时，则该类型故障输出为1，其余没有发生的则输出为0，所以如果发生了T1故障，则神经网络输出为。

RBF神经网络的学习，主要是确定隐藏层的个数、中心位置、宽度以及输出权值。在本发明中用PSO进行优化训练，主要是用于确定隐藏层中心的位置，而个数、宽度、权值分别采用试验法、最小距离法、伪逆法确定。

   基于PSO的RBF神经网络学习算法的具体流程如图1所示，本发明中，隐藏层中心个数的确定是根据多次试验确定的，即从最小值到最大值不断增加，对每个值，都进行训练，并根据输入测试样本的诊断正确率来确定取值，即取使为最大时的值为RBF神经网络最终的隐藏层中心数目。

给出隐藏层中心的最大个数和最小个数，并使当前隐藏层中心个数为；

随机初始化粒子群，设定各相关参数，另外，设在个中心时，最佳神经网络为；

 利用各粒子的位置，作为隐藏层中心，根据1-2式计算宽度，根据伪逆法计算输出权值，构建RBF神经网络；

              (1-2)

式中：

——聚类中心间的最小距离；

——重叠系数。

输入训练样本，对所构建的RBF神经网络进行训练；

   根据1-3式计算粒子的适应度值，对粒子群中的粒子进行评估；

                           (1-3)

式中

——均方误差；

——粒子适应度函数。

 

   如果迭代次数达到最大迭代次数或者目标函数值，即误差小于给定值，则输出粒子所经历的全局最好位置作为RBF神经网络的最优隐藏层中心，并根据测试样本计算该RBF神经网络的正确率，如果，则把该神经网络保存为，同时跳到第八步进行计算；否则，根据各粒子的适应度值重新确定各粒子最好位置和全局最好位置；

 更新粒子，根据式1-4和1-5更新所有粒子的当前位置和当前速度，并转到第三步进行重新计算；

     (1-4)

      (1-5)

 式中：

 ——第个粒子，；

——粒子的第维，；

——粒子的第代；

——惯性因子； 

 ，——正的加速常数，通常取0~2；

 ，——0到1之间均匀分布的随机数。

如果，则，并转到第二步重新计算，否则输出 ，停止计算。

本发明的有益效果有：

    1、本发明采用具有全局寻优能力的粒子群优化(PSO)算法，把该算法应用到RBF神经网络的学习当中，从而提出了基于PSO-RBFNN的变压器故障诊断系统，能够有效的提高变压器故障诊断系统的诊断正确率。

2、本发明提出基于K-means聚类法的神经网络训练样本和测试样本的划分方法，良好的训练样本能够使神经网络得到更为全面的学习，在有限的训练样本中获得尽可能多的先验知识，从而提高神经网络整体的推理泛化能力。

3、本发明能够较为均匀地从总的样本中划分出训练样本和测试样本，而良好的测试样本能够对神经网络进行更为完整的测试，从而确保神经网络得到正确合理的评价，试验结果表明了该方法的可行性与有效性。

    4、本发明提出基于粒子群(PSO)算法的径向基函数神经网络(PSO-RBFNN)，利用径向基函数(RBF)神经网络进行变压器故障诊断系统的设计，克服传统的学习算法，如聚类法和梯度下降法等都容易收敛于局部最优值，从而降低了系统的诊断正确率的问题。

    5、本发明具有良好的通用性，对于其他类似问题也可以采用该法处理，易于推广实施，具有良好的经济效益。

附图说明

图1基于PSO的RBF神经网络学习算法流程；

图2 未进行聚类时的样本选择；

    图3 进行聚类后的样本选择；

    图4 最佳聚类数计算；

    图5距离平方和J(K)曲线；

图6 能放电聚类结果；    

图7 局部放电聚类结果；

    图8 高温过热聚类结果；                             

    图9 中温过热聚类结果；

    图10 低温过热聚类结果；                                      

    图11 高能放电聚类结果；

    图12 隐藏层的中心个数与正确率关系；

图13 最优适应值随迭代次数变化曲线；

    图14 各径向基函数的宽度；

图15 RBF神经网络结构。

具体实施方式

   基于聚类算法和神经网络的变压器故障诊断方法，具体包括以下步骤 ：

   选择H₂、CH₄、C₂H₆、C₂H₄和C₂H₂作为故障样本集的特征量，即故障样本为。

故障类型分为：低温过热（T1）、中温过热(T2)、高温过热(T3)、局部放电(PD)、低能放电（D1）和高能放电（D2），即。

使用最大值规范化对样本进行规范化。

   在变压器故障的历史数据中选出200组故障数据，利用聚类算法得出了RBF神经网络的训练样本集和测试样本集。

  确定诊断系统的输入为5维的特征气体，输出为6维的故障类型，所以RBF神经网络第一层输入层为5个单元，第三层输出层为6个神经元。在本方法中需要进一步确定隐藏层径向基函数类型，函数中心及宽度，输出权值等。

  选用高斯函数确定径向基函数类型

                  （1-6） 

 确定径向基函数中心个数、位置及宽度，根据基于PSO的径向基神经网络学习算法，径向基函数中心的个数是根据试验获取的，即取诊断系统获得最大正确率的个数为最终的径向基函数中心个数，而各径向基函数中心位置是利用PSO优化算法求取，各径向基函数宽度则根据公式1-2求取。

根据算法要求，对各个参数进行初始化，最大迭代次数，粒子数 ，加速常数，惯性因子上下限值，，根据公式1-7得(为当前迭代次数)，最大飞行速度(为样本搜索空间边界值)，径向基中心个数从到增加。以上参数是根据算法收敛要求，搜素性能要求等因素经过多次试验比较确定的。

 

       (1-7)

 式中：

——惯性因子的最大值；

 ——惯性因子的最小值；

 ——最大迭代次数；

——当前迭代次数。 

利用MATLAB进行M文件编程，最终隐藏层中心个数随正确率的变化曲线如图12所示，这里的正确率是测试样本输入到已训练好的RBF神经网络中进行测试的结果，计算方法如公式1-8所示。

              （1-8）

式中：

——正确率；

——诊断正确的个数；

——测试样本总数。

在图中曲线1、曲线2和曲线3分别是三次独立实验的结果，实线则是三次实验的正确率平均值变化情况。从图中可以看出当隐藏层中心的个数取41时，正确率平均值取得最大值0.9502，而在该处的正确率最大值为0.9626，所以选取隐藏层的中心数为41个。

在确定了径向基函数中心的个数后，需要进一步确定各个中心的位置。根据PSO优化算法原理，各中心的位置即为粒子的位置，而最优的中心位置即为全局所经历的最好位置粒子的位置。所以在隐藏层中心个数 =41的情况下，对RBF神经网络进行重新训练，得出各中心位置如表1-1所示。另外，图13为粒子群的最优适应值随迭代次数的变化情况。从图中可以看出，基于PSO算法的RBF神经网络能够快速收敛于到全局最优解附近，很好地克服了其它RBF网络学习算法易于收敛于局部最优解的缺点。

表1-1 隐藏层中心的位置

 各径向基函数的宽度，根据公式1-2进行计算，其中重叠系数取为1，计算结果如图14所示。

   采用LMS方法确定网络输出权值，设网络结构如图15所示，隐藏层的输出矩阵为，其中如式1-9所示：

        (1-9) 

如果当前的网络权值为，则网络的输出为：

      (1-10)

令为逼近误差，为给定的教师信号，而又确定了，所以可以用最小化逼近误差来求得输出权值矩阵，即

       (1-11)

                (1-12)

其中是的伪逆矩阵，即

        (1-13)

至此，完整地确定了RBF神经网络的全部参数，即完成了变压器故障诊断系统结构算法的设计，最终的RBF网络为结构，即为输入层有5个单元，隐藏层有41个单元，输出层有6个单元。

 实例：

RBF网络输出：

序号	RBF网络输出	故障类型
			1	0     1     0     0     0     0	中温过热T2
2	0     0     0     0     1     0	火花放电D1
			3	0     0     0     0     0     1	电弧放电D2

最后，利用实例测试实验，证明本所发明的变压器故障诊断系统的合理性、有效性以及不同于目前传统诊断方法的价值所在。

 即每个元素除以该行的最大值元素，如式1-1所示。

              （1-1）

Claims (6)

1.一种基于聚类算法和神经网络的变压器故障诊断方法，包括以下步骤：a、根据IEC标准和DL/T 722-2000导则，确定故障类型为中低温过热、中

温过热、高温过热、局部放电、低能放电和高能放电；在原始样本集中选取H₂、CH₄、C₂H₆、C₂H₄和C₂H₂为故障样本集的特征量； 

b、用聚类法对原始样本进行分析后得到样本空间分布，根据某一相似性度量，把原始样本划分三类，从这三类中按一定的方法和比例挑选训练样本和测试样本，利用K-means聚类方法对这些样本进行聚类；

c、构建RBF神经网络； 

d、进行参数学习，确定隐藏层的个数、中心位置、宽度以及输出权值； 

e、采用PSO进行优化训练，确定隐藏层中心的位置，而个数、宽度、权值分别采用试验法、最小距离法、伪逆法确定；

f、输入训练样本，求解后验概率，判断故障类别。

2.根据权利要求1所述的基于聚类算法和神经网络的变压器故障诊断方法，其特征是：在利用油中溶解气体数据进行故障诊断之前，对这些样本数据进行统一的规范化处理，设DGA样本集如矩阵形式，即有                                                个样本，每个样本有个特征量， 使用最大值规范化对样本进行规范化，

即每个元素除以该行的最大值元素，如式1-1所示；

                （1-1）。

3.根据权利要求1所述的基于聚类算法和PSO-RBFNN的变压器故障诊断方法，其特征是：在使用前，先确定聚类的类别数，使聚类数K从小到大逐步增加，同时针对每一个不同K值所产生的分类结果，计算各样本与其所属子集中心的距离平方和J(K)，该距离平方和是随着K的增大而减小的，而最佳聚类数Ka的选择，可取为该距离平方和J(K)变化曲线的曲率变化最大点对应的子集数，该子集数即为Ka值。

4. 根据权利要求1所述的基于聚类算法和神经网络的变压器故障诊断方法，其特征是： 所述RBF神经网络的结构由两部分组成，分别是网络的输入和网络的输出，其中，网络输入，网络输出。

5. 根据权利要求1所述的基于聚类算法和神经网络的变压器故障诊断方法，其特征是：所述隐藏层中心个数的确定是根据多次试验确定的，即从最小值到最大值不断增加，对每个值，都进行训练，并根据输入测试样本的诊断正确率来确定取值，取使为最大时的值为RBF神经网络最终的隐藏层中心数目。

6. 根据权利要求5所述的基于聚类算法和神经网络的变压器故障诊断方法，其特征是：给出隐藏层中心的最大个数和最小个数，并使当前隐藏层中心个数为；随机初始化粒子群，设定各相关参数，另外，设在个中心时，最佳神经网络为；

利用各粒子的位置，作为隐藏层中心，根据1-2式计算宽度，根据伪逆法计算输出权值，构建RBF神经网络；

              (1-2)

式中：

——聚类中心间的最小距离；

——重叠系数；

输入训练样本，对所构建的RBF神经网络进行训练；

   根据1-3式计算粒子的适应度值，对粒子群中的粒子进行评估；

                           (1-3)

式中

——均方误差；

——粒子适应度函数；

如果迭代次数达到最大迭代次数或者目标函数值，即误差小于给定值，则输出粒子所经历的全局最好位置作为RBF神经网络的最优隐藏层中心，并根据测试样本计算该RBF神经网络的正确率，如果，则把该神经网络保存为，同时跳到第八步进行计算；否则，根据各粒子的适应度值重新确定各粒子最好位置和全局最好位置；

 更新粒子，根据式1-4和1-5更新所有粒子的当前位置和当前速度，并转到第三步进行重新计算；

     (1-4)

      (1-5)

 式中：

 ——第个粒子，；

——粒子的第维，；

——粒子的第代；

——惯性因子； 

 ，——正的加速常数，通常取0~2；

，——0到1之间均匀分布的随机数；

如果，则，并转到第二步重新计算，否则输出 ，停止计算。