CN109784475B - 一种基于动态适应bp神经网络的变压器故障诊断方法 - Google Patents
一种基于动态适应bp神经网络的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN109784475B CN109784475B CN201910002126.5A CN201910002126A CN109784475B CN 109784475 B CN109784475 B CN 109784475B CN 201910002126 A CN201910002126 A CN 201910002126A CN 109784475 B CN109784475 B CN 109784475B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- training
- fault
- transformer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于动态适应BP神经网络的变压器故障诊断方法,用于解决变压器故障诊断方法对小数据不敏感、对大权值不适应的问题。本发明首先对训练数据进行均方差数据处理,结合均方差数据处理方法和含动态适应因子的BP神经网络搭建一个故障识别模型,再使用训练数据对其进行训练,然后输出预测数据,并计算预测的误差。这种方法能够有效地改善现有变压器故障诊断方法对小数据敏感度低、对大权值适应性差的状况,可以在变压器故障数据差别较大时诊断出故障类型,帮助和指导运行人员准确掌握变压器运行状态。
Description
技术领域
本发明涉及变压器故障诊断领域,更具体地,涉及一种基于动态适应BP神经网络的变压器故障诊断方法。
背景技术
电力油浸式变压器的故障检测方法的依据是油浸式变压器内的绝缘油在发生电故障或热故障后产生特征气体,其油浸式变压器内的溶解特征气体含量与油浸式变压器故障具有很强的相关性。依据2014年发布的《中华人民共和国电力行业标准--变压器油中溶解气体分析与判断导则》(DL/T 722-2014)中特征气体含量三比值法,而在国际上存在部分类似特征气体三比值的比值或者相对浓度对故障进行编码,以此来判断故障类型。
以往通常采用BP神经网络对实际变压器故障进行诊断,这种方法往往采用线性归一化对数据进行处理,但当两种数据之差较大时会导致数值较小的数据归一化后会趋于0,从而降低了这类数据的作用;加上传统的BP网络训练过程中,当其权值调得过大时导致激活函数的输入工作在S型转移函数的饱和区,从而其导数非常小,最终导致整个神经网络完全不能训练。
发明内容
本发明为克服上述现有技术所述的变压器故障诊断方法对小数据不敏感、对大权值不适应的缺陷,提供一种基于动态适应BP神经网络的变压器故障诊断方法。
为解决上述技术问题,本发明的技术方案如下:一种基于动态适应BP神经网络的变压器故障诊断方法,包括以下步骤:
S1:收集油浸式变压器的故障数据及非故障数据形成数据集,并将该数据集划分为训练数据C1和测试数据C2;
S2:用均方差数据处理方法处理C1和C2中的数据;初始化BP神经网络,并在BP神经网络调整权值时,在权值调整公式中增加一个动态适应因子;
S3:使用均方差数据处理方法处理后的训练数据对含动态适应因子的BP神经网络进行训练及预测,然后输出预测数据,并计算预测的误差。
本发明首先收集油浸式变压器的故障数据及非故障数据并分类成训练数据和实验数据,再对训练数据进行均方差数据处理,结合均方差数据处理方法和含动态适应因子的BP神经网络搭建一个故障识别模型,再使用训练数据对其进行训练,然后输出预测数据,并计算预测的误差。
优选地,步骤S1中将油浸式变压器的故障时产生的气体H2、CH4、C2H6、C2H4和C2H2作为数据指标用来得到故障数据和非故障数据。
优选地,从数据集中抽取90%作为训练数据,10%作为实验数据。
优选地,S2中用均方差数据处理方法的计算公式为:
式中,x为数据处理的数据,x′为数据处理后的数据,xi为数据集中的第i个数据,N为数据集中数据的总数,μ为数据集的均方根平均值。
优选地,采用的BP神经网络采用三层神经元结构,网络输入层节点为5个,隐含层节点为10个,输出层节点为5个。
优选地,所述的BP神经网络的隐含层的激活函数为tansig函数和输出层的激活函数为logsig函数,网络训练函数为trainlm函数,训练速率为0.05,训练代数为10000。
优选地,步骤S3中在权值调整公式中增加一个动态适应因子的公式如下:
式中,为权值调整后的数值,为权值调整前的数值,j为当前时刻的值,δ(k)为第k个样本的计算误差函数对输出层的各神经元的偏导数,p(k)为第k个样本的隐含层输出向量,η为学习速率,a为动态适应因子,i为神经网络当前的训练代数,N为神经网络训练的代数;为了提高训练速度动态适应因子反应了以前积累的经验,并且动态适应因子可以帮助神经网络跳出局部极小区域,本发明中,动态适应因子的大小随着训练代数的增加而增大,提高了训练速度。
优选地,动态适应因子a的变化范围是[0.6,0.9]。
优选地,步骤S3的具体步骤为:使用均方差数据处理方法处理后的训练数据对含动态适应因子的BP神经网络进行训练得到训练后的神经网络结构;将测试数据导入神经网络中得到预测结果,并将预测结果与实际故障类别进行对比得到预测误差并进行输出。
与现有技术相比,本发明技术方案的有益效果是:利用本发明采用添加动态适应因子的BP神经网络的变压器故障诊断方法,可以有效地改善现有变压器故障诊断方法对小数据敏感度低、对大权值适应性差的状况,可以在变压器故障数据差别较大时诊断出故障类型,帮助和指导运行人员准确掌握变压器运行状态,为油浸式变压器状态检修计划及故障诊断提供技术支撑。
附图说明
图1为本发明流程图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
图1为本发明一种基于动态适应BP神经网络的变压器故障诊断方法的流程图,其具体步骤包括:
S1:收集油浸式变压器的故障数据及非故障数据形成数据集,并将该数据抽取90%作为训练数据C1和10%作为实验数据C2;其中油浸式变压器的故障数据及非故障数据是选取H2、CH4、C2H6、C2H4和C2H2气体作为特征气体指标。
S2:用均方差数据处理方法处理C1和C2中的数据,其计算公式为:
式中,x为数据处理的数据,x′为数据处理后的数据,xi为数据集中的第i个数据,N为数据集中数据的总数,μ为数据集的均方根平均值。
初始化BP神经网络,本实施例采用三层神经元结构,为了方便动态自适应调节,使BP神经网络输入层节点为5个,隐含层节点为10个,输出层节点为5个。隐含层和输出层的激活函数分别为tansig函数和logsig函数,网络训练函数为trainlm函数,训练速率为0.05,训练代数为10000。
在BP神经网络调整权值时,在权值调整公式中增加一个动态适应因子;为了提高训练速度动态适应因子反应了以前积累的经验,并且动态适应因子可以帮助神经网络跳出局部极小区域,本发明中,动态适应因子的大小随着训练代数的增加而增大,提高了训练速度,其范围是[0.6,0.9],计算公式如下:
式中,为权值调整后的数值,为权值调整前的数值,j为当前时刻的值,δ(k)为第k个样本的计算误差函数对输出层的各神经元的偏导数,p(k)为第k个样本的隐含层输出向量,η为学习速率,a为动态适应因子,i为神经网络当前的训练代数,N为神经网络训练的代数。
S3:使用均方差数据处理方法处理后的训练数据对含动态适应因子的BP神经网络进行训练得到训练后的神经网络结构;将测试数据导入神经网络中得到预测结果,并将预测结果与实际故障类别进行对比得到预测误差并进行输出。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于动态适应BP神经网络的变压器故障诊断方法,其特征在于,
S1:收集油浸式变压器的故障数据及非故障数据形成数据集,并将该数据集划分为训练数据C1和测试数据C2;
S2:用均方差数据处理方法处理C1和C2中的数据;初始化BP神经网络,并在BP神经网络调整权值时,在权值调整公式中增加一个动态适应因子;
S3:使用均方差数据处理方法处理后的训练数据对含动态适应因子的BP神经网络进行训练及预测,然后输出预测数据,并计算预测的误差;
S2中用均方差数据处理方法的计算公式为:
式中,x为数据处理的数据,x′为数据处理后的数据,xi为数据集中的第i个数据,N为数据集中数据的总数,μ为数据集的均方根平均值;
步骤S2中在权值调整公式中增加一个动态适应因子的公式如下:
式中,为权值调整后的数值,为权值调整前的数值,j为当前时刻的值,δ(k)为第k个样本的计算误差函数对输出层的各神经元的偏导数,p(k)为第k个样本的隐含层输出向量,η为学习速率,a为动态适应因子,m为神经网络当前的训练代数,n为神经网络训练的代数;
步骤S3的具体步骤为:使用均方差数据处理方法处理后的训练数据对含动态适应因子的BP神经网络进行训练得到训练后的神经网络结构;将测试数据导入神经网络中得到预测结果,并将预测结果与实际故障类别进行对比得到预测误差并进行输出。
2.根据权利要求1所述的一种基于动态适应BP神经网络的变压器故障诊断方法,其特征在于,步骤S1中将油浸式变压器的故障时产生的气体H2、CH4、C2H6、C2H4和C2H2作为数据指标用来得到故障数据和非故障数据。
3.根据权利要求1所述的一种基于动态适应BP神经网络的变压器故障诊断方法,其特征在于,从数据集中抽取90%作为训练数据,10%作为测试数据。
4.根据权利要求1所述的一种基于动态适应BP神经网络的变压器故障诊断方法,其特征在于,采用的BP神经网络采用三层神经元结构,网络输入层节点为5个,隐含层节点为10个,输出层节点为5个。
5.根据权利要求4所述的一种基于动态适应BP神经网络的变压器故障诊断方法,其特征在于,所述的BP神经网络的隐含层的激活函数为tansig函数和输出层的激活函数为logsig函数,网络训练函数为trainlm函数,训练速率为0.05,训练代数为10000。
6.根据权利要求5所述的一种基于动态适应BP神经网络的变压器故障诊断方法,其特征在于,动态适应因子a的变化范围是[0.6,0.9]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910002126.5A CN109784475B (zh) | 2019-01-02 | 2019-01-02 | 一种基于动态适应bp神经网络的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910002126.5A CN109784475B (zh) | 2019-01-02 | 2019-01-02 | 一种基于动态适应bp神经网络的变压器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109784475A CN109784475A (zh) | 2019-05-21 |
CN109784475B true CN109784475B (zh) | 2022-12-16 |
Family
ID=66499821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910002126.5A Active CN109784475B (zh) | 2019-01-02 | 2019-01-02 | 一种基于动态适应bp神经网络的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784475B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273638B (zh) * | 2020-01-21 | 2021-10-26 | 华东理工大学 | 基于改进Elman神经网络的气动阀执行机构故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894296A (zh) * | 2010-07-05 | 2010-11-24 | 湖南大学 | 一种基于标准差与偏斜度的模拟电路故障诊断神经网络方法 |
CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
CN106355269A (zh) * | 2016-08-24 | 2017-01-25 | 华南理工大学 | 基于bp神经网络的商品条码注册量预测方法 |
CN108709744A (zh) * | 2018-03-05 | 2018-10-26 | 安徽大学 | 一种变负载工况下电机轴承故障诊断方法 |
CN108918137A (zh) * | 2018-06-08 | 2018-11-30 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
CN109063734A (zh) * | 2018-06-29 | 2018-12-21 | 广东工业大学 | 结合多级局部密度聚类的油浸式变压器故障状态评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932480B (zh) * | 2018-06-08 | 2022-03-15 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
-
2019
- 2019-01-02 CN CN201910002126.5A patent/CN109784475B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894296A (zh) * | 2010-07-05 | 2010-11-24 | 湖南大学 | 一种基于标准差与偏斜度的模拟电路故障诊断神经网络方法 |
CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
CN106355269A (zh) * | 2016-08-24 | 2017-01-25 | 华南理工大学 | 基于bp神经网络的商品条码注册量预测方法 |
CN108709744A (zh) * | 2018-03-05 | 2018-10-26 | 安徽大学 | 一种变负载工况下电机轴承故障诊断方法 |
CN108918137A (zh) * | 2018-06-08 | 2018-11-30 | 华北水利水电大学 | 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法 |
CN109063734A (zh) * | 2018-06-29 | 2018-12-21 | 广东工业大学 | 结合多级局部密度聚类的油浸式变压器故障状态评估方法 |
Non-Patent Citations (1)
Title |
---|
"多神经网络方法在变压器油色谱故障诊断中的应用";徐志钮;《高压电器》;20050630;第206-208页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109784475A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109357749B (zh) | 一种基于dnn算法的电力设备音频信号分析方法 | |
CN111259921B (zh) | 基于改进小波包和深度学习的变压器声音异常检测方法 | |
CN111564163B (zh) | 一种基于rnn的多种伪造操作语音检测方法 | |
CN109934269B (zh) | 一种电磁信号的开集识别方法和装置 | |
CN108069308A (zh) | 一种基于序贯概率的电扶梯故障诊断方法 | |
CN109063734B (zh) | 结合多级局部密度聚类的油浸式变压器故障状态评估方法 | |
CN106847270A (zh) | 一种双门限地名语音端点检测方法 | |
CN110930995B (zh) | 一种应用于电力行业的语音识别模型 | |
CN113223264B (zh) | 基于qpso-bp神经网络的火灾智能预警系统及方法 | |
CN109784475B (zh) | 一种基于动态适应bp神经网络的变压器故障诊断方法 | |
Jiang et al. | An Improved Speech Segmentation and Clustering Algorithm Based on SOM and K‐Means | |
CN111695288B (zh) | 一种基于Apriori-BP算法的变压器故障诊断方法 | |
CN112115638A (zh) | 基于改进Adam算法优化神经网络的变压器故障诊断方法 | |
CN114088890A (zh) | 基于深度bp神经网络的自适应温湿度补偿方法及系统 | |
CN116976857A (zh) | 一种基于深度学习的铁路电力设备预测性维护方法及系统 | |
CN105823801B (zh) | 一种基于深度信念网络特征提取的电子鼻漂移补偿方法 | |
CN114398992A (zh) | 一种基于无监督域适应的智能故障诊断方法 | |
CN117349657A (zh) | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 | |
CN109086940B (zh) | 一种基于分时段气象关联模型的接触网跳闸次数预测方法 | |
CN104200815B (zh) | 一种基于相关分析的音频噪声实时检测方法 | |
CN115343573A (zh) | 一种面向电网监控的声纹模型演化设备故障融合判决方法 | |
Beritelli et al. | Adaptive V/UV speech detection based on acoustic noise estimation and classification | |
CN115688961A (zh) | 基于深度学习的电力设备故障预测方法及系统 | |
CN110907544B (zh) | 一种变压器油中溶解气体含量异常阶跃数据识别方法 | |
CN113935023A (zh) | 一种数据库异常行为检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |