CN110688809A - 一种基于vprs-rbf神经网络的箱变故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于VPRS‑RBF神经网络的箱变故障诊断方法，具体包括如下步骤：步骤1，选取样本；步骤2，对步骤1选取的样本进行约简；步骤3，对步骤2约简后的样本进行训练；步骤4，对步骤3训练后的样本进行测试。本发明将变精度粗糙集算法作为径向基神经网络的前端处理系统，对大量的原始样本进行定量的简化运算，寻找关于箱变故障的主要信息；然后通过RBF神经网络对箱变故障样本进行训练学习，实现箱变故障的自动诊断、识别；该方法提高了箱变故障诊断模型的故障诊断效率及准确性。

Description

一种基于VPRS-RBF神经网络的箱变故障诊断方法

技术领域

本发明属于配电网设备故障诊断技术领域，涉及一种基于VPRS-RBF神经网络的箱变故障诊断方法。

背景技术

箱变(箱式变电站)作为配电网中重要的配电设备，集成了高压开关设备、配电变压器、低压配电装置和电容平衡等设备为一体，将电能从10kV以上高压系统转化为低压系统。箱变大多安装在室外，工作环境多变，条件复杂，自然灾害和外力破坏严重，在长期运行过程中，会产生各种各样的故障问题。发生故障时，依靠人工排查的方法，工作量大、准确度低、无法实时的对箱变故障状态进行诊断和处理，可能引发大面积停电、爆炸等重大安全事故。

目前，物联网环境下箱变故障诊断问题从原始的人工诊断模式转变成为在线故障诊断，即基于设备特征参量的数据作出故障诊断决策。箱变作为重要的配电设备，其故障特征参量众多，特征参量与特征参量之间、特征参量与故障机理之间关系复杂，呈现非线性对应关系，不能直接从数据中发现规律建立故障模型。

基于VPRS-RBF神经网络的箱变故障诊断是在物联网环境下是基于大量箱变的故障历史数据基础上，通过对历史故障数据进行故障样本进行训练、学习，从而对最新的、实时的故障做出及时、准确的诊断。该方法易于实施，能够快速、实时、准确地对箱变故障进行诊断，及时消除过程的异常行为，防止系统波动和灾难性事故的发生，并为计划检修提供必要的依据。

径向基(Radial Basis Function,RBF)神经网具有结构简单、非线性拟合能力强、逼近速度快、鲁棒性高等优点，相比于传统的神经网络，能够更好的克服局部最小值和收敛速度慢的缺点。变精度粗糙集(Variable Precision Rough Set,VPRS)算法也可作为解决非线性对应关系问题的方法，在不需要先验知识的情况下，从海量数据中挖掘出潜在知识和规律。综合考虑到径向基神经网建模的复杂性和变精度粗糙集的知识具有知识约简的优点，可将变精度粗糙集与径向基神经网进行结合，利用变精度粗糙集知识约简，减少特征数据量信息表达，即对径向基神经网原始样本进行约简，去除冗余信息，简化径向基神经网的规模，减少训练时间，使得箱变故障诊断模型更具实时性、快速性和准确性。

发明内容

本发明的目的是提供一种基于VPRS-RBF神经网络的箱变故障诊断方法，该方法将变精度粗糙集算法作为径向基神经网络的前端处理系统，对大量的原始样本进行定量的简化运算，寻找关于箱变故障的主要信息；然后通过RBF神经网络对箱变故障样本进行训练学习，实现箱变故障的自动诊断、识别；该方法提高了箱变故障诊断模型的故障诊断效率及准确性。

本发明所采用的技术方案是，一种基于VPRS-RBF神经网络的箱变故障诊断方法，具体包括如下步骤：

步骤1：选取样本；

步骤2：对步骤1选取的样本进行约简；

步骤3：对步骤2约简后的样本进行训练；

步骤4：对步骤3训练后的样本进行测试。

本发明的特点还在于：

步骤1的具体过程如下：

将箱变故障样本对象表示为Y＝{y₁,y₂,…,y_n}，n为样本数量；特征参量表示为X＝{x₁,x₂,…,x_m}，m为特征参量数量；故障类型表示为D＝{d₁,d₂,…,d_h},h为故障类型数量；

利用变精度粗糙集对n个箱变故障样本进行约简，具体为：将样本构建为原始决策表，该决策表表示为一个四元组S＝<U,A,V,f>，

其中，U＝{y₁,y₂,…,y_n}是论域，即由对象y_k组成的有限集合；

A＝{a₁,a₂,…}＝C∪D是有限个属性集合且

C是条件属性集合X，D 是决策属性集合；

V_a是属性a的值域；f是信息函数，f：U×A→V为单一映射，即

y∈U，f(y,a)∈V_a,f(y,a)为U中每个对象的每一个属性的信息值；

对于箱变故障样本Y，特征参量X为决策表的条件属性，故障类型D为决策表的决策属性。

步骤2的具体过程如下：

步骤2.1：对原始决策表中的条件属性进行标准化处理，标准化使用 Z-core正规化法，如公式(1)所示：

其中，E(x_i)表示原始样本集中特征变量x_i的均值，D(x_i)为特征变量x_i对应的标准差；

步骤2.2：对原始决策表的条件属性和决策属性的数据进行离散化处理，将连续属性的值域划分为若干个子区间得到离散表S’；

步骤2.3：令属性核集合Core为空，0.5<β≤1(β表示分类误差率允许范围)，i＝1；对m个条件属性循环执行步骤2.4至步骤2.6；

步骤2.4：对步骤2.2获得的离散表S’中等价关系ind根据公式(2)计算相对正确分类率P，根据相对正确分类率P判断相对正确率是否大于β，若是，利用公式(3)计算正域POS_βC。

POS_βC＝RC_β＝∪{C:P(C,D)≥β} (3)；

步骤2.5：利用公式(4)计算条件属性对决策属性的依赖度λ(C,D,β)：

若单个属性i的依赖度λ(C_i,D_i,β)等于λ(C,D,β)，则认为此条属性为冗余属性，予以删除；若λ(C_i,D_i,β)不等于λ(C,D,β)，则利用公式(5)计算重要度SIG(C,{i})，当SIG(C，{i})≠0时，将此条属性作为属性核之一，即Core＝{C_i,}；否则，此条属性为非属性核，令i＝i+1；

SIG(C,{i})＝λ(C,{i},β)+λ({i},D,β) (5)；

步骤2.6：判断条件属性循环；若i>m，约简结束，执行步骤2.7；如果否，返回步骤2.3。

步骤2.7：获得属性核集合，形成属性约简表。

步骤3的具体过程如下：

步骤3.1：设定参数：初始RBF神经网络的学习速率η、收敛精度ε：

步骤3.2：确定输入向量x、实际输出向量y和期望输出向量o， x＝[x₁,x₂,……x_m]^T,y＝[y₁,y₂,……y_n]^T,o＝[o₁,o₂,……o_n]^T；

步骤3.3：确定输入层；输入层为样本的条件属性向量，即步骤3.2中的输入向量x＝[x₁,x₂,……x_m]^T；输入层节点数量为样本的维度m；

步骤3.4：确定隐藏层；径向基神经元(径向基函数)数量为p(p>m)，采用高斯函数作为径向基函数Φ_j(x)如公式(6)，

其中，x为m维的输入变量，c_j是第j个径向基函数的中心，与x具有相同维数的向量；δ_j是第j个隐层神经元的径向基函数宽度；

步骤3.5：确定输出层；整个网络的输出是隐藏层隐神经单元输出的线性加权和，样本k的网络最终输出y_k采用如下公式(7)表示：

步骤3.6：采用梯度下降法对RBF网络结构中隐含层神经元的中心c、宽度σ以及输出权值w进行监督训练优化，寻求网络的自由参数使得网络输出和期望输出的均方误差ξ达到极小：

其中，y(x)为网络的实际输出向量，o为期望输出向量：

步骤3.7：基于梯度下降法，利用公式(8)、(9)、(10)、(11)对中心点、中心宽度和权重参数进行更新迭代计算；

其中，

为梯度向量；

步骤3.8：判断收敛性，若ξ≤ε，则执行步骤4；否则，执行步骤3.6。

步骤4的具体过程如下：

选择约简后决策表中的剩余部分数据作为测试样本，将径向基神经训练结果与测试样本实际结果相对比，即得到故障诊断模型的故障诊断准确率。

本发明的有益效果是，本发明针对箱变故障特征参量众多，特征参量与特征参量之间、特征参量与故障机理之间呈现非线性对应关系，故障诊断效率低、准确度不高的现状，面向箱变物联网环境设计一种基于VPRS-RBF神经网络的箱变故障诊断方法。其核心思想是将变精度粗糙集算法作为径向基神经网络的前端处理系统，对大量的原始样本进行定量的简化运算，寻找关于箱变故障的主要信息，然后将变精度粗糙集方法预处理后的信息，输入神经网络进行训练，形成箱变的故障诊断判断模型，再将测试数据带入故障模型中，测试该箱变诊断模型的可行性。该方法具有较高的柔性，易于实施，使得箱变故障诊断模型更具实时性、快速性和准确性。

具体实施方式

下面结合具体实施方式对本发明进行详细说明

本发明一种基于VPRS-RBF神经网络的箱变故障诊断方法，该方法主要包含基于变精度粗糙集的箱变故障原始样本数据约简与基于RBF神经网络的箱变故障样本训练学习2个过程。具体包括如下步骤：

步骤1：样本选取。

样本的选取遵循代表性、紧凑性原则，从箱变故障的特征参量数据库中选择常见的故障和无故障代表数据，箱变故障样本对象表示为Y＝{y₁,y₂,…,y_n}， n为样本数量；特征参量表示为X＝{x₁,x₂,…,x_m}，m为特征参量数量；故障类型表示为D＝{d₁,d₂,…,d_h},h为故障类型数量。

利用变精度粗糙集对n个箱变故障样本进行约简，需要将样本构建为原始决策表，该决策表可以表示为一个四元组S＝<U,A,V,f>，其中，U＝{y₁,y₂,…,y_n} 是论域，即由对象y_k(k＝1,2,…,n)组成的有限集合；A＝{a₁,a₂,…}＝C∪D是有限个属性集合且C是条件属性集合X，D是决策属性集合；

V_a是属性a的值域；f是信息函数，f：U×A→V为单一映射，即

y∈U,f(y,a)∈V_a,f(y,a)为U中每个对象的每一个属性的信息值。对于箱变故障样本Y，特征参量X为决策表的条件属性，故障类型D为决策表的决策属性。

步骤2：样本约简。步骤1所获得的箱变故障样本原始决策表中条件属性存在冗余。样本约简是删除样本决策表中不重要或不相关的特征参量。样本约简过程包括原始决策表数据的标准化、离散化及约简。标准化后的决策表根据等频离散法进行离散化，得到离散表；最后，根据变精度粗糙集算法流程进行属性约简，得到一个样本数量为Y_n’、条件属性为X_m’的决策表。步骤2的具体过程为：

步骤2.1：原始决策表中条件属性的标准化；标准化使用Z-core正规化法，如公式(1)所示。

其中，E(x_i)表示原始样本集中特征变量x_i的均值，D(x_i)为特征变量x_i对应的标准差。

步骤2.2：原始决策表条件属性与决策属性数据的离散化；在步骤2.1 的基础上，利用等频离散法对连续属性进行离散化处理，将连续属性的值域划分为若干个子区间得到离散表S’。

步骤2.3：约简参数初始化；令属性核集合Core为空，0.5<β≤1(β表示分类误差率允许范围)，i＝1；对m个条件属性循环执行步骤2.4至步骤2.6。

步骤2.4：对步骤2.2获得的离散表S’中等价关系ind根据公式(2)计算相对正确分类率P，根据相对正确分类率P判断相对正确率是否大于β，若是，利用公式(3)计算正域POS_βC。

POS_βC＝RC_β＝∪{C:P(C,D)≥β} (3)；

步骤2.5：进一步的利用公式(4)计算条件属性对决策属性的依赖度λ(C,D,β)。

若单个属性i的依赖度λ(C_i,D_i,β)等于λ(C,D,β)，则认为此条属性为冗余属性，予以删除；若λ(C_i,D_i,β)不等于λ(C,D,β)，则利用公式(5)计算重要度SIG(C,{i})，当SIG(C，{i})≠0时，将此条属性作为属性核之一，即Core＝{C_i,}；否则，此条属性为非属性核，令i＝i+1。

SIG(C,{i})＝λ(C,{i},β)+λ({i},D,β) (5)；

步骤2.6：判断条件属性循环；若i>m，约简结束，执行步骤2.7；如果否，返回步骤2.3。

步骤2.7：获得属性核集合，形成属性约简表。

步骤3：样本训练。首先构建适用箱变故障诊断的RBF神经网络，详细设计RBF网络结构中输入层、隐藏层和输出层及其参数。然后随机选择约简后决策表中的部分数据作为训练样本，通过训练样本对RBF神经网络参数进行学习训练。

步骤3.1：初始RBF神经网络的学习速率η、收敛精度ε。

步骤3.2：确定输入向量x、实际输出向量y和期望输出向量o， x＝[x₁,x₂,……x_m]^T,y＝[y₁,y₂,……y_n]^T,o＝[o₁,o₂,……o_n]^T。根据步骤3.3至步骤3.5，可以详细设计RBF神经网络结构。

步骤3.3：输入层；输入层为样本的条件属性向量，即步骤3.2中的输入向量x＝[x₁,x₂,……x_m]^T；输入层节点数量为样本的维度m。

步骤3.4：隐藏层；径向基神经元(径向基函数)数量为p(p>m)，采用高斯函数作为径向基函数Φ_j(x)如公式(6)，

其中，x为m维的输入变量，c_j是第j个径向基函数的中心，与x具有相同维数的向量；δ_j是第j个隐层神经元的径向基函数宽度。

步骤3.5：输出层；整个网络的输出是隐藏层隐神经单元输出的线性加权和，样本k的网络最终输出y_k如公式(7)。

RBF网络结构的构造学习就是确定隐含层神经元的中心c、宽度σ以及输出权值w的过程，利用步骤3.6至步骤3.7对RBF神经网络中的调整参数训练学习。

步骤3.6：采用梯度下降法对RBF网络结构中隐含层神经元的中心c、宽度σ以及输出权值w进行监督训练优化，寻求网络的自由参数使得网络输出和期望输出的均方误差ξ达到极小。

其中，y(x)为网络的实际输出向量，o为期望输出向量。

步骤3.7：基于梯度下降法，利用公式(8)、(9)、(10)、(11)对中心点c_j、中心宽度δ_j和权重参数w_j进行更新迭代计算；

其中，

为梯度向量。

步骤3.8：判断收敛性，若ξ≤ε，则执行步骤4；否则，执行步骤3.6。

步骤4：样本测试。选择约简后决策表中的剩余部分数据作为测试样本，将径向基神经训练结果与测试样本实际结果相对比，可得到故障诊断模型的故障诊断准确率。

实施例

步骤1：样本选取。

选出与箱变故障紧密程度较高6种元器件，根据这6种元器件的故障类型及24种故障特征参量，箱变故障特征如表1所示。从箱变故障数据源中抽出30组历史数据建立箱变的故障原始决策表，构造的原始决策表如表2 所示。其中，集合X(m＝24)表示条件属性，集合Y(n＝30)表示选定样本对象，集合D(h＝7)表示故障类型，含义分别为，d₁：无故障；d₂：干式变压器故障；d₃：高压断路器故障；d₄：电容避雷器故障；d₅：低压出线断路器故障；d₆：低压进线断路器故障；d₇：高压避雷器故障。30组历史数据的故障情况已知，d₁有2组，d₂有5组，d₃有5组，d₄有5组，d₅有5组，d₆有4组，d₇有4组。

步骤2：样本约简；

步骤2.1：样本原始数据的预处理；使用Z-score法对原始决策表数据进行标准化、归一化处理，使得24种特征参量在同一量纲下。

步骤2.2：样本数据的离散化；采用等频离散法，离散频数为4对标准化后的数据进行离散化。

步骤2.3：属性约简；令β＝0.7时，对属性进行变精度粗糙集属性约简计算；通过属性约简，箱变的24种条件属性减少为10种条件属性，它们分别是x₁温度、x₇局部放电量、x₈介损率、x₉绕组吸收比、x₁₀铁芯接地电流、x₁₁铁芯温度、x₁₂频率、x₁₃高压电压、x₁₄高压电流、x₂₂跳闸信息。此10种特征参量作为必要条件属性，是箱变关键部件故障判断的依据；箱变故障属性约简结果如表3所示。

步骤3：样本训练；

步骤3.1：初始学习速率η、η∈(0,1)；终止精度ε，令η＝0.6,ε＝10^-20。

步骤3.2：根据步骤2约简后的决策表，提取输入条件属性向量；将10 种条件属性作为输入神经元，7种故障模式作为输出神经元，建立10-20-7 结构的RBF神经网络。

步骤3.3：选取20组训练数据代入RBF网络模型中进行迭代训练，迭代收敛可得到最佳模型，此时训练出来的故障诊断模型最接近实际情况。

步骤4：样本测试；将样本中剩余10组测试样本输入到步骤3.3训练出的最佳模型，得到箱变测试样本的故障诊断结果，测试样本如表4所示。

当10组数据对象输入VPRS-RBF神经网络算法故障诊断模型中，诊断出箱变分别发生了干式变压器故障、干式变压器故障、高压断路器故障、干式变压器故障、电容避雷器故障、电容避雷器故障、低压出线断路器故障、低压出线断路器故障、低压进线断路器故障、高压避雷器故障。和实际故障类型结果相同的有9组，不同的有1组，即箱变VPRS-RBF神经网络故障诊断模型的结果正确率为90％。表5箱变故障诊断结果与实际结果对比。

表1

表2

表3

表4

表5

Claims (5)

1.一种基于VPRS-RBF神经网络的箱变故障诊断方法，其特征在于：具体包括如下步骤：

步骤1：选取样本；

步骤2：对步骤1选取的样本进行约简；

步骤3：对步骤2约简后的样本进行训练；

步骤4：对步骤3训练后的样本进行测试。

2.根据权利要求1所述的一种基于VPRS-RBF神经网络的箱变故障诊断方法，其特征在于：所述步骤1的具体过程如下：

将箱变故障样本对象表示为Y＝{y₁,y₂,…,y_n}，n为样本数量；特征参量表示为X＝{x₁,x₂,…,x_m}，m为特征参量数量；故障类型表示为D＝{d₁,d₂,…,d_h},h为故障类型数量；

利用变精度粗糙集对n个箱变故障样本进行约简，具体为：将样本构建为原始决策表，该决策表表示为一个四元组S＝<U,A,V,f>，

其中，U＝{y₁,y₂,…,y_n}是论域，即由对象y_i组成的有限集合；

A＝{a₁,a₂,…}＝C∪D是有限个属性集合且

C是条件属性集合X，D是决策属性集合；

V_a是属性a的值域；f是信息函数，f：U×A→V为单一映射，即y∈U,f(y,a)∈V_a,f(y,a)为U中每个对象的每一个属性的信息值；

对于箱变故障样本Y，特征参量X为决策表的条件属性，故障类型D为决策表的决策属性。

3.根据权利要求2所述的一种基于VPRS-RBF神经网络的箱变故障诊断方法，其特征在于：所述步骤2的具体过程如下：

步骤2.1：对原始决策表中的条件属性进行标准化处理，标准化使用Z-core正规化法，如公式(1)所示：

其中，E(x_i)表示原始样本集中特征变量x_i的均值，D(x_i)为特征变量x_i对应的标准差；

步骤2.2：对原始决策表的条件属性和决策属性的数据进行离散化处理，将连续属性的值域划分为若干个子区间得到离散表S’；

步骤2.3：令属性核集合Core为空，0.5<β≤1，i＝1；对m个条件属性循环执行步骤2.4至步骤2.6；

步骤2.4：对步骤2.2获得的离散表S’中等价关系ind根据公式(2)计算相对正确分类率P，根据相对正确分类率P判断相对正确率是否大于β，若是，利用公式(3)计算正域POS_βC：

POS_βC＝RC_β＝∪{C:P(C,D)≥β} (3)；

步骤2.5：利用公式(4)计算条件属性对决策属性的依赖度λ(C,D,β)：

若单个属性i的依赖度λ(C_i,D_i,β)等于λ(C,D,β)，则认为此条属性为冗余属性，予以删除；若λ(C_i,D_i,β)不等于λ(C,D,β)，则利用公式(5)计算重要度SIG(C,{i})，当SIG(C，{i})≠0时，将此条属性作为属性核之一，即Core＝{C_i,}；否则，此条属性为非属性核，令i＝i+1；

SIG(C,{i})＝λ(C,{i},β)+λ({i},D,β) (5)；

步骤2.6：判断条件属性循环；若i>m，约简结束，执行步骤2.7；如果否，返回步骤2.3；

步骤2.7：获得属性核集合，形成属性约简表。

4.根据权利要求3所述的一种基于VPRS-RBF神经网络的箱变故障诊断方法，其特征在于：所述步骤3的具体过程如下：

步骤3.1：设定参数：初始RBF神经网络的学习速率η、收敛精度ε：

步骤3.2：确定输入向量x、实际输出向量y和期望输出向量o，x＝[x₁,x₂,……x_m]^T,y＝[y₁,y₂,……y_n]^T,o＝[o₁,o₂,……o_n]^T；

步骤3.3：确定输入层；输入层为样本的条件属性向量，即步骤3.2中的输入向量x＝[x₁,x₂,……x_m]^T；输入层节点数量为样本的维度m；

步骤3.4：确定隐藏层；径向基神经元(径向基函数)数量为p(p>m)，采用高斯函数作为径向基函数Φ_j(x)如公式(6)：

其中，x为m维的输入变量，c_j是第j个径向基函数的中心，与x具有相同维数的向量；δ_j是第j个隐层神经元的径向基函数宽度；

步骤3.5：确定输出层；整个网络的输出是隐藏层隐神经单元输出的线性加权和，采用如下公式(7)表示：

步骤3.6：采用梯度下降法对RBF网络结构中隐含层神经元的中心c、宽度σ以及输出权值w进行监督训练优化，寻求网络的自由参数使得网络输出和期望输出的均方误差ξ达到极小：

其中，y(x)为网络的实际输出向量，o为期望输出向量；

步骤3.7：基于梯度下降法，对利用公式(8)、(9)、(10)、(11)对中心点、中心宽度和权重参数进行更新迭代计算；

其中，为梯度向量；

步骤3.8：判断收敛性，若ξ≤ε，则执行步骤4；否则，执行步骤3.6。

5.根据权利要求4所述的一种基于VPRS-RBF神经网络的箱变故障诊断方法，其特征在于：所述步骤4的具体过程如下：

选择约简后决策表中的剩余部分数据作为测试样本，将径向基神经训练结果与测试样本实际结果相对比，即得到故障诊断模型的故障诊断准确率。