CN113625088A - 基于学习脉冲神经膜系统的变压器故障诊断方法 - Google Patents
基于学习脉冲神经膜系统的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN113625088A CN113625088A CN202110945705.0A CN202110945705A CN113625088A CN 113625088 A CN113625088 A CN 113625088A CN 202110945705 A CN202110945705 A CN 202110945705A CN 113625088 A CN113625088 A CN 113625088A
- Authority
- CN
- China
- Prior art keywords
- transformer
- ethylene
- total hydrocarbon
- learning
- methane
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 21
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 31
- 229930195733 hydrocarbon Natural products 0.000 claims abstract description 22
- 150000002430 hydrocarbons Chemical class 0.000 claims abstract description 21
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims abstract description 19
- 239000005977 Ethylene Substances 0.000 claims abstract description 19
- 239000004215 Carbon black (E152) Substances 0.000 claims abstract description 18
- 230000001537 neural effect Effects 0.000 claims abstract description 15
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims abstract description 13
- 239000012528 membrane Substances 0.000 claims abstract description 13
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims abstract description 12
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims abstract description 10
- 239000007789 gas Substances 0.000 claims abstract description 8
- 238000013021 overheating Methods 0.000 claims abstract description 8
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 6
- 238000011208 chromatographic data Methods 0.000 claims abstract description 6
- 239000001257 hydrogen Substances 0.000 claims abstract description 5
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 27
- 230000009191 jumping Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 13
- 238000012421 spiking Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 108091029480 NONCODE Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- -1 hydrogen hydrocarbon Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Abstract
本发明公开了一种基于学习脉冲神经膜系统的变压器故障诊断方法，包括步骤：使用信念AdaBoost算法，将多个学习脉冲神经膜系统作为弱分类器构造强分类器；获取待测变压器的油色谱数据，使用强分类器进行故障诊断，得到变压器的故障类型。油色谱数据为变压器油中溶解气体含量的七种无编码比值，七种无编码比值为甲烷/氢气、乙烯/乙烷、乙炔/乙烯、乙炔/总烃、乙烯/总烃、甲烷/总烃、(乙烯+甲烷)/总烃，其中总烃是甲烷、乙烷、乙烯和乙炔含量的总和；故障类型为：中低温过热、高温过热、局部放电、低能放电或高能放电。本发明提高了诊断模型的泛化能力，诊断方法提高了变压器故障诊断准确率，适用性更好。
Description
技术领域
本发明涉及电网调度与故障分析技术领域，特别是一种基于学习脉冲神经膜系统的变压器故障诊断方法。
背景技术
随着我国电力系统的快速发展与电压等级的不断提高，电力设备的健康状态已经成为影响电能持续稳定供应的关键因素。变压器作为最重要的电力设备之一，是变电站巡检的重要环节之一。当变压器出现故障征兆时，变压器油会迅速分解并产生大量的氢烃类气体。通常根据气体浓度的比值确定变压器故障类型，但对于变压器故障分类准确率不高。现有的故障分类方法绝大多数是单一的故障分类方法，单一故障分类方法的泛化能力很弱。随着人工智能与大数据技术的应用，基于机器学习的变压器故障诊断已经成为研究热点。脉冲神经膜系统作为第三代神经网络的分支，被认为是脉冲神经网络与膜计算的结合，具备处理分类问题的潜力。
发明内容
本发明的目的是提供一种基于学习脉冲神经膜系统的变压器故障诊断方法，能够在复杂故障情况下，根据气体浓度的比值准确识别变压器故障类型。
实现本发明目的的技术方案如下：
基于学习脉冲神经膜系统的变压器故障诊断方法，包括，
步骤1：使用信念AdaBoost算法，将M个学习脉冲神经膜系统作为弱分类器构造强分类器；
1.1获取训练集xi，i＝1,2,…,N；xi为变压器的油色谱数据；
1.2令m＝1，初始化训练集的权重wm,i＝1/N；
1.3使用第m个学习脉冲神经膜系统对训练集xi进行分类得到类别yi；yi∈{1,2,…,K}，其中{1,2,…,K}分别对应变压器故障类型；
1.4获取第m个学习脉冲神经膜系统的第k个故障类型的分类概率
其中
表示第k个故障类型的数据点xi到另一个故障类型的数据点xj的距离，k＝1,2,…,K；
1.5计算第m个学习脉冲神经膜系统的分类误差errm，
计算第m个学习脉冲神经膜系统的权重αm，
1.6如果errm>(K-1)/K，则更新训练集的权重为
其中，
否则，跳转到1.8；
1.7如果m<M，则令m＝m+1，跳转到1.3；否则继续；
1.8线性组合得到强分类器
步骤2：获取待测变压器的油色谱数据，使用强分类器进行故障诊断，得到变压器的故障类型。
进一步的技术方案，所述变压器的油色谱数据为变压器油中溶解气体含量的七种无编码比值，七种无编码比值为甲烷/氢气、乙烯/乙烷、乙炔/乙烯、乙炔/总烃、乙烯/总烃、甲烷/总烃、(乙烯+甲烷)/总烃，其中总烃是甲烷、乙烷、乙烯和乙炔含量的总和；所述变压器的故障类型为：中低温过热、高温过热、局部放电、低能放电或高能放电。
本发明的有益效果在于，使用信念AdaBoost算法集成多个学习脉冲神经膜系统，提高了诊断模型的泛化能力，诊断方法提高了变压器故障诊断准确率，适用性更好。
附图说明
图1为本发明的结构示意图。
图2为将学习脉冲神经膜系统作为弱分类器构造强分类器的流程图。
图3为使用信念AdaBoost算法的学习脉冲神经膜系统训练样本的学习过程示意图。
图4为使用信念AdaBoost算法的学习脉冲神经膜系统训练样本和测试样本结果。
具体实施方式
下面结合附图和具体实施例，对本发明的具体实施方式进一步说明。
如图1所示，具体实施例如下：
(1)将油色谱数据样本按照一定比例划分为训练集和测试集两个部分；
(2)初始化学习脉冲神经膜系统和信念AdaBoost算法的模型参数，包括学习脉冲神经膜系统的权重分布、升维阶数、学习率和信念AdaBoost算法的弱分类器数目等模型参数；
(3)将七种油中溶解气体的无编码比值数据作为学习脉冲神经膜系统的输入特征量、变压器的五种故障类型作为学习脉冲神经膜系统的输出。七种输入特征量分别为甲烷/氢气(CH4/H2)、乙烯/乙烷(C2H4/C2H6)、乙炔/乙烯(C2H2/C2H4)、乙炔/总烃(C2H2/TH)、乙烯/总烃(C2H4/TH)、甲烷/总烃(CH4/TH)、(乙烯+甲烷)/总烃((C2H4+CH4)/TH)，其中总烃的计算方法是甲烷、乙烷、乙烯、乙炔含量的总和(TH＝CH4+C2H2+C2H4+C2H6)。五种输出故障类型分别为中低温过热(T1T2)、高温过热(T3)、局部放电(PD)、低能放电(D1)和高能放电(D2)。
(4)通过油色谱的训练集数据，训练学习脉冲神经膜系统集成模型并输出基于学习脉冲神经膜系统的强分类器；
(5)运用输出的强分类器诊断测试集数据的故障类型，获得测试集数据的故障诊断结果。
图2为学习脉冲神经膜系统集成算法流程图，具体步骤如下：
(1)初始化训练集数据的权重分布(N组数据，每组数据初始权重为
)和集成算法中的弱分类器数目(即学习脉冲神经膜系统数目)；
(2)通过训练集数据获取基于学习脉冲神经膜系统的弱分类器，并根据学习脉冲神经膜系统的输出计算不同类别的分类概率；
(3)根据下式计算学习脉冲神经膜系统的权重；
其中，αm为弱分类器的权重，errm为弱分类器的分类误差，K为类别数目。
(4)通过算法1所示的方法更新计算训练集样本的权重分布，将弱分类器的分类结果进行线性组合进而输出强分类器。
本发明所提供的一种基于学习脉冲神经膜系统的变压器故障诊断，包括将油色谱数据样本按照一定比例划分为训练集和测试集两个部分；初始化学习脉冲神经膜系统和信念AdaBoost算法的模型参数，包括学习脉冲神经膜系统的权重分布、升维阶数、学习率和信念AdaBoost算法的弱分类器数目等模型参数；将七种油中溶解气体的无编码比值数据作为学习脉冲神经膜系统的输入特征量、变压器的五种故障类型作为学习脉冲神经膜系统的输出；通过油色谱的训练集数据，训练学习脉冲神经膜系统集成模型并输出基于学习脉冲神经膜系统的强分类器；运用输出的强分类器诊断测试集数据的故障类型，输出故障诊断结果。
图3为未结合信念AdaBoost算法的学习脉冲神经膜系统训练样本的学习过程，具体数据获取，参数设置以及结果分析如下。
本发明所选取的油色谱故障数据总计313条，被分为训练集和测试集两个部分，其中训练集占80％左右，剩下的数据时测试集，具体的分布情况如表1所示。
表1油色谱数据分布
设置算法的最优参数，其中将学习脉冲神经膜系统的升维阶数设置为4，学习率设置为0.1，最大迭代次数为1000。由图3可知其在训练数据集上得准确率达到92.9％。然而将该模型的参数直接移植到测试集数据上时，准确率仅为85％。这一现象则充分的说明了学习脉冲神经膜系统在油色谱数据集上的泛化能力不足，需要结合信念AdaBoost算法来提高算法的泛化能力。
图4为结合信念AdaBoost算法的学习脉冲神经膜系统训练样本和测试样本结果。
本发明所提出的方法与改良三比值法、BP神经网络、支持向量机、深度信念网络模型在该数据集的分类效果进行对比。其中BP神经网络的学习率设置为0.1，最大迭代次数为1000，隐含层神经元数目设置为20，激活函数为sigmod函数；支持向量机的核函数选择为RBF函数，核参数选择为1，惩罚系数选择为256；深度信任网络为三层受限玻尔兹曼机结构，网络结构为7-20-20-10-5，最大迭代次数为900次，学习率为0.1，动量因子为0.9，激活函数为ReLu函数。不同算法在同一数据集上的故障诊断准确率见表2所示。
表2不同算法之间的比较
从表2不难看出，本发明所提出的学习脉冲神经膜系统集成算法在训练集和测试集两方面都有着不俗的表现。改良的三比值法在训练集和测试集上有着类似的表现，这说明训练集和测试集的数据基本可以认为是独立同分布的，这也从另一个侧面验证了数据集划分是比较合理的。
Claims (2)
1.基于学习脉冲神经膜系统的变压器故障诊断方法，其特征在于，包括，
步骤1：使用信念AdaBoost算法，将M个学习脉冲神经膜系统作为弱分类器构造强分类器；
1.1获取训练集xi，i＝1，2，...，N；xi为变压器的油色谱数据；
1.2令m＝1，初始化训练集的权重wm，i＝1/N；
1.3使用第m个学习脉冲神经膜系统对训练集xi进行分类得到类别yi；yi∈{1，2，...，K}，
其中{1，2，...，K}分别对应变压器故障类型；
1.4获取第m个学习脉冲神经膜系统的第k个故障类型的分类概率
其中
表示第k个故障类型的数据点xi到另一个故障类型的数据点xj的距离，k＝1，2，...，K；
1.5计算第m个学习脉冲神经膜系统的分类误差errm，
计算第m个学习脉冲神经膜系统的权重αm，
1.6如果errm＞(K-1)/K，则更新训练集的权重为
其中，
否则，跳转到1.8；
1.7如果m＜M，则令m＝m+1，跳转到1.3；否则继续；
1.8线性组合得到强分类器
步骤2：获取待测变压器的油色谱数据，使用强分类器进行故障诊断，得到变压器的故障类型。
2.如权利要求1所述的基于学习脉冲神经膜系统的变压器故障诊断方法，其特征在于，所述变压器的油色谱数据为变压器油中溶解气体含量的七种无编码比值，七种无编码比值为甲烷/氢气、乙烯/乙烷、乙炔/乙烯、乙炔/总烃、乙烯/总烃、甲烷/总烃、(乙烯+甲烷)/总烃，其中总烃是甲烷、乙烷、乙烯和乙炔含量的总和；所述变压器的故障类型为：中低温过热、高温过热、局部放电、低能放电或高能放电。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110945705.0A CN113625088A (zh) | 2021-08-17 | 2021-08-17 | 基于学习脉冲神经膜系统的变压器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110945705.0A CN113625088A (zh) | 2021-08-17 | 2021-08-17 | 基于学习脉冲神经膜系统的变压器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113625088A true CN113625088A (zh) | 2021-11-09 |
Family
ID=78386216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110945705.0A Pending CN113625088A (zh) | 2021-08-17 | 2021-08-17 | 基于学习脉冲神经膜系统的变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113625088A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4298608A (en) * | 1978-11-13 | 1981-11-03 | William H. Rorer, Inc. | Method for blocking high frequency nerve stimulation |
| DE19807979A1 (de) * | 1998-02-25 | 1999-08-26 | Aventis Res & Tech Gmbh & Co | Dendrimere Fullerenderivate, Verfahren zur Herstellung und Verwendung als Neuroprotektiva |
| US20060122660A1 (en) * | 1998-10-26 | 2006-06-08 | Boveja Birinder R | Method and system for modulating sacral nerves and/or its branches in a patient to provide therapy for urological disorders and/or fecal incontinence, using rectangular and/or complex electrical pulses |
| CN103336222A (zh) * | 2013-06-06 | 2013-10-02 | 西南交通大学 | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 |
| CN109490702A (zh) * | 2018-10-08 | 2019-03-19 | 西南交通大学 | 一种基于自适应优化脉冲神经膜系统的故障诊断方法 |
| CN111723726A (zh) * | 2020-06-17 | 2020-09-29 | 苏州大学 | 一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法 |
| CN112926752A (zh) * | 2021-01-26 | 2021-06-08 | 西华大学 | 考虑储能系统的智能输电网故障线路检测及故障恢复方法 |
| CN113159113A (zh) * | 2021-03-09 | 2021-07-23 | 西华大学 | 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 |
| CN113807461A (zh) * | 2021-09-27 | 2021-12-17 | 国网四川省电力公司电力科学研究院 | 基于贝叶斯网络的变压器故障诊断方法 |
-
2021
- 2021-08-17 CN CN202110945705.0A patent/CN113625088A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4298608A (en) * | 1978-11-13 | 1981-11-03 | William H. Rorer, Inc. | Method for blocking high frequency nerve stimulation |
| DE19807979A1 (de) * | 1998-02-25 | 1999-08-26 | Aventis Res & Tech Gmbh & Co | Dendrimere Fullerenderivate, Verfahren zur Herstellung und Verwendung als Neuroprotektiva |
| US20060122660A1 (en) * | 1998-10-26 | 2006-06-08 | Boveja Birinder R | Method and system for modulating sacral nerves and/or its branches in a patient to provide therapy for urological disorders and/or fecal incontinence, using rectangular and/or complex electrical pulses |
| CN103336222A (zh) * | 2013-06-06 | 2013-10-02 | 西南交通大学 | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 |
| CN109490702A (zh) * | 2018-10-08 | 2019-03-19 | 西南交通大学 | 一种基于自适应优化脉冲神经膜系统的故障诊断方法 |
| CN111723726A (zh) * | 2020-06-17 | 2020-09-29 | 苏州大学 | 一种脉冲神经膜系统干燥剂包装袋识别模型的识别方法 |
| CN112926752A (zh) * | 2021-01-26 | 2021-06-08 | 西华大学 | 考虑储能系统的智能输电网故障线路检测及故障恢复方法 |
| CN113159113A (zh) * | 2021-03-09 | 2021-07-23 | 西华大学 | 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 |
| CN113807461A (zh) * | 2021-09-27 | 2021-12-17 | 国网四川省电力公司电力科学研究院 | 基于贝叶斯网络的变压器故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| XIHAI ZHANG 等: "Dissolved gas analysis for transformer fault based on learning spiking neural P system with belief adaboost", 《INTERNATIONAL JOURNAL OF UNCONVENTIONAL COMPUTERING》, vol. 16, pages 239 - 259 * |
| 刘伟;黄著;王涛;李鹏鹏;李川;: "基于决策树与脉冲神经膜系统的输电网故障诊断方法", 西华大学学报(自然科学版), no. 02, pages 39 - 44 * |
| 常宛露;许刚;张丙旭;郑伟彦;俞腾飞;: "基于改进堆叠去噪自编码的接地故障选线方法", 计算机应用与软件, no. 07, pages 55 - 61 * |
| 张羲海: "基于学习脉冲神经膜系统的变压器故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, no. 5, pages 042 - 619 * |
| 范松梅 等: "变压器油色谱在线检测与故障诊断应用", 《电气自动化》, vol. 37, no. 5, pages 60 - 62 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN110969262A (zh) | 一种变压器故障诊断方法 | |
| CN103177288A (zh) | 基于遗传算法优化神经网络的变压器故障诊断方法 | |
| CN105677564A (zh) | 基于改进的Adaboost软件缺陷不平衡数据分类方法 | |
| CN108509601B (zh) | 一种基于大数据分析的食品风味评定方法 | |
| CN111553495A (zh) | 一种基于概率神经网络的小型断路器故障分析方法 | |
| CN102200981B (zh) | 面向多层文本分类的特征选择方法和装置 | |
| CN109614992A (zh) | 一种基于dssae的间歇过程故障诊断方法 | |
| CN105956798A (zh) | 一种基于稀疏随机森林的配网设备运行状态评估方法 | |
| CN107656152A (zh) | 一种基于ga‑svm‑bp变压器故障诊断方法 | |
| CN112183591A (zh) | 基于堆栈稀疏降噪自动编码网络的变压器故障诊断方法 | |
| CN111737907A (zh) | 一种基于深度学习和dga的变压器故障诊断方法及装置 | |
| CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
| CN105024645A (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
| CN111461263A (zh) | 一种基于emd-rf的变压器油中溶解气体浓度预测方法 | |
| CN111275204A (zh) | 一种基于混合采样和集成学习的变压器状态识别方法 | |
| CN115373879A (zh) | 一种面向大规模云数据中心智能运维的磁盘故障预测方法 | |
| CN112990593A (zh) | 基于cso-ann-el算法的变压器故障诊断及状态预测方法 | |
| CN113625088A (zh) | 基于学习脉冲神经膜系统的变压器故障诊断方法 | |
| CN108537581A (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 | |
| CN111709495A (zh) | 一种基于nbc模型的变压器故障诊断方法 | |
| CN115759185A (zh) | 基于Elman神经网络变压器油色谱特征气体的预测方法 | |
| CN114492559A (zh) | 一种基于数据时频域建模的电力设备故障诊断方法 | |
| CN115374859A (zh) | 一种针对非平衡、多类别的复杂工业数据的分类方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211109 |
|
| WD01 | Invention patent application deemed withdrawn after publication |