一种基于SOM神经网络的变压器故障检测方法与流程

文档序号:12268702阅读:348来源:国知局
一种基于SOM神经网络的变压器故障检测方法与流程

本发明涉及电力设备检测领域,具体地,涉及一种基于SOM神经网络的变压器故障检测方法。



背景技术:

在电力系统的各种设备中,变压器是昂贵且重要的设备,其可靠性对于保证电网安全运行意义重大。变压器历年的故障统计表明,变压器绕组和铁芯是发生故障较多的部件,由于绕组和铁芯引发的变压器事故在变压器总事故中所占比例达到70%。

目前,检测变压器运行状态的方法日益增加。短路阻抗法,通过离线测量绕组的电抗并观察其阻抗值变化来判断绕组变形情况,但该方法灵敏度低、可靠性差。低压脉冲法,主要应用于现场试验测试,然而该方法具有易受干扰影响、需作校正、测试电路要求特殊布置以保证测试的重复性等缺陷。频响分析法,通过测量变压器3相绕组的频率响应曲线进行测试变压器绕组变形程度,克服了低压脉冲法存在可重复性差的一些缺陷,但该方法只能对变压器进行离线检测。但是以上三种方法都只能实现离线检测,因此,迫切需要一种可以进行对变压器故障进行带电检测的方法。

综上所述,本申请发明人在实现本申请发明技术方案的过程中,发现上述技术至少存在如下技术问题:

在现有技术中,现有的检测变压器运行状态的方法存在只能进行离线检测的技术问题。



技术实现要素:

本发明提供了一种基于SOM神经网络的变压器故障检测方法,解决了现有的检测变压器运行状态的方法存在只能进行离线检测的技术问题,实现了能够对变压器进行在线检测的技术效果。

为解决上述技术问题,本申请提供了一种基于自组织特征映射(SOM)神经网络的变压器故障检测方法,如下步骤:

S100:选取变压器为试验对象,采集变压器正常状态、绕组轴向变形、绕组径向变形、铁芯故障4种状态下变压器振动信号为样本数据;

S200:利用希尔伯特-黄变换中集合经验模式分解(EEMD)分解提取特征矢量V:(集合经验模态分解是为希尔伯特-黄变换中的分支):

S300:特征矢量输入到SOM网络中;

S400:计算映射层的权值和输入向量的距离;

S500:调整胜出神经元j*及邻接神经元的权值;

S600:判断是否到达预先设定的条件σ2min,完成SOM神经网络训练;

S700:输入测试样本,根据网络输出测试样本的变压器故障类型。

其中,自组织特征映射(SOM)神经网络该网络由输入层和输出层2层组成,。输入层的作用是通过权向量将外界信号转到输出层神经元,其输入层为输入模式的一维矩阵,它的神经元个数的选取由输入网络的向量个数而定,输入神经元接收网络的输入信号。输出层则是一个二维节点矩阵,该矩阵由神经元按一定的方式排列成一个平面。输入层的神经元与输出层的神经元通过权值相互联结在一起。当网络接收到外部的输入信号以后,输出层的某个神经元会兴奋起来:

其中,希尔伯特-黄变换提出了利用本证模函数和将任意信号分解为固有模态函数的组成方法——经验模态分解法(EMD)相结合,从而赋予了瞬时频率合理的定义、物理意义和求法,初步建立了以瞬时频率为表征信号交变的基本量,以固有模态信号为基本时域信号的时频分析方法:

集合经验模式分解(EEMD)为在待分解信号中加入高斯白噪声后进行经验模态分解,分解结果经过多次平均后,噪声将相互抵,集成均值的结果作为最终的本征模函数:

在所述步骤S200中,本方法中希尔伯特-黄变换中集合经验模式分解(EEMD)分解样本数据得到本征模函数(IMF)计算公式如下:

向原始信号x(t)中加入M次的高斯白噪音序列ni(t),(i=1,2,…,M),即:

Xi(t)=x(t)+ni(t)

对Xi(t)分别进行EMD,得到各个IMF分量和余量,即:

其中hij为第i次加入高斯白噪声后,对Xi(t)进行分解得到的第j个IMF分量;rin为第i次加入高斯白噪声后,对Xi(t)进行分解后的余项;n为分解层数。

利用高斯白噪声频谱的零均值原理,将以上步骤对应的IMF分量进行总体平均运算,消除高斯白噪声作为时域分布参考结构带来的影响,最终得到的EEMD后的IMF分量为:

式中,hj(t)表示对原始信号进行EEMD分解得到的第j个IMF分量;N为加入白噪声的次数。提取IMF分量中特征矢量V计算公式:

选取每个IMF分量进行希尔伯特分析,并对相对应下的幅值构成特征矢量V:

V=[v1,v2,…,vz]

式中,Aj(i)为第j个IMF分量的振幅,vz表示特征矢量V的特征值。

在所述步骤S400中,c.计算映射层的权值和输入向量的距离如下:

映射层的第j个神经元的权值向量和输入向量的欧氏距离按下式计算:

式中,ωij为输入层的i神经元和映射层j神经元之间的权值。计算后得到使输入向量和全智贤管理的距离最小的神经元,将其称为胜出神经元并记为j*,同时,给出其邻接神经元集合。

在所述步骤S500中,权值的调整:

调整胜出神经元j*及邻接神经元的权值。

Δωij=ηh(j,j*)(xiij)

其中,η为常数,其取值范围为[0,1],h(j,j*)为领域函数,用下式表示:

式中的σ随着学习的进行而减小。这样h(j,j*)的范围随着学习的进行由宽变窄,也是就说,从粗调整向微调整,这样领域函数就起到了产生有效映射的作用。

在所述步骤S600中,训练网络条件如下:

比较σ2与设定的σ2min,当σ2大于σ2min时,返回步骤S003,当σ2小于σ2min时,完成训练结果。

本申请提供的一个或多个技术方案,至少具有如下技术效果或优点:

本发明基于自组织特征映射(SOM)神经网络的变压器故障检测方法;针对非线性变压器振动信号的特点,该方法采用集合经验模式分解(EMMD)方法准确地提取变压器不同运行状态下振动信号的特征矢量,相对于传统整个波形比较,特征矢量更能体现变压器故障类型,并降低了分类识别的运算量;利用SOM神经网络算法简单,具有高度的自组织、自学习能力,通过SOM输入层对特征矢量自主学习,对信息进行分布存储,并在映射层有选择性的给予反应,进行不断聚类,利用SOM神经网络拓扑结构的直观显示功能,在神经网络图上直观地显示出故障类型的分类效果,可以快速有效地诊断变压器的故障类型,实现对变压器的状态识别,相对于一般的设定阈值比较方法,本方法可以考虑多个特征值因素,使分类识别更加精确,并利用SOM神经网络拓扑的直观性特点,直观得实现分类效果。试验结果表明,该方法可实现对变压器正常状态、绕组轴向变形、绕组径向变形、铁芯故障4种状态分类,并对测试样本进行快速的模式识别。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;

图1是本发明一实施例中基于SOM神经网络的变压器故障检测方法的流程示意图;

图2为本发明一实施例中的样本数据结果示意图。

具体实施方式

本发明提供了一种基于SOM神经网络的变压器故障检测方法,解决了现有的检测变压器运行状态的方法存在只能进行离线检测的技术问题,实现了能够对变压器进行在线检测的技术效果。

为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。

本发明要解决的技术问题是如何在通过检测变压器的振动信号来对变压器的故障类型进行分类和识别。

为了解决这技术问题,一种基于自组织特征映射(SOM)神经网络的变压器故障检测方法,请参考图1-图2,如下步骤:

S100:选取变压器为试验对象,采集变压器正常状态、绕组轴向变形、绕组径向变形、铁芯故障4种状态下变压器振动信号为样本数据;

S200:利用希尔伯特-黄变换中集合经验模式分解(EEMD)分解提取特征矢量V:(集合经验模态分解是为希尔伯特-黄变换中的分支):

S300:特征矢量输入到SOM网络中;

S400:计算映射层的权值和输入向量的距离;

S500:调整胜出神经元j*及邻接神经元的权值;

S600:判断是否到达预先设定的条件σ2min,完成SOM神经网络训练;

S700:输入测试样本,根据网络输出测试样本的变压器故障类型。

在所述步骤S200中,本算法中希尔伯特-黄变换中集合经验模式分解(EEMD)分解样本数据得到本征模函数(IMF)计算公式如下:

向原始信号x(t)中加入M次的高斯白噪音序列ni(t),(i=1,2,…,M),即:

Xi(t)=x(t)+ni(t)

对Xi(t)分别进行EMD,得到各个IMF分量和余量,即:

其中hij为第i次加入高斯白噪声后,对Xi(t)进行分解得到的第j个IMF分量;rin为第i次加入高斯白噪声后,对Xi(t)进行分解后的余项;n为分解层数。

利用高斯白噪声频谱的零均值原理,将以上步骤对应的IMF分量进行总体平均运算,消除高斯白噪声作为时域分布参考结构带来的影响,最终得到的EEMD后的IMF分量为:

式中,hj(t)表示对原始信号进行EEMD分解得到的第j个IMF分量;N为加入白噪声的次数。提取IMF分量中特征矢量V计算公式:

选取每个IMF分量进行希尔伯特分析,并对相对应下的幅值构成特征矢量V:

V=[v1,v2,…,vz]

式中,Aj(i)为第j个IMF分量的振幅,vz表示特征矢量V的特征值。

在所述步骤S400中,c.计算映射层的权值和输入向量的距离如下:

映射层的第j个神经元的权值向量和输入向量的欧氏距离按下式计算:

式中,ωij为输入层的i神经元和映射层j神经元之间的权值。计算后得到使输入向量和全智贤管理的距离最小的神经元,将其称为胜出神经元并记为j*,同时,给出器邻接神经元集合。

在所述步骤S500中,权值的调整:

调整胜出神经元j*及邻接神经元的权值。

Δωij=ηh(j,j*)(xiij)

其中,η为常数,其取值范围为[0,1],h(j,j*)为领域函数,用下式表示:

式中的σ随着学习的进行而减小。这样h(j,j*)的范围随着学习的进行由宽变窄,也是就说,从粗调整向微调整,这样领域函数就起到了产生有效映射的作用。

在所述步骤S600中,训练网络条件如下:

比较σ2与设定的σ2min,当σ2大于σ2min时,返回步骤S003,当σ2小于σ2min时,完成训练结果。

另一方面,以下描述做了更具体的扩展解释,并且将计算的过程纳入到了方法的流程中,从而使得步骤显得更多;

包括如下步骤:

S1:选取相应变压器为试验对象,采集不同状态下变压器振动信号为样本数据。

S2:利用希尔伯特-黄变换中集合经验模式分解(EEMD)分解样本数据得到本征模函数(IMF)

计算过程如下:

向原始信号x(t)中加入M次的高斯白噪音序列ni(t),(i=1,2,…,M),即:

Xi(t)=x(t)+ni(t)

对Xi(t)分别进行EMD,得到各个IMF分量和余量,即:

其中hij为第i次加入高斯白噪声后,对Xi(t)进行分解得到的第j个IMF分量;rin为第i次加入高斯白噪声后,对Xi(t)进行分解后的余项;n为分解层数。

利用高斯白噪声频谱的零均值原理,将以上步骤对应的IMF分量进行总体平均运算,消除高斯白噪声作为时域分布参考结构带来的影响,最终得到的EEMD后的IMF分量为:

根据以上EEMD计算得出的IMF分量,计算中特征矢量V。

选取每个IMF分量进行希尔伯特分析,并对相对应下的幅值构成特征矢量V:

V=[v1,v2,…,vz]

式中,Aj(i)为第j个IMF分量的振幅。

S4:采用集合经验模式分解(EMMD)方法提取变压器不同运行状态下振动信号的特征矢量。SOM网络采用自组织学习算法,通过不断学习样本特征矢量确定故障隶属函数,诊断变压器的故障类型。

实现过程如下:

SOM网络训练

a.网络初始化

随机促使设定输入层和映射层间连接权值,赋予输入神经元带输出神经元较小的连接权值。选取输出神经元的“邻近神经元”集合Sj,Sj(t)为t时刻,神经元j的“邻近神经元”集合,随着时间推移,邻近神经元集合Sj(t)不断缩小。

b.输入向量

把输入向量x=(x1,x2,x3,…,xn)T输入给输入层。

c.计算映射层的权值和输入向量的距离

映射层的第j个神经元的权值向量和输入向量的欧氏距离按下式计算:

式中,ωij为输入层的i神经元和映射层j神经元之间的权值。计算后得到使输入向量和全智贤管理的距离最小的神经元,将其称为胜出神经元并记为j*,同时,给出器邻接神经元集合。

d.权值的调整

调整胜出神经元j*及邻接神经元的权值。

Δωij=ηh(j,j*)(xiij)

其中,η为常数,其取值范围为[0,1],h(j,j*)为领域函数,用下式表示:

式中的σ随着学习的进行而减小。这样h(j,j*)的范围随着学习的进行由宽变窄,也是就说,从粗调整向微调整,这样领域函数就起到了产生有效映射的作用。

e.判定网络输出结果

根据输出结果,判断是否到达预先设定的条件;如达到要求,计算结束;否则返回步骤b,进入下一轮学习。

2.检测算法通过MATLAB编程实现。

为验证上述基于自组织特征映射(SOM)神经网络的变压器故障检测方法,本试验利用四川广安电力公司的一台110kv三相变压器获取的振动数据进行了分析研究。实验中,将3个ICP型加速度振动传感器(灵敏度为100mv/g)以永磁体方式,分别放置在变压器高压侧箱壁上,每相绕组对应的箱壁中部、底部以及箱壁侧面位置进行采样数据。振动数据采样频率为25.6kHz。仿真结果如图2和表1所示。

表1

图2是最终分类的神经元图,可以看出,4种变压器运行状态划到不同类别,其中T1、T2、T3、T4分别对应神经元1、26、30、5。该方法很好得实现变压器运行状态的分类效果。表1是为待测样本的SOM诊断结果与待测样本发生的实际故障情况对比,可以看出,SOM对待测样本的诊断结果与待测样本发生的实际故障完全吻合,无判断失误,而且,从SOM的训练到诊断结果的输出用时短,可见,SOM网络对变压器故障的分类识别效果很好。

上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:

本发明基于自组织特征映射(SOM)神经网络的变压器故障检测方法;针对非线性变压器振动信号的特点,该方法采用集合经验模式分解(EMMD)方法准确地提取变压器不同运行状态下振动信号的特征矢量,相对于传统整个波形比较,特征矢量更能体现变压器故障类型,并降低了分类识别的运算量;利用SOM神经网络算法简单,具有高度的自组织、自学习能力,通过SOM输入层对特征矢量自主学习,对信息进行分布存储,并在映射层有选择性的给予反应,进行不断聚类,利用SOM神经网络拓扑结构的直观显示功能,在神经网络图上直观地显示出故障类型的分类效果,可以快速有效地诊断变压器的故障类型,实现对变压器的状态识别,相对于一般的设定阈值比较方法,本方法可以考虑多个特征值因素,使分类识别更加精确,并利用SOM神经网络拓扑的直观性特点,直观得实现分类效果。试验结果表明,该方法可实现对变压器正常状态、绕组轴向变形、绕组径向变形、铁芯故障4种状态分类,并对测试样本进行快速的模式识别。

尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1