基于art1神经网络的油浸式变压器故障诊断方法
【技术领域】
[0001] 本发明属于电力变压器综合故障监测方法技术领域，具体设及一种基于ART1神经 网络的油浸式变压器故障诊断方法。
【背景技术】
[0002] 电力变压器是电力系统中最重要的电气器件设备，也是导致电力系统事故最多的 电气设备之一。其运行状态直接影响供电系统的安全稳定性水平。及时发现电力变压器的 潜在性故障，保障变压器安全有效的运行，从而提高变压器稳定供电的可靠性，是电力部口 关注的一个极其重要的问题。因此，研究电力变压器故障诊断技术，提高变压器的运行维护 水平，具有重要的现实意义。
[0003] 目前的电力变压器故障诊断技术，虽然已经发展了多种有效的故障诊断方法，但 大部分是在某种程度上的叠加堆积，大多数故障诊断方法本身仍缺乏完善的理论基础和系 统化的概念体系。此外，大多数故障诊断方法都是利用对象所表现出的特征信号来诊断特 征类型的故障，往往需要大量的故障训练样本，而在实际中大规模的有效故障样本数据是 难W获取的。电力变压器因电压等级、绝缘结构和故障程度不同，都使得变压器油中溶解气 体含量有较大随机性，并存在一定的冗余数据，运就要求故障诊断方法具有很强的容错性， 目前运方面的研究还远不够深入。
[0004] 在全面了解油浸式电力变压器存在的各种故障情况和故障诊断相关技术的基础 上，结合国内、外相关科研机构在电力变压器在线监测、智能诊断和状态修复领域的研究成 果与实践经验，开发出一种主要针对研究电力变压器故障诊断的方法尤为重要。
【发明内容】
[0005] 本发明的目的在于提供一种基于ART1神经网络的油浸式变压器故障诊断方法，能 够正确地针对油浸式变压器不同类型的过热性故障进行实时在线故障诊断。
[0006] 本发明所采用技术方案是，基于ART1神经网络的油浸式变压器故障诊断方法，具 体按照W下步骤实施：
[0007] 步骤1、利用ART1神经网络具体算法，构建基于ART1神经网络的油浸式变压器故障 诊断模型；
[000引步骤2、利用四比值法确定经步骤1得到的构建基于ART1神经网络的油浸式变压器 故障诊断模型的输入输出量；
[0009] 步骤3、经步骤2后，设置基于ART1神经网络的油浸式变压器故障诊断的参数；
[0010] 步骤4、利用基于ART1神经网络的油浸式变压器故障诊断模型对故障样本进行学 习训练；
[0011] 步骤5、利用基于ART1神经网络的油浸式变压器故障诊断模型对实际故障数据类 型进行识别诊断。
[0012] 本发明的特点还在于：
[0013] 步骤1具体按照W下步骤实施：
[0014] 步骤1.1、对ART1神经网络模型输入层和输出层之间的连接权值进行初始化处理， 具体方法如下：
[0015] 设定ART1神经网络模型的输入层有N个神经元，输出层有Μ个神经元；
[0016] 二值故障输入向量模式Ak和输出向量化分别如下：
[0019] 其中，k = l，2,…，p，p为输入学习模式的数目；
[0020] 令 tij(0) = l:
i = l，2，...，N，j = l，2，...，M;
[0021] 其中，警戒参数0<p含l，tu为网络模型反馈连接权值，Wu为网络模型前馈连接权 值；
[0022] 步骤1.2、经步骤1.1后，将二值故障输入向量模式為^二(口f，:诚，提供给网 络的输入层；
[0023] 步骤1.3、经步骤1.2后，计算ART1神经网络模型输出层各神经元的输入加权和，具 体按照W下算法实施：
[0024] / = 1.2..... Μ ；
[0025] 其中，Wu为网络模型前馈连接权值；
[00%] af为具体构成二值故障输入向量模式Ak的值，具体为0或1;
[0027] Sj为ART1神经网络模型输出层各神经元的输入加权和；
[0028] 步骤1.4、经步骤1.3后，选择输入模式的网络模型最佳分类结果，该结果按照W下 算法经计算获得：
[0029]
[0030] 式中，令神经元g的输出为l，Sj为ART1神经网络模型输出层各神经元的输入加权 和；
[0031] 步骤1.5、对W下Ξ个式子进行计算，并对计算结果进行判断，判断最终计算结果 是否满足ART1神经网络模型设定的警戒参数P(0<P。），即判断ART1神经网络模型能否接 受本次识别结果：
[0034]
[0035] 若最后一式成立，则进入步骤1.7;
[0036] 若最后一式不成立，则进入步骤1.6;
[0037] 步骤1.6、经步骤1.5后，取消识别结果，具体方法为：
[0038] 先将输出层神经元g的输出值复位为0,并将运一神经元排除在下次识别的范围之 夕h然后返回步骤1.5;
[0039] 若所有已利用过的神经元都无法满足步骤1.5中的最后一式时，则选择一个新的 神经元作为分类结果，然后转入步骤1.7;
[0040] 步骤1.7、接受识别结果，并按照如下算法调整连接权值：
[0043] 其中，i = l，2，...，N;
[0044] t为当前时刻；
[0045] α A为具体构成二值故障输入向量模式Ak的值，具体为:0或1;
[0046] tgi为网络模型反馈连接权值；
[0047] Wig为网络模型前馈连接权值；
[004引步骤1.8、将步骤1.6中复位的所有神经元重新加入识别范围中，返回步骤1.2对下 一个模式进行识别存储；
[0049] 经过步骤1.1~步骤1.8就构建出了基于ART1神经网络的油浸式变压器故障诊断 模型。
[0050] 步骤2具体按照W下方法实施：
[0051] 首先、对故障变压器进行故障特征气体组分的提取；
[0052] 其次、测定油中溶解气体邸4、C2出、C2也、C2H4、出的组分浓度含量；
[0053 ]最后、利用四比值法得到故障特征向量T:
[0054]两组分浓度比值若大于1，则用1表示；
[0化5] 两组分浓度比值若小于1，则用0表示；
[0056] 在1左右，则表示故障性质的中间变化过程，即故障性质暴露不太明显；
[0057] 比值越大，则故障性质的显示越明显。
[0058] 步骤2中设及的利用四比值法得到故障特征向量T的方法具体如下：
[0059] 利用五种主要特征气体CH4、C2H2、C2H6、C2H4、H2组成四对比值，即：取
对其比值进行二进制编码，得到故障特征向量T。
[0060]步骤3具体按照W下步骤实施：
[0061] 步骤3.1、根据油浸式电力变压器实际运行的环境和条件，针对变压器故障诊断不 同检测精度，设置ART1神经网络的具体警戒参数P(0<P含1)W实现对变压器故障类型的快 速准确地识别判断；
[0062] 步骤3.2、经步骤3.1后，再对ART1神经网络进行数据初始化，等待故障特征向量T 的输入，则实现ART1神经网络模型对变压器故障的诊断识别。
[0063] 步骤4具体按照W下方法实施：
[0064] 利用故障样本数据，对ART1神经网络进行故障样本的学习，实现对变压器故障类 型的分类;结合四比值法得到的二进制编码故障特征向量T作为ART1神经网络的输入，选择 了包含九种变压器故障类型的20组已知故障类型的样本数据对ART1神经网络进行学习训 练。
[0065] 步骤5具体按照W下方法实施：
[0066] 经步骤2得到实际工作环境下的油浸式变压器的故障数据的故障特征向量T，将实 际故障特征向量T输入基于ART1神经网络的油浸式变压器故障诊断模型进行故障分析，输 出故障类型。
[0067] 本发明的有益效果在于：
[0068] (1)本发明基于ART1神经网络的油浸式变压器故障诊断方法，能够实现变压器故 障数据的实时在线学习并准确识别变压器故障类型。
[0069] (2)本发明基于ART1神经网络的油浸式变压器故障诊断方法，无需大量的变压器 故障数据样本来进行训练，不用对冗