一种sf6电气设备故障诊断方法
【技术领域】
[0001] 本发明涉及安全技术领域，尤其是涉及一种SF6电气设备故障诊断方法。
【背景技术】
[0002] 气体拥有优良的理化特性和绝缘灭弧性能，因此作为绝缘介质广泛的用于电气设 备中，如气体绝缘组合电器（GIS)。因此SF6气体设备的安全、可靠运行，直接关系到电力系 统的安全可靠运行。
[0003] 在长期的运行经验中表明，SF6电气设备内部可能存在一些缺陷，这些缺陷最初无 害也不容易发现，但是随着时间的推移这些缺陷会逐渐发展为可能导致设备故障、影响系 统的安全可靠运行的事故隐患。
[0004] 现有技术中已经可以通过分析得到SF6电气设备的运行状态与SF6气体分解产物 之间的对应关系，这样可以很好的对SF6电气设备进行诊断。但是对于大量待诊断设备来 说，这种方式的效率比较低。
【发明内容】
[0005] 针对当前的SF6电气设备故障诊断方法在应用于大量设备时会造成诊断效率低 的问题，提出了一种能够提高诊断效率的SF6电气设备故障诊断方法。
[0006] 为了实现该目的，本发明提供了一种SF6电气设备故障诊断方法，包括： 训练单元，用于根据训练数据通过ANFIS算法进行训练以获得基础故障诊断模糊神经 推理模型； 测试单元，用于根据测试数据对所述基础故障诊断模糊神经推理模型进行测试以判断 该基础故障诊断模糊神经推理模型的诊断准确率，并根据所述诊断准确率对所述基础故障 诊断模糊神经推理模型进行调整以获得故障诊断模糊神经推理模型； 诊断单元，用于将待诊断数据输入到所述故障诊断模糊神经推理模型中，对所述带诊 断数据对应的SF6电气设备进行故障诊断； 其中所述训练数据和测试数据为SF6气体分解组分分析与SF6电气设备状态之间的历 史关联数据，且所述待诊断数据为SF6电气设备的分解气体组分； 其中所述故障诊断模糊神经推理模型的网络结构分为五层：模糊化层、规则推理层、归 一化层、逆模糊化层、输出层； 其中所述模糊化层包括9个隶属函数，且所述隶属函数的参数通过所述故障诊断模糊 神经推理模型的学习自动调整； 其中所述规则层中包括27个覆盖论域空间的神经元，且每个神经元都对应Sugeno类 型的一条模糊规则；其中所述每一神经元从各自对应的模糊化层神经元获得输入，并根据 输入计算该神经元对应的模糊规则的规则强度； 其中所述归一化层包括与所述规则层相对应的神经元，以设有与所述用于接收所述规 则层的神经元计算的规则强度，并计算每一规则的归一化激活程度； 其中所述逆模糊化层包括与所述归一化层相对应的神经元，以同时接收所述归一化神 经元的每一规则的归一化激活程度作为输入； 其中所述输出层唯一总和神经元，以计算所有逆模糊化层的所有神经元的输出的总 和，并根据所述总和产生所述故障诊断模糊神经推理模型的输出。
[0007] 其中，所述模糊化层的隶属函数为任意分段连续函数。
[0008] 其中，该隶属函数为钟形隶属函数，表示为：
式中，为节点的输入，为前项参数，隶属函数的形状随所述前项参数的变化而变化。
[0009] 其中，所述训练单元采用混合算法进行训练。
[0010] 其中，所述训练单元在所述基础故障诊断模糊神经推理模型的诊断准确率达到预 设的错误容许阈值时或训练步数达到预设的最大值时停止训练。
[0011] 同时，本发明实施例还提出了一种SF6电气设备故障诊断方法，包括： 根据训练数据通过ANFIS算法进行训练以获得基础故障诊断模糊神经推理模型； 根据测试数据对所述基础故障诊断模糊神经推理模型进行测试以判断该基础故障诊 断模糊神经推理模型的诊断准确率，并根据所述诊断准确率对所述基础故障诊断模糊神经 推理模型进行调整以获得故障诊断模糊神经推理模型； 将待诊断数据输入到所述故障诊断模糊神经推理模型中，对所述带诊断数据对应的 SF6电气设备进行故障诊断； 其中所述训练数据和测试数据为SF6气体分解组分分析与SF6电气设备状态之间的历 史关联数据，且所述待诊断数据为SF6电气设备的分解气体组分； 其中所述故障诊断模糊神经推理模型的网络结构分为五层：模糊化层、规则推理层、归 一化层、逆模糊化层、输出层； 其中所述模糊化层包括9个隶属函数，且所述隶属函数的参数通过所述故障诊断模糊 神经推理模型的学习自动调整； 其中所述规则层中包括27个覆盖论域空间的神经元，且每个神经元都对应Sugeno类 型的一条模糊规则；其中所述每一神经元从各自对应的模糊化层神经元获得输入，并根据 输入计算该神经元对应的模糊规则的规则强度； 其中所述归一化层包括与所述规则层相对应的神经元，以设有与所述用于接收所述规 则层的神经元计算的规则强度，并计算每一规则的归一化激活程度； 其中所述逆模糊化层包括与所述归一化层相对应的神经元，以同时接收所述归一化神 经元的每一规则的归一化激活程度作为输入； 其中所述输出层唯一总和神经元，以计算所有逆模糊化层的所有神经元的输出的总 和，并根据所述总和产生所述故障诊断模糊神经推理模型的输出。
[0012] 其中，所述模糊化层的隶属函数为任意分段连续函数。
[0013] 其中，该隶属函数为钟形隶属函数，表示为：
式中，为节点的输入，为前项参数，隶属函数的形状随所述前项参数的变化而变化。
[0014] 其中，所述训练单元采用混合算法进行训练。
[0015] 其中，所述训练单元在所述基础故障诊断模糊神经推理模型的诊断准确率达到预 设的错误容许阈值时或训练步数达到预设的最大值时停止训练。
[0016] 本发明的有益效果是：本发明提出了一种SF6电气设备故障诊断方法，能够根据 已有的SF6电气设备的运行状态与SF6气体分解产物之间的对应关系，基于ANFIS训练故 障网络，并采用此方法进行故障诊断。另外，还可以用已知的分解气体成分含量及对应的故 障类型测试故障诊断的准确率，利用本系统和本方法只需要简单的数据输入，就可以自动 的生成系统结构并且得到诊断结果，可以大大降低对操作人员的专业技能的要求，而且该 网络需要确定的参数也较少，较容易实现参数训练，而且该网络的自适应能力较强，自动根 据数据特征就可以在训练过程中进行参数调整。
【附图说明】
[0017] 通过下面结合附图对本发明的一个优选实施例进行的描述，本发明的技术方案及 其技术效果将变得更加清楚，且更加易于理解。其中： 图1为本发明实施例的结构示意图； 图2为本发明实施例中的一个ANFIS模糊规则图； 图3为本发明实施例生成的模糊推理系统示意图； 图4为本发明实施例的方法获得的训练结果示意图； 图5为测试结果示意图。
【具体实施方式】
[0018] 以下将结合所附的附图对本发明的一个优选实施例进行描述。
[0019] 自适应模糊神经推理系统（Adaptive Network-based Fuzzy Inference System), 简称ANFIS，也称为基于网络的自适应模糊推理系统；它融合了人工神经网络（ANN)的学习 机制和模糊系统的语言推理能力等优点，弥补了各自的不足，属于神经模糊系统的一种，同 其他模糊神经系统相比，ANFIS的预测精度要高于普通的神经网络，训练时间要明显少于 反向传播法的人工神经网络。
[0020] 是神经网络与Sugeno型模糊推理系统的结合，采用Sugeno型模糊推理系统是因 为该系统具有计算简单、利于数学分析的优点，适合于基于数据的建模方法，且易于与优化 及自适应方法结合，从而实现具有优化与自适应能力的模糊建模工具。
[0021] 本发明提供了一种SF6电气设备故障诊断方法，包括： 训练单元，用于根据训练数据通过ANFIS算法进行训练以获得基础故障诊断模糊神经 推理模型； 测试单元，用于根据测试数据对所述基础故障诊断模糊神经推理模型进行测试以判断 该基础故障诊断模糊神经推理模型的诊断准确率，并根据所述诊断准确率对所述基础故障 诊断模糊神经推理模型进行调整以获得故障诊断模糊神经推理模型； 诊断单元，用于将待诊断数据输入到所述故障诊断模糊神经推理模型中，对所述带诊 断数据对应的SF6电气设备进行故障诊断； 其中所述训练数据和测试数据为SF6气体分解组分分析与SF6电气设备状态之间的历 史关联数据，且所述待诊断数据为SF6电气设备的分解气体组分； 其中所述故障诊断模糊神经推理模型的网络结构分为五层：模糊化层、规则推理层、归 一化层、逆模糊化层、输出层； 其中所述模糊化层包括9个隶属函数，且所述隶属函数的参数通过所述故障诊断模糊 神经推理模型的学习自动调整； 其中所述规则层中包括27个覆盖论域空间的神经元，且每个神经元都对应Sugeno类 型的一条模糊规则；其中所述每一神经元从各自对应的模糊化层神经元获得输入，并根据 输入计算该神经元对应的模糊规则的规则强度； 其中所述归一化层包括与所述规则层相对应的神经元，以设有与所述用于接收所述规 则层的神经元计算的规则强度，并计算每一规则的归一化激活程度； 其中所述逆模糊化层包括与所述归一化层相对应的神经元，以同时接收所述归一化神 经元的每一规则的归一化激活程度作为输入； 其中所述输出层唯一总和神经元，以计算所有逆模糊化层的所有神经元的输出的总 和，并根据所述总和产生所述故障诊断模糊神经推理模型的输出。
[0022] 在本发明实施例中，该训练单元所需确定的参数较少，较容易实现参数训练，而且 自适应能力较强，可以自动生成故障诊断的结构图。且训练单元和测试单元和诊断单元可 以对数据进行归一化处理，以形成相应的模糊规则，还可以进一步的生成模糊规则图。所述 训练单元、测试单元、诊断单元还可以用于对相应的数据进行归一化处理以形成对应的模 糊规则，也可以直观的表现出模糊规则图。
[00