一种基于模糊自适应共振神经网络的变压器绕组状态识别方法与流程

本发明涉及一种变压器绕组状态识别方法，尤其涉及一种基于模糊自适应共振神经网络的变压器绕组状态识别方法，属于电力变压器的状态监测与故障诊断技术领域。

背景技术：

变压器故障会给整个电网的安全稳定经济运行产生很大影响，短路事故是变压器日常运行中最容易发生的事故之一，对于一般变压器来说，抗短路能力不强是其通病。变压器抗短路能力与绕组状态密切相关，抗短路能力不足将直接导致绕组松动、压紧力下降。然而，目前国内外还没有能够有效监测绕组状态的有效方法，无法及时掌握变压器内部绕组的运行状态。

振动法使用粘贴在变压器身表面的振动传感器采集振动信号，通过对振动信号进行分析处理提取出振动特征量来进行在线监测。与短路阻抗、低压脉冲和频响分析等电气实验法通过检测电气参数的变化不同，该方法与整个电力系统电气隔离，监测安全、方便，对变压器和整个电力系统的安全运行没有影响，可以极大地提高诊断的准确性。

变压器结构复杂，设备自身存在着非线性。又由于变压器故障产生的形式和原因众多、再加上设备运行工况的变化，使得振动信号中包含了复杂的动态、非平稳和非线性成分。因此无法直接通过简单的傅里叶变换来对振动信号进行分析处理，必须经过信号处理提取出特征量来判断变压器运行状态。

小波包变换是在小波变换的基础上发展起来的一种非平稳信号处理方法，不仅能对信号低频部分进行分解，还可以对高频部分提供精细的分辨能力。小波包分解可以将信号无冗余无遗漏的正交分解到独立的子频带内，对包含大量高频信息的振动信号能够进行更好的时频局部化分析。

神经网络在模式识别中应用广泛，模糊ART网络将模糊理论与自适应共振网络相结合，是一种自组织模拟神经网络。与一般神经网络以网络误差或者能量函数的单调递减为算法准则不同，其采用竞争学习机制，利用生物神经细胞之间兴奋与抑制原理，让输入模式通过网络的双向连接进行识别和比较，最后达到共振来完成对自身的记忆和对网络的回忆，解决了神经网络稳定性与可塑性两难的问题。

技术实现要素：

针对现有技术存在的不足，本发明目的是提供一种基于模糊自适应共振神经网络的变压器绕组状态识别方法，对变压器振动信号进行小波包能量提取，构造特征向量作为模糊自适应共振神经网络的输入，通过网络在共振状态下的不断学习和调整，来对变压器绕组压紧状态进行识别；本发明能够准确快速地判断出变压器绕组压紧状态，可用于变压器绕组压紧状态的在线监测与识别。

为了实现上述目的，本发明是通过如下的技术方案来实现：

本发明的一种基于模糊自适应共振神经网络的变压器绕组状态识别方法，包括以下几个步骤：

(1)布置多个振动传感器的监测点，设置数据采集仪的采样频率和采样时间，采集变压器振动信号X(t)；

(2)对所述变压器振动信号X(t)进行小波包分解与重构；

(3)提取小波包重构信号的子频带能量值；

(4)对各振动测点的子频带能量值进行分析，选择有效测点的特征频带的能量值作为特征向量T，作为模糊自适应共振神经网络的输入；

(5)建立模糊自适应共振神经网络，并进行网络参数的最优值选择；

(6)通过所述模糊自适应共振神经网络对变压器绕组状态进行识别。

步骤(1)中，所述振动传感器具体采用的是压电式振动加速度传感器。

步骤(1)中，一部分所述振动传感器固定在变压器油箱顶部高低压绕组中间，另外一部分振动传感器固定在变压器油箱侧面1/2高度处。

步骤(1)中，所述数据采集仪连续至少3次采集变压器每个测点的振动信号，按设定的采样频率和采样时间整周期截取变压器振动信号X(t)。

步骤(4)中，对各振动测点的子频带能量值进行分析的方法如下：首先，作出所有测点子频带能量分布图，在所有测点的子频带能量分布图中，先选择振动信号强、且在不同绕组状态下振动有区别的测点作为有效测点；然后，在有效测点的子频带能量分布图中，选择在不同绕组状态下能量值有变化的子频带作为特征频带。

步骤(5)中，利用MATLAB平台建立模糊自适应共振神经网络。

步骤(5)中，所述网络参数包括选择参数、学习速率和警戒阈值；网络参数的最优值选择方法如下：首先，将所述学习速率和警戒阈值设为默认值，将所述选择参数设为不同值对网络进行绕组状态识别，选择识别效果最好的选择参数作为网络最佳选择参数；然后，将所述选择参数和警戒阈值设为默认值，将所述学习速率设为不同值对网络进行绕组状态识别，选择识别效果最好的学习速率作为网络最佳学习速率；最后，将所述选择参数和学习速率设为默认值，将所述警戒阈值设为不同值对网络进行绕组状态识别，选择识别效果最好的警戒阈值作为网络最佳警戒阈值。

步骤(5)中，所述模糊自适应共振神经网络由3层构成，设原始输入向量I＝(I₁,I₂…,I_m)，其中I_i∈[0,1](i＝1,2,…,m)；

①预处理层F₀，由2m个节点构成，对原始输入向量I进行补码处理，原始输入向量I可以直接通过F₀层输入到网络中，F₀层的输出为X，X＝其中

②比较层F₁，由2m个节点构成，M为F₁层的节点数，则M＝2m，F₁层接受来自F₀层自底向上的输入X和F₂层自顶向下的输入W，其中W为网络权值，其中即：当i＝1,2,…,m时，x_i＝I_i；当i＝m+1,m+2,…,2m时，

③识别层F₂，由N个节点y_j(j＝1,2,…,N)构成，N为输入向量所属类别总数，每个节点y_j(j＝1,2,…,N)表示输入向量所属类别编号，Y＝(y₁,y₂,…,y_N)，Y表示网络已经存储的输入向量类别。

步骤(6)中，通过所述模糊自适应共振神经网络对变压器绕组状态进行识别的方法如下：

(1-1)预处理：输入外部向量I，在预处理层F₀形成补码输入向量X，

(1-2)网络初始化：进行网络权值W的初始化以及选择参数α、学习速率β和警戒阈值ρ的最优值选择；

(1-3)模式选择：对输入向量X和识别层F₂的节点j(j＝1,2,…,N)计算选择函数T_j，通过T_J＝max(T₁,T₂,…,T_N)，选择节点J为优胜神经元；其中，||X∧w_j||＝min(X,w_j)，w_j为F₂层节点j指向F1层的网络权值，是网络权值W的分量；w_ij为F₂层节点j指向F₁层节点i的网络权值，是网络权值w_j的分量；

(1-4)模式匹配：计算输入向量X与节点J的匹配程度M_J，将M_J与警戒阈值ρ进行比较，其中，

(1-5)若M_J≥ρ，则发生共振，将该输入模式归为节点J所属模式类，并进行权值调整：节点J权值调整为：w_ij＝β(I∧w_ij)+(1-β)w_ij，其他节点权值不变；否则回到步骤(1-3)重新选择下一个优胜神经元进行模式匹配；

(1-6)若识别层F₂所有节点都不匹配，则新建一个网络节点存储该模式。

本发明能够以变压器振动信号的小波包能量值构造振动特征向量，作为模糊自适应共振神经网络的输入，准确地对变压器绕组状态进行自动识别。不仅可以对神经网络中已存储的绕组状态进行识别，还可以准确识别未知的绕组新状态，特别适用于变压器绕组的在线监测与状态识别。

附图说明

图1为本发明的基于模糊自适应共振神经网络的变压器绕组状态识别方法工作流程图；

图2为振动监测点布置图；

图3(a)为1号测点第4层小波包子频带能量与绕组状态的关系；

图3(b)为1号测点第4层小波包子频带能量与绕组状态的关系；

图3(c)为1号测点第4层小波包子频带能量与绕组状态的关系；

图3(d)为1号测点第4层小波包子频带能量与绕组状态的关系；

图3(e)为1号测点第4层小波包子频带能量与绕组状态的关系；

图3(f)为1号测点第4层小波包子频带能量与绕组状态的关系；

图4为本发明模糊自适应共振神经网络的结构图；

图5为本发明模糊自适应共振神经网络识别过程工作流程图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

参见图1，本发明的一种基于模糊自适应共振神经网络的变压器绕组状态识别方法，包括以下几个步骤：

(1)布置多个振动传感器的监测点，设置数据采集仪的采样频率和采样时间，采集变压器振动信号X(t)；

(2)对所述变压器振动信号X(t)进行小波包分解与重构；

(3)提取小波包重构信号的子频带能量值；

(4)作出所有测点子频带能量分布图。由于振动信号在传播过程中，不同振动会相互影响，经过不同传播途径会有不同程度的衰减。因此，在油箱表面不同位置所测振动信号强弱是不同的。在所有测点的子频带能量分布图中，先选择振动信号强、且在不同绕组状态下振动有明显区别的测点作为有效测点。然后在有效测点的子频带能量分布图中，选择在不同绕组状态下能量值有明显变化的子频带作为特征频带。最后，选择有效测点的特征频带的能量值作为特征向量T，作为模糊自适应共振神经网络的输入；

(5)利用MATLAB或其他平台建立模糊自适应共振神经网络，并进行网络参数的最优值选择。不同选择参数、学习速率和警戒阈值会对网络识别效果产生很大影响，因此，需要对这三个网络参数进行最优值选择。首先将学习速率和警戒阈值设为默认值，将选择参数设为不同值对网络进行绕组状态识别，选择识别效果最好的选择参数作为网络最佳选择参数。然后将选择参数和警戒阈值设为默认值，将学习速率设为不同值对网络进行绕组状态识别，选择识别效果最好的学习速率作为网络最佳学习速率。最后将选择参数和学习速率设为默认值，将警戒阈值设为不同值对网络进行绕组状态识别，选择识别效果最好的警戒阈值作为网络最佳警戒阈值；

(6)通过所述模糊自适应共振神经网络对变压器绕组状态进行识别。

基于模糊自适应共振神经网络的变压器绕组状态识别方法，通过改变变压器绕组与结构件之间的预紧力来模拟变压器绕组松动状态，实验设置9种绕组松动状态，如表1所示。绕组前后螺杆正常状态的额定压紧力为28MPa，0MPa表示完全松动状态，0.5(对应14MPa)表示不完全松动状态。对变压器进行抽油、吊罩，通过液压系统来精确控制绕组压紧力，以实现绕组不同松动状态的设置。然后再装罩、注油，重新安装好变压器，静置。

表1 绕组压紧状态

采用型号为JF2020的振动加速度传感器，使用磁座将传感器吸附固定在变压器油箱表面。传感器安装在图2所示的测点1～6处，1、2、3位于油箱顶部高低压绕组中间，4、5、6位于油箱侧面1/2高度处，分别与A、B、C相对应。数据采集仪选用Nicolet采集仪，采样频率设置为10kHz。

按表1绕组状态顺序设置绕组状态，每设置一次绕组状态后，将变压器低压侧三相短路，高压侧接调压器的输出端，调节调压器使低压侧电流为额定电流，采集变压器振动信号。实验共计采集9次振动信号。

对采集的振动信号采用db10小波进行4层小波包分解与重构(各子频带频率范围如表2所示)，提取第4层子频带能量值。6个测点在9种绕组状态下的第4层小波包能量值如图3(a)、3(b)、3(c)、3(d)、3(e)、3(f)所示。由图3(a)、3(b)、3(c)、3(d)、3(e)、3(f)可以看出，1号和4号测点9种绕组状态下的小波包能量基本没有太大区别，不将其子频带能量谱作为特征向量的子向量。2号、3号、5号和6号测点的第4层小波包能量谱的第一个(S(4,0)，0～312.5Hz)和第七个(S(4,6)，1250～1562.5Hz)子频带在9种绕组状态下有较大区别。故2、3、5、6为有效测点，同时，S(4,0)和S(4,6)是振动特征频带。

采用2、3、5、6这4个有效测点的特征频带S(4,0)和S(4,6)共8个子频带能量，作为变压器绕组不同状态下的特征值，来判断绕组状态。即特征向量T＝[E₂₄₀,E₂₄₆,E₃₄₀,E₃₄₆,E₅₄₀,E₅₄₆,E₆₄₀,E₆₄₆](E表示子频带能量谱，下标第一个数字表示测点，第二、三个数字表示第4层小波包子频带)。

表2 4层小波包分解子频带频率范围(Hz)

构建模糊自适应共振神经网络，其网络结构如图4所示，由3层构成。设输入向量I＝(I₁,I₂…,I_m)，其中I_i∈[0,1](i＝1,2,…,m)。

①预处理层F₀：由2m个节点构成，对原始输入向量进行补码处理，原始输入向量I可以直接通过F₀层输入到网络中，其中

②比较层F₁：由2m(令M＝2m)个节点构成，接受来自F₀层自底向上的输入X和F₂层自顶向下的输入W，其中X＝(x₁,x₂,…,x_M)＝A。

③识别层F₂：由N个节点构成，Y＝(y₁,y₂,…,y_N)，每个节点表示输入模式所属类别编号。

取变压器绕组在前8种不同状态下的特征量各20组，共160组数据作为样本数据，对网络进行选择参数α、学习速率β和警戒阈值ρ等网络参数的识别，使之达到满意的精度。

网络识别过程如图5所示，具体方法如下：

(1-1)预处理：输入外部向量I，在F₀层形成补码输入向量X，

(1-2)网络初始化：进行权值W、选择参数α、学习速率β和警戒阈值ρ的初始化；

(1-3)模式选择：对输入模式X和F₂的节点j(j＝1,2,…,N)计算选择函数T_j，通过T_J＝max(T₁,T₂,…,T_N)，选择节点J为优胜神经元。其中，(x∧w_j)_i＝min(x_i,w_ij)，

(1-4)模式匹配：计算输入向量X与节点J的匹配程度M_J，将M_J与警戒阈值ρ进行比较；

(1-5)若M_J≥ρ，则发生共振，将该输入模式归为节点J所属模式类，并进行权值调整：节点J权值调整为：w_ij＝β(I∧w_ij)+(1-β)w_ij，其他节点权值不变。否则回到(1-3)重新选择下一个优胜神经元进行模式匹配。

(1-6)若F₂层所有节点都不匹配，则新建一个网络节点存储该模式。

当选择参数α＝0.05，学习速率β＝1(快速学习)，警戒阈值ρ＝0.96时，网络性能达到最佳。将网络参数设置为最佳值，对网络进行测试。另取绕组在前8种状态下的特征量各20组，再取绕组在状态9下的特征量20组，共180组测试数据对网络进行测试，测试结果如表3所示。

表3 模糊ART网络识别结果

从表3可以看出，

(1)对于网络中已存储的绕组状态，模糊自适应共振神经网络识别率保持在95％以上，可以快速准确地进行绕组状态识别。

(2)对于网络中未存储的新模式状态9，虽然没有通过训练样本对其进行训练，但网络仍可以识别出这种状态是网络新的类别，而没有将其作为已有的类别而发生误判。这是其他神经网络所不具有的优点。

(3)网络将状态9归类为-1是因为网络将未存储的新模式类定义为-1，以作为新的类别与网络已存储的模式类进行区分。这样在下个输入模式进入网络进行识分类时，网络会重新进行权值调整，将其作为已存储的模式进行网络记忆。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。