本发明涉及一种变压器检测系统，具体涉及一种基于神经网络的变压器局部放电在线监测方法。
背景技术：
随着电力系统的发展和电压等级的提高，局部放电已经成为电力变压器绝缘劣化的重要原因，因而局部放电的监测和评价也就成为绝缘状况监测的重要手段。局部放电的监测都是以局放所产生的各种现象为依据，通过能表述该现象的物理量来表征局放的状态。
神经网络是人们在模仿人脑处理问题的过程中发展起来的一种新型智能信息处理理论，它通过大量称为神经元的简单处理单元构成非线性动力学系统。神经网络的高速并行处理、分布存储信息等特性，具有很强的自学习性、自组织性、容错性、高度非线性、高鲁棒性、联想记忆功能和推理意识功能强等特点。其特色在于信息的分布存储和并行协同处理，十分适用于像故障诊断这类多变量非线性问题。本发明采用面向变压器局部放电故障类型的建模思路构造神经网络得到初级诊断结论。
技术实现要素：
本发明所要解决的技术问题是：目前的变液压器局部放电监控系统故障情况判断都是靠人为根据历史经验和专家系统进行判断，工作量大，浪费人力资源，人为判断若出现误判的问题，本发明提供了解决上述问题的基于神经网络的变压器局部放电在线监测方法。
本发明通过下述技术方案实现：
基于神经网络的变压器局部放电在线监测方法，主要包括以下步骤：
S1、对变压器局部放电建立保护模型和神经网络模型；
S2、选取变压器局部放电专家系统训练样本对神经网络进行训练；
S3、采用UHF法和脉冲电流法分析来识别故障前与故障后的系统拓扑结构差异，确定故障点；
S4、基于故障变压器的神经网络模型进行初级故障诊断；
S5、利用模糊技术对初级故障诊断结论进行预处理；
S6、根据变压器局部放电信息情况拓扑信息形成候选故障点集D＝{d1，d2…dN}，其中，d为候选故障点；
S7、根据变压器变压器拓扑信息形成各个候选故障类型的直接关联故障类型集合Di-direct＝{dm…dn}与隔一级关联故障类型集合Di-indirect＝{dk…di}；
S8、确定模糊密度，即g＝g({xi})，i＝1，2，…n，其中，g就是第i个信息的模糊密度，亦即为第i个信息的权重；
S9、根据拓扑信息及各故障变压器的诊断结论，形成直接关联故障变压器对候选故障类型的故障的支持程度的集合Fi-direct＝{fm…fn}与隔一级关联故障类型对该候选故障类型的故障的支持程度的集合Fi-indirect＝{fk…fi}；
S10、根据式计算模糊积分值ei，ei即为综合诊断给出的故障可能性指标，形成候选故障变压器的故障可能性指标集E＝{e1，e2…eN}；根据故障可能性指标集，确定故障变压器。
进一步的，述步骤S5中，所述利用模糊技术对初级故障诊断结论进行预处理，其选用的隶属度如下：
其中，x为待处理的输入数据，y为处理后的数值，e为自然常数。
进一步的，步骤S8具体为：根据式确定λi，然后根据式g(x1)＝g({x1})和式求取模糊密度g；λi是一个中间数。
本发明具有如下的优点和有益效果：
1、本发明通过每个子系统监控一台变压器，采用面向变压器局部放电情况判断故障情况的神经网络与模糊积分信息融合技术的变压器故障诊断方法，有效解决了获取训练样本和适应拓扑变化两个问题；通过建立的故障判断模型，避免人为判断，解决目前的变液压器局部放电监控系统故障情况判断都是靠人为根据历史经验和专家系统进行判断，工作量大，浪费人力资源，人为判断若出现误判的问题；
2、本发明综合诊断中充分考虑到了初级诊断结论的可靠性差异，而且避免了对先验信息的讨论，也无需做故障情况初级诊断结论独立性假设，有效提高了系统诊断的准确性。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
基于神经网络的变压器局部放电在线监测方法，主要包括以下步骤：
S1、对变压器局部放电建立保护模型和神经网络模型；
S2、选取变压器局部放电专家系统训练样本对神经网络进行训练；
S3、采用UHF法和脉冲电流法分析来识别故障前与故障后的系统拓扑结构差异，确定故障点；
S4、基于故障变压器的神经网络模型进行初级故障诊断；
S5、利用模糊技术对初级故障诊断结论进行预处理；
S6、根据变压器局部放电信息情况拓扑信息形成候选故障点集D＝{d1，d2…dN}，其中，d为候选故障点；
S7、根据变压器变压器拓扑信息形成各个候选故障类型的直接关联故障类型集合Di-direct＝{dm…dn}与隔一级关联故障类型集合Di-indirect＝{dk…di}；
S8、确定模糊密度，即g＝g({xi})，i＝1，2，…n，其中，g就是第i个信息的模糊密度，亦即为第i个信息的权重；
S9、根据拓扑信息及各故障变压器的诊断结论，形成直接关联故障变压器对候选故障类型的故障的支持程度的集合Fi-direct＝{fm…fn}与隔一级关联故障类型对该候选故障类型的故障的支持程度的集合Fi-indirect＝{fk…fi}；
S10、根据式计算模糊积分值ei，ei即为综合诊断给出的故障可能性指标，形成候选故障变压器的故障可能性指标集E＝{e1，e2…eN}；根据故障可能性指标集，确定故障变压器。
实施时，述步骤S5中，所述利用模糊技术对初级故障诊断结论进行预处理，其选用的隶属度如下：
其中，x为待处理的输入数据，y为处理后的数值，e为自然常数。
步骤S8具体为：根据式确定λi，然后根据式g(x1)＝g({x1})和式求取模糊密度g；λi是一个中间数。
采用面向变压器局部放电情况判断故障情况的神经网络与模糊积分信息融合技术的变压器故障诊断方法，有效解决了获取训练样本和适应拓扑变化两个问题；通过建立的故障判断模型，避免人为判断，解决目前的变液压器局部放电监控系统故障情况判断都是靠人为根据历史经验和专家系统进行判断，工作量大，浪费人力资源，人为判断若出现误判的问题；综合诊断中充分考虑到了初级诊断结论的可靠性差异，而且避免了对先验信息的讨论，也无需做故障情况初级诊断结论独立性假设，有效提高了系统诊断的准确性。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。