[发明专利]基于加动量项BP神经网络的变压器故障诊断方法

说明书

技术领域

本发明涉及一种变压器故障诊断方法，具体涉及一种基于加动量项BP神经网络的变压器故障诊断方法。属于变压器设备状态在线监测技术领域。

背景技术

随着电力系统的不断发展，对电力设备的安全性、可靠性也提出了更高的要求，供电部门在不断提高供电质量的同时，应切实采取措施来保证电力设备的正常运行，以提高安全用电的可靠性。变压器在输变电系统中的作用极其重要，其长期、安全、可靠、高效运行的重要性不言而喻。对于大型电力变压器，目前几乎大多是用油来绝缘和散热，变压器油与油中的固体有机绝缘材料在运行电压下因电、热、氧化和局部电弧等多种因素作用会逐渐变质，裂解成低分子气体；变压器内部存在的潜伏性过热或放电故障又会加快产气的速率。随着故障的缓慢发展，裂解出来的气体形成气泡在油中经过对流、扩散作用，就会不断地溶解在油中。同一类性质的故障，其产生的气体量随故障的严重程度而异，而与绝缘油的种类和牌号无关。由此可见，油中溶解气体的组分和含量在一定程度上反映出变压器绝缘老化或故障的程度。可以作为反映电气设备电气异常的特征量。因此，通过对电力变压器运行过程中的故障诊断，及时有效的判断其状态，将使变压器长期、安全可靠的运行成为可能。无论是从重要性还是具有的经济效益来衡量，都将对电力系统的安全运行产生重要的意义。

发明内容

本发明的目的是为克服上述现有技术的不足，提供一种基于加动量项BP神经网络的变压器故障诊断方法。基于加动量项BP神经网络，本发明构建了一种完全意义上的智能方法，用于基于油中溶解气体数据的变压器故障诊断方法，提高故障诊断的速度和准确率。

为实现上述目的，本发明采用下述技术方案：

基于加动量项BP神经网络的变压器故障诊断方法，具体步骤如下：

1）输入层和输出层神经元的确定：

将变压器故障气体作为特征气体，以其组分含量作为神经网络的输入层神经元；

将无故障、中低温过热、高温过热、低能量放电、高能量放电作为五个输出层神经元，分别对应O₁、O₂、O₃、O₄、O₅，输出值最大为1，表示属于此类故障，数值越大则表明该类型故障的可能性越大；输出值最小为0，表示不属于此类故障；

2）确定激活函数、神经网络的隐含层层数和隐含层神经元数，从而建立神经网络；

3）利用加动量项的BP算法调整网络参数，训练已创建的神经网络；

4）利用MATLAB软件对已通过测试的神经网络进行仿真，进而对变压器故障进行测试诊断。

所述步骤1）中，变压器故障气体是指H₂、CH₄、C₂H₄、C₂H₆和C₂H₂这五种气体。

所述步骤1）还包括确定训练样本数，并将变压器故障气体的组分含量归一化至0和+1之间。

所述步骤2）中激活函数为对数S形函数，其表达式为：

f(x)=11+exp(-x).]]>

所述步骤2）中神经网络的隐含层层数为一层，隐含层神经元数为18：对于任何在闭区间内的一个连续函数都可以用单隐层的网络逼近，因而一个三层网络就可以完成任意映射；隐含层神经元的节点数S利用如下公式确定：

S=m+n+σ]]>

式中，n为输入层神经元数，m为输出层神经元数，σ为1～10之间的常数。

所述步骤3）调整网络参数的具体过程是：