[发明专利]一种基于概率神经网络的传统互感器状态监测方法

说明书

技术领域

本发明属于电力系统状态监测领域，涉及一种电力设备的状态监测方法，特别是一种基于概率神经网络的传统互感器状态监测方法。

背景技术

互感器是电力网正常运行、监视、计量、保护、控制等不可缺少的主要设备之一。它的存在，使高电压、大电流信息得以应用。互感器运行状态优劣，直接影响到电力系统测量、计量的准确性和继电保护、自动装置的可靠性，对电力系统安全运行影响极大。

目前，在电力系统中，传统互感器的使用广泛，而针对传统互感器的状态监测方法没有很好的研究和解决。传统互感器本身存在着性能问题和故障问题，一旦传统互感器发生运行状态不正常和故障将严重影响电力系统的安全运行。因此，需要一种基于概率神经网络的传统互感器状态监测方法能够对传统互感器状态实时监测，快速、准确地对传统互感器的故障进行诊断，及早发现传统互感器存在的故障，保证传统互感器的正常运行。

发明内容

本发明针对现有技术无法解决上述传统互感器存在的问题，提供了一种基于概率神经网络的传统互感器状态监测方法。基于概率神经网络的传统互感器状态监测方法通过对传统互感器温度、传统互感器二次侧出线接头温度、传统互感器进线三条母线温度进行监测，将上述温度监测数据分析处理作为输入特征量输入概率神经网络分类模型，对传统互感器的状态进行分类识别，从而实现及早对传统互感器故障的诊断。

为了完成上述目的，本发明采用以下技术方案。

一种基于概率神经网络的传统互感器状态监测方法，其特征在于，所述基于概率神经网络的传统互感器状态监测方法是：对传统互感器温度、传统互感器二次侧出线两接头温度、不同传统互感器进线的三条母线温度进行采集监测，对温度数据进行分析处理作为输入特征量输入概率神经网络分类模型；通过三条母线温度数据分析处理的输入特征量作为判断电力系统运行情况的参考特征量，用于排除当前电力系统运行情况对传统互感器运行的温度影响因素；通过上述输入特征量对概率神经网络分类模型进行训练、学习和分类，对传统互感器的温度状态特征量进行识别分类，实现对传统互感器故障的诊断，完成对传统互感器的状态监测。

一种基于概率神经网络的传统互感器状态监测方法，其特征在于，所述基于概率神经网络的传统互感器状态监测方法步骤如下。

S01：采集传统互感器温度T0、传统互感器二次侧出线两接头温度T1和T2、不同传统互感器进线的三条母线温度T3、T4和T5。

S02：对温度T0、T1、T2、T3、T4和T5进行分析处理转化为输入特征量。

S03：构造概率神经网络分类模型。概率神经网络（PNN）的层次模型由输入层、模式层、求和层和输出层共4 层组成。输入层神经元数目与输入特征量的维数相等，模式层神经元的个数等于各种传统互感器状态类别训练样本数的总和，求和层神经元数目与传统互感器状态分类情况数相同，输出层采用Bayes分类规则，选出最大后验概率的类别作为输出的类别。选取适当数量的输入特征量数据作为训练样本，设置Spread值将训练样本输入概率神经网络分类模型进行网络训练以获得传统互感器状态的概率神经网络分类模型。在训练过程中，对Spread值进行试验，获取最优值使网络输出效果最佳。概率神经网络分类模型分类输出根据传统互感器状态情况和故障严重程度进行分类。

S04：将传统互感器状态的输入特征量输入到训练构造好的概率神经网络分类模型，概率神经网络分类模型对输入特征量进行分类输出，判断出传统互感器当前的运行状态，完成对传统互感器的运行状态识别和故障诊断，及早发现传统互感器的故障。

本发明的有益效果是：本发明一种基于概率神经网络的传统互感器状态监测方法，能够快速、准确、自主完成对传统互感器状态的识别和故障诊断，实现对传统互感器故障的及早诊断和发现故障，保证传统互感器的正常运行，可以避免传统互感器故障对电力系统的影响，减少经济损失。

附图说明

图1为本发明基于概率神经网络的传统互感器状态监测方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明，以具体阐述本发明的技术方案。