[发明专利]基于BP神经网络算法的电力变压器故障诊断装置及方法

说明书

技术领域

本发明属于电力变压器故障诊断技术领域，尤其是一种基于BP神经网络算法的电力变压器故障诊断装置及方法。

背景技术

电力系统中的电力设备是保证电力系统正常的重要设备，如何快速准确地诊断电力设备对于电力系统的正常运行起着至关重要的作用。在电力行业设备检修维护方面，目前大多数在故障诊断上也采用传统的判断方法，依据专业人员人工进行数据分析，效率很低，并不能有效取证，准确、定量和及时反馈信息，影响故障诊断的有效进行。因此，现在电力企业急需一种行之有效的故障诊断方法来帮助企业高效、精准地进行故障预警。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于BP神经网络算法的电力变压器故障诊断装置及方法，解决现有传统的故障诊断方法根据业务人员人为判别结果，效率低、不准确且不及时的缺陷，更有效解决了现在采用的BP神经网络算法对变压器故障进行故障诊断因未经优化分析效果不够可靠难以满足故障诊断的精度需求的问题。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于BP神经网络算法的电力变压器故障诊断装置，包括变压器故障诊断数据导入模块、故障类型输出模块和数据分析模块；所述数据分析模块中设有粗糙集处理单元、归一化处理单元、BP神经网络处理单元、设备故障数据接口模块和数据输出接口模块；所述粗糙集处理单元用于进行属性简化，去掉冗余信息，提取规则并约简规则，归一化处理单元用于将去除冗余属性的数据进行归一化处理，所述的BP神经网络处理单元对归一化处理后的数据通过神经网络算法调整权重值得到符合期望的输出结果；所述的变压器故障诊断数据导入模块的数据输出端与粗糙集处理单元201的数据输入端通过设备故障数据接口模块相连接，粗糙集处理单元的数据输出端与归一化处理单元的数据输入端相连接，归一化处理单元的数据输出端与BP神经网络处理单元的数据输入端相连接，BP神经网络处理单元的数据输出端与故障类型输出模块的数据输入端通过数据输出接口模块相连接。

所述变压器故障诊断数据导入模块导入的变压器故障数据包括质量状况、天气状况、温度、湿度、空气、电场、电压和负荷。

一种基于BP神经网络算法的电力变压器故障诊断装置的方法，包括以下步骤：

步骤1：通过电力变压器故障诊断数据导入模块调用电力变压器故障数据，并选择造成变压器故障的可能影响因数作为粗糙集处理的基础数据；

步骤2：通过粗糙集将影响电力变压器故障的因数进行分析处理，通过故障数据获取规则，然后通过获取的规则清除冗余属性，确定输入的设备故障影响因数；

步骤3：将设备故障影响因素数据在归一化处理单元进行数据归一化处理；

步骤4：将归一化计算后的数据再经过BP神经网络算法进行处理，即通过输入层、隐含层和输出层三层之间层层映射，由层与层之间的权值矩阵进行调整，输出各层的结果；

步骤5：计算输出结果的误差，选取p个样本，期望输出值为b_l′，计算总误差：

当得到误差计算结果在设定的阈值内时，进入步骤7；当得到误差计算结果在设定的阈值外时，则将变压器故障因数数据进行逆向处理，调整隐含层和输出层的权值，再经过输出层、隐含层和输入层进行反向计算，输出各层的结果，进入步骤6；

步骤6：经过调整隐含层和输出层的权值进行正反方向层层传递计算，再次判断误差是否符合设定阈值，如果误差符合设定阈值，则之后进入步骤7，如果误差不符合预先设定的阈值，则进入步骤4；

步骤7：将输出结果经过激活函数计算，记录输出的变压器故障类型编号；

步骤8：根据变压器故障类型编号，确定输出变压器故障类型。

所述步骤2清除冗余属性利用如下属性依赖度计算公式进行：

其中，U为整个数据集，C为条件属性集，D为决策属性数据集，POS_C(D)表示为条件属性C对于决策属性D的重要性；所述属性重要性计算公式为：

SGF(a,C,D)＝γ_C(D)-γ_C-{a}(D)

其中，a为条件属性集C中的一个属性，当SGF(a，C，D)＝0时，表明属性a为冗余属性，可以清除。

所述步骤3基础数据归一化处理采用如下计算变换式：