[发明专利]基于灰色关联改进加权小波神经网络的变压器故障诊断方法

权利要求书

1.一种基于灰色关联改进加权小波神经网络的变压器故障诊断方法，其特征在于，包括下列步骤：

步骤1：选择特征向量，并对故障进行编码；

根据大量故障变压器检测结果的统计分析，选择油中溶解特征气体H₂、CH₄、C₂H₄、C₂H₆、C₂H₂及故障类型数据构成特征向量，将变压器故障类型分为九类：低温过热、低于150℃；低温过热、150～300℃；中温过热、300～700℃；高温过热、高于700℃；低能放电；局部放电；电弧放电；低能放电兼过热；电弧放电兼过热，对电力变压器故障类型进行编码如下：

故障编码	故障类型
1	低温过热，低于150℃
2	低温过热，150～300℃
3	中温过热，300～700℃
4	高温过热，高于700℃
5	低能放电
6	局部放电
7	电弧放电
8	低能放电兼过热
9	电弧放电兼过热

步骤2：利用灰色关联度的方法，对样本库进行筛选，形成标准样品库；

设五种特征气体：H₂、CH₄、C₂H₄、C₂H₆、C₂H₂分别对应n,(n＝1,2,3,4,5)，九种故障类型对应i,(i＝1,2,…9)构成的序列为参考序列：

X_i＝(x_i(1),x_i(2),…,x_i(n)) (1)

比较序列为：

Y_i＝(y_i(1),y_i(2),…,y_i(n)) (2)

1)对数据序列进行无纲量化

由于系统中数据可能因量纲不同，不便于比较或难以得到正确结论，为了保证可靠性，对数据序列进行均值化：

均值化后形成新的数据序列为：

X‘＝(x’_i(1),x‘_i(2),…,x’_i(n)) (5)

Y‘＝(y’_i(1),y‘_i(2),…,y’_i(n)) (6)

2)求差序列

将比较数列各期的数值与参考数列对应期的差值绝对值记为Δ_i(k)：

Δ_i(k)＝|y'_i(k)-x'_i(k)| (7)

3)求两极最大差Max与最小差Min：

4)求关联度系数R_i(k)，参数ξ为计算关联度系数时的一个系数ξ∈(0,1),一般取0.5：

5)计算灰色关联度

因为关联系数是比较数列与参考数列在各个点的关联程度值，所以它的数不止一个，而信息过于分散不便于进行整体比较，因此有必要将各点的关联数集中为一个值，即平均值：

分别计算标准样本库五种气体与九种故障的关联度，筛选关联度数据，将关联度差的数据删除，保留关联度好的数据，作为标准样本库，为小波神经网络提供训练数据；

步骤4：建立加权小波神经网络；

小波神经网络是在BP算法的基础上将神经网络隐含层中的激励函数替换成小波函数来实现的，由尺度函数细分构成的加权小波函数如下：

选取ω(x)作为加权小波的权系数：

ω(x)＝x(χ_(-∞,a)+10³χ_(a,+∞)),a＝1.73 (14)

由式加权小波函数和加权尺度函数满足的性质可以得到加权小波：

ψ_j＝ψ₁,ψ₂,……，ψ_j (15)

小波神经网络采用三层网络结构：

图中神经网络包括输入层、隐含层和输出层，输入层结点数为5、对应新的标准库中的五种特征气体，对应向量为X_i＝(x_i(1),x_i(2),…,x_i(n))；输出层结点数为1、对应九种故障类型，对应向量为Y＝Y_m(m＝1,2,……,9)，隐含层结点个数为12，由加权小波函数组成，对应向量为ψ＝[ψ₁,ψ₂,…,ψ_J]，令输入层任意节点x_i到隐含层任一节点间的连接权值为ω_ij；隐含层节点ψ_j到输出层节点Y_m间的连接权值为ω_jk；θ_j为隐含层第j个神经元的阈值，θ_k为输出层第k个神经元的阈值，其中i＝(1,2,…,i)；j＝(1,2,…,j)；k＝(1,2,…,k)，通过前向计算，输出关系式可表示为：

步骤5：选择经过灰色关联度筛选的标准样本库中的500组数据，进行训练网络，完成神经网络的搭建，得出变压器故障诊断的编码。