[发明专利]一种基于核函数极限学习机的变压器故障辨识方法

权利要求书

1.一种基于核函数极限学习机的变压器故障辨识方法，其特征在于，包括以下步骤：

在变压器运行工况下，获取振动信号作为分析样本；

在振动信号消噪后，基于小波包分解重构得到振动信号的各频率能量特征值；

提取各频率能量特征值作为指纹矢量，并分成训练集和测试集两类样本集；

建立优化核函数极限学习机网络模型，利用指纹矢量训练集进行模型训练；

在模型中输入待测集，分析计算输出检查结果，得到变压器的工作状态，实现变压器的故障辨识。

2.根据权利要求1所述的基于核函数极限学习机的变压器故障辨识方法，其特征在于，所述在变压器运行工况下，获取振动信号作为分析样本，包括：

通过在多个监测点布置振动传感器，设置信号采集仪采样频率区间和采样时间，获取变压器不同运行状态下的振动信号；

将所述振动信号作为分析样本。

3.根据权利要求2所述的基于核函数极限学习机的变压器故障辨识方法，其特征在于，所述传感器为压电式加速度传感器，且布置于绕组轴向位置。

4.根据权利要求2所述的基于核函数极限学习机的变压器故障辨识方法，其特征在于，所述信号采集仪连续至少3次采集变压器每个监测点的振动信号，按设定的采样频率和采样时间整周期截取变压器振动信号。

5.根据权利要求1所述的基于核函数极限学习机的变压器故障辨识方法，其特征在于，基于Donoho小波消噪理论对信号进行消噪处理，门限阈值的选取满足高斯正态分布的变量，即z～N(μ，σ²)满足下式：

p{-3σ＜z-μ＜3σ}＝0.9974

对于白噪声，其均值为0，方差为σ²。

6.根据权利要求1所述的基于核函数极限学习机的变压器故障辨识方法，其特征在于，基于小波包原理对获取的降噪振动信号利用Daubechies小波系列的db20小波进行五层静态小波分析，提取各子频带小波变换的能量特征值。

7.根据权利要求1所述的基于核函数极限学习机的变压器故障辨识方法，其特征在于，优化核函数极限学习机模型包含三层结构，设x＝x₁，x₂，x₃，x₄····x_n表示为输入向量的各个分量

输入层包含神经元个数为n个，输入变量x＝x₁，x₂，x₃，x₄····x_n；

中间层为隐含输入层，设为一个连接隐含输入端的层和连接隐含输入层的一个权重赋值矩阵：

w中的元素w_ln代表了第n个输入层神经元与第l个隐含层神经元之间的权值；

输出层包含m个神经元，设β为输入层与隐含层之间的连接权值矩阵：

β中的元素β_lm代表了第l个隐含层神经元与第m个输出层神经元之间的权值。

8.根据权利要求1所述的基于核函数极限学习机的变压器故障辨识方法，其特征在于，所述核函数极限学习机网络模型为：

f(x)＝h(x)β＝Hβ

式中：x为样本输入；f(x)为神经网络的输出；h(x)，H为隐含层特征映射矩阵；β为隐含层与输出层连接权重。

9.根据权利要求1所述的基于核函数极限学习机的变压器故障辨识方法，其特征在于，所述优化核函数极限学习机包括采用基于粒子群优化设计算法进行优化的核极限函数学习机；

粒子位置计算公式为：

粒子计算公式：

式中：t为进化迭代次数；C₁和C₂为粒子学习因子；r₁和r₂为[0，1]区间内的随机数；和表示第i个粒子在第t次迭代的速度和解空间位置；和分别表示第t次进化的全局和个体最优位置；σ为惯性因子。