本发明涉及一种基于贝叶斯神经网络的变压器局部放电故障诊断方法,属于变压器放电。
背景技术:
1、变压器局部放电pd时会伴随电脉冲、红外福射以及分解气体等物理现象,根据这些现象可以判断是否发生局部放电。pd模式识别是通过计算机来对局部放电类型进行识别,也就是说,通过采集得到的局部放电信息,从其中可以提取到有用的特征分量,再根据提取的这些特征识别出局部放电的类型。提取方法主要包括时域分析法和统计分析法两种方法。时域分析法是直接提取时域放电波形的放电特征来识别放电类型。统计分析法通常主要在相域空间上进行,测量低频、窄带局部放电信号,换句话说就是针对局部放电谱图进行分析。超高频检测技术的出现,带动了基于单次放电脉冲的模式识别的发展。提取到放电特征量之后,还要采用一些算法来进行放电类型的识别。目前比较常用的局部放电模式识别方法主要有人工神经网络(ann)、k近邻(knn)算法、支持向量机(svm)等等,深度信念网络(dbn)现已
2、经在局部放电模式识别领域进行了初步的研究,利用其有着强大而抽象的特征提取能力,可以直接将采集到的数据经过标准化处理之后就输入网络训练,进而得到识别结果。然而,传统的深度信念网络规模大,难度大,训练时间长,导致泛化能力降低。在这些故障诊断的方法研究中,使用受限玻尔兹曼机rbm为基本模块的dbn,被认为是目前比较有效的人工神经网络之一,基于dbn的局部放电模式识别方法的研究,能够克服现在常用的浅层机器模式识别方法没有办法有效处理高维特征量的问题,有着较高的识别准确率。
技术实现思路
1、本发明的目的在于提供一种基于贝叶斯神经网络的变压器局部放电故障诊断方法,解决了网络模型能够在保持精度的同时提升网络的收敛性能。
2、一种基于贝叶斯神经网络的变压器局部放电故障诊断方法,所述方法包括:
3、获取局部放电信号数据,将数据进行标准化处理,得到预训练集;
4、将预训练集输入br-dbn网络模型中,逐层压缩,提取特征量;
5、将提取的特征向量输入bp层网络进行优调,得到训练后的br-dbn网络模型;
6、获取实时局部放电信号,将局部放电信号输入br-dbn网络模型,输出故障诊断结果。
7、进一步地,所述获取局部放电信号数据通过高频局部放电信号采集装置。
8、进一步地,所述局部放电信号数据包括采集电晕放电、悬浮放电、沿面放电和气隙放电局放缺陷数据。
9、进一步地,所述将数据进行标准化处理的方法包括:
10、对初始数据做归一化处理,计算公式如下:
11、
12、式中:x是最初的幅值;xnew是归一化后的幅值;xmin是某一样本中的最小值;xmax是该样本中的最大值。
13、进一步地,所述方法还包括:
14、对br-dbn网络模型中的参数进行初始化,并确定网络层数。
15、进一步地,所述br-dbn网络模型设定w、a和b为随机数值,确定输入层input的输入节点360个,输出层output的输出节点为4个,中间层l1、l2、l3分别为120、60、30。
16、进一步地,所述优调包括:
17、修正rbm的训练性能函数并初始化参数,公式如下:
18、
19、式中,fω作为新的训练性能函数,α、β是决定权重阈值等超参数;
20、计算所有隐含层的条件概率,从条件分布p(h0j∣v0)中抽取h0j∈{0,1},公式如下:
21、
22、计算所有可视层的条件概率,从条件分布p(v1i∣h0)中抽取v1i∈{0,1},公式如下:
23、
24、按照下列各式令各个参数值得到更新:
25、
26、a=a+ρ(v0-v1)
27、b=b+ρ[p(h0=1∣v0)-p(h1=1∣v1)]
28、响应误差减小为止,完成参数的更新,结束本层的rbm训练,将每层br-rbm完成的状态作为下一层br-rbm的输入直到完成所有br-rbm层的预训练。
29、进一步地,所述br-dbn网络由l层br-rbm构成,由于调优阶段由br-dbn的最后一层开始,设最后一层的输出向量是ul(x),则ul(x)为:
30、
31、式中:bl和wl分别为第l层br-rbm的偏置值和权值;ul-1(x)为第l-1层的输出向量,经过前向l层br-rbm学习之后,得出第i个样本属于类别yi,yi∈(1,2,...,c)的概率是:
32、
33、式中:v作为参数系数,最大概率对应的类别为bpnn判断的类别;第l层关于误差函数的式子为:
34、
35、式中:λl={wl,bl,cl,vl},1{yi=k}作为逻辑指示函数,yi=k时,其值等于1;yi≠k时,值等于0;为了求出误差的最小值,采用梯度上升方法求参数的偏导值为:
36、
37、进行参数微调,公式为:
38、λl=λl-α▽λj(λl)
39、式中:α表示学习率。
40、进一步地,所述预训练集的获取方法包括:
41、通过高频局部放电信号采集装置每连续采集50个工频周期的局放信号,构建一个三维谱图,作为一个预训练样本。
42、进一步地,所述预训练样本包括放电相位、放电信息测量幅值u和放电次数n。
43、与现有技术相比,本发明所达到的有益效果:本发明在网络复杂性比数据量小得多情况下,过拟合现象发生几率则较小,通过贝叶斯正则化法,可以产生新的性能指标函数,以此来使训练误差尽量小的同时,也让有效权值尽量少,那么网络的复杂性就会比训练数据量要小得多,从而可以提高神经网络的泛化能力。
1.一种基于贝叶斯神经网络的变压器局部放电故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于贝叶斯神经网络的变压器局部放电故障诊断方法,其特征在于,所述获取局部放电信号数据通过高频局部放电信号采集装置。
3.根据权利要求2所述的基于贝叶斯神经网络的变压器局部放电故障诊断方法,其特征在于,所述局部放电信号数据包括采集电晕放电、悬浮放电、沿面放电和气隙放电局放缺陷数据。
4.根据权利要求1所述的基于贝叶斯神经网络的变压器局部放电故障诊断方法,其特征在于,所述将数据进行标准化处理的方法包括:
5.根据权利要求1所述的基于贝叶斯神经网络的变压器局部放电故障诊断方法,其特征在于,所述方法还包括:
6.根据权利要求5所述的基于贝叶斯神经网络的变压器局部放电故障诊断方法,其特征在于,所述br-dbn网络模型设定w、a和b为随机数值,确定输入层input的输入节点360个,输出层output的输出节点为4个,中间层l1、l2、l3分别为120、60、30。
7.根据权利要求1所述的基于贝叶斯神经网络的变压器局部放电故障诊断方法,其特征在于,所述优调包括:
8.根据权利要求1所述的基于贝叶斯神经网络的变压器局部放电故障诊断方法,其特征在于,所述br-dbn网络由l层br-rbm构成,由于调优阶段由br-dbn的最后一层开始,设最后一层的输出向量是ul(x),则ul(x)为:
9.根据权利要求1所述的基于贝叶斯神经网络的变压器局部放电故障诊断方法,其特征在于,所述预训练集的获取方法包括:
10.根据权利要求9所述的基于贝叶斯神经网络的变压器局部放电故障诊断方法,其特征在于,所述预训练样本包括放电相位、放电信息测量幅值u和放电次数n。