換， 得到變換結(jié)果，再而取變換結(jié)果的幅值的平方，最后除以該數(shù)列的個(gè)數(shù);得到的結(jié)果即作為 對(duì)這組數(shù)據(jù)的功率譜分析結(jié)果。（2)間接法:是指將觀測(cè)到的數(shù)據(jù)分析整理由程序編輯生成 對(duì)應(yīng)的自相關(guān)函數(shù)，然后對(duì)自相關(guān)函數(shù)進(jìn)行傅里葉變換，變換后的結(jié)果既可作為對(duì)改組數(shù) 據(jù)的功率譜分析結(jié)果。本文采用間接法進(jìn)行功率譜分析，其特點(diǎn)是分辨率高。
[0076]本發(fā)明通過(guò)分別采集20組電暈放電模型、沿面放電模型在同一電壓作用下不同時(shí) 亥|J(間隔約0.2s)的放電脈沖圖譜，根據(jù)上述功率密度函數(shù)產(chǎn)生方法，得到功率圖譜，并分析 兩種圖譜的明顯差異之處作為具有代表性的特征量進(jìn)行神經(jīng)網(wǎng)絡(luò)測(cè)試的特征量。優(yōu)選地， 為實(shí)現(xiàn)明顯對(duì)比，經(jīng)考慮選擇更改矩陣維數(shù)(參數(shù)從256調(diào)整為1024)以放大數(shù)據(jù)顯示效果。
[0077]圖8為沿面放電模型的功率圖譜，圖9為電暈放電的模型的功率圖譜，從圖可以分 析在橫坐標(biāo)70附近兩者的差別最為明顯，因此，優(yōu)選地，選取橫坐標(biāo)[65-75]的矩陣參數(shù)作 為特征量。
[0078]優(yōu)選地，但為提高訓(xùn)練準(zhǔn)確性，需要將該區(qū)間擴(kuò)充以提取更多有效點(diǎn)的坐標(biāo)值，即 選取更多的特征量。用imresize函數(shù)將該區(qū)間擴(kuò)大為1*250維數(shù)的矩陣，得到的特征量如表 3〇
[0079]
[0080] 表3:特征量
[0081]步驟S3:從通過(guò)步驟S2取得的功率圖譜分析得到的特征量中提取訓(xùn)練樣本和測(cè)試 樣本。本實(shí)施例中，從表3中選擇第1 一50組數(shù)據(jù)作為測(cè)試樣本，選擇第51-250組數(shù)據(jù)作為訓(xùn) 練樣本。
[0082]步驟S4:構(gòu)建BP網(wǎng)絡(luò)神經(jīng)。神經(jīng)網(wǎng)絡(luò)的構(gòu)建包括：隱含層節(jié)點(diǎn)的選擇、激活函數(shù)的 選擇、學(xué)習(xí)率的選擇。
[0083] (1)隱含層節(jié)點(diǎn)個(gè)數(shù):隱含層節(jié)點(diǎn)的選擇對(duì)最終正確識(shí)別率的影響其實(shí)不是很大， 但是也需要適量選擇節(jié)點(diǎn)個(gè)數(shù)，節(jié)點(diǎn)太多會(huì)增加運(yùn)算量降低訓(xùn)練速度;節(jié)點(diǎn)太少則會(huì)影響 訓(xùn)練精度。
[0084] (2)激活函數(shù)的選擇:激活函數(shù)的選擇主要影響識(shí)別率或收斂速度。通常選用SB 函數(shù)，雖然它的計(jì)算量較大，但精度卻很高；
[0085] (3)學(xué)習(xí)率的選擇:學(xué)習(xí)率的設(shè)置是對(duì)網(wǎng)絡(luò)收斂速度的影響，學(xué)習(xí)率設(shè)置太小雖然 仍可以使網(wǎng)絡(luò)收斂，但是這樣就會(huì)使收斂時(shí)間過(guò)長(zhǎng);學(xué)習(xí)率設(shè)置太大則不能很好地實(shí)現(xiàn)收 斂效果，最終影響正確識(shí)別率。
[0086] 步驟S5:進(jìn)行BP網(wǎng)絡(luò)神經(jīng)訓(xùn)練。
[0087]設(shè)定目標(biāo)輸出分為別0和1。0表示沿面放電，1表示電暈放電。經(jīng)過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)的 初始化到訓(xùn)練再到仿真，最終對(duì)特征參數(shù)進(jìn)行正確識(shí)別并實(shí)現(xiàn)了自動(dòng)分類識(shí)別放電模式的 目標(biāo)。圖10為BP神經(jīng)網(wǎng)絡(luò)測(cè)試性能曲線，如圖所示，藍(lán)色曲線代表測(cè)試性能曲線，黑色曲線 代表目標(biāo)性能曲線，可以看出，性能曲線是收斂于目標(biāo)曲線的，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是成 功的，接下來(lái)就可以利用此網(wǎng)絡(luò)來(lái)進(jìn)行測(cè)試。
[0088] 步驟S6:進(jìn)行BP網(wǎng)絡(luò)神經(jīng)測(cè)試。接下來(lái)就可以利用此網(wǎng)絡(luò)來(lái)進(jìn)行測(cè)試。圖10為BP神 經(jīng)網(wǎng)絡(luò)最終訓(xùn)練結(jié)果顯示，由圖11可知樣本在測(cè)試盒訓(xùn)練的過(guò)程中識(shí)別正確率都達(dá)到 100%。說(shuō)明該網(wǎng)絡(luò)建立過(guò)程是非常成功的，它能很好地識(shí)別沿面放電模型和電暈放電模 型。
[0089] 雖然本發(fā)明的實(shí)施例是基于兩種放電類型進(jìn)行說(shuō)明的，但是這并不限制本發(fā)明的 保護(hù)范圍，該方法也可以推廣至檢測(cè)變壓器其他故障。
[0090] 本發(fā)明提供的基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行變壓器故障識(shí)別的方法，可準(zhǔn)確的識(shí)別出 變壓器的故障類型，在變壓器故障診斷以及狀態(tài)評(píng)估上的重要作用，并且方法便捷。
[0091] 盡管本發(fā)明的內(nèi)容就其公開(kāi)的【具體實(shí)施方式】作出了完整而清晰的描述，但其不僅 限于此。對(duì)于所屬技術(shù)領(lǐng)域的人員來(lái)說(shuō)，通過(guò)這些表述的指導(dǎo)而對(duì)本發(fā)明作出改進(jìn)和替代 是有可能發(fā)生的，且這些改進(jìn)和替代包含在本發(fā)明之中。
【主權(quán)項(xiàng)】
1. 一種基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行變壓器故障識(shí)別的方法，其特征在于，包括如下步驟： 步驟S1:通過(guò)局部放電測(cè)試系統(tǒng)對(duì)不同變壓器故障的放電脈沖圖譜進(jìn)行收集； 步驟S2:對(duì)通過(guò)步驟S1取得的放電脈沖進(jìn)行功率圖譜分析； 步驟S3:從通過(guò)步驟S2取得的功率圖譜分析得到的特征量中提取訓(xùn)練樣本和測(cè)試樣 本； 步驟S4:構(gòu)建BP網(wǎng)絡(luò)神經(jīng)； 步驟S5:進(jìn)行BP網(wǎng)絡(luò)神經(jīng)訓(xùn)練； 步驟S6:進(jìn)行BP網(wǎng)絡(luò)神經(jīng)測(cè)試。2. 如權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行變壓器放電故障識(shí)別的方法，其特征 在于，所述局部放電測(cè)試系統(tǒng)包括:顯示儀、超高頻天線、電極、接地線、絕緣子套管、高壓絕 緣子套管、油箱、耦合電容器、保護(hù)電阻、變壓器;其中，放電電壓經(jīng)保護(hù)電阻和高壓絕緣子 套管引入電極的一端，再將電極的另一端引出連接絕緣子套管，絕緣子套管還通過(guò)接地線 接地，放電信號(hào)經(jīng)耦合電容引入局部放電測(cè)試系統(tǒng)，從顯示儀上可觀察不同電極形狀的放 電脈沖發(fā)生情況。3.如權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行變壓器放電故障識(shí)別的方法，其特征 在于，所述變壓器故障包括內(nèi)部故障和外部故障。4.如權(quán)利要求3所述的基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行變壓器放電故障識(shí)別的方法，其特征 在于，所述內(nèi)部故障包括繞組故障、鐵芯故障、主絕緣故障。5.如權(quán)利要求3所述的基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行變壓器放電故障識(shí)別的方法，其特征 在于，所述外部故障包括分接開(kāi)關(guān)故障、套管故障。6. 如權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行變壓器放電故障識(shí)別的方法，其特征 在于，所述放電脈沖為沿面放電類型的放電脈沖或者電暈放電類型的放電脈沖。7.如權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行變壓器放電故障識(shí)別的方法，其特征 在于，進(jìn)行步驟S1時(shí)，進(jìn)行環(huán)境變量的清空。8. 如權(quán)利要求7所述的基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行變壓器放電故障識(shí)別的方法，其特征 在于，環(huán)境變量包括:懸浮電位放電干擾、電磁波干擾、接觸不良干擾。9.如權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行變壓器放電故障識(shí)別的方法，其特征 在于，通過(guò)直接法或者間接法進(jìn)行功率圖譜分析。10. 如權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行變壓器放電故障識(shí)別的方法，其特征 在于，取橫坐標(biāo)[65-75]區(qū)間作為特征量，用imresize函數(shù)將取橫坐標(biāo)[65-75]區(qū)間擴(kuò)大為 1*250維數(shù)的矩陣，并且設(shè)置第1一50組數(shù)據(jù)作為測(cè)試樣本，設(shè)置第51-250組數(shù)據(jù)作為訓(xùn)練 樣本。
【專利摘要】本發(fā)明提供一種基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行變壓器故障識(shí)別的方法，其特征在于，包括如下步驟：步驟S1：通過(guò)局部放電測(cè)試系統(tǒng)對(duì)不同變壓器故障的放電脈沖圖譜進(jìn)行收集；步驟S2：對(duì)通過(guò)步驟S1取得的放電脈沖進(jìn)行功率圖譜分析；步驟S3：從通過(guò)步驟S2取得的功率圖譜分析得到的特征量中提取訓(xùn)練樣本和測(cè)試樣本；步驟S4：構(gòu)建BP網(wǎng)絡(luò)神經(jīng)；步驟S5：進(jìn)行BP網(wǎng)絡(luò)神經(jīng)訓(xùn)練；步驟S6：進(jìn)行BP網(wǎng)絡(luò)神經(jīng)測(cè)試。本發(fā)明提供的基于BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行變壓器故障識(shí)別的方法，可準(zhǔn)確的識(shí)別出變壓器的故障類型，在變壓器故障診斷以及狀態(tài)評(píng)估上的重要作用，并且方法便捷。
【IPC分類】G01R31/02, G01R31/12, G01R31/00
【公開(kāi)號(hào)】CN105425076
【申請(qǐng)?zhí)枴緾N201510918540
【發(fā)明人】邵振華, 陳天翔, 陳麗安
【申請(qǐng)人】廈門理工學(xué)院
【公開(kāi)日】2016年3月23日
【申請(qǐng)日】2015年12月11日