[发明专利]一种结合PNN和SVM的油浸式变压器的故障诊断方法

说明书

本发明公开了一种结合PNN和SVM的油浸式变压器的故障诊断方法，包括S1、采集故障变压器5种DGA特征气体数据；S2、对采集的5种DGA特征气体数据进行预处理；S3、将5种DGA特征气体数据作为输入特征向量代入训练好的PNN模型中进行初步故障诊断，并输出诊断结果；S4、将诊断结果中能够100％正确诊断的故障类型标记为易区分故障类型，并结束故障诊断；将剩余的故障类型标记为易混淆故障类型，并进入步骤S5；S5、建立SVM故障诊断模型，并采用训练样本数据对SVM故障诊断模型进行训练，并根据训练的结果对SVM故障诊断模型的参数进行优化求解；S6、将易混淆故障类型对应的样本数据作为输入带入训练好的SVM故障诊断模型中，输出故障类型。

技术领域

本发明属于变压器故障诊断的技术领域，具体涉及一种结合PNN和SVM的油浸式变压器的故障诊断方法。

背景技术

电力变压器是电力系统中的重要设备之一，其安全运行保障了电力系统的安全稳定。油浸式变压器又是被广泛采用的变压器类型，因此，对油浸式电力变压器的故障能够准确诊断，从而才能针对故障类型进行精准地维修，进而保障电力系统稳定性和减小对社会的损害。

传统油浸式电力变压器诊断方法主要是IEC三比值法。该方法通过计算三组DGA气体比值，然后根据比值进行编码，通过查表法来找到对应的编码故障。这种方法由于编码不全等原因，存在无法识别某些故障和误判率过高的缺陷。目前随着人工智能的进步，单一神经网络(NN)和支持向量机(SVM)逐渐被用来诊断油浸式变压器故障。由于单一神经网络容易陷入局部最优和单一支持向量机结构复杂的原因，此类方法存在着诊断精度不高和诊断效率低下的缺陷。

发明内容

本发明的目的在于针对现有技术中的上述不足，提供一种结合PNN和SVM的油浸式变压器的故障诊断方法，以解决现有方法存在着诊断准确率不高和诊断效率低下的问题。

为达到上述目的，本发明采取的技术方案是：

一种结合PNN和SVM的油浸式变压器的故障诊断方法，其包括：

S1、采集故障变压器5种DGA特征气体数据；

S2、对采集的5种DGA特征气体数据进行归一化处理，并将归一化后的数据随机划分为测试样本数据和训练样本数据；

S3、将归一化处理后的5种DGA特征气体数据作为输入特征向量代入训练好的PNN模型中进行初步故障诊断，并输出诊断结果；

S4、将诊断结果中能够100％正确诊断的故障类型标记为易区分故障类型，并结束故障诊断；将剩余未能100％正确诊断的故障类型标记为易混淆故障类型，并进入步骤S5；

S5、建立SVM故障诊断模型，并采用训练样本数据对SVM故障诊断模型进行训练，并根据训练的结果对SVM故障诊断模型的参数进行优化求解；

S6、将易混淆故障类型对应的样本数据作为输入带入训练好的SVM故障诊断模型中，输出故障类型。

优选地，S1中5种DGA特征气体数据，包括：

低温过热T1、中温过热T2、高温过热T3、低能放电D1、高能放电D2和局部放电PD六种典型故障类型；且每种故障类型数据不少于30组，共200组故障数据。

优选地，S2中将归一化后的5种DGA特征气体数据投影到[0，1]区间内。

优选地，S3中的PNN模型结构包括4层：输入层、模式层、求和层和决策层。

优选地，输入层将接收到的值传递给模式层的神经元，输入层的神经元数量与输入值的维度相同，模式层的神经元计算输入值与每个模式之间的对应关系，每个模式层单元的输出Φ_ij(x)为：