[发明专利]一种变压器故障诊断预测方法和系统

说明书

本发明提出了一种变压器故障诊断预测方法和系统，该方法包括获取变压器油色谱可更新的历史数据，并按划分为训练集和预计集；将训练集输入至预先搭建的神经网络，计算出初始权值和神经元偏置；然后迭代循环向前传播，采用训练集对神经网络的全连接层进行训练计算实际输出与预期输出的误差；如果误差不符合要求，则反向传播更新神经元偏置；并将初始权值输入至鲸鱼优化算法更新初始权值；利用更新后的神经元偏置和初始权值重新迭代运算，获取预测集数据输入至更新后神经网络完成故障预测。基于该方法，还提出了一种变压器故障诊断预测系统，本发明能快速而且准确的预测出当前变压器的运行状态，保证了变压器的平稳运行。

技术领域

本发明属于变压器故障预测技术领域，特别涉及一种变压器故障诊断预测方法和系统。

背景技术

在电力电网中，变压器是保障整个系统安全正常运行的重要设备。近年来，随着社会面整体用电量逐年增加，各种智能化设备及传感器的接入，更多特高压并网运行，导致变压器投入时长大量增加，运行环境变得更加复杂。变压器油中溶解气体分析(dissolvedgas analysis，DGA)方法，通过对绝缘油中H2、CH4、C2H2、C2H4和C2H6等特征气体在不同运行状态下的组分占比和产气速率差异进行分析，从而为变压器实时运行状态的评估提供重要的依据，同时具有支持带电在线检测的优点，故而在我国变压器运行状态监测和故障诊断领域得到了广泛应用。

目前主流的基于油色谱(变压器油中溶解气体)分析进行预测诊断变压器故障的方式仍是三比值法，但是这种方法预测不够精确，而且数据量大。然而随着机器学习理论的发展，基于人工智能的故障诊断方法以其对变压器运行状态类型较高的分类准确率，成为了学界热门的研究方向，探索一种机器学习预测的方法来以最少的计算量来提高预测准确率势在必行。

发明内容

为了解决上述技术问题，本发明提出了一种变压器故障诊断预测方法和系统，自动更新油色谱历史数据和自动预测，有效的提高了变压器故障诊断预测的准确率，提高了电网的智能化。

为实现上述目的，本发明采用以下技术方案：

一种变压器故障诊断预测方法，包括以下步骤：

获取变压器油色谱可更新的历史数据，并按照预设比例划分为训练集和预计集；所述历史数据包括每种特征气体含量和每种气体含量对应的变压器故障类型；

将所述训练集输入至预先搭建的神经网络，计算出初始权值和神经元偏置；然后迭代循环向前传播，采用训练集对神经网络的全连接层进行训练计算实际输出与预期输出的误差；

如果判断误差不符合要求，则反向传播更新神经元偏置；并将初始权值输入至鲸鱼优化算法，自适应更新初始权值；利用更新后的神经元偏置和更新后的初始权值重新迭代运算，直到实际输出与预期输出的误差满足要求完成神经网络的更新；

获取预测集数据输入至更新后神经网络完成故障预测。

进一步的，所述特征气体包括H₂、CH₄、C₂H₂、C₂H₄和C₂H₆。

进一步的，所述每种气体含量对应的变压器故障类型采用故障类型标签表示；即采用0表示“正常”、1表示“低温过热”、2表示“低能放电”、3表示“高能放电”、4表示“低能放电兼过热”、5表示“中温过热”、6表示“局部放电”、7表示“高温过热”和8表示“高能放电兼过热”。

进一步的，所述预先搭建的神经网络的结构包括输入层、隐含层和输出层；所述输入层为每种特征气体含量，输出层为故障类型种类，且特征气体种类数作为输入层的节点，故障类型数作为输出层的神经元数。