[发明专利]一种基于模糊玻尔兹曼机的变压器故障诊断方法

摘要

本发明涉及一种基于模糊玻尔兹曼机的变压器故障诊断方法，包括1、收集变压器中溶解气体的历史监测数据；2、将数据进行预处理，同时将样本按73比例随机分为训练和测试样本；3、建立模糊玻尔兹曼机模型，初始化模型参数；4、将样本数据导入到模糊玻尔兹曼机模型训练，调整参数，得到变压器故障识别器；5、将测试样本输入故障识别器中，判断识别精度是否满足要求，若不满足则再次训练样本；6、将实时的变压器气体监测数据输入到变压器故障识别器，得到输出结果即可判断输入的气体数据所对应的变压器是否发生故障。本发明能够在少样本情况下训练出一个高精度的故障诊断模型，为快速识别出变压器故障和保证变压器安全稳定运行提供依据。

主权项

一种基于模糊玻尔兹曼机的变压器故障诊断方法，其特征在于，由以下步骤构成：步骤1、收集变压器油中气体数据，包括氢气，甲烷，乙烷，乙烯，乙炔，一氧化碳和二氧化碳；步骤2、对缺失数据进行线性拟合补充完整，即对于发现有缺失的数据，利用缺失数据前后的信息，通过线性拟合手段，将缺失数据补充完整，避免不良数据的影响；步骤3、建立模糊玻尔兹曼机模型；定义模糊能量函数表达式如下：E‾(x,h,θ‾)=-b‾Tx-c‾Th-hTW‾x---(1)]]>其中是模糊参数，是可视层的模糊偏置，是隐含层的模糊偏置，是隐含层和可视层的模糊连接权重；基于该能量函数的联合概率分布可表示为：P(x,h,θ‾)=e-E‾(x,h,θ‾)Z---(2)]]>其中Z为配分函数，步骤4、将训练样本输入模糊玻尔兹曼机，调整内部参数，采用对比歧化算法避免马尔科夫链蒙特卡洛算法的计算量太大的问题，通常只需要一次对比歧化计算过程就可以达到精度要求；具体过程为：步骤4.1、使用一个样本来初始化马尔科夫链，用一个训练样本初始化可视层参数；步骤4.2、利用对比歧化算法求出隐含层激活概率，再反馈回可视层重构；重复上述步骤直至训练梯度满足要求，其中激活单元表达式为：P(hi=1|x)=eci+Wix1+eci+Wix=σ(ci+Wix)---(10)]]>P(xj=1|h)=ebj+WjTh1+ebj+WjTh=σ(bj+WjTh)---(11)]]>对比歧化算法只需要进行一步即可完成训练，用CD‑1表示，学习算法过程表示为：x＝x(0)→h(0)→x(1)→h(1)，由此得到模糊玻尔兹曼机训练模型；步骤5、将测试样本输入到变压器故障诊断分类器当中，得到输出结果即可判断变压器是否发生故障，与变压器实际状态对比，计算出精度；如果精度不满足要求，则需要将此模型输入新的训练样本，继续调整参数，而后测试，直至精度满足要求；步骤6、将实时数据导入训练后的模型，得到识别结果，在此步骤前已经训练出一个高精度变压器故障诊断分类器，在导入实时监测数据后，可以快速得到故障识别结果，判断样本所表征的变压器是否发生绝缘老化；本方法采用人工智能的手段，可以做到自动提取样本特征、自学习调整参数，自优化提高识别精度，大大减轻人工处理的繁重任务。