[发明专利]一种基于概率神经网络的传统互感器状态监测方法

摘要

一种基于概率神经网络的传统互感器状态监测方法，其特征在于，所述基于概率神经网络的传统互感器状态监测方法是对传统互感器温度、传统互感器二次侧出线两接头温度、不同传统互感器进线的三条母线温度进行采集监测，对温度数据进行分析处理作为输入特征量输入概率神经网络分类模型；通过上述输入特征量对概率神经网络分类模型进行训练、学习和分类，对传统互感器的温度状态特征量进行识别分类。本发明能够快速、准确、自主完成对传统互感器状态的识别和故障诊断，实现对传统互感器故障的及早诊断和发现故障，保证传统互感器的正常运行，可以避免传统互感器故障对电力系统的影响，减少经济损失。

主权项

一种基于概率神经网络的传统互感器状态监测方法，其特征在于，所述基于概率神经网络的传统互感器状态监测方法是：对传统互感器温度、传统互感器二次侧出线两接头温度、不同传统互感器进线的三条母线温度进行采集监测，对温度数据进行分析处理作为输入特征量输入概率神经网络分类模型；通过三条母线温度数据分析处理的输入特征量作为判断电力系统运行情况的参考特征量，用于排除当前电力系统运行情况对传统互感器运行的温度影响因素；通过上述输入特征量对概率神经网络分类模型进行训练、学习和分类，对传统互感器的温度状态特征量进行识别分类，实现对传统互感器故障的诊断，完成对传统互感器的状态监测；所述基于概率神经网络的传统互感器状态监测方法步骤如下：S01：采集传统互感器温度T0、传统互感器二次侧出线两接头温度T1和T2、不同传统互感器进线的三条母线温度T3、T4和T5；S02：对温度T0、T1、T2、T3、T4和T5进行分析处理转化为输入特征量；S03：构造概率神经网络分类模型；概率神经网络（PNN）的层次模型由输入层、模式层、求和层和输出层共4 层组成；输入层神经元数目与输入特征量的维数相等，模式层神经元的个数等于各种传统互感器状态类别训练样本数的总和，求和层神经元数目与传统互感器状态分类情况数相同，输出层采用Bayes分类规则，选出最大后验概率的类别作为输出的类别；输入特征量由传统互感器温度T0、传统互感器二次侧出线两接头温度T1和T2、不同传统互感器进线的三条母线温度T3、T4和T5组成，概率神经网络分类模型分类输出分为：正常、轻度故障、中度故障、较重故障、严重故障，共5种输出情况；选取适当数量的输入特征量数据作为训练样本，设置Spread值将训练样本输入概率神经网络分类模型进行网络训练以获得传统互感器状态的概率神经网络分类模型；在训练过程中，对Spread值进行试验，获取最优值使网络输出效果最佳；概率神经网络分类模型分类输出根据传统互感器状态情况和故障严重程度进行分类；S04：将传统互感器状态的输入特征量输入到训练构造好的概率神经网络分类模型，概率神经网络分类模型对输入特征量进行分类输出，判断出传统互感器当前的运行状态，完成对传统互感器的运行状态识别和故障诊断，及早发现传统互感器的故障。