一種診斷變壓器故障的方法及裝置與流程
本申請涉及電力系統(tǒng)技術領域，尤其涉及一種診斷變壓器故障的方法及裝置。
背景技術：
變壓器的運行狀態(tài)是影響整個電能傳輸可靠性的重要因素，而實際操作中因為一些偶然或者非偶然的原因變壓器會出現(xiàn)各種故障，其中變壓器最容易出現(xiàn)的故障是絕緣故障。絕緣故障主要是由于絕緣老化或者絕緣弱化引起的，其中，局部放電現(xiàn)象是變壓器絕緣水平降低的重要標志，因此將局部放電測試的結果導入仿真系統(tǒng)中對放電類型加以分類識別，就能夠準確、快速地判斷變壓器內部潛在的絕緣故障，以便及時對變壓器的故障進行排查，確保變壓器能持續(xù)可靠地運行，以此保證整個電網的正常運行。
一般來說，判斷變壓器運行狀態(tài)方法主要有：油中氣體分析法、溫度測量法、繞阻直流電阻測量法、吸收比測量法、介質損耗測量法以及局部放電等。在使用變壓器的過程中，變壓器油不可避免的會暴露在空氣當中，空氣中的存在大量的水分和雜質就會部分溶解于變壓器油中。那么變壓器絕緣故障就可以通過分析油中各氣體的含量和成分來進行分析確定。油中氣體分析法需要到氣相色譜分析器，通過觀察各氣體的類型和含量來就可以確定變壓器是否存在異常，如果有異常是屬于哪種故障類型，已存在的故障程度如何。由于有溶解氣體分析的方法不收各種電磁干擾的影響，可靠性高，技術成熟，應用在發(fā)現(xiàn)變壓器內部潛在故障及其嚴重程度方面十分有效，且定性、定量分析都已積累了相當多的經驗，被認為是監(jiān)測及診斷油浸式變壓器早期故障、預防災難性事故發(fā)生的最佳方法之一。
在現(xiàn)有技術中，變壓器故障診斷的方法具體為：首先將變壓器在運行中可能產生的故障規(guī)格進行分類；其次將分類等到的故障類型進行編碼，將每一類故障用唯一的編碼標識，采集特征氣體數(shù)據(jù)；然后對采集到的特征氣體數(shù)據(jù)根據(jù)色譜分析導則進行篩選；再次提取判別特征量，進行判別分析；最后基于貝葉斯理論進行故障判別。上述變壓器故障診斷的方法，涉及到的特征參數(shù)較少，不能完全體現(xiàn)出數(shù)據(jù)的全部信息量，所以有時的診斷結果的準確度不高。
技術實現(xiàn)要素：
本申請?zhí)峁┝艘环N診斷變壓器故障的方法及裝置，以解決變壓器故障診斷準確率低的問題。
第一方面，本申請?zhí)峁┝艘环N診斷變壓器故障的方法，該方法包括：獲取變壓器的絕緣油中溶解的氣體濃度，所述變壓器是存在確定故障類型的變壓器；建立所述變壓器的故障類型和所述氣體濃度的故障對照表；將所述故障對照表中的數(shù)據(jù)作為訓練樣本和測試樣本，構建并訓練神經網絡；將待診斷變壓器絕緣油中溶解的待檢測氣體濃度輸入到所述神經網絡，診斷所述待診斷變壓器的故障類型。
結合第一方面，在第一方面第一種可能的實現(xiàn)方式中，所述構建并訓練神經網絡，包括：確定所述氣體濃度為所述神經網絡的輸入數(shù)據(jù)；確定所述氣體濃度對應的確定故障類型為所述神經網絡的輸出數(shù)據(jù)；構建所述神經網絡的學習率和動量系數(shù)；根據(jù)所述學習率和所述動量系數(shù)，訓練所述神經網絡。采用本實現(xiàn)方式，通過設置學習率和動量系數(shù)，能夠提高神經網絡的全局收斂性。
結合第一方面，在第一方面的第二種可能的實現(xiàn)方式中，所述構建所述神經網絡的學習率和動量系數(shù)，包括：設置評價函數(shù)，
結合第一方面，在第一方面的第三種可能的實現(xiàn)方式中，所述神經網絡，選取的激活函數(shù)為
結合第一方面，在第一方面的第四種可能的實現(xiàn)方式中，所述根據(jù)所述學習率和所述動量系數(shù)，訓練所述神經網絡，包括：步驟1，初始化權值和偏置參數(shù)；步驟2，將所述氣體濃度輸入所述神經網絡的輸入節(jié)點；步驟3，根據(jù)所述權值和所述偏置參數(shù)，計算隱含層節(jié)點輸出值；步驟4，根據(jù)所述隱含層節(jié)點輸出值，計算隱含層節(jié)點誤差項；步驟5，根據(jù)所述隱含層節(jié)點誤差項，更新所述隱含層節(jié)點的第一權值和第一偏置參數(shù)；步驟6，根據(jù)所述隱含層節(jié)點輸出值，計算輸出層節(jié)點輸出值；步驟7，根據(jù)所述輸出層節(jié)點輸出值，計算所述輸出層節(jié)點誤差項；步驟8，根據(jù)所述輸出層節(jié)點誤差項，更新所述輸出層節(jié)點的第二權值和第二偏置參數(shù)；步驟9，根據(jù)所述輸出節(jié)點誤差項，計算所述輸出層節(jié)點的總誤差；步驟10，如果所述總誤差大于預置閾值，則返回步驟2；步驟11，如果所述總誤差小于或等于預置閾值，則訓練結束。
第二方面，本申請還提供了一種診斷變壓器故障的裝置，所述診斷變壓器故障的裝置包括用于執(zhí)行第一方面各種實現(xiàn)方式中方法步驟的模塊。
第三方面，本申請還提供了一種終端，包括：處理器及存儲器；所述處理器可以執(zhí)行所述存儲器中所存儲的程序或指令，從而實現(xiàn)以第一方面各種實現(xiàn)方式所述的診斷變壓器故障的方法。
第四方面，本申請還提供了一種存儲介質，該計算機存儲介質可存儲有程序，該程序執(zhí)行時可實現(xiàn)包括本申請?zhí)峁┑脑\斷變壓器故障的方法各實施例中的部分或全部步驟。
本申請?zhí)峁┑囊环N診斷變壓器故障的方法及裝置，通過獲取變壓器的絕緣油中溶解的氣體濃度，然后建立變壓器的故障類型和氣體濃度的故障對照表，再將故障對照表中的數(shù)據(jù)作為訓練樣本和測試樣本，構建并訓練神經網絡，最后將待診斷變壓器絕緣油中溶解的待檢測其他濃度輸入到神經網絡，診斷待診斷變壓器的故障類型。與現(xiàn)有技術相比，本申請能夠顯著加快神經網絡的學習速度，使得神經網絡具有更好的全局收斂性，減少神經網絡的訓練時間，能夠避免神經網絡陷入局部極小值，能夠更準確地捕捉各種復雜的氣體濃度和故障類型之間的關系，提高故障診斷的準確性。對于有效提高電力變壓器故障診斷效率，提高配電變壓器品質，維護配電網安全運行具有重要意義和工程使用價值。
附圖說明
為了更清楚地說明本申請的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，對于本領域普通技術人員而言，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
圖1為本申請實施例一提供的一種診斷變壓器故障的方法流程圖；
圖2為本申請實施例三提供的一種神經網絡拓撲結構示意圖；
圖3為本申請實施例三提供的構建并訓練神經網絡的過程的示例性流程圖；
圖4為本申請實施例四提供的根據(jù)學習率和動量系數(shù)，訓練神經網絡的方法流程圖；
圖5為本申請實施例五提供的一種診斷變壓器故障的裝置結構示意圖；
圖6為本申請實施例六提供的一種訓練單元的結構示意圖；
圖7為本申請實施例七提供的一種訓練模塊的結構示意圖。
具體實施方式
在變壓器中最容易出現(xiàn)的故障是短路故障。變壓器的故障診斷方法，包括短路試驗、直流電阻測量、有溶解氣體成分分析、局部放電診斷、絕緣介質聚合度分析、頻率響應等等。在使用變壓器的過程中，變壓器油不可避免的會暴露在空氣當中，空氣中的存在大量的水分和雜質就會部分溶解于變壓器油中。那么變壓器絕緣故障就可以通過分析油中各氣體的含量和成分來進行分析確定。油中氣體分析法需要到氣相色譜分析器，通過觀察各氣體的類型和含量來就可以確定變壓器是否存在異常，如果有異常是屬于哪種故障類型，已存在的故障程度如何。由于有溶解氣體分析的方法不收各種電磁干擾的影響，可靠性高，技術成熟，應用在發(fā)現(xiàn)變壓器內部潛在故障及其嚴重程度方面十分有效，且定性、定量分析都已積累了相當多的經驗，被認為是監(jiān)測及診斷油浸式變壓器早期故障、預防災難性事故發(fā)生的最佳方法之一。
參見圖1，為本申請實施例一提供的一種診斷變壓器故障的方法流程圖，該方法包括如下步驟：
步驟101，獲取變壓器的絕緣油中溶解的氣體濃度。
油浸式變壓器主要由鐵芯、繞阻、郵箱、油枕、絕緣套管、分接開關和其他繼電器組成。油浸式變壓器的繞組及鐵芯都裝在充滿絕緣油的油箱中，在運行時依靠絕緣油作冷卻介質。運行中的油浸式變壓器，發(fā)生外部故障時，能夠觀察到，但是對于其內部發(fā)生的故障很難監(jiān)控，但是變壓內部的絕緣油是可以采集到的。但變壓器發(fā)生過熱、放電故障時會加速氣體產生的速度和數(shù)量。所以分析油中溶解氣體對盡早發(fā)現(xiàn)變壓器內部的潛伏性故障有重要意義，有助于檢測出早期故障。
絕緣油是由天然石油經過蒸餾，精煉而獲得的一種礦物油，絕緣油是有各種碳氫化合物組成的混合物。絕緣油在變壓器運行中受到溫度、電場、氧氣及水分和銅鐵等材料的催化作用會形成某些氧化物及其油泥、氫、低分子烴類氣體等，這就是絕緣油也就是絕緣油的老化和裂化作用。在正常的老化和劣化情況下，絕緣油中僅能產生少量的氣體，如果存在潛伏性故障，絕緣油隨著故障類型的不同分解產生大量的氣體。所以本申請通過絕緣油中溶解的氣體濃度，判斷變壓器存在的故障類型。
為了通過本申請的方法能夠準確判斷變壓器的故障類型，需要先獲取氣體濃度和與之對應的故障類型。所以獲取的絕緣油是存在確定故障類型的變壓器，也就是變壓器是存在確定故障類型的變壓器。
首先取出存在確定故障類型的變壓器的絕緣油，然后從絕緣油中脫出溶解氣體，在利用氣相色譜儀測定各種溶解氣體的氣體濃度。這里的氣體濃度是指溶解氣體中，各種溶解氣體對應的各自的氣體濃度。具體的氣體濃度包括哪些種類與當前變壓器的故障類型有關，在本發(fā)明實施例中對氣體濃度中包括的氣體種類不做限定，對應的氣體濃度大小是有氣相色譜儀測量得到的氣體濃度。
為了能夠準確的診斷變壓器的故障類型，所以在本步驟中，需要獲取多個多種故障類型的變壓器絕緣油中溶解的氣體濃度。示例性的，分別收集已知的，由于高溫過熱、中低溫度過熱，電弧放電和局部放電四種故障下的配電變壓器各5臺，共20臺，并提取這20臺配電變壓器油箱里的變壓器絕緣油。
步驟102，建立變壓器的故障類型和氣體濃度的故障對照表。
由于變壓器是存在確定故障類型的變壓器，所以能夠確定變壓器的故障類型與絕緣油中溶解氣體的氣體濃度之間的對應關系。如下表所示，故障對照表，就是氣體濃度與對應的故障類型的對應關系表。為了后續(xù)診斷其他變壓器的故障類型，可以將相同故障類型的氣體濃度存儲到相鄰的位置。本步驟中的故障對照表，為后續(xù)訓練神經網絡提供樣本數(shù)據(jù)，所以故障對應表的除了必須包括的氣體濃度和故障類型，還可以包括其他輔助相關內容，如序號、濃度單位、有效數(shù)據(jù)位數(shù)等等，在本發(fā)明實施例中均不作限定。
表1神經網絡輸入變量(ppm)
步驟103，將故障對照表中的數(shù)據(jù)作為訓練樣本和測試樣本，構建并訓練神經網絡。
神經網絡，這里是指人工神經網絡，或者稱作連接模型，是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數(shù)學模型。通過依靠習題的復雜程度，通過調整內部大量節(jié)點之間相互連接的關系，從而達到信息處理的目的。
神經網絡因為其優(yōu)越的學習能力、泛化能力和內置的容錯能力，被提出用于解決變壓器故障診斷中。因為現(xiàn)有的神經網絡，在實際解決問題的過程中，存在著局部缺陷，所以提出了改進的神經網絡算法。例如現(xiàn)有神經網絡中存在網絡隱含層節(jié)點數(shù)選擇的盲目性，還提出能夠選擇隱含層節(jié)點數(shù)的神經網絡算法。無論是基礎的神經網絡算法，還是改進的神經網絡算法，其他訓練樣本和測試樣本的選取，及其構建和訓練過程相同，本發(fā)明實施例中對神經網絡類型選取為bp神經網絡。
從步驟102的故障對照表中選取訓練樣本和測試樣本，訓練樣本用于訓練神經網絡，測試樣本用于測試神經網絡的準確性。構建神經網絡，建立如圖3所示的神經網絡的拓撲結構。將故障對照表中的氣體濃度作為輸入，將故障類型作為輸出，訓練神經網絡。例如，選擇故障氣體氫氣(h2)、甲烷(ch4)、乙烷(c2h6)、乙炔(c2h2)、乙烯(c2h4)的單位氣體濃度作為改進的bp神經網絡的輸入；選擇故障類型：高溫過熱故障(1，0，0，0)、中低溫度過熱故障(0，1，0，0)，電弧放電故障(0，0，1，0)和局部放電故障(0，0，0，1)作為改進的bp神經網絡的輸出。再將測試樣本輸入神經網絡，校驗神經網絡的準確性，并修正神經網絡，提高神經網絡的診斷準確度。
步驟104，將待診斷變壓器絕緣油中溶解的待診斷氣體濃度輸入到神經網絡，診斷待診斷變壓器的故障類型。
步驟101至步驟103，是診斷變壓器故障類型的前期必要的步驟，是步驟104能夠實現(xiàn)診斷變壓器故障的基礎。待診斷變壓器，是需要診斷故障的變壓器，是未知故障的變壓器。獲取待診斷變壓器絕緣油中溶解的待檢測氣體濃度，將待檢測氣體輸入到神經網絡中。需要說明的是這里的待檢測氣體濃度，是指該氣體濃度對應的變壓器故障類型待診斷。經神經網絡的計算，最終輸出待診斷變壓器的故障類型。
為了更詳細的描述診斷變壓器故障的方法，下面舉例說明。選擇故障氣體氫氣、甲烷、乙烷、乙炔、乙烯作為神經網絡的輸入，故障類型有高溫過熱、中低溫過熱、電弧放電和局部放電，作為神經網絡的輸出，采用20組原始數(shù)據(jù)作為訓練數(shù)據(jù)，對神經網絡進行訓練。在圖2中，n是輸入層中輸入神經節(jié)點的個數(shù)，k是隱藏層中隱藏神經模式的數(shù)目，m是輸出層中輸出神經節(jié)點的個數(shù)，p是給定的訓練模式數(shù)目。各種向量定義如下：輸入層故障診斷特征量為i＝{i1,…,in,…,in}；隱含層矢量h＝{h1,…,hk,…,hk}；輸出層故障診斷向量o＝{o1,…,om,…,om}；教師信號t＝{t1,…,tm,…,tm}。(ip,tp)(p＝1,2,…,p)，輸入和目標成對輸出。為了診斷變壓器故障類型，需要經過兩個階段，一是訓練階段，二是診斷階段。
從上述實施例可以看出，本申請?zhí)峁┑囊环N診斷變壓器故障的方法，通過獲取變壓器的絕緣油中溶解的氣體濃度，然后建立變壓器的故障類型和氣體濃度的故障對照表，再將故障對照表中的數(shù)據(jù)作為訓練樣本和測試樣本，構建并訓練神經網絡，最后將待診斷變壓器絕緣油中溶解的待檢測其他濃度輸入到神經網絡，診斷待診斷變壓器的故障類型。與現(xiàn)有技術相比，本申請能夠顯著加快神經網絡的學習速度，使得神經網絡具有更好的全局收斂性，減少神經網絡的訓練時間，能夠避免神經網絡陷入局部極小值，能夠更準確的捕捉各種復雜的氣體濃度和故障類型之間的關系，提高故障診斷的準確性。對于有效提高電力變壓器故障診斷效率，提高配電變壓器品質，維護配電網安全運行具有有重要意義和工程使用價值。
實施例二
本實施例基于實施例一，是對實施例一的進一步完善，在實施例一，獲取變壓器的絕緣油中的溶解的氣體濃度步驟中，變壓器存在的確定故障類型包括高溫過熱、中低溫過熱、電弧放電和局部放電故障類型；氣體濃度包括：氫氣、甲烷、乙烷、乙炔和乙烯的單位氣體濃度。
變壓器的常見故障類型被分為外部故障和內部故障兩種。內部故障不能通過觀察得出故障類型的結論，而且通常內部故障的現(xiàn)象只有在變壓器運行中才能產生，所以對沒有處于正在運行狀態(tài)的變壓器故障的檢測十分重要，也可以應用于變壓器使用之前的質檢。內部故障的類型包括熱故障和電故障兩大類。在本發(fā)明實施例中，將熱故障被分為高溫故障和中低溫故障，可以以700℃作為兩種熱故障的分界，也可以選取其他溫度值。電故障通常指變壓器內部在高電場強度的作用下，造成絕緣性能下降或劣化的故障，根據(jù)放電能量密度不同，分為電弧放電和局部放電兩種類型。為了提高診斷效率，在本發(fā)明實施例中確定故障類型的變壓器選取四種故障類型，也就是最終能夠檢測出的故障類型也只有這四種。
通常變壓器的絕緣油中，除了含有少量的空氣和二氧化碳以外，不應含有其他成分。在變壓器正常運行時，隨著使用時間的增加，變壓器老化，會緩慢產生一少量的氧化碳氣體。在故障情況下，絕緣油發(fā)生裂解，產生多達2900多種的氣體，在本發(fā)明實施例中選取氫氣、甲烷、乙烷、乙炔和乙烯的氣體濃度，診斷變壓器的故障類型。
在變壓器出現(xiàn)故障時，絕緣油中溶解的氣體濃度發(fā)生變化的主要氣體都包括在上述五種氣體中，以這五種氣體的含量變化能夠表征出現(xiàn)的故障類型，在保證能夠診斷出故障類型的前提下，減少需要獲取的數(shù)據(jù)量，以節(jié)約數(shù)據(jù)存儲空間，提高計算速度。
實施例三
圖3為本申請實施例一中對構建并訓練神經網絡的過程的示例性流程圖。本實施例基于實施例一，是對實施例一的進一步完善。參見圖3所示，在本實施例中，構建并訓練神經網絡，包括：
步驟301，確定氣體濃度為神經網絡的輸入數(shù)據(jù)。
神經網絡，需要通過構建神經網絡、輸入數(shù)據(jù)、輸出結果，才能開始訓練神經網絡。由于神經網絡算法或者改進的神經網絡算法都是通用的人工智能算法，在本發(fā)明實施例中對神經網絡的構建不做詳述。以故障對照表中的氣體濃度作為輸入數(shù)據(jù)。
步驟302，確定氣體濃度對應的確定故障類型為神經網絡的輸出數(shù)據(jù)。
確定氣體濃度為神經網絡的輸入數(shù)據(jù)后，以氣體濃度對應確定故障類型作為神經網絡的輸出數(shù)據(jù)。
步驟303，構建神經網絡的學習率和動量系數(shù)。
神經網絡在解決變壓器故障診斷的過程中，局部收斂和收斂速度慢是影響診斷結果準確性的關鍵。其中學習率和動量系數(shù)是影響神經網絡性能的重要因素。設置評價函數(shù)，通過評價函數(shù)的變化量，動態(tài)的調整學習率和動量系數(shù)。
其中，設置評價函數(shù)，
步驟304，根據(jù)學習率和動量系數(shù)，訓練神經網絡。
在訓練神經網絡過程中，選取的激活函數(shù)為
本申請實施例中學習率和動量系數(shù)是自適應的，可以通過迭代改變，能夠顯著加快神經網絡的學習速度，具有更好的全局收斂性，減少訓練時間并避免陷入局部極小值，能夠提高變壓器故障診斷的效率和準確性。
實施例四
圖4為本申請實施例三中對根據(jù)學習率和動量系數(shù)，訓練神經網絡的過程的示例性流程圖。本實施例基于實施例三，是對實施例三的進一步完善。參見圖4所示，在本實施例中，根據(jù)學習率和動量系數(shù)，訓練神經網絡，包括：
步驟401，初始化權值和偏置參數(shù)。
步驟402，將氣體濃度輸入神經網絡的輸入節(jié)點。
步驟403，根據(jù)權值和偏置參數(shù)，計算隱含層節(jié)點輸出值。
步驟404，根據(jù)隱含層節(jié)點輸出值，計算隱含層節(jié)點誤差項。
步驟405，根據(jù)隱含層節(jié)點誤差項，更新隱含層節(jié)點的第一權值和第一偏置參數(shù)。
步驟406，根據(jù)隱含層節(jié)點輸出值，計算輸出層節(jié)點輸出值。
步驟407，根據(jù)輸出層節(jié)點輸出值，計算輸出層節(jié)點誤差項。
步驟408，根據(jù)輸出層節(jié)點誤差項，更新輸出層節(jié)點的第二權值和第二偏置參數(shù)。
步驟409，根據(jù)輸出節(jié)點誤差項，計算輸出層節(jié)點的總誤差。
在計算輸出層節(jié)點總誤差之前，方法還包括：獲取初始化權值、第一權值和第二權值；根據(jù)初始化權值、第一權值和第二權值，生成權值矩陣；保存權值矩陣。
在計算輸出層節(jié)點總誤差之前，方法還包括：獲取初始化偏置參數(shù)、第一偏置參數(shù)和第二偏置參數(shù)；根據(jù)初始化偏置參數(shù)、第一偏置參數(shù)和第二偏置參數(shù)，生成偏置參數(shù)矩陣；保存偏置參數(shù)矩陣。
步驟410，如果總誤差大于預置閾值，則返回步驟402。
步驟411，如果總誤差小于或等于預置閾值，則訓練結束。
對于上述步驟進行詳細說明，設置權值wji、wkj，設置偏置參數(shù)qj、qk，將權值和偏置參數(shù)初始化到大于零且小于1之間的任意值。選取故障對照表中，一個確定故障類型對應的五種氣體的氣體濃度，計算隱含層節(jié)點的輸出opj＝f(∑wjixi+qj)，根據(jù)隱含層節(jié)點的輸出值，計算隱含層節(jié)點誤差項
根據(jù)隱含層節(jié)點輸出值，計算輸出層節(jié)點輸出值opk＝f(∑wkjopj+qk)，根據(jù)輸出層節(jié)點輸出值，計算輸出層節(jié)點誤差項dpk＝opk(1-opk)(ypk-opk)。根據(jù)輸出層節(jié)點誤差項，更新隱含層節(jié)點的第二權值和第二偏置參數(shù)，其更新方法分別為
在本申請實施例中學習率和動量系數(shù)是自適應的，可以通過迭代改變，能夠顯著加快神經網絡的學習速度，具有更好的全局收斂性，減少訓練時間并避免陷入局部極小值，能夠提高變壓器故障診斷的效率和準確性。
實施例五
參見圖5，為本申請?zhí)峁┑囊环N診斷變壓器故障的裝置結構示意圖。該裝置用于執(zhí)行圖1所對應的診斷變壓器故障的方法。
如圖5所示，該裝置包括：獲取單元51，建立單元52、訓練單元53和診斷單元54。
其中，獲取單元51，用于獲取變壓器的絕緣油中溶解的氣體濃度，變壓器是存在確定故障類型的變壓器；
建立單元52，用于建立變壓器的故障類型和氣體濃度的故障對照表；
訓練單元53，用于將故障對照表中的數(shù)據(jù)作為訓練樣本和測試樣本，構建并訓練神經網絡；
診斷單元54，用于將待診斷變壓器絕緣油中溶解的待檢測氣體濃度輸入到神經網絡，診斷待診斷變壓器的故障類型。
從上述實施例可以看出，本申請?zhí)峁┑囊环N診斷變壓器故障的裝置，通過獲取變壓器的絕緣油中溶解的氣體濃度，然后建立變壓器的故障類型和氣體濃度的故障對照表，再將故障對照表中的數(shù)據(jù)作為訓練樣本和測試樣本，構建并訓練神經網絡，最后將待診斷變壓器絕緣油中溶解的待檢測其他濃度輸入到神經網絡，診斷待診斷變壓器的故障類型。與現(xiàn)有技術相比，本申請能夠顯著加快神經網絡的學習速度，使得神經網絡具有更好的全局收斂性，減少神經網絡的訓練時間，能夠避免神經網絡陷入局部極小值，能夠更準確的捕捉各種復雜的氣體濃度和故障類型之間的關系，提高故障診斷的準確性。對于有效提高電力變壓器故障診斷效率，提高配電變壓器品質，維護配電網安全運行具有有重要意義和工程使用價值。
實施例六
與本申請實施例三的構建并訓練神經網絡的過程相對應，本申請還提供了訓練單元。參見圖5，為本申請?zhí)峁┑囊环N訓練單元的結構示意圖。訓練單元用于執(zhí)行圖2所對應的構建并訓練神經網絡的方法。
如圖6所示，訓練單元53包括：
第一確定模塊61，用于確定氣體濃度為神經網絡的輸入數(shù)據(jù)；
第二確定模塊62，用于確定氣體濃度對應的確定故障類型為神經網絡的輸出數(shù)據(jù)；
構建模塊63，用于構建神經網絡的學習率和動量系數(shù)；
訓練模塊64，用于根據(jù)學習率和動量系數(shù)，訓練神經網絡。
其中，構建模塊63，包括：
設置子模塊631，用于設置評價函數(shù)，
計算子模塊632，用于計算評價函數(shù)的評價變化量，
確定子模塊633，用于如果評價變化量小于零，則確定學習率為
確定子模塊633，用于如果評價變化量大于或者等于零，則確定學習率為
神經網絡，選取的激活函數(shù)為
本申請實施例提供的訓練單元，提出自適應的學習率和動量系數(shù)，可以通過迭代改變，能夠顯著加快神經網絡的學習速度，具有更好的全局收斂性，減少訓練時間并避免陷入局部極小值，能夠提高變壓器故障診斷的效率和準確性。
實施例七
與本申請實施例四的根據(jù)學習率和動量系數(shù)，訓練神經網絡的過程相對應，本申請還提供了訓練模塊。參見圖7，為本申請?zhí)峁┑囊环N訓練模塊結構示意圖。訓練模塊用于執(zhí)行圖4所對應的根據(jù)學習率和動量系數(shù)，訓練神經網絡的方法。
如圖7所示，訓練模塊64，包括：
初始化子模塊71，用于初始化權值和偏置參數(shù)；
輸入子模塊72，用于將氣體濃度輸入神經網絡的輸入節(jié)點；
計算子模塊73，用于根據(jù)權值和偏置參數(shù)，計算隱含層節(jié)點輸出值；
計算子模塊73，用于根據(jù)隱含層節(jié)點輸出值，計算隱含層節(jié)點誤差項；
更新子模塊74，用于根據(jù)隱含層節(jié)點誤差項，更新隱含層節(jié)點的第一權值和第一偏置參數(shù)；
計算子模塊73，用于根據(jù)隱含層節(jié)點輸出值，計算輸出層節(jié)點輸出值；
計算子模塊73，用于根據(jù)輸出層節(jié)點輸出值，計算輸出層節(jié)點誤差項；
更新子模塊74，用于根據(jù)輸出層節(jié)點誤差項，更新輸出層節(jié)點的第二權值和第二偏置參數(shù)；
計算子模塊73，用于根據(jù)輸出層節(jié)點輸出值，計算輸出層節(jié)點的總誤差；
返回子模塊75，用于如果總誤差大于預置閾值，則返回步驟2；
結束子模塊76，用于如果總誤差小于或等于預置閾值，則訓練結束。
如圖7所示，訓練模塊64，還包括：
獲取子模塊77，用于在計算輸出層節(jié)點總誤差之前，獲取初始化權值、第一權值和第二權值；
生成子模塊78，用于根據(jù)初始化權值、第一權值和第二權值，生成權值矩陣；
保存子模塊79，用于保存權值矩陣。
如圖7所示，訓練模塊64，還包括：
獲取子模塊77，用于在計算輸出層節(jié)點總誤差之前獲取初始化偏置參數(shù)、第一偏置參數(shù)和第二偏置參數(shù)；
生成子模塊78，用于根據(jù)初始化偏置參數(shù)、第一偏置參數(shù)和第二偏置參數(shù)，生成偏置參數(shù)矩陣；
保存子模塊79，用于保存偏置參數(shù)矩陣。
本申請實施例提供的訓練單元，提出自適應的學習率和動量系數(shù)，可以通過迭代改變，能夠顯著加快神經網絡的學習速度，具有更好的全局收斂性，減少訓練時間并避免陷入局部極小值，能夠提高變壓器故障診斷的效率和準確性。
具體實現(xiàn)中，本發(fā)明還提供一種計算機存儲介質，其中，該計算機存儲介質可存儲有程序，該程序執(zhí)行時可包括本發(fā)明提供的診斷變壓器故障的方法的各實施例中的部分或全部步驟。所述的存儲介質可為磁碟、光盤、只讀存儲記憶體(英文：read-onlymemory，簡稱：rom)或隨機存儲記憶體(英文：randomaccessmemory，簡稱：ram)等。
本領域的技術人員可以清楚地了解到本發(fā)明實施例中的技術可借助軟件加必需的通用硬件平臺的方式來實現(xiàn)?；谶@樣的理解，本發(fā)明實施例中的技術方案本質上或者說對現(xiàn)有技術做出貢獻的部分可以以軟件產品的形式體現(xiàn)出來，該計算機軟件產品可以存儲在存儲介質中，如rom/ram、磁碟、光盤等，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)執(zhí)行本發(fā)明各個實施例或者實施例的某些部分所述的方法。
本說明書中各個實施例之間相同相似的部分互相參見即可。尤其，對于實施例五-七而言，由于其基本相似于方法實施例，所以描述的比較簡單，相關之處參見方法實施例中的說明即可。
以上所述的本發(fā)明實施方式并不構成對本發(fā)明保護范圍的限定。
- 還沒有人留言評論。精彩留言會獲得點贊！