基于神经网络和指纹库的变压器绝缘状态识别方法及系统与流程

1.本发明属于高电压与绝缘技术领域，具体涉及基于神经网络和指纹库的变压器绝缘状态识别方法及系统。


背景技术：

2.电气设备的安全可靠运行是避免电网重大事故的第一道防线，油纸绝缘设备又是电网中的重要组成部分。油纸绝缘是一种重要的绝缘方式，一直应用于大型变压器等电力设备。在变压器油纸绝缘运行过程中，其油纸绝缘长期承受热、电、机械、化学等多种外部应力作用，导致发生故障，影响电力系统的可靠运行。因此，准确诊断油纸绝缘材料的老化程度，及时掌握油纸绝缘设备的老化状态，能够为油纸绝缘设备的绝缘状态和全寿命周期管理提供依据，保证电网的安全运行。目前，判断油纸绝缘设备老化状态的检测方法较为直接有效的一种是测量油纸绝缘的平均聚合度，但在实际情况中，油纸绝缘的老化还会受到其他因素的影响，而且目前采用模式识别算法判别油纸的绝缘状态，虽然简单，但是误差较大，因此，如何提高油纸绝缘状态的识别精度是亟待解决的问题。


技术实现要素：

3.为了解决上述问题，本发明提供了基于神经网络和指纹库的变压器绝缘状态识别方法及系统，具体技术方案如下：
4.基于神经网络和指纹库的变压器绝缘状态识别方法，包括以下步骤：
5.s1：采用介电响应测试仪对变压器油纸进行频域介电响应测试以得到其频域介电谱的fds曲线；
6.s2：根据fds曲线计算介损积分因数的频域介电指纹参量；
7.s3：预先根据频域介电指纹参量建立介电响应特征指纹，并根据介电响应特征指纹划分变压器油纸的多种不同标准绝缘状态；
8.s4：采用神经网络模型识别计算得到的频域介电指纹参量对应的绝缘状态。
9.优选地，所述步骤s2中具体包括以下步骤：
10.s21：对所述频域介电谱的fds曲线进行频谱分析，分别提取频域介电响应特性对变压器油纸老化及受潮状态敏感的频段；
11.s22：对提取到的频段分别进行积分运算，得到不同频段范围内的fds曲线的积分值，得到对应的两个频域介电指纹参量，两个频域介电指纹参量分别表示变压器油纸的老化程度和受潮程度。
12.优选地，所述步骤s21中选取频域介电谱的fds曲线中的频段10≤f≤5
×13
0hz评估变压器油纸的老化程度；选取频域介电谱的fds曲线中的频段2
×
10-4
≤f≤10hz评估变压器油纸的受潮程度。
13.优选地，所述表示变压器油纸的老化程度的介损积分计算方式如下：
[0014][0015]
表示变压器油纸的老化程度的受潮程度计算方式如下：
[0016][0017]
优选地，所述步骤s4中神经网络模型的训练具体包括以下步骤：
[0018]
s41：对不同老化程度和不同受潮程度的变压器油纸进行进行频域介电响应测试以得到其频域介电谱的fds曲线；
[0019]
s42：根据fds曲线计算介损积分因数的频域介电指纹参量；
[0020]
s43：建立频域介电指纹参量以及对应的老化程度和受潮程度为映射，建立测试样本集和训练样本集；
[0021]
s44：建立神经网络模型，采用训练样本集对神经网络模型进行训练，得到训练后的神经网络模型；
[0022]
s45：采用测试样本集对训练后的神经网络模型进行测试，当测试精度大于等于预设值时神经网络模型符合要求，当测试精度小于预设值时，则返回步骤s34调整神经网络模型的结构并重新对建立的神经网络模型进行训练。
[0023]
优选地，所述测试精度的计算方式如下：
[0024]
测试精度＝训练后的神经网络模型识别正确的样本数/测试样本集中的样本数。
[0025]
优选地，还包括对所述测试样本集和训练样本集中的域介电指纹参量进行归一化，具体如下：
[0026][0027]
式中，t
ij
'为变换后的指纹特征参量；t
ij
为变化前的指纹特征参量；max{t
kj
}为全集最大特征参量，min{t
kj
}为全集最小特征参量。
[0028]
优选地，采用遗传算法优化神经网络模型的初始权重值。
[0029]
基于神经网络和指纹库的变压器绝缘状态识别系统，包括数据采集模块、数据计算模块、数据处理模块、神经网络训练模块、标准绝缘状态数据库、识别模块、输出显示模块；所述数据采集模块、数据计算模块、数据处理模块依次连接；所述数据处理模块分别与神经网络训练模块、识别模块连接；所述识别模块与输出显示模块连接；
[0030]
所述数据采集模块用于采集介电响应测试仪对变压器油纸进行频域介电响应测试得到的频域介电谱的fds曲线；
[0031]
所述数据计算模块用于根据数据采集模块得到的fds曲线计算介损积分因数的频域介电指纹参量；
[0032]
所述数据处理模块用于对计算得到的介损积分因数的频域介电指纹参量进行归一化；
[0033]
所述神经网络训练模块用于对神经网络模型进行训练，得到训练后的神经网络模型；
[0034]
所述标准绝缘状态数据库用于存储变压器油纸的标准绝缘状态；
[0035]
所述识别模块用于采用训练好的神经网络模型对采集的fds曲线对应的变压器油
纸的绝缘状态进行识别；
[0036]
所述输出显示模块用于输出识别出的变压器油纸的绝缘状态并将对应的状态进行显示。
[0037]
本发明的有益效果为：本发明采用介电响应测试仪对变压器油纸进行频域介电响应测试以得到其频域介电谱的fds曲线；根据fds曲线计算介损积分因数的频域介电指纹参量；预先根据频域介电指纹参量建立介电响应特征指纹，并根据介电响应特征指纹划分变压器油纸的多种不同标准绝缘状态；采用神经网络模型识别计算得到的频域介电指纹参量对应的绝缘状态。相对于现有技术中采用模式识别算法判别油纸的绝缘程度，本发明采用神经网络进行识别，提高了识别的准确度。模式识别算法判别油纸的绝缘程度虽然简单，但是存在较大的测量误差，本技术采用神经网络进行油纸绝缘状态识别，神经网络具有自学习优势，不断更新训练样本集中的样本，以便不断优化建立的神经网络模型的权重值，而且采用遗传算法优化神经网络模型的初始权重值，防止神经网络训练陷入局部最小值，加快收敛速度。
附图说明
[0038]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0039]
图1为本发明的方法流程示意图；
[0040]
图2为本发明的系统原理示意图。
具体实施方式
[0041]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042]
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0043]
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0044]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0045]
如图1所示，本发明的具体实施方式提供了基于神经网络和指纹库的变压器绝缘状态识别方法，包括以下步骤：
[0046]
s1：采用介电响应测试仪对变压器油纸进行频域介电响应测试以得到其频域介电谱的fds曲线；
[0047]
s2：根据fds曲线计算介损积分因数的频域介电指纹参量；具体包括以下步骤：
[0048]
s21：对所述频域介电谱的fds曲线进行频谱分析，分别提取频域介电响应特性对变压器油纸老化及受潮状态敏感的频段；选取频域介电谱的fds曲线中的频段10≤f≤5
×
103hz评估变压器油纸的老化程度；选取频域介电谱的fds曲线中的频段2
×
10-4
≤f≤10hz评估变压器油纸的受潮程度。
[0049]
s22：对提取到的频段分别进行积分运算，得到不同频段范围内的fds曲线的积分值，得到对应的两个频域介电指纹参量，两个频域介电指纹参量分别表示变压器油纸的老化程度和受潮程度。表示变压器油纸的老化程度的介损积分计算方式如下：
[0050][0051]
表示变压器油纸的老化程度的受潮程度计算方式如下：
[0052][0053]
对于某一特定老化状态、含水量的油纸绝缘样品而言，它相应的对应了其固定的s
tanδ(m
·
c)
(f)以及s
tanδ(dp)
(f)。若单一考虑老化或含水量对介损积分因素的影响，则使绝缘样品纸板保持相同含水量，在不同的老化程度下，其介损积分因数不同，每一个不同的介损积分因素都可看作为评估变压器油纸绝缘样品绝缘状态的介电指纹参量。
[0054]
s3：预先根据频域介电指纹参量建立介电响应特征指纹，并根据介电响应特征指纹划分变压器油纸的多种不同标准绝缘状态。
[0055]
本发明选取三个不同频段内的介质损耗曲线积分作为表征不同绝缘状态纸板的介电特征指纹信息。其积分提取公式如下所示。
[0056][0057]
综上，针对因实验、测试以及外界干扰所造成的样本实际绝缘状态与预设状态产生微小偏差的现象。用公式(3)在45℃上提取了不同绝缘条件下样品的tanδ曲线的积分值。为了使s1＇-s3＇保持在相同的数据维，需要进行适当的数据处理，即s1＝s1＇
×
103，s2＝s2＇
×
102和s3＝s3×
101。此外，本发明还选择si(i＝1-3)作为介电响应特性参数。利用上述步骤进行修正之后，实验室所制备25个绝缘状态不同的油浸绝缘纸板样品与其聚合度、含水量以及标准绝缘状态的对应关系描述于表1.
[0058]
如下表1所示，本发明基于介损积分因数建立的评估绝缘老化及受潮状态的介电指纹数据库法有较高的准确度。
[0059]
表1标准绝缘状态分集表
[0060][0061][0062]
s4：采用神经网络模型识别计算得到的频域介电指纹参量对应的绝缘状态。
[0063]
所述步骤s4中神经网络模型的训练具体包括以下步骤：
[0064]
s41：对不同老化程度和不同受潮程度的变压器油纸进行进行频域介电响应测试以得到其频域介电谱的fds曲线；
[0065]
s42：根据fds曲线计算介损积分因数的频域介电指纹参量；
[0066]
s43：建立频域介电指纹参量以及对应的老化程度和受潮程度为映射，建立测试样本集和训练样本集；对所述测试样本集和训练样本集中的域介电指纹参量进行归一化，具体如下：
[0067][0068]
式中，t
ij
'为变换后的指纹特征参量；t
ij
为变化前的指纹特征参量；max{t
kj
}为全集最大特征参量，min{t
kj
}为全集最小特征参量。
[0069]
s44：建立神经网络模型，采用训练样本集对神经网络模型进行训练，采用遗传算法优化神经网络模型的初始权重值，得到训练后的神经网络模型；
[0070]
s45：采用测试样本集对训练后的神经网络模型进行测试，当测试精度大于等于预设值时神经网络模型符合要求，当测试精度小于预设值时，则返回步骤s34调整神经网络模型的结构并重新对建立的神经网络模型进行训练。测试精度的计算方式如下：
[0071]
测试精度＝训练后的神经网络模型识别正确的样本数/测试样本集中的样本数。
[0072]
采用遗传算法优化神经网络模型的初始权重值，防止神经网络训练陷入局部最小值，加快收敛速度。
[0073]
如图2所示，本实施例提供了基于神经网络和指纹库的变压器绝缘状态识别系统，包括数据采集模块、数据计算模块、数据处理模块、神经网络训练模块、标准绝缘状态数据库、识别模块、输出显示模块；所述数据采集模块、数据计算模块、数据处理模块依次连接；所述数据处理模块分别与神经网络训练模块、识别模块连接；所述识别模块与输出显示模块连接；
[0074]
所述数据采集模块用于采集介电响应测试仪对变压器油纸进行频域介电响应测试得到的频域介电谱的fds曲线；
[0075]
所述数据计算模块用于根据数据采集模块得到的fds曲线计算介损积分因数的频域介电指纹参量；
[0076]
所述数据处理模块用于对计算得到的介损积分因数的频域介电指纹参量进行归一化；
[0077]
所述神经网络训练模块用于对神经网络模型进行训练，得到训练后的神经网络模型；
[0078]
所述标准绝缘状态数据库用于存储变压器油纸的标准绝缘状态；
[0079]
所述识别模块用于采用训练好的神经网络模型对采集的fds曲线对应的变压器油纸的绝缘状态进行识别；
[0080]
所述输出显示模块用于输出识别出的变压器油纸的绝缘状态并将对应的状态进行显示。
[0081]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0082]
在本技术所提供的实施例中，应该理解到，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元可结合为一个单元，一个单元可拆分为多个单元，或一些特征可以忽略等。
[0083]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。