基于BP神經網絡算法的電力變壓器故障診斷裝置及方法與流程

本發明屬于電力變壓器故障診斷技術領域，尤其是一種基于bp神經網絡算法的電力變壓器故障診斷裝置及方法。

背景技術：

電力系統中的電力設備是保證電力系統正常的重要設備，如何快速準確地診斷電力設備對于電力系統的正常運行起著至關重要的作用。在電力行業設備檢修維護方面，目前大多數在故障診斷上也采用傳統的判斷方法，依據專業人員人工進行數據分析，效率很低，并不能有效取證，準確、定量和及時反饋信息，影響故障診斷的有效進行。因此，現在電力企業急需一種行之有效的故障診斷方法來幫助企業高效、精準地進行故障預警。

技術實現要素：

本發明的目的在于克服現有技術的不足，提供一種基于bp神經網絡算法的電力變壓器故障診斷裝置及方法，解決現有傳統的故障診斷方法根據業務人員人為判別結果，效率低、不準確且不及時的缺陷，更有效解決了現在采用的bp神經網絡算法對變壓器故障進行故障診斷因未經優化分析效果不夠可靠難以滿足故障診斷的精度需求的問題。

本發明解決其技術問題是采取以下技術方案實現的：

一種基于bp神經網絡算法的電力變壓器故障診斷裝置，包括變壓器故障診斷數據導入模塊、故障類型輸出模塊和數據分析模塊；所述數據分析模塊中設有粗糙集處理單元、歸一化處理單元、bp神經網絡處理單元、設備故障數據接口模塊和數據輸出接口模塊；所述粗糙集處理單元用于進行屬性簡化，去掉冗余信息，提取規則并約簡規則，歸一化處理單元用于將去除冗余屬性的數據進行歸一化處理，所述的bp神經網絡處理單元對歸一化處理后的數據通過神經網絡算法調整權重值得到符合期望的輸出結果；所述的變壓器故障診斷數據導入模塊的數據輸出端與粗糙集處理單元201的數據輸入端通過設備故障數據接口模塊相連接，粗糙集處理單元的數據輸出端與歸一化處理單元的數據輸入端相連接，歸一化處理單元的數據輸出端與bp神經網絡處理單元的數據輸入端相連接，bp神經網絡處理單元的數據輸出端與故障類型輸出模塊的數據輸入端通過數據輸出接口模塊相連接。

所述變壓器故障診斷數據導入模塊導入的變壓器故障數據包括質量狀況、天氣狀況、溫度、濕度、空氣、電場、電壓和負荷。

一種基于bp神經網絡算法的電力變壓器故障診斷裝置的方法，包括以下步驟：

步驟1：通過電力變壓器故障診斷數據導入模塊調用電力變壓器故障數據，并選擇造成變壓器故障的可能影響因數作為粗糙集處理的基礎數據；

步驟2：通過粗糙集將影響電力變壓器故障的因數進行分析處理，通過故障數據獲取規則，然后通過獲取的規則清除冗余屬性，確定輸入的設備故障影響因數；

步驟3：將設備故障影響因素數據在歸一化處理單元進行數據歸一化處理；

步驟4：將歸一化計算后的數據再經過bp神經網絡算法進行處理，即通過輸入層、隱含層和輸出層三層之間層層映射，由層與層之間的權值矩陣進行調整，輸出各層的結果；

步驟5：計算輸出結果的誤差，選取p個樣本，期望輸出值為bl′，計算總誤差：

當得到誤差計算結果在設定的閾值內時，進入步驟7；當得到誤差計算結果在設定的閾值外時，則將變壓器故障因數數據進行逆向處理，調整隱含層和輸出層的權值，再經過輸出層、隱含層和輸入層進行反向計算，輸出各層的結果，進入步驟6；

步驟6：經過調整隱含層和輸出層的權值進行正反方向層層傳遞計算，再次判斷誤差是否符合設定閾值，如果誤差符合設定閾值，則之后進入步驟7，如果誤差不符合預先設定的閾值，則進入步驟4；

步驟7：將輸出結果經過激活函數計算，記錄輸出的變壓器故障類型編號；

步驟8：根據變壓器故障類型編號，確定輸出變壓器故障類型。

所述步驟2清除冗余屬性利用如下屬性依賴度計算公式進行：

其中，u為整個數據集，c為條件屬性集，d為決策屬性數據集，posc(d)表示為條件屬性c對于決策屬性d的重要性；所述屬性重要性計算公式為：

sgf(a,c,d)＝γc(d)-γc-{a}(d)

其中，a為條件屬性集c中的一個屬性，當sgf(a，c，d)＝0時，表明屬性a為冗余屬性，可以清除。

所述步驟3基礎數據歸一化處理采用如下計算變換式：

其中，xi是輸入的數據，xi′為歸一化后的數據，xmin和xmax分別是樣本的最小數據和最大數據。

所述步驟7激活函數的表達式為

其中，x表示輸出結果。

所述變壓器故障類型包括：繞組故障、鐵心故障、套管故障、分接開關故障、油故障和端子排故障。

本發明的優點和積極效果是：

1、本發明通過粗糙集對bp神經網絡的訓練集進行預處理，將粗糙集作為神經網絡的前置處理器，對采集到的信息進行特征提取、形成決策樣本表，利用粗糙集進行分析提取規則，去掉冗余屬性，然后對數據進行歸一化處理，最后用bp神經網絡對歸一化處理后的樣本數據進行訓練學習，診斷出變壓器故障的主要因素，并采取積極措施消除或減少引發故障的可能性，將有效保證變壓器的正常運行，提高使用壽命，減輕工作人員工作壓力，減少企業經濟損失。

2、本發明故障診斷裝置通過電力變壓器海量數據導入模塊、數據分析模塊和故障類型輸出模塊并利用電力企業現有的海量設備故障數據，采用粗糙集優化的bp神經網絡算法，實現更大的數據吞吐量，獲取更為全面的用戶特征數據，滿足并發分析處理海量電力變壓器故障數據，分析數據效率更高，能更加精準的定位電力變壓器故障類型，為電力變壓器的維護提供了有效的依據，有助于電力企業采取有效的預防措施，從而降低電力變壓器的故障率，保證電力系統安全運行的同時也減少了經濟損失。

附圖說明

圖1為基于bp神經網絡算法的電力變壓器故障診斷裝置原理圖；

圖2為神經網絡算法流程圖；

圖3為基于bp神經網絡算法的電力變壓器故障診斷方法流程圖；

其中，1-變壓器故障診斷數據導入模塊，201-粗糙集處理單元，202-歸一化處理單元，203-bp神經網絡處理單元，3-故障類型輸出模塊，4-設備故障數據接口模塊，5-數據輸出接口模塊，6-輸入層，7-隱含層，8-輸出層。

具體實施方式

以下結合附圖對本發明做進一步詳述：

一種基于bp神經網絡算法的電力變壓器故障診斷裝置，如圖1所示，包括變壓器故障診斷數據導入模塊1、故障類型輸出模塊3；所述的數據分析模塊中設有粗糙集處理單元201、歸一化處理單元202、bp神經網絡處理單元203、設備故障數據接口模塊4和數據輸出接口模塊5，所述的粗糙集處理單元201用于進行屬性簡化，去掉冗余信息，提取規則并約簡規則，歸一化處理單元202用于將去除冗余屬性的數據進行歸一化處理，所述的bp神經網絡處理單元203對歸一化處理后的數據通過神經網絡算法調整權重值得到符合期望的輸出結果；所述的變壓器故障診斷數據導入模塊1的數據輸出端與粗糙集處理單元201的數據輸入端通過設備故障數據接口模塊4相連接，粗糙集處理單元201的數據輸出端與歸一化處理單元202的數據輸入端相連接，歸一化處理單元202的數據輸出端與bp神經網絡處理單元203的數據輸入端相連接，bp神經網絡處理單元203的數據輸出端與故障類型輸出模塊3的數據輸入端通過數據輸出接口模塊5相連接。

在使用中，變壓器故障診斷數據導入模塊1用于提取數據庫中的故障可疑因素基礎數據作為變壓器故障診斷分析的基礎輸入數據；數據分析模塊用于將數據進行分析處理并輸出故障類型，根據故障類型可以判斷輸入的因素是否真正會造成故障；故障類型輸出模塊3用于將故障類型輸出并標記容易造成故障的因素，電力企業可采取有效措施進行重點監控，避免造成經濟損失。本發明以供電公司的變壓器故障數據作為輸入，經過數據整合、數據存儲和數據計算三個步驟，進行數據分析，最終輸出故障類型。數據分析模塊采用粗糙集優化bp神經網絡算法分析，滿足現有的從多維輸入變量中分析得出故障類型的需求。

所述的變壓器故障數據包括：質量狀況、天氣狀況、溫度、濕度、空氣、電場、電壓、負荷等。在實際應用過程中，根據實際需求，也可以選取其他更多的基礎數據作為故障診斷輸入數據，進行分析處理后輸出故障類型，并不僅限于選取上述的輸入數據。

另外，粗糙集處理單元201對所有的故障數據建立故障決策樣本表，篩選出冗余屬性進行清除，然后在歸一化處理單元202對樣本數據進行歸一化處理并在bp神經網絡處理單元203通過神經網絡算法調整權重值得到符合期望的輸出結果。

一種基于bp神經網絡算法的電力變壓器故障診斷方法，如圖3所示，包括以下步驟：

步驟1：通過電力變壓器故障診斷數據導入模塊調用電力變壓器故障數據，并選擇造成變壓器故障的可能影響因數作為粗糙集處理的基礎數據，之后進入步驟2；

步驟2：通過粗糙集將影響電力變壓器故障的因數進行分析處理，通過故障數據獲取規則，之后通過規則清除冗余屬性。其部分公式如下：

屬性依賴度計算公式：

其中，u為整個數據集，c為條件屬性集，d為決策屬性數據集，posc(d)表示為條件屬性c對于決策屬性d的重要性。

屬性重要性計算公式：sgf(a,c,d)＝γc(d)-γc-{a}(d)

a為條件屬性集c中的一個屬性，當sgf(a，c，d)＝0時，表明屬性a為冗余屬性，可以清除。

步驟3：通過步驟2確定輸入的設備故障影響因數，將設備故障影響因素數據在歸一化處理單元進行數據歸一化處理，基礎數據歸一化處理采用的計算變換式為：

其中，xi是輸入的數據，xi′為歸一化后的數據，xmin和xmax分別是樣本的最小數據和最大數據，之后進入步驟4；

步驟4：將歸一化計算后的數據再經過bp神經網絡算法進行處理，即通過輸入層、隱含層和輸出層三層之間層層映射，如圖2所示，由層與層之間的權值矩陣進行調整，輸出各層的結果，之后進入步驟5；

步驟5：計算輸出結果的誤差，選取p個樣本，期望輸出值為bl′，總誤差計算公式為：

當得到誤差計算結果在設定的閾值內時，之后進入步驟7；當得到誤差計算結果在設定的閾值外時，則將變壓器故障因數數據進行逆向處理，調整隱含層和輸出層的權值，再經過輸出層、隱含層和輸入層進行反向計算，輸出各層的結果，之后進入步驟6；

步驟6：經過調整隱含層和輸出層的權值進行正反方向層層傳遞計算，再次判斷誤差是否符合設定閾值，如果誤差符合設定閾值，則之后進入步驟7，如果誤差不符合預先設定的閾值，則進入步驟4；

步驟7：將輸出結果經過激活函數進行計算，記錄輸出的變壓器故障類型編號，激活函數表達式為：

x表示輸出結果，之后進入步驟8；

步驟8：經步驟7記錄的變壓器故障類型編號，確定輸出變壓器故障類型：繞組故障、鐵心故障、套管故障、分接開關故障、油故障、端子排故障、其他故障等。

需要強調的是，本發明所述的實施例是說明性的，而不是限定性的，因此本發明包括并不限于具體實施方式中所述的實施例，凡是由本領域技術人員根據本發明的技術方案得出的其他實施方式，同樣屬于本發明保護的范圍。