基于随机向量泛函连接网络的油浸式变压器故障诊断

时间：2022-05-18 22:24:37

关键字：油中溶解气体分析随机向量泛函连接网络模式识别

手机看文章

扫描二维码
随时随地手机看文章

[导读]摘要:针对常用机器学习算法收敛速度慢、容易陷入局部最优等不足,提出一种基于随机向量泛函连接(RandomVectorFunctionalLink,RVFL）网络的油浸式电力变压器故障诊断方法。该方法以变压器油中五种主要特征气体作为输入,以七种变压器运行状态作为输出,构建了基于RVFL网络的故障诊断模型。算例分析的结果验证了该方法的有效性和优越性。

引言

油浸式电力变压器是电力系统的重要设备,为了避免因为变压器故障而导致的停电损失,监测变压器运行工况、及早发现潜伏性故障至关重要。近年来,随着分布式发电和新型电力电子设备等新元素的大量接入,电力系统运行的不确定性日益增大。文献提出了一种考虑储能接入的主动配电网分布式电源最优配置方法:文献分析了不平衡条件下分布式发电的最优分层功率振荡控制问题:文献计及"源-荷"不确定性,提出了一种含储能孤立微网的最优调度方法:文献提出了采用实时定价来协调多利益主体场景下电动汽车换电站和微电网间的协调调度问题:文献提出了基于改进蚁群算法的微电网多目标优化调度:文献提出了一种两阶段热电联产经济排放调度模型:文献考虑经济性和环境因素,提出了含VSC-HVDC系统的多目标最优潮流(MoPF）:文献采用NSGA-Ⅱ优化含VSC-HVDC系统的MoPF:文献提出了融合决策分析到优化过程的两阶段交直流系统MoPF方法:文献提出了含VSC-HVDC系统的控制孤岛方法:文献对VSC-HVDC向无源网络供电进行了仿真研究。电力系统的这些变化使得其运行工况更加复杂多变,进而电力变压器的在线监测和状态检修成也为亟待解决的重要问题。

油中溶解气体分析(DGA）是目前诊断油浸式变压器潜伏性故障最方便、有效的手段之一。我国的相关规程大体上沿用由IEC/IEEE推荐的IEC三比值法。但是,该方法存在缺编码、编码界限过于绝对等不足。随着人工智能的发展,机器学习技术已被广泛用于解决电力系统复杂的分类和回归问题。文献、分别提出了基于改进最大相关最小冗余判据和Memetic算法的暂态稳定评估(TSA）特征选择方法:文献提出了一种基于优化局部学习机的TSA模型:文献提出了一种基于贝叶斯多核学习的TSA评估方法:文献提出了一种基于ELM的TSA模型:文献提出了一种多特征融合的TSA方法:文献提出了一种基于优化ELM的TSA方法:文献研究了基于在线ELM的TSA在线学习问题:文献研究了基于ELM和蚂蚁矿工算法的TSA规则提取:文献提出了基于在线支持向量回归和最小二乘支持向量机(LS-SVM）的超短期负荷预测方法。另外,电子鼻作为集成了气体传感器阵列和模式识别算法的新颖仪器,在变压器的故障诊断中具有广阔的应用前景。而且,BP神经网络(BPNN）和LS-SVM等机器学习技术已被引入变压器故障诊断中。但是此类方法存在收敛速度慢、容易陷入局部最优等不足。随机向量泛函连接(RVFL）网络是一种单隐层前馈神经网络的学习算法,具有训练速度快、泛化性能强的优点。本文提出了基于RVFL网络的变压器故障诊断方法,并应用于变压器故障诊断实例。

1RVFL网络的基本原理

RVFL网络是权值被随机赋值的一种神经网络,可建模为L个隐含层节点输出的加权和:

式中,β为待确定的系数:h(）为函数链接:x为输入向量:w为权重向量。

通过正则最小二乘法,可得:

式中,β*为所求最优系数:Y为输出向量:λ为正则化参数。

2基于RVFL网络的变压器故障诊断

2.1数据集

针对300个DGA数据样本,215个被选作训练集,其余测试。根据IEC60599规定的6种故障类型[12]一低能放电(D1）、高能放电(D2）、局部放电(PD）、低温过热(T1）、中温过热(T2）、高温过热(T3）,再加上正常运行(N）,共有7种诊断状态。变压器各种运行状态在样本集中的分布如表1所示。