基于聚类算法和神经网络的变压器故障诊断方法

摘要

本发明公开了一种基于聚类算法和神经网络的变压器故障诊断方法，包括以下步骤：a、根据IEC标准和DL/T722-2000导则确定故障类型；在原始样本集中选取故障样本集的特征量；b、利用K-means聚类方法对这些样本进行聚类；c、构建RBF神经网络；d、进行参数学，确定隐藏层的个数、中心位置、宽度以及输出权值；e、采用PSO进行优化训练，确定隐藏层中心的位置，而个数、宽度、权值分别采用试验法、最小距离法、伪逆法确定；f、输入训练样本，求解后验概率，判断故障类别。本发明能够较为均匀地从总的样本中划分出训练样本和测试样本，而良好的测试样本能够对神经网络进行更为完整的测试，从而确保神经网络得到正确合理的评价。

主权项

一种基于聚类算法和神经网络的变压器故障诊断方法，包括以下步骤：a、根据IEC标准和DL/T 722‑2000导则，确定故障类型为中低温过热、中温过热、高温过热、局部放电、低能放电和高能放电；在原始样本集中选取H₂、CH₄、C₂H₆、C₂H₄和C₂H₂为故障样本集的特征量； b、用聚类法对原始样本进行分析后得到样本空间分布，根据某一相似性度量，把原始样本划分三类，从这三类中按一定的方法和比例挑选训练样本和测试样本，利用K‑means聚类方法对这些样本进行聚类；c、构建RBF神经网络； d、进行参数学习，确定隐藏层的个数、中心位置、宽度以及输出权值； e、采用PSO进行优化训练，确定隐藏层中心的位置，而个数、宽度、权值分别采用试验法、最小距离法、伪逆法确定；f、输入训练样本，求解后验概率，判断故障类别。