一種基於布穀鳥搜索優化神經網絡的變壓器故障診斷方法與流程

2023-08-04 00:15:01 1

本發明屬於人工智慧技術領域，涉及變壓器故障診斷方法。

背景技術：

電力變壓器是電力系統中的重要設備，變壓器運行時發生任何故障都可能終端電力供應，造成重大生產事故和經濟損失。因此，對變壓器故障的精確預測非常重要。

變壓器油中溶解氣體分析(dga)作為一種高效的變壓器故障診斷方法，在電力系統實際運行中被廣泛採用。通過對變壓器油中溶解的特定氣體含量的數據進行分析，可以找到變壓器運行狀態的模式。因此，研究者提出了大量的基於dga數據的診斷方法，主要分為兩類：傳統診斷方法和智能診斷方法。

傳統診斷方法有特徵氣體法、羅傑斯比值法、改良三比值法，其中改良三比值法是電力系統操作中的推薦方法。然而，傳統的診斷方法局限性較大，難以準確反映故障和表現特徵之間的規律，並且在很多情況下無法對變壓器故障狀態進行分析。

針對傳統診斷方法的不足之處，基於dga數據的人工智慧方法開始運用到診斷中，比如人工神經網絡(ann)、遺傳算法(ga)、支持向量機(svm)等。因此，相較於傳統診斷方法，人工智慧方法表現出較好的性能和較強的泛化能力。

本發明選擇從人工神經網絡入手進行改良。現有的人工神經網絡方法存在以下缺點：首先，訓練步數和判斷正確性往往無法同時滿足，訓練結果往往不能令人滿意；其次，沒有成熟的技術手段確定網絡結構和調節參數，網絡性能的好壞很多時候只能靠人工經驗和運氣，得到優秀的結果無法進行解釋，而且實驗結果存在不能付現的可能行，對參數的微小變動較敏感。

技術實現要素：

本發明的目的是針對現有的神經網絡方面的技術方案存在的明顯缺點，提出一種基於布穀鳥搜索優化的神經網絡算法，並將其應用到基於dga數據的變壓器故障診斷中。用以解決基於變壓器油中溶解氣體分析(dga)數據的多分類問題。

本發明的技術方案是，採用人工智慧方法中的神經網絡結構，結合一種布穀鳥搜索的元啟發式智能方法，用布穀鳥搜索方法去優化神經網絡的結構參數，同過dga數據的訓練得到一種穩定的基於布穀鳥搜索優化的神經網絡結構，對新的數據進行預測，以解決這種對分類問題。

本發明所述的一種基於布穀鳥搜索優化神經網絡的變壓器故障診斷方法，包括以下步驟：

(1)利用變壓器油中溶解氣體分析法(dga)對變壓器油中的必測溶解氣體ch4，c2h6，c2h4，c2h2，co，co2以及下面的變壓器中油氣體分析目的表中的推薦檢測氣體o2，n2，h2進行提取，通過分析提取得到的氣體組分的數據進行分類與處理，確定故障類型。

變壓器中油氣體分析目的表

(2)按變壓器故障和特徵氣體含量關係表對步驟(1)得到的數據和故障類型進行正確的分類標記，並通過隨機抽樣方式按3﹕1(具體可按數據集規模調整)的比例分組，作為神經網絡的訓練集和測試集。

變壓器故障和特徵氣體含量關係表

(3)使用基於布穀鳥搜索優化的神經網絡算法對訓練集進行訓練，當預測誤差滿足要求時停止訓練。

(4)用已經訓練好的神經網絡對測試集進行測試，調試過程中通過不斷調整參數以保證測試結果理想。

(5)用訓練好的神經網絡模型對新的未加標籤的數據進行預測，預測結果即為故障類型，完成故障診斷。

本發明具有如下優點：避免傳統診斷方法大多局限於閾值診斷的缺點，具有較強的通用性；該方法與基本神經網絡算法和基於其他元啟發式優化神經網絡算法方法相比，收斂速度更快，模型敏感度低，魯棒性較強；並且，該方法採用布穀鳥搜索這種元智能算法對神經網絡結構進行優化，改善了神經網絡限於局部最小的缺點，並且調參過程更具有通用的規律性。

附圖說明

圖1為本發明的一種基於布穀鳥搜索優化神經網絡的算法流程圖。

圖中：本流程圖中的神經網絡算法採用bp神經網絡，左邊為基本bp神經網絡算法的算法流程圖，右邊為布穀鳥搜索算法的算法流程圖，中間判斷語句把兩部分結合在一起，整個流程為基於布穀鳥搜索優化的神經網絡的算法流程圖。

圖2為本發明的待優化的神經網絡結構圖。

具體實施方式

以下將結合圖1和圖2對本發明作進一步說明。

一種基於布穀鳥搜索優化神經網絡的變壓器故障診斷方法的具體實施方式如下：

(1)使用變壓器油中溶解氣體分析方法(dga)，按分析目的分析油中氣體組分。

(2)對上一步得到的數據進行正確分類標記，並按合理的抽樣方式分成兩組，分別作為神經網絡的訓練集和測試集。

(3)使用本發明中的基於布穀鳥搜索優化的神經網絡算法對訓練集進行訓練。

step1輸入訓練樣本；

step2初始化bp神經網絡；

step3初始化鳥巢數量n，目標函數f(x)，初始化解決方案，pa，精度；

step4計算目標函數值，記錄最優解決方案fmin和鳥巢位置；

step5更新鳥巢，並獲得新一代鳥巢；

step6計算新一代鳥巢的目標函數值，並將其與上一代比較，記錄最佳解決方案fnew及其相應的鳥巢位置；

step7計算出生成概率k，判斷k＞pa是否成立。若k＞pa成立，則轉step8；否則，轉step9；

step8更新鳥巢，目標函數值,fnew及其相應的位置；

step9比較fnew和fmin,並用更佳的值替換fmin；

step10判斷是否滿足布穀鳥搜索的迭代停止條件。若滿足，則轉step11；否則，則轉step5；

step11獲得bp神經網絡的初始權值和閾值；

step12訓練神經網絡；

step13判斷是否達到神經網絡的最大訓練次數或滿足神經網絡停止迭代條件。若滿足，則轉到step14；否則，則轉step3；

step14得到擁有最佳參數的訓練完成的神經網絡。

(4)用已經訓練好的神經網絡對測試集進行測試，並保證測試結果理想。

(5)用訓練好的神經網絡模型對新的未加標籤的數據進行預測。