一种基于混合智能算法的变压器故障识别方法技术

本发明专利技术公开了一种基于混合智能算法的变压器故障识别方法，包括以下步骤：建立样本集，确定识别模型的结构规模、预设参数；根据所述识别模型的预设参数生成粒子群，其中每一个粒子表征一组待寻优的识别模型参数；计算粒子群中每个粒子的适应度，选择粒子的进化方式，更新粒子的位置与速度，当达到设定的迭代次数时输出寻优结果，将寻优结果作为识别模型参数，建立识别模型，利用识别模型进行变压器故障的识别。本方法利用算法对大量数据进行挖掘分析学习，然后做出判断和预测，不受专家经验与主观认知局限，扩展性强，通过基于数据的自学习与推理能力实现智能化。

A Transformer Fault Recognition Method Based on Hybrid Intelligent Algorithms

The invention discloses a transformer fault identification method based on hybrid intelligent algorithm, which includes the following steps: establishing a sample set, determining the structure size and preset parameters of the identification model; generating particle swarm according to the preset parameters of the identification model, in which each particle represents a set of parameters of the identification model to be optimized; calculating the fitness of each particle in the particle swarm, and selecting particles. The sub-evolution method updates the position and velocity of the particles, outputs the optimization results when the number of iterations is set, takes the optimization results as the identification model parameters, establishes the identification model, and uses the identification model to identify transformer faults. This method uses the algorithm to mine, analyze and learn a large number of data, and then make judgments and predictions. It is not limited by expert experience and subjective cognition, and has strong expansibility. It realizes intellectualization through self-learning and reasoning based on data.

【技术实现步骤摘要】
一种基于混合智能算法的变压器故障识别方法
本专利技术涉及一种故障识别方法，具体涉及一种基于混合智能算法的变压器故障识别方法。
技术介绍
变压器作为输配电环节中昂贵的重要设备，其现行运维主要依赖定期批量检修结合状态评估的方式，这种费时费力的方式成了提升电网运行安全性、可靠性和经济性的瓶颈。提高设备状态评估的准确性和有效性可大大提高运行维护工作效率，将原被动的方式转变为依据变压器状态变化而响应的主动检修工作，降低设备运行维护环节的费用。传统的状态检修主要依据《油浸式变压器(电抗器)状态评价导则》、《变压器油中溶解气体分析和判断导则》等相关导致与检修规程制定评估方法，另外还有IEC比值法、扩展德拜等效电路、杜瓦尔三角法等，这些方法只能针对特定的故障类型进行判断，可能导致变压器故障状态不准确的判断，扩展性弱。由于变压器运行数据与试验、检修数据积累渐成规模，现有技术中提出了通过专家经验来对数据进行挖掘分析判断变压器的运行状态，然而这种方法太过于依赖专家的主观认知与经验知识，可靠性不高，不利于推广。因此，科学研究者将智能算法运用到数据分析挖掘中，利用人工智能算法对变压器设备状态指标数据进行学习，建立状态评估模型，以代替专家评估方法，现如今已有许多行之有效的方法。例如，使用多层次支持向量机(SVM)分类器对变压器溶解气体进行故障分类；基于遗传算法的支持向量机算法，在支持向量机算法的故障状态判断模型之下；利用遗传算法对支持向量机参数的优化；多目标粒子群算法优化分类器，在多数分类算法中得到准确度较高的算法；通过将人工神经网络和证据理论的结合，结合两者优点提出了一种变压器故障综合诊断方法。由于数据规模越来越庞大，数据维度随检查仪器设备的投入不断扩展，信息不断增多且产生冗余，智能算法面向的变压器数据越来越复杂，单一算法已经无法满足分析要求。例如支持向量机在处理高维复杂非线性的数据时，计算慢，耗时长，精度低，泛化能力弱；模糊C均值聚类对样本敏感，分类准确率低；层次分析法在指标权值的确定、状态等级的划分以及具有复杂关联关系的数据指标的组合分类或分层等方面容易出现错误。基于数理统计的状态关联规则分析方法对前期统计数据要求高，容错性差。遗传算法计算量大，复杂，后期收敛速度慢，容易陷入早熟。人工神经网络结构复杂，对参数敏感，收敛速度慢，容易产生过度拟合。
技术实现思路
针对上述现有技术中存在的问题，本专利技术为提高电力变压器故障识别的准确率和可靠性，提出一种基于混合智能算法的变压器故障识别方法，在大数据的基础上，采用混合智能算法建立电力变压器故障识别模型，通过模型来识别变压器的故障。为了实现上述任务，本专利技术采用以下技术方案：一种基于混合智能算法的变压器故障识别方法，包括以下步骤：建立样本集，确定识别模型的结构规模、预设参数；根据所述识别模型的预设参数生成粒子群，其中每一个粒子表征一组待寻优的识别模型参数；计算粒子群中每个粒子的适应度，选择粒子的进化方式，更新粒子的位置与速度，当达到设定的迭代次数时输出寻优结果，将寻优结果作为识别模型参数，建立识别模型，利用识别模型进行变压器故障的识别。进一步地，所述的建立样本集，包括：收集N组样本(X，Y)构成样本集，其中X作为输入，属性长度为m；Y作为输出，表征了c类故障状态；随机选取n组作为训练样本集Xn*m，余下作为测试样本集；对所述的训练样本集、测试样本集均进行标准化或归一化处理。进一步地，所述的确定识别模型的结构规模、预设参数，包括：所述的识别模型为神经网络模型，识别模型的结构规模为m*s*c，其中识别模型中输入神经元个数为m个，输出神经元个数为c个，根据试错法对隐含层神经元个数s取值，并选择隐含层激活函数g(x)；所述的预设参数包括：最大进化次数maxiter，最大进化速度v_max和最小进化速度v_min，迭代计数t取1，粒子最大发光亮度L0，亮度调整系数σ，粒子荧光传播损耗系数γ；动量因子α。进一步地，所述的根据所述识别模型的预设参数生成粒子群，包括：根据所述的识别模型的预设参数随机生成粒子群Ap*l，种群Ap*l由p个粒子构成，每个粒子长度为l，l＝s*(m+1)。进一步地，所述的计算粒子群中每个粒子的适应度，包括：通过新粒子与旧粒子适应度的竞争来对种群进行更新，若旧粒子的适应度小于新粒子的适应度，则用新粒子取代旧粒子；采用同样的竞争方式对全局最优位置进行更新；所述的适应度f的计算公式为：f＝αErr(O,Y)+(1-α)Acc(O,Y)式1其中，α为动量因子，oi为训练样本集中第i个训练样本通过识别模型计算的输出值，yi为第i个训练样本的期望输出值，Acc(O,Y)为识别模型计算输出的正确率。进一步地，所述的第i个训练样本通过识别模型计算的输出值oi的计算方法包括：(1)规范化训练样本集Xn*m，其中训练样本共有n组，Yn*c为对应的n组训练样本的输出，c为故障状态类数；(2)确定隐含层神经元个数s以及激活函数为sigmoid，随机生成输入层与隐含层连接权重和隐含层神经元偏置值；(3)计算隐含层神经元的输出矩阵H：上式中，g(·)为激活函数sigmoid，w1…ws分别为s个输入层与隐含层连接权重，b1…bs为s个隐含层神经元偏置值，x1…xn指训练样本集Xn*m中的n个训练样本；(4)计算隐含层神经元与输出层神经元权重上式中，H为输出矩阵，λ0为正则系数，I表示单位矩阵，Yn*c为n组训练样本的输出；根据上面的计算可获得一组参数：输入层与隐含层连接权重w、隐含层神经元偏置值b、隐含层神经元与输出层神经元权重利用这三个参数确定了所述的识别模型；则输入训练样本集Xn*m可获得识别模型计算的输出值矩阵O：则所述的第i个训练样本通过识别模型计算的输出值oi即为输出值矩阵O中的第i个值。进一步地，所述的选择粒子的进化方式，更新粒子的位置与速度，当达到设定的迭代次数时输出寻优结果，包括：当迭代次数t等于1时，采用更新方式1，否则采用更新方式2：更新方式1：采用粒子群算法对种群进行位置与速度的更新；更新方式2：采用萤火虫算法对种群进行位置更新，在计算时，一个萤火虫对应一个粒子，每个粒子携带了亮度L与吸引度B(i)两种信息：L＝-L0(rij-σ)2式6其中，L0为粒子的最大发光亮度；rij为粒子i与光源j距离，距离采用Euclidean计算方式进行计算；σ为亮度调整系数，γ为粒子荧光传播损耗系数，当第i个粒子适应度小于第j个粒子适应度时，按式8和式9对粒子位置和速度进行更新，否则粒子位置不做更新：xi(t+1)＝xi(t)+B(i)(xj(t)-xi(t))+αeErr(t)(j＝1,2,...,p)式8vi(t+1)＝xi(t+1)-xi(t)式9其中，α为动量因子，e为自然常数，p为粒子总数，xi(t)和xj(t)分别为粒子i和j在第t次进化的位置，xi(t+1)为粒子i在第t+1次进化的位置，Err(t)为进化过程的训练误差，vi(t+1)为粒子i更新后的速度；当迭代次数大于最大进化次数maxiter时，停止迭代，输出寻优结果；否则继续迭代过程。进一步地，所述的利用识别模型进行变压器故障的识别，包括：取训练样本集作为特征字典，D＝{D1，D2，......，Dc}，其中c为故障状态类本文档来自技高网...

【技术保护点】
1.一种基于混合智能算法的变压器故障识别方法，其特征在于，包括以下步骤：建立样本集，确定识别模型的结构规模、预设参数；根据所述识别模型的预设参数生成粒子群，其中每一个粒子表征一组待寻优的识别模型参数；计算粒子群中每个粒子的适应度，选择粒子的进化方式，更新粒子的位置与速度，当达到设定的迭代次数时输出寻优结果，将寻优结果作为识别模型参数，建立识别模型，利用识别模型进行变压器故障的识别。

【技术特征摘要】
1.一种基于混合智能算法的变压器故障识别方法，其特征在于，包括以下步骤：建立样本集，确定识别模型的结构规模、预设参数；根据所述识别模型的预设参数生成粒子群，其中每一个粒子表征一组待寻优的识别模型参数；计算粒子群中每个粒子的适应度，选择粒子的进化方式，更新粒子的位置与速度，当达到设定的迭代次数时输出寻优结果，将寻优结果作为识别模型参数，建立识别模型，利用识别模型进行变压器故障的识别。2.如权利要求1所述的基于混合智能算法的变压器故障识别方法，其特征在于，所述的建立样本集，包括：收集N组样本(X，Y)构成样本集，其中X作为输入，属性长度为m；Y作为输出，表征了c类故障状态；随机选取n组作为训练样本集Xn*m，余下作为测试样本集；对所述的训练样本集、测试样本集均进行标准化或归一化处理。3.如权利要求1所述的基于混合智能算法的变压器故障识别方法，其特征在于，所述的确定识别模型的结构规模、预设参数，包括：所述的识别模型为神经网络模型，识别模型的结构规模为m*s*c，其中识别模型中输入神经元个数为m个，输出神经元个数为c个，根据试错法对隐含层神经元个数s取值，并选择隐含层激活函数g(x)；所述的预设参数包括：最大进化次数maxiter，最大进化速度v_max和最小进化速度v_min，迭代计数t取1，粒子最大发光亮度L0，亮度调整系数σ，粒子荧光传播损耗系数γ；动量因子α。4.如权利要求1所述的基于混合智能算法的变压器故障识别方法，其特征在于，所述的根据所述识别模型的预设参数生成粒子群，包括：根据所述的识别模型的预设参数随机生成粒子群Ap*l，种群Ap*l由p个粒子构成，每个粒子长度为l，l＝s*(m+1)。5.如权利要求1所述的基于混合智能算法的变压器故障识别方法，其特征在于，所述的计算粒子群中每个粒子的适应度，包括：通过新粒子与旧粒子适应度的竞争来对种群进行更新，若旧粒子的适应度小于新粒子的适应度，则用新粒子取代旧粒子；采用同样的竞争方式对全局最优位置进行更新；所述的适应度f的计算公式为：f＝αErr(O,Y)+(1-α)Acc(O,Y)式1其中，α为动量因子，oi为训练样本集中第i个训练样本通过识别模型计算的输出值，yi为第i个训练样本的期望输出值，Acc(O,Y)为识别模型计算输出的正确率。6.如权利要求1所述的基于混合智能算法的变压器故障识别方法，其特征在于，所述的第i个训练样本通过识别模型计算的输出值oi的计算方法包括：(1)规范化训练样本集Xn*m，其中训练样本共有n组，Yn*c为对应的n组训练样本的输出，c为故障状态类数；(2)确定隐含层神经元个数s以及激活函数为sigmoid，随机生成输入层与隐含层连接权重和隐含层神经元偏置值；(3)计算隐含层神经元的输出矩阵H：上...

【专利技术属性】
技术研发人员：覃炜梅，吴杰康，金尚婷，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44