基于改进粒子群优化神经网络的变压器故障诊断方法技术

基于改进粒子群优化神经网络的变压器故障诊断方法，步骤如下：首先，获取变压器油中溶解气体相关数据与变压器故障信息作为样本数据，并用降半正态分布评分模型对油中溶解气体数据进行预评估；其次，确定神经网络的网络结构；然后，用改进的粒子群算法优化神经网络的参数；再用预评估后的样本数据对参数优化后的神经网络进行训练，得到最终的神经网络模型；最后，用该神经网络模型处理待评估的变压器数据，便会诊断出变压器的故障类型；本发明专利技术方法可以降低原始数据冗余信息的干扰，提高评估数据的有效性；同时加快神经网络训练时的收敛速度、提高参数寻优的搜索能力，并最终提高变压器故障诊断的准确率和可靠度。

【技术实现步骤摘要】

本专利技术属于油浸式变压器设备状态检测
，特别涉及一种基于改进粒子群优化神经网络的变压器故障诊断方法。
技术介绍
油浸式变压器是电力系统中重要的电气设备，其运行状态直接影响电力系统的安全性水平。因此，研究变压器故障诊断技术、提高变压器运行维护水平具有重要意义。变压器油中溶解气体分析法是一种探测油浸式变压器初期故障的有效手段，它为了解油浸式变压器内部的一般隐患提供了重要依据。人工神经网络作为一种人工智能研究方法，它可以根据所提供的数据，通过学习和训练，找出输入输出之间的内在联系，模型一旦建立好，对未经训练过的输入，同样可以获得相应的合适输出。目前，结合油中溶解气体分析法，人工神经网络已经被应用到油浸式变压器故障诊断中，用来寻找油中溶解气体相关参数与变压器早期故障之间的内在联系。但是，神经网络在变压器故障诊断的应用中存在着输入数据有效性差、训练时收敛速度慢并容易陷入局部极小值、故障诊断的准确率不够高等缺陷。
技术实现思路
本专利技术的目的在于提供一种基于改进粒子群算法优化神经网络的变压器故障诊断方法，该方法可以提高输入数据有效性、加快训练的收敛速度并提高变压器故障诊断的准确率。为了达到上述目的，本专利技术所采用的技术方案是，基于改进粒子群优化神经网络的变压器故障诊断方法，该方法的步骤如下：步骤一、获取变压器油中溶解气体相关数据与变压器故障信息作为样本数据；步骤二、用降半正态分布评分模型对变压器油中溶解气体相关数据进行预评估；其中，降半正态分布评分模型公式如下：式中，k为形状调节系数，x1为变压器油中溶解气体相关数据的注意值，其参考取值如表1所示；将变压器油中溶解气体相关数据分别作为降半正态分布评分模型的自变量x的值，求得因变量μ(x)的值即为油中溶解气体各项数据的预评估结果；自变量x的值越高，预评估结果μ(x)的值就越小，当自变量x的值超过注意值x1时，μ(x)的值就降为0；该评分模型不仅对原始变压器数据进行了初步的评估处理，降低了原始数据的分散性，而且对于超过注意值x1的变压器油中溶解气体数据，其评估值均取为零，从而降低了这部分冗余数据的干扰。此外，由于μ(x)的取值范围在0到1之间，所以该评分模型同时也实现了对原始数据的归一化功能；表1油中溶解气体评价标准参考表注意，变压器油中溶解气体各项数据在取值时，其单位要与注意值x1保持一致；步骤三、确定神经网络输入、输出模式，确定神经网络的隐层数、隐层神经元数及传递函数与训练函数；步骤四、对传统的粒子群算法进行改进，并用该改进的粒子群算法优化神经网络的参数；粒子群算法的改进方法为：加入收缩因子β，从而加快算法的收敛速度；设置可以非线性自适应调整的惯性权重w，从而更好地平衡局部和全局搜索能力；改进后粒子群算法的速度更新公式、位置更新公式以及惯性权重w的表达式分别如下：式中，v为当前粒子的速度；x为当前粒子的位置；p为个体最优位置；g为全局最优位置；c1、c2为学习因子，分别用于调节向个体最优位置p和全局最优位置g飞行的步长；r1、r2为介于[0，1]之间的随机数；k为当前迭代次数；i为当前粒子标号；d是维数的标号；β为收缩因子；w为惯性权重，它描述了粒子上一代速度对当前代速度的影响水平；kmax为最大允许迭代次数；k为当前的迭代次数；wmax和wmin分别是最大惯性权重和最小惯性权重；步骤五、用样本数据，包括预评估后的变压器油中溶解气体数据与变压器故障信息数据，对参数优化后的神经网络进行训练，得到最终的神经网络模型；步骤六、用最终的神经网络模型处理待评估的变压器油中溶解气体数据，便会诊断出变压器的故障类型。所述步骤一中，获取的变压器油中溶解气体相关数据包括H2、C2H2、CH4、C2H6、C2H4、总烃各种油中溶解气体的含量，总烃的产气速率以及CO2与CO气体含量的比值。所述步骤三中，确定神经网络的输入输出模式时，用降半正态分布评分模型的预评估结果作为神经网络的输入变量；用变压器故障类型数据包括无故障O1、中低温过热O2、高温过热O3、局部放电O4、低能量放电O5、高能量放电O6共6种变压器故障模式作为神经网络的输出变量。所述步骤四中，用改进的粒子群算法优化神经网络的参数时，其优化过程如下：过程1：将粒子的位置xi＝(xi1，xi2，...xid，...xiD)、速度vi＝(vi1，vi2，...vid，...viD)进行初始化，每一维参数都初始化为[-1，1]之间的随机数；确定粒子个数、惯性权重的最小值和最大值、加速系数以及迭代次数，其中：xi为当前粒子的位置，它的每一维参数表示的是神经网络内部的权值和阈值；vi为当前粒子的速度；i为当前粒子标号；d是维数的标号，D为总维数；过程2：根据神经网络的前向算法和均方误差指标的计算公式计算每个粒子的适应度函数值；其中，适应度函数值表示神经网络的误差阈值，误差越小表明粒子在搜索中的性能越好；当适应度函数达到最小时搜索出的位置参数便对应神经网络最佳权值和阈值；过程3：对每个粒子，将其当前位置的适应度函数值与其经历过的最好位置pi＝(pi1，pi2，...pid，...piD)的适应度函数值作比较，如果较好，则将其作为当前的最好位置pi，否则，不作处理；其中，pi为个体最优位置；i为当前粒子标号；d是维数的标号，D为总维数；过程4：对每个粒子，将其当前位置的适应度函数值与全局所经历的最好位置gi＝(gvi1，gi2，...gid，...giD)的适应函数度值作比较，如果较好，则记录该最好值的粒子序号，并将gi设置为该最好粒子的当前位置，否则，不作处理；其中，gi为全局最优位置；i为当前粒子标号；d是维数的标号，D为总维数；过程5：根据改进后粒子群算法的速度更新公式和位置更新公式更新每一个粒子的速度和当前位置；过程6：检查粒子速度和位置是否越界，如果越界，则排除越界并更新粒子的速度和位置；过程7：检验是否符合结束条件即迭代次数是否达到了给定的最大次数或者是否达到最小误差要求，如果符合，则停止迭代，输出的最终权值和阈值作为神经网络训练的初始权值和阈值，最终完成对神经网络的优化；否则转到过程2。本专利技术的有益效果在于：(1)本专利技术提供的变压器故障诊断方法中利用改进粒子群算法优化的神经网络对变压器故障进行诊断，能够更加准确、高效地识别变压器早期故障；(2)本专利技术用改进的粒子群算法对神经网络进行优化，可有效地克服神经网络算法在训练网络权值和阈值时收敛速度慢、易陷入局部极小值以及遗传算法独立训练神经网络时速度缓慢的缺点；(3)本专利技术对粒子群算法进行了改进，使其惯性权重可以非线性地自适应调整以更好地平衡局部和全局搜索能力，其收缩因子可以加快算法的收敛速度，有利于网络更快地收敛于全局最优解；(4)本专利技术选用变压器油中各溶解气的含量、总烃产气速率以及CO2与CO气体含量的比值作为变压器故障诊断的评估数据，使评估信息更加全面可靠；(5)本专利技术用降半正态分布评分模型对变压器油中溶解气体数据进行预评估，降低了原始数据冗余信息的干扰，提高了评估数据的有效性。附图说明图1为本专利技术的变压器故障诊断方法的流程图。图2为本专利技术中改进的粒子群算法的流程图。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术一种基于改进粒子群算法优化神经网络本文档来自技高网...

【技术保护点】
基于改进粒子群优化神经网络的变压器故障诊断方法，其特征在于，该方法的步骤如下：步骤一、获取变压器油中溶解气体相关数据与变压器故障信息作为样本数据；步骤二、用降半正态分布评分模型对变压器油中溶解气体相关数据进行预评估；其中，降半正态分布评分模型公式如下：μ(x)=exp(-k(x/x1)2),x<(1+1/k)x10x<(1+1/k)x1]]>式中，k为形状调节系数，x1为变压器油中溶解气体相关数据的注意值，其参考取值如表1所示；将变压器油中溶解气体相关数据分别作为降半正态分布评分模型的自变量x的值，求得因变量μ(x)的值即为油中溶解气体各项数据的预评估结果；自变量x的值越高，预评估结果μ(x)的值就越小，当自变量x的值超过注意值x1时，μ(x)的值就降为0；该评分模型不仅对原始变压器数据进行了初步的评估处理，降低了原始数据的分散性，而且对于超过注意值x1的变压器油中溶解气体数据，其评估值均取为零，从而降低了这部分冗余数据的干扰。此外，由于μ(x)的取值范围在0到1之间，所以该评分模型同时也实现了对原始数据的归一化功能；表1 油中溶解气体评价标准参考表注意，变压器油中溶解气体各项数据在取值时，其单位要与注意值x1保持一致；步骤三、确定神经网络输入、输出模式，确定神经网络的隐层数、隐层神经元数及传递函数与训练函数；步骤四、对传统的粒子群算法进行改进，并用该改进的粒子群算法优化神经网络的参数；粒子群算法的改进方法为：加入收缩因子β，从而加快算法的收敛速度；设置可以非线性自适应调整的惯性权重w，从而更好地平衡局部和全局搜索能力；改进后粒子群算法的速度更新公式、位置更新公式以及惯性权重w的表达式分别如下：vid(k+1)=β(wvid(k)+c1r1(pid(k)-xid(k))+c2r2(gid(k)-xid(k)))]]>xid(k+1)=xid(k)+vid(k+1)]]>w=wmax-(wmax-wmin)k2kmax2]]>式中，v为当前粒子的速度；x为当前粒子的位置；p为个体最优位置；g为全局最优位置；c1、c2为学习因子，分别用于调节向个体最优位置p和全局最优位置g飞行的步长；r1、r2为介于[0，1]之间的随机数；k为当前迭代次数；i为当前粒子标号；d是维数的标号；β为收缩因子；w为惯性权重，它描述了粒子上一代速度对当前代速度的影响水平；kmax为最大允许迭代次数；k为当前的迭代次数；wmax和wmin分别是最大惯性权重和最小惯性权重；步骤五、用样本数据，包括预评估后的变压器油中溶解气体数据与变压器故障信息数据，对参数优化后的神经网络进行训练，得到最终的神经网络模型；步骤六、用最终的神经网络模型处理待评估的变压器油中溶解气体数据，便会诊断出变压器的故障类型。...

【技术特征摘要】
1.基于改进粒子群优化神经网络的变压器故障诊断方法，其特征在于，该方法的步骤如下：步骤一、获取变压器油中溶解气体相关数据与变压器故障信息作为样本数据；步骤二、用降半正态分布评分模型对变压器油中溶解气体相关数据进行预评估；其中，降半正态分布评分模型公式如下：μ(x)=exp(-k(x/x1)2),x<(1+1/k)x10x<(1+1/k)x1]]>式中，k为形状调节系数，x1为变压器油中溶解气体相关数据的注意值，其参考取值如表1所示；将变压器油中溶解气体相关数据分别作为降半正态分布评分模型的自变量x的值，求得因变量μ(x)的值即为油中溶解气体各项数据的预评估结果；自变量x的值越高，预评估结果μ(x)的值就越小，当自变量x的值超过注意值x1时，μ(x)的值就降为0；该评分模型不仅对原始变压器数据进行了初步的评估处理，降低了原始数据的分散性，而且对于超过注意值x1的变压器油中溶解气体数据，其评估值均取为零，从而降低了这部分冗余数据的干扰。此外，由于μ(x)的取值范围在0到1之间，所以该评分模型同时也实现了对原始数据的归一化功能；表1油中溶解气体评价标准参考表注意，变压器油中溶解气体各项数据在取值时，其单位要与注意值x1保持一致；步骤三、确定神经网络输入、输出模式，确定神经网络的隐层数、隐层神经元数及传递函数与训练函数；步骤四、对传统的粒子群算法进行改进，并用该改进的粒子群算法优化神经网络的参数；粒子群算法的改进方法为：加入收缩因子β，从而加快算法的收敛速度；设置可以非线性自适应调整的惯性权重w，从而更好地平衡局部和全局搜索能力；改进后粒子群算法的速度更新公式、位置更新公式以及惯性权重w的表达式分别如下：vid(k+1)=β(wvid(k)+c1r1(pid(k)-xid(k))+c2r2(gid(k)-xid(k)))]]>xid(k+1)=xid(k)+vid(k+1)]]>w=wmax-(wmax-wmin)k2kmax2]]>式中，v为当前粒子的速度；x为当前粒子的位置；p为个体最优位置；g为全局最优位置；c1、c2为学习因子，分别用于调节向个体最优位置p和全局最优位置g飞行的步长；r1、r2为介于[0，1]之间的随机数；k为当前迭代次数；i为当前粒子标号；d是维数的标号；β为收缩因子；w为惯性权重，它描述了粒子上一代速度对当前代速度的影响水平；kmax为最大允许迭代次数；k为当前的迭代次数；wmax和wmin分别是最大惯性权重和最小惯性权重；步骤五、用样本数据，包括预评估后的变压器油中溶解气体数据与变压器故障信息数据，对参数优化后的神经网络进行训练，得到最终的神经网络模型；步骤六、用最终的神经...

【专利技术属性】
技术研发人员：徐肖庆，郑晓泉，肖德健，朱宁，陈永琴，韦瑞峰，胡昌斌，
申请(专利权)人：云南电网有限责任公司昆明供电局，西安交通大学，
类型：发明
国别省市：云南;53