一种基于遗传算法与BP神经网络的变压器故障诊断方法技术

本发明专利技术属于电气设备故障诊断技术领域，具体涉及一种基于遗传算法与BP神经网络的变压器故障诊断方法。本发明专利技术方法设计的BP神经网络模型具有强大的自学能力，且网络的隐层数、各层的神经元均可视实际情况而定，而敏感性分析可以从大量不确定因素中筛选出主要影响因素。通过所需收集的数据信息及其影响因素，进行敏感性分析，计算变压器故障诊断全部影响因素对BP神经网络故障诊断模型的敏感数据。F和R检验是验证敏感性矩阵的拟合程度，R检验主要检验敏感性矩阵的相关性，F检验是对矩阵的显著性检验，辅助验证效果。最后使用遗传算法在全局空间的搜索范围，设计优化参数、约束条件和目标函数，寻找最优解。寻找最优解。寻找最优解。

【技术实现步骤摘要】
一种基于遗传算法与BP神经网络的变压器故障诊断方法


[0001]本专利技术属于电气设备故障诊断
，具体涉及一种基于遗传算法与BP神经网络的变压器故障诊断方法。

技术介绍

[0002]电力变压器作为整个电网的关键核心设备，其在电力系统中的作用与地位不容小觑。为保证电网安全稳定运行，需及时掌握变压器的运行状态、发现其内部潜伏性故障并做相应处理。目前，变压器故障诊断方法主要有气相色谱分析技术。该方法存在一定的缺陷，分析方法单一，花费时间长，易延长处理故障的时间。随着人工智能的发展，有的神经网络模型缺陷也显而易见，如收敛速度慢甚至不收敛、易陷入局部最优区域。

技术实现思路

[0003]为了解决上述问题，本专利技术提供了一种基于遗传算法与BP神经网络的变压器故障诊断方法，具体技术方案如下：
[0004]一种基于遗传算法与BP神经网络的变压器故障诊断方法，包括以下步骤：
[0005]步骤S1，根据变压器内部绝缘材料受电和热所分解出的故障气体种类，选取特征气体；
[0006]步骤S2，根据选取的特征气体构建用于变压器故障诊断的BP神经网络故障诊断模型，确定特征气体对应故障类型的取值范围；
[0007]步骤S3：对选取的特征气体的含量进行敏感性分析，判断其含量对BP神经网络故障诊断模型的敏感性程度，计算得到敏感性矩阵；
[0008]步骤S4，对步骤S3得到的BP神经网络故障诊断模型的敏感性矩阵进行F和R检验，验证敏感性矩阵的拟合程度；
[0009]步骤S5，对经过F和R检验的BP神经网络故障诊断模型设计目标函数和约束条件，采用遗传算法进行参数寻优，得到优化后的输入层、隐层与输出层神经节点个数。
[0010]优选地，所述步骤S1中选取的特征气体为H2、CH4、C2H6、C2H4、C2H2。
[0011]优选地，所述步骤S2中采用传统的三层BP神经网络作为BP神经网络故障诊断模型，所述三层BP神经网络包括输入层、隐层、输出层；
[0012]所述BP神经网络故障诊断模型数值P的计算公式为：
[0013]P＝XS1k1+S1Tk2+S1k3+Tk4+k5；
ꢀꢀ
(1)
[0014]P为BP神经网络故障诊断模型数值，X、S1、T分别为输入层、隐层与输出层神经节点个数，k1、k2、k3、k4和k5分别为H2、CH4、C2H6、C2H4、C2H2五种气体的含量。
[0015]优选地，通过收集所需的数据信息及其影响因素，进行敏感性分析，计算变压器故障诊断全部影响因素对BP神经网络故障诊断模型的敏感数据，求出敏感性矩阵如下式(2)所示：
[0016][0017]式中，F
1i
、F
2i
、F
3i
、F
4i
、F
5i
分别为H2、CH4、C2H6、C2H4、C2H2五种气体含量的第i个因素对BP神经网络故障诊断模型的敏感性程度；
[0018]各含量因素会发生单位极小变化，含量变化矩阵见式(3)所示：
[0019][0020]ΔR
1i
、ΔR
2i
、ΔR
3i
、ΔR
4i
、ΔR
5i
别为H2、CH4、C2H6、C2H4、C2H2五种气体含量的第i个因素单位极小变化内的含量变化值；
[0021]则敏感性矩阵求解可见式(4)：
[0022][0023]在式(4)中，S为所有影响因素目前的含量变化值，V
i
为第i个气体含量影响因素的现有值，ΔV
i
为第i个气体含量影响因素的变化值。
[0024]优选地，所述步骤S5中经过敏感性分析及F和R检验，得出优化设计参数输入层、隐层与输出层神经节点个数分别为X、S1、T，约束条件为B1、B2、B3、B4和B5，目标函数为BP神经网络故障诊断模型数值P最小。
[0025]优选地，所述约束条件为B1为：38.5≤k1≤44.8。
[0026]优选地，所述约束条件为B2为：25≤k2≤49。
[0027]优选地，所述约束条件为B3为：34≤k3≤62。
[0028]优选地，所述约束条件为B4为：5≤k4≤11.9。
[0029]优选地，所述约束条件为B5为：0≤k5≤0.3。
[0030]本专利技术的有益效果为：本专利技术提供了一种基于遗传算法与BP神经网络的变压器故障诊断方法，本专利技术方法设计的BP神经网络模型具有强大的自学能力，且网络的隐层数、各层的神经元均可视实际情况而定，而敏感性分析可以从大量不确定因素中筛选出主要影响因素，主要影响因素敏感度和结果的影响成正比，敏感度越高，影响越大，该影响因素越主要。通过所需收集的数据信息及其影响因素，进行敏感性分析，计算变压器故障诊断全部影响因素对BP神经网络故障诊断模型的敏感数据。F和R检验是验证敏感性矩阵的拟合程度，R检验主要检验敏感性矩阵的相关性，F检验是对矩阵的显著性检验，辅助验证效果。最后使
用遗传算法在全局空间的搜索范围，设计优化参数、约束条件和目标函数，寻找最优解。遗传算法弥补了神经网络模型的缺陷。本专利技术方法使用遗传算法寻优，遗传算法的特性使得求解区域为全局，从全局区域进行搜索，求出的解在区域范围内为最优解。
附图说明
[0031]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0032]图1为本专利技术的流程示意图；
[0033]图2为BP神经网络拓扑结构图；
[0034]图3为本专利技术中的遗传算法流程图。
具体实施方式
[0035]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0036]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0037]还应当理解，在本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0038]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0039本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遗传算法与BP神经网络的变压器故障诊断方法，其特征在于，包括以下步骤：步骤S1，根据变压器内部绝缘材料受电和热所分解出的故障气体种类，选取特征气体；步骤S2，根据选取的特征气体构建用于变压器故障诊断的BP神经网络故障诊断模型，确定特征气体对应故障类型的取值范围；步骤S3：对选取的特征气体的含量进行敏感性分析，判断其含量对BP神经网络故障诊断模型的敏感性程度，计算得到敏感性矩阵；步骤S4，对步骤S3得到的BP神经网络故障诊断模型的敏感性矩阵进行F和R检验，验证敏感性矩阵的拟合程度；步骤S5，对经过F和R检验的BP神经网络故障诊断模型设计目标函数和约束条件，采用遗传算法进行参数寻优，得到优化后的输入层、隐层与输出层神经节点个数。2.根据权利要求1所述的一种基于遗传算法与BP神经网络的变压器故障诊断方法，其特征在于，所述步骤S1中选取的特征气体为H2、CH4、C2H6、C2H4、C2H2。3.根据权利要求2所述的一种基于遗传算法与BP神经网络的变压器故障诊断方法，其特征在于，所述步骤S2中采用传统的三层BP神经网络作为BP神经网络故障诊断模型，所述三层BP神经网络包括输入层、隐层、输出层；所述BP神经网络故障诊断模型数值P的计算公式为：P＝XS1k1+S1Tk2+S1k3+Tk4+k5；
ꢀꢀ
(1)P为BP神经网络故障诊断模型数值，X、S1、T分别为输入层、隐层与输出层神经节点个数，k1、k2、k3、k4和k5分别为H2、CH4、C2H6、C2H4、C2H2五种气体的含量。4.根据权利要求2所述的一种基于遗传算法与BP神经网络的变压器故障诊断方法，其特征在于，通过收集所需的数据信息及其影响因素，进行敏感性分析，计算变压器故障诊断全部影响因素对BP神经网络故障诊断模型的敏感数据，求出敏感性矩阵如下式(2)所示：式中，F
1i
、F
2i
、F
3i
、F

【专利技术属性】
技术研发人员：李锐，黎大健，陈梁远，易辰颖，韩方源，张磊，芦宇峰，余长厅，苏毅，饶夏锦，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：