【技术实现步骤摘要】
本专利技术涉及电力设备使用寿命预测方法，尤其涉及一种基于改进蚁群优化bp神经网络干式变压器剩余寿命的预测方法。
技术介绍
1、变压器是电力系统中的重要设备之一，其运行状态的好坏直接决定了电力系统的安全性与稳定性。变压器的剩余使用寿命决定着变压器是否能够正常稳定的运行，随着变压器的老化及剩余使用寿命的减少，各种故障也会随之产生。因此如何预测变压器的剩余使用寿命，实时跟踪变压器的老化状态，在其出现严重问题之前做出预警，是变压器状态监测亟需解决的技术问题。
2、bp神经网络算法作为广泛使用的智能算法，已经被用于变压器寿命预测，很多学者对bp算法进行了大量的改进，但所得到的收敛速度和精度是有限的，且容易陷入局部最优解的情况。蚁群算法是指大自然中蚂蚁在寻找食物时会在所经过的地方留下信息素，蚁群中的其他蚂蚁会通过前面蚂蚁留下的信息素浓度来找出到达食物最短路径的方法。蚂蚁觅食的这种行为形成了一种信息的正反馈，蚁群算法就是受到大自然中蚂蚁觅食的启发，模拟出该过程中信息素积累的良好机制，通过每个个体间的交流与合作找到全局的最优解，但蚁群算法通常都需要很长的时间，且同样存在易陷入局部最优的缺点。
3、在其他领域中，已经有学者提出了使用蚁群优化算法和bp神经网络结合来进行预测与评估，其中，蚁群优化算法的记忆性和并行性可以有效避免遗传算法中常见的缺陷。但由于蚁群优化算法发展时间很短，将蚁群优化算法与bp神经网络相结合应用到变压器剩余寿命预测的相关文献还很少；特别是将改进蚁群算法优化bp神经网络运用于干式变压器剩余寿命预测的这一特
4、而本专利技术提到的基于改进蚁群优化bp神经网络的方法，通过建立干式变压器剩余寿命的预测模型，根据采集到的变压器基本信息、工况信息、历史信息等运行数据，利用改进蚁群算法对神经网络的权值进行调整，并给出最为合理的预测模型，在训练中能够有效避免bp神经网络陷入局部最优解的问题，提高预测精度，实现对变压器剩余使用寿命预测。因此本专利技术可弥补甚至克服干式变压器剩余使用寿命预测现有技术的上述不足。
技术实现思路
1、一种基于改进蚁群优化bp神经网络干式变压器剩余寿命的预测方法，其特征在将改进蚁群算法引入到干式变压器剩余寿命的预测当中，合理调整bp神经网络的初始权值，弥补bp神经网络容易陷入局部最优解、预测精度不足的问题，提高变压器剩余使用寿命预测的精度和准确性，具体包括以下步骤：
2、1)利用干式变压器运行数据采集装置获得变压器剩余寿命预测所需的的运行数据：基本信息、工况信息、历史信息三部分，并存储在计算机中；
3、2)从计算机中读取采集的干式变压器剩余寿命预测所需的运行数据：基本信息、变压器的谐波电压u和电流i、线圈温度tc、环境温度te与湿度h、有功功率p和无功功率q、冷却系统的运行情况、电压控制装置的工作状态和历史信息，并分别对各类数据进行编号；
4、3)处理步骤2)中已获取的干式变压器运行数据，剔除数据中的离群点、补全缺失数据，去除数据噪声并进行归一化；
5、剔除离群点采取3δ法则：
6、将超出区间(ζ-3δ，ζ+3δ)的数据剔除，其中ζ为数据集的均值，δ为数据集的标准差；
7、拉格朗日插值法公式：
8、
9、已知点(x0,y0),(x1,y1),(x2,y2),(x4,y4),(x5,y5),(x6,y6)的数据,为得到x3对应的数据，应用拉格朗日多项式lnx就可以得到一个(x0,y0),(x1,y1),(x2,y2),(x4,y4),(x5,y5),(x6,y6)同时符合的函数多项式，再将x3带入函数多项式以得到对应的y3数据；
10、应用小波变换将原信号进行分解，获得相对应的分解系数，再应用阈值函数进行小波系数处理，得到小波系数的估计值，重构小波系数的估计值重构，得到降噪后的信号；
11、min-max法归一化公式：
12、
13、其中，xi是第l项输入的数据，yi为xi归一化处理后得到的数据，xmin是输入数据的最小值，xmax是输入数据的最大值；
14、4)采用一个三层网络拓扑结构的蚁群算法优化bp神经网络对数据进行训练，获取干式变压器剩余寿命预测模型；
15、选取改进蚁群算法的bp神经网络，其中，输入层的节点数为变压器运行数据特征量的总数，设为l，隐含层的节点数设为m，输出层的节点数设为n；
16、网络的计算方式如下：
17、隐含层节点m处的输入值yinm:
18、
19、其中，是输入层节点l与隐含层节点m之间的权值，ioutl是输入层节点l处的输出值，bm为偏置系数；
20、隐含层节点m通过函数激活的输出值youtm：
21、youtm＝αm·fm(yinm) (4)
22、其中，fm为隐含层第m层的传递函数，αm为第m层传递函数的系数；
23、输出层节点n处的输入值oinn:
24、
25、其中，是隐含层节点m与输出层节点n之间的权值；
26、输出层节点n处的输出值ooutn:
27、ooutn＝fo(oinn) (6)
28、其中，fo为输出层的函数；
29、初始化蚁群算法改进bp神经网络，将步骤2)所获取的数据用于神经网络训练，再将误差通过输出层反向传输到输出层并调整权值；
30、将利用蚁群算法找到的一组最优的权值wl和阈值作为bp神经网络的初始参数值，计算期望输出与实际输出之间误差δ:
31、
32、其中，qek为第e个训练样本的期望输出值，reout为第e个训练样本的实际输出值；判断误差δ是否小于等于预设的阈值或达到设定的最大迭代次数n_max；其中预设的阈值根据训练以及实际的训练结果而定；
33、若误差δ满足要求，则输出预测结果y'；若不满足要求，则按照权值、阈值对公式进行更新优化；重复上述过程直至bp神经网络算法训练结束，构建出干式变压器剩余寿命预测模型；5)步骤4)所获取的预测结果y'是经过归一化操作后得到的，要将其还原为实际的干式变压器使用寿命lt'，反归一化进行还原：
34、
35、用预测获得的干式变压器使用寿命值lt'减去运行年限t，计算预测的干式变压器剩余寿命lt；
36、lt＝lt′-t (9)
本文档来自技高网...【技术保护点】
1.一种基于改进蚁群优化BP神经网络的干式变压器剩余寿命的预测方法，具体包括以下步骤：
【技术特征摘要】
1.一种基于改进蚁群优化bp神经网络的干式变...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。