【技术实现步骤摘要】
本专利技术涉及一种基于cso-ann算法的电气设备故障预测方法，属于电气设备故障预测。
技术介绍
1、电气设备的运行状态直接影响电力系统的安全性水平，如维持电网运行的大型设备，如变电站的额变压器、发电站的汽轮机、发电机等，这些电器设备都是电力企业设备的核心，如果发生故障，不但会影响企业生产的正常进行，还将造成巨大损失，目前用于电气设备故障预测的传统方法包括三比值法等，在实际中，由于核心设备与周边设备的拓扑结构复杂，关键核心设备的故障具有突发性，引起其故障的原因可能是外部的冲击或是本体的原因。在当前的研究中经常是通过故障发生时产生的暂态数据，如录波文件、告警等，进行较为独立的单一分析，较难实现对这些故障、冲击的预测。
2、如果发生故障，不但会影响企业生产的正常进行，还将造成巨大损失。国内外发生的大型汽轮机严重事故就是典型实例。因此，为了及时采取预防措施，避免不必要的损失，对这些核心设备进行故障预测具有非常重要的意义。
技术实现思路
1、针对现有技术存在的上述缺陷，本专利技术提出了一种基于cso-ann算法的电气设备故障预测方法。
2、本专利技术所述的一种基于cso-ann算法的电气设备故障预测方法，包括
3、步骤s1：采集历史dga样本数据并进行标准化预处理；
4、步骤s2：对历史时间序列训练数据建立与时间序列分解；
5、步骤s3：连续采集电气设备输出的电压样本x1，x2，x3，…，xn以形成电压样本集，电压样本集满足n(μ
6、步骤s4：设置人工神经网络ann的参数并构建ann模型，采用cso算法对ann模型的参数进行优化，得到cso-ann算法模型，将标准化预处理后的dga数据集输入cso-ann算法模型中进行训练并输出dga数据预测结果，得到电气设备故障预测结果。
7、优选地，所述步骤s1中标准化预处理的步骤包括：计算数据中在变压器油中溶解的各种气体的体积浓度百分比xi，其计算公式如下：
8、
9、其中，x*i表示第i(i＝1,2，…，p)种气体的气体体积浓度，p表示dga样本数据或dga数据集中在变压器油中溶解的气体的类别数。
10、优选地，所述标准预处理后的dga样本数据要求进行自采样，创建训练子样本，利用所述训练子样本对多个基分类器进行训练，构造一个集成分类器。
11、优选地，所述步骤s2的具体步骤为：
12、对现有的测量数据进行一定的数据转换与规范化：在规范化方面，需要进行时间对齐、时间间隔的统一，另外根据设备之间的拓扑关系，将设备的历史数据按照物理连接关系进行逐层分类，分为广度n次连接的设备，同时提前的时间窗口w也作为可调整参数，将迭代的范围和时间窗口共同作为迭代调节参数，在训练阶段进行迭代挖掘计算，在迭代中不断调整参数获得最优结果；
13、在对时间序列分解中，将原始多维时序数据分解得到三个分解因素子序列:趋势因素序列tt、周期变动因素序列st和不规则变动因素it，从不同的角度描述时序数据的变化；
14、时间序列y可表示为以上三个因素的函数，即：
15、yt＝f(tt,st,it)
16、时间序列分解的方法较常用的模型有加法模型yt＝tt+st+it和乘法模型yt＝tt×st×it，经过时间序列的周期性分解方法的分解，从原始序列中，得到三个分解因素子序列:趋势因素序列tt、周期变动因素序列st和不规则变动因素it。
17、优选地，所述步骤s3中通过以下公式得到置信水平为1-α时期望μ的置信区间：
18、
19、则置信水平为1-α时μ的置信区间为：
20、
21、n表示电压样本数量。
22、优选地，所述步骤s4中设置人工神经网络ann的参数并构建ann模型的步骤包括：采用三层bp网络模型作为ann模型，输入所述bp网络模型的拓扑结构、最小允许误差参数；其中所述bp网络模型的拓扑结构包括输入层数目、隐含层数目、输出层数目；设置隐含层激活函数、输出层激活函数；计算所述bp网络模型中隐含层神经元的输入αh(k)与输出βh(k)，以及输出层神经元的输入yj(k)和输出yoj(k)，其计算公式如下：
23、
24、βh(k)＝f1(αh(k))
25、
26、yoj(k)＝f2(yj(k))
27、式中，wih为输入层与隐含层的连接权值，bh为隐含层各神经元的阈值，whj为隐含层与输出层的连接权值，bj为输出层各神经元的阈值，其中h＝1,2，…，m，m为隐藏层神经元数量，j＝1,2，…，q，q为输出层神经元数量；xi(k)表示第k个输入样本集x(k)中第i 个样本，dj(k)表示第k个输入样本集x(k)的期望输出；f1为隐含层激活函数，f2为输出层激活函数。
28、本专利技术的有益效果是：本专利技术所述的基于cso-ann算法的电气设备故障预测方法，本专利技术能够采用数据处理手段及历史数据分析系统运行状态，有效识别对电气设备的故障或冲击，利用cso算法对ann模型的各项权值和阈值进行优化，使神经网络收敛速度加快，有效利用电气设备的海量高密度运行监测历史数据，对电力企业的电气设备所可能遭受的故障或冲击进行提前预测，以便及时采取预防措施避免，具有非常重要的现实价值。
本文档来自技高网...【技术保护点】
1.一种基于CSO-ANN算法的电气设备故障预测方法，其特征在于，包括
2.根据权利要求1所述的基于CSO-ANN算法的电气设备故障预测方法，其特征在于，所述步骤S1中标准化预处理的步骤包括：计算数据中在变压器油中溶解的各种气体的体积浓度百分比Xi，其计算公式如下：
3.根据权利要求2所述的基于CSO-ANN算法的电气设备故障预测方法，其特征在于，所述标准预处理后的DGA样本数据要求进行自采样，创建训练子样本，利用所述训练子样本对多个基分类器进行训练，构造一个集成分类器。
4.根据权利要求1所述的基于CSO-ANN算法的电气设备故障预测方法，其特征在于，所述步骤S2的具体步骤为：
5.根据权利要求1所述的基于CSO-ANN算法的电气设备故障预测方法，其特征在于，所述步骤S3中通过以下公式得到置信水平为1-α时期望μ的置信区间：
6.根据权利要求1所述的基于CSO-ANN算法的电气设备故障预测方法，其特征在于，所述步骤S4中设置人工神经网络ANN的参数并构建ANN模型的步骤包括：采用三层BP网络模型作为ANN模型，输入所述
...【技术特征摘要】
1.一种基于cso-ann算法的电气设备故障预测方法，其特征在于，包括
2.根据权利要求1所述的基于cso-ann算法的电气设备故障预测方法，其特征在于，所述步骤s1中标准化预处理的步骤包括：计算数据中在变压器油中溶解的各种气体的体积浓度百分比xi，其计算公式如下：
3.根据权利要求2所述的基于cso-ann算法的电气设备故障预测方法，其特征在于，所述标准预处理后的dga样本数据要求进行自采样，创建训练子样本，利用所述训练子样本对多个基分类器进行训练，构造一个集成分类器。
4.根据权利要求1所述的基于cso-ann算法的电气设备故障预测方法，其特征在于，所述步骤s2的具体步骤为：
5....
【专利技术属性】
技术研发人员：姜孔实，姚晓林，孙战辉，张利臣，孙颖辉，于海舰，张洪雨，王龙江，董华周，李栋，毕文彦，
申请(专利权)人：国网山东省电力公司荣成市供电公司，
类型：发明
国别省市：
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。