[發(fā)明專(zhuān)利]一種基于布谷鳥(niǎo)搜索優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710196519.5
• 申請(qǐng)日: 2017-03-29
• 公開(kāi)（公告）號(hào): CN107153869A
• 公開(kāi)（公告）日: 2017-09-12
• 發(fā)明（設(shè)計(jì)）人: 楊曉輝;李岸一;彭志云;董桓毓;王靜
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南昌大學(xué)
• 主分類(lèi)號(hào): G06N3/00
• 分類(lèi)號(hào): G06N3/00;G06N3/08
• 代理公司: 南昌新天下專(zhuān)利商標(biāo)代理有限公司36115
• 代理人: 施秀瑾

技術(shù)領(lǐng)域

本發(fā)明屬于人工智能技術(shù)領(lǐng)域，涉及變壓器故障診斷方法。

背景技術(shù)

電力變壓器是電力系統(tǒng)中的重要設(shè)備，變壓器運(yùn)行時(shí)發(fā)生任何故障都可能終端電力供應(yīng)，造成重大生產(chǎn)事故和經(jīng)濟(jì)損失。因此，對(duì)變壓器故障的精確預(yù)測(cè)非常重要。

變壓器油中溶解氣體分析(DGA)作為一種高效的變壓器故障診斷方法，在電力系統(tǒng)實(shí)際運(yùn)行中被廣泛采用。通過(guò)對(duì)變壓器油中溶解的特定氣體含量的數(shù)據(jù)進(jìn)行分析，可以找到變壓器運(yùn)行狀態(tài)的模式。因此，研究者提出了大量的基于DGA數(shù)據(jù)的診斷方法，主要分為兩類(lèi)：傳統(tǒng)診斷方法和智能診斷方法。

傳統(tǒng)診斷方法有特征氣體法、羅杰斯比值法、改良三比值法，其中改良三比值法是電力系統(tǒng)操作中的推薦方法。然而，傳統(tǒng)的診斷方法局限性較大，難以準(zhǔn)確反映故障和表現(xiàn)特征之間的規(guī)律，并且在很多情況下無(wú)法對(duì)變壓器故障狀態(tài)進(jìn)行分析。

針對(duì)傳統(tǒng)診斷方法的不足之處，基于DGA數(shù)據(jù)的人工智能方法開(kāi)始運(yùn)用到診斷中，比如人工神經(jīng)網(wǎng)絡(luò)(ANN)、遺傳算法(GA)、支持向量機(jī)(SVM)等。因此，相較于傳統(tǒng)診斷方法，人工智能方法表現(xiàn)出較好的性能和較強(qiáng)的泛化能力。

本發(fā)明選擇從人工神經(jīng)網(wǎng)絡(luò)入手進(jìn)行改良。現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)方法存在以下缺點(diǎn)：首先，訓(xùn)練步數(shù)和判斷正確性往往無(wú)法同時(shí)滿(mǎn)足，訓(xùn)練結(jié)果往往不能令人滿(mǎn)意；其次，沒(méi)有成熟的技術(shù)手段確定網(wǎng)絡(luò)結(jié)構(gòu)和調(diào)節(jié)參數(shù)，網(wǎng)絡(luò)性能的好壞很多時(shí)候只能靠人工經(jīng)驗(yàn)和運(yùn)氣，得到優(yōu)秀的結(jié)果無(wú)法進(jìn)行解釋?zhuān)覍?shí)驗(yàn)結(jié)果存在不能付現(xiàn)的可能行，對(duì)參數(shù)的微小變動(dòng)較敏感。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)現(xiàn)有的神經(jīng)網(wǎng)絡(luò)方面的技術(shù)方案存在的明顯缺點(diǎn)，提出一種基于布谷鳥(niǎo)搜索優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法，并將其應(yīng)用到基于DGA數(shù)據(jù)的變壓器故障診斷中。用以解決基于變壓器油中溶解氣體分析(DGA)數(shù)據(jù)的多分類(lèi)問(wèn)題。

本發(fā)明的技術(shù)方案是，采用人工智能方法中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合一種布谷鳥(niǎo)搜索的元啟發(fā)式智能方法，用布谷鳥(niǎo)搜索方法去優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，同過(guò)DGA數(shù)據(jù)的訓(xùn)練得到一種穩(wěn)定的基于布谷鳥(niǎo)搜索優(yōu)化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)，以解決這種對(duì)分類(lèi)問(wèn)題。

本發(fā)明所述的一種基于布谷鳥(niǎo)搜索優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法，包括以下步驟：

(1)利用變壓器油中溶解氣體分析法(DGA)對(duì)變壓器油中的必測(cè)溶解氣體CH₄，C₂H₆，C₂H₄，C₂H₂，CO，CO₂以及下面的變壓器中油氣體分析目的表中的推薦檢測(cè)氣體O₂，N₂，H₂進(jìn)行提取，通過(guò)分析提取得到的氣體組分的數(shù)據(jù)進(jìn)行分類(lèi)與處理，確定故障類(lèi)型。

變壓器中油氣體分析目的表

(2)按變壓器故障和特征氣體含量關(guān)系表對(duì)步驟(1)得到的數(shù)據(jù)和故障類(lèi)型進(jìn)行正確的分類(lèi)標(biāo)記，并通過(guò)隨機(jī)抽樣方式按3﹕1(具體可按數(shù)據(jù)集規(guī)模調(diào)整)的比例分組，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集。

變壓器故障和特征氣體含量關(guān)系表

(3)使用基于布谷鳥(niǎo)搜索優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，當(dāng)預(yù)測(cè)誤差滿(mǎn)足要求時(shí)停止訓(xùn)練。

(4)用已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試集進(jìn)行測(cè)試，調(diào)試過(guò)程中通過(guò)不斷調(diào)整參數(shù)以保證測(cè)試結(jié)果理想。

(5)用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對(duì)新的未加標(biāo)簽的數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果即為故障類(lèi)型，完成故障診斷。

本發(fā)明具有如下優(yōu)點(diǎn)：避免傳統(tǒng)診斷方法大多局限于閾值診斷的缺點(diǎn)，具有較強(qiáng)的通用性；該方法與基本神經(jīng)網(wǎng)絡(luò)算法和基于其他元啟發(fā)式優(yōu)化神經(jīng)網(wǎng)絡(luò)算法方法相比，收斂速度更快，模型敏感度低，魯棒性較強(qiáng)；并且，該方法采用布谷鳥(niǎo)搜索這種元智能算法對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，改善了神經(jīng)網(wǎng)絡(luò)限于局部最小的缺點(diǎn)，并且調(diào)參過(guò)程更具有通用的規(guī)律性。

附圖說(shuō)明

圖1為本發(fā)明的一種基于布谷鳥(niǎo)搜索優(yōu)化神經(jīng)網(wǎng)絡(luò)的算法流程圖。

圖中：本流程圖中的神經(jīng)網(wǎng)絡(luò)算法采用BP神經(jīng)網(wǎng)絡(luò)，左邊為基本BP神經(jīng)網(wǎng)絡(luò)算法的算法流程圖，右邊為布谷鳥(niǎo)搜索算法的算法流程圖，中間判斷語(yǔ)句把兩部分結(jié)合在一起，整個(gè)流程為基于布谷鳥(niǎo)搜索優(yōu)化的神經(jīng)網(wǎng)絡(luò)的算法流程圖。

圖2為本發(fā)明的待優(yōu)化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

具體實(shí)施方式

以下將結(jié)合圖1和圖2對(duì)本發(fā)明作進(jìn)一步說(shuō)明。

一種基于布谷鳥(niǎo)搜索優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法的具體實(shí)施方式如下：