[發明專利]一種基于粒子群與神經網絡的化工廠電力變壓器故障預測方法

在審

• 申請號: 202110172221.7
• 申請日: 2021-02-08
• 公開（公告）號: CN112990546A
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 肖金星;葉影;夏士超;倪俊強;李敏;李峰;張慶豐;章磊;葛泳慶;劉鋒強;蔡新忠
• 申請（專利權）人: 國網上海市電力公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/00;G06Q50/06;G01R31/62;G06K9/62;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 上海元好知識產權代理有限公司 31323
• 代理人: 張靜潔;曹媛

1.一種基于粒子群與神經網絡的化工廠電力變壓器故障預測方法，其特征在于，該方法包括：

采集變壓器油中溶解氣體的類型和含量數據；

確定Elman神經網絡的隱藏層的神經元數目N₁、PNN神經網絡的徑向基函數的分布系數S₂以及容許最大誤差率約束范圍，生成初始粒子群；

根據所述溶解氣體的類型和含量數據構建與訓練所述Elman神經網絡，所述Elman神經網絡用于數據預測；

根據所述溶解氣體的類型和含量數據構建與訓練所述PNN神經網絡，所述PNN神經網絡用于故障類型判別；

計算適應度值，利用粒子群算法求解得到最優Elman神經網絡的隱藏層的神經元數目N₀和PNN網絡徑向基函數分布系數S₀。

2.如權利要求1所述的基于粒子群與神經網絡的化工廠電力變壓器故障預測方法，其特征在于，所述溶解氣體的類型包括甲烷、乙烷、乙炔、一氧化碳和二氧化碳中的至少一個。

3.如權利要求1所述的基于粒子群與神經網絡的化工廠電力變壓器故障預測方法，其特征在于，所述Elman神經網絡的建立過程具體包括：將溶解氣體的類型和含量數據傳送到輸入層，設置隱藏層神經元個數，隱藏層接著對信號進行線性加權，承接層作為延時算子進行非線性函數傳送，對隱藏層傳輸信號記錄后再次傳送給輸入層。

4.如權利要求1所述的基于粒子群與神經網絡的化工廠電力變壓器故障預測方法，其特征在于，所述PNN神經網絡的建立過程具體包括：將溶解氣體的類型和含量數據傳送至輸入層，類別層單元表示故障類型，模式層表示計算輸入數據與故障類型之間的匹配關系，求和層將屬于故障類型的概率進行累積，設計閾值辨別器作為輸出決策層，輸出判別出的故障模式。

5.如權利要求1所述的基于粒子群與神經網絡的化工廠電力變壓器故障預測方法，其特征在于，所述隱藏層的神經元數目N₁約束在3至20間的整數，所述徑向基函數分布系數S₂約束在0.1至3間的實數。

6.如權利要求1所述的基于粒子群與神經網絡的化工廠電力變壓器故障預測方法，其特征在于，所述PNN神經網絡的輸入包含實際數據和預測數據。

7.如權利要求6所述的基于粒子群與神經網絡的化工廠電力變壓器故障預測方法，其特征在于，所述適應度為訓練結果與測試數據的誤差，訓練結果與測試數據的誤差約束通過誤差率來表示，所述誤差率不超過10％。

8.如權利要求1所述的基于粒子群與神經網絡的化工廠電力變壓器故障預測方法，其特征在于，所述方法還包括：

對溶解氣體的類型和含量數據進行預處理；

根據預處理后的數據選取訓練數據集和測試數據集。

9.如權利要求8所述的基于粒子群與神經網絡的化工廠電力變壓器故障預測方法，其特征在于，所述預處理包括數據清洗和數據主成分分析，所述數據清洗用于剔除干擾數據或噪聲數據，所述數據主成分分析用于提出數據特征量。

10.如權利要求8所述的基于粒子群與神經網絡的化工廠電力變壓器故障預測方法，其特征在于，將預處理后的數據分為訓練數據集和測試數據集，測試數據集不少于總數據量的三分之一。