[發明專利]基于麻雀搜索算法優化混合核極限學習機的變壓器故障診斷方法

在審

• 申請號: 202210584876.X
• 申請日: 2022-05-27
• 公開（公告）號: CN114925612A
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 張超虎;陳平安;孫運全
• 申請（專利權）人: 江蘇大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/04;G06N3/08;G06F111/08
• 代理公司: 南京智造力知識產權代理有限公司 32382
• 代理人: 胡德水

1.基于麻雀搜索算法優化混合核極限學習機的變壓器故障診斷方法，其特征在于，包括以下步驟：

1)收集變壓器在六種狀態下運行的數據，在變壓器油中溶解的氣體包括氫氣(H₂)、甲烷(CH₄)、乙炔(C₂H₂)、乙烯(C₂H₄)、乙烷(C₂H₆)五種，并對數據進行歸一化處理，并將處理后的數據按比例劃分為訓練集和測試集；

2)搭建混合核極限學習機預測模型；

3)確定SSA種群規模、發現者比例、預警者比例和目標函數參數，并對種群進行初始化處理；

4)選取argmin(TrainErrorRate)訓練樣本的錯誤率作為SSA的適應度函數；

5)將種群狀態信息傳遞給HKELM網絡,獲得不同的HKELM網絡，比較待優化參數是否滿足要求；

6)訓練HKELM網絡，獲得適應度值；

7)比較適應度值，更新種群狀態；

8)判斷更新過程是否滿足要求，若滿足，則執行下一步，若不滿足，則返回步驟5)；

9)輸出最優參數并帶入HKELM網絡中，用優化后的網絡對變壓器故障進行診斷。

2.根據權利要求1所述的一種基于麻雀搜索算法優化混合核極限學習機的變壓器故障診斷方法，其特征在于，步驟1)的具體內容為：

收集變壓器故障相關數據，在變壓器油中溶解的氣體包括氫氣(H₂)、甲烷(CH₄)、乙炔(C₂H₂)、乙烯(C₂H₄)、乙烷(C₂H₆)五種，對數據進行歸一化處理，并將數據映射到[0,1]之間，具體處理公式如下：

式中，為歸一化處理后的特征氣體含量；x_ij為第i個樣本j個特征氣體的含量；x_i1+x_i2+x_i3+x_i4+x_i5為第i個樣本H₂、CH₄、C₂H₂、C₂H₄、C₂H₆五種氣體的總含量。

3.根據權利要求1所述的一種基于麻雀搜索算法優化混合核極限學習機的變壓器故障診斷方法，其特征在于，步驟2)中搭建混合核極限學習機的步驟為：

單隱層前饋神經網絡模型輸出為：

F(x)＝h(x)×β＝H×β

式中，x為輸入數據向量，F(x)為網絡輸出；h(x)、H為隱含層節點輸出函數；β為連接隱含層和輸出層的輸出權值向量；

將網絡訓練變為線性系統求解的問題，引入正則化系數C和單位矩陣I,則隱含層與輸出的輸出權值為：

核函數極限學習機的核矩陣為：

Ω_ELM＝HH^T＝h(x_i)h(x_j)＝K(x_i,x_j)

式中，K(x_i,x_j)表示核函數，為了獲得較強的學習能力和泛化能力，我們使用徑向基核函數和多項式核函數的加權作為核極限學習機的核函數，此時混合核函數為：

式中，λ、m、n、σ都是混合核函數的參數；

此時，混合核極限學習機的輸出為：

4.根據權利要求1所述的一種基于麻雀搜索算法優化混合核極限學習機的變壓器故障診斷方法，其特征在于，步驟3)中，確定SSA中種群規模、發現者比例、預警者比例和目標函數參數具體內容為：

種群規模可以根據計算機能力來確定種群的規模；發現者比例為20％，預警者比例為10％；目標函數參數有五個，即λ、m、n、σ、C。