[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

本發明公開了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，包括步驟：1)收集變壓器在六種狀態下運行的數據，對數據進行預處理；2)搭建混合核極限學習機預測模型；3)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，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；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；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。該方法在保證網絡具有良好泛化性能的同時，還能極大地提高了前向神經網絡的穩定性和學習速度。

技術領域

本發明涉及變壓器故障診斷技術領域，尤其涉及一種基于混合核函數極限學習機的變壓器故障辨識方法。

背景技術

隨著我國經濟的不斷發展，人民對電力的需求也變得越來越高，在此情況上，電網的等級和容量也隨之提高，因此發展超高壓的變壓器顯得尤為重要。變壓器是電力系統輸變電的重要組成成分，是實現遠距離輸送電能的關鍵，變壓器是否能夠安全穩定的運行關系著整個電力系統的安全。但是，變壓器運行時往往會遇到各種各樣的情況的影響，比如天氣，氣候條件等，所以有些故障是不可避免的。為了保證變壓器的平穩運行，變壓器的故障檢測就顯得十分必要。若發生故障并且不能及時排查出，引發的后果可能就是無法估量的，甚至導致整個電力系統的癱瘓，所以變壓器的故障診斷一直受人們的密切關注。

油中氣體分析法是變壓器故障診斷的有效方法，是利用油中的溶解氣體對變壓器故障進行診斷。傳統的閾值檢測雖然操作簡單，但是它的劃分過于絕對，并且需要需要人為劃定，因此這種方法在實際運用中，準確率偏低，局限性較大。近年來，隨著人工智能的迅速發展，一些新型算法逐漸開始應用，如人工神經網絡、支持向量機等，這些算法雖然相比傳統的閾值檢測方法有了較大的改進，但是依然有很多不足。人工神經網絡運算所需數據量較大，運算時間較長，并且還很容易陷入局部最優的情況；而支持向量機的核函數選擇比較困難。所以，還需要進一步的研究改進。

發明內容

在上述背景的基礎上，本發明提出了一種用麻雀搜索算法優化混合核極限學習機的方法，用于變壓器故障診斷。通過麻雀搜索算法對混合核函數的參數進行優化，既能夠一定解決算法易陷入局部極小的現象提高網絡性能，也能夠提高神經網絡的診斷準確率。

本發明的目的可以通過以下技術方案來實現，包括如下步驟：

步驟1：數據預處理。

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。

步驟2：建立混合核極限學習機預測模型。

1)單隱層前饋神經網絡模型輸出為：

F(x)＝h(x)×β＝H×β