本发明属于油浸式变压器故障诊断方法技术领域,具体涉及基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法。
背景技术:
变压器是电力系统中的核心设备。据统计,油浸式变压器的每年故障率为0.00625,因此,开展变压器潜伏性故障的有效诊断对电力系统的安全稳定运行具有重要意义;此外,油浸式变压器的过热和放电故障总是与油中溶解气体的形成密切相关,基于此发展起来的油中溶解气体分析(dga)技术已成为诊断变压器故障的一种重要手段。
然而,在工程实践中,基于dga技术的三比值法存在着一些缺陷,如编码不全以及编码边界过于绝对等,为了克服这些问题,将人工智能与dga技术结合起来,已成为提高变压器故障诊断准确性的一种有效途径,较常采用的人工智能技术主要有神经网络和支持向量机等,然而,bp神经网络是一种弱学习算法,它存在过拟合以及收敛速度慢等问题;在小样本数据的情况下,尽管支持向量机能获得较好的分类效果,但其最优参数难以确定。
作为一种启发式优化算法,布谷鸟搜索(cs)具有良好的搜索能力,并在一些工程领域获得了成功应用。然而,在迭代过程中,cs算法的步长因子采用固定值的方式来生成新的候选解,不可避免地会恶化收敛速度和解的质量。此外,偏好随机游走策略侧重于勘探,致使cs算法的开发能力不足;尽管一维更新策略具有较强的局部搜索能力,但在求解变量相关的优化问题时,其搜索能力相对较弱。
技术实现要素:
本发明的目的是提供基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法,解决了现有的bp神经网络过拟合及收敛速度慢、cs算法中解的质量差且诊断精度低的问题。
本发明所采用的技术方案是,基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法,具体按照如下步骤实施:
步骤1、收集能反映变压器故障类型的dga特征气体的浓度,并对dga特征气体的浓度进行归一化处理后,作为故障诊断的输入样本,输入样本包括训练样本和测试样本;以及对变压器的故障类型经编码后作为输出样本;
步骤2、确定bp神经网络的隐含层神经元个数、训练函数以及输入层至输出层的传递函数,建立基于bp神经网络的故障诊断模型;
步骤3、采用改进的布谷鸟搜索算法对bp神经网络的故障诊断模型的参数进行寻优,获得最佳的权阈值参数,得到优化bp神经网络模型;
步骤4、利用训练样本对优化bp神经网络模型进行训练,得到改进布谷鸟搜索神经网络诊断模型;
步骤5、采用改进布谷鸟搜索神经网络诊断模型对测试样本进行预测,其输出即为变压器故障的诊断结果,并将诊断结果与步骤1得到的输出样本进行比较,判断出变压器的故障类型。
本发明的特点还在于,
步骤1中,所述dga特征气体的浓度采用mapminmax函数进行归一化处理。
步骤1中,所述dga特征气体包括h2、ch4、c2h6、c2h4和c2h2。
步骤1中,所述变压器的故障类型包括无故障、温度为150℃~700℃的中低温过热、温度大于700℃的高温过热、低能量放电和高能量放电五种。
步骤2中,隐含层神经元的个数按如下经验公式进行计算:
式(1)中,a为1~10之间的整数,m和n分别为输入、输出层的神经元个数,且m和n均为5。
步骤2中,输入层至输出层的传递函数分别为tansig函数和logsig函数,训练函数选择trainlm函数。
步骤3具体包括如下步骤:
步骤3.1、初始化改进的布谷鸟搜索算法的参数以及确定目标函数;
所述改进的布谷鸟搜索算法的参数包括鸟巢个数n、发现概率pa、步长因子的最大最小值、非线性参数c、最大迭代次数kmax以及分布参数β;
步骤3.2、随机选取bp神经网络的故障诊断模型的权阈值参数,并将所述权阈值参数编码为改进布谷鸟搜索算法的解向量,并对解向量进行初始化;
步骤3.3、评估改进的布谷鸟搜索算法的适应度函数,确定最佳的适应度和最优解;
步骤3.4、判断当前的迭代次数k与最大迭代次数kmax的大小关系,若k≤kmax,则进行步骤3.5继续迭代,否则跳转至步骤3.11;
步骤3.5、生成步长因子,然后采用levy飞行策略生成新解;
其中步长因子按照如下规则生成:
式(2)中,αmax为步长因子α的最大值,αmin为步长因子的最小值,kmax为最大迭代次数,k为当前迭代次数,c为非线性系数。
levy飞行策略的更新公式为:
式(3)中,xbest为当前最优解,
步骤3.6、评估步骤3.5得到的解
步骤3.7、在0到1之间生成一个随机数a,并将随机数a与发现概率pa进行比较,若随机数a>pa,则继续执行步骤3.8,否则,跳转至步骤3.10;
步骤3.8、在0到1之间生成一个随机数b,并将随机数b与0.5进行比较,若随机数b>0.5,则采用偏好随机游走策略生成新解,否则采用一维更新规则生成新解;
步骤3.9、评估步骤3.8得到的新解的质量,若此解优于步骤3.6得到的
步骤3.10、确定最佳的适应度和最优解;执行k=k+1,并跳转至步骤3.4;
步骤3.11、将最优解作为bp神经网络的最佳参数,得到优化bp神经网络模型。
步骤3.8中,偏好随机游走策略的表达式为:
式(4)中,r为[0,1]之间的一个随机数,
一维更新规则的表达式为:
式(5)中,γ为区间[-1,1]内的一个随机数,用于双向搜索以提高算法的局部开发能力,
本发明的有益效果是:
本发明的基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法,对布谷鸟搜索算法进行改进,使步长因子可以自适应的进行调整,提高了解的质量和收敛速度,同时,将偏好随机游走和一维更新策略组合使用,进一步平衡全局勘探和局部开发能力,采用该改进的布谷鸟搜索算法来优化bp神经网络参数,可以获得一个性能良好的变压器故障诊断模型,不仅可以克服dga技术所存在的编码不全、编码边界过于绝对等缺陷,而且能够缓解bp神经网络的拟合不稳定等问题,具有较高的诊断精度和较快的收敛速度,并为油浸式变压器的智能故障诊断提供了一个新的参考思路。
附图说明
图1为本发明的基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法的流程图;
图2为本发明中改进布谷鸟搜索算法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法,如图1所示,具体按照如下步骤实施:
步骤1、收集能反映变压器故障类型的dga特征气体的浓度,并对dga特征气体的浓度采用mapminmax函数进行归一化处理后,作为故障诊断的输入样本;对变压器的故障类型经编码后作为输出样本;
输入样本包括训练样本和测试样本;
所采集的dga特征气体为h2、ch4、c2h6、c2h4和c2h2,所诊断的故障类型为无故障、中低温过热(150℃~700℃)、高温过热(>700℃)、低能量放电和高能量放电五种,经编码后的输出样本包括nf—无故障,t1—中低温过热,t2—高温过热,d1—低能量放电,d2—高能量放电。
步骤2、确定bp神经网络的隐含层神经元个数、训练函数以及输入层至输出层的传递函数,建立基于bp神经网络的故障诊断模型。
其中,隐含层神经元的个数先按如下经验公式进行计算:
式(1)中,a为1~10之间的整数,m和n分别为输入、输出层的神经元个数,由于本发明采用三层的bp网络进行变压器故障诊断,m和n均为5;首先随机选取若干个a值,初步确定若干个隐含层神经元个数后,按照输出误差最小的原则逐个筛选,最终确定最佳的隐含层神经元个数。
输入层至输出层的传递函数分别为tansig函数和logsig函数,训练函数选择trainlm函数,bp神经网络的故障诊断模型中的学习率为0.1。
步骤3、采用改进的布谷鸟搜索算法对bp神经网络的故障诊断模型的参数进行寻优,获得最佳的权阈值参数,得到优化bp神经网络模型,如图2所示,具体包括如下步骤:
步骤3.1、初始化改进的布谷鸟搜索算法的参数以及确定目标函数;
其中,改进的布谷鸟搜索算法的参数包括鸟巢个数n、发现概率pa、步长因子的最大最小值、非线性参数c、最大迭代次数kmax以及分布参数β;
目标函数为实际输出结果和期望输出结果的均方误差的倒数。
步骤3.2、随机选取bp神经网络的故障诊断模型的权阈值参数,并将所述权阈值参数编码为改进布谷鸟搜索算法的解向量,并对解向量进行初始化;
步骤3.3、评估改进的布谷鸟搜索算法的适应度函数,确定最佳的适应度和最优解;
步骤3.4、判断当前的迭代次数k与最大迭代次数kmax的大小关系,若k≤kmax,则进行步骤3.5继续迭代,否则跳转至步骤3.11;
步骤3.5、生成步长因子,然后采用levy飞行策略生成新解;
其中步长因子按照如下规则生成:
式(2)中,αmax为步长因子α的最大值,αmin为步长因子的最小值,kmax为最大迭代次数,k为当前迭代次数,c为非线性系数。
levy飞行策略的更新公式为:
式(3)中,xbest为当前最优解,
步骤3.6、评估步骤3.5得到的解
步骤3.7、在0到1之间生成一个随机数a,并将随机数a与发现概率pa进行比较,若随机数a>pa,则继续执行步骤3.8,否则,跳转至步骤3.10;
步骤3.8、在0到1之间生成一个随机数b,并将随机数b与0.5进行比较,若随机数b>0.5,则采用偏好随机游走策略生成新解,否则采用一维更新规则生成新解;
其中,偏好随机游走策略的表达式为:
式(4)中,r为[0,1]之间的一个随机数,
一维更新规则的表达式为:
式(5)中,γ为区间[-1,1]内的一个随机数,用于双向搜索以提高算法的局部开发能力,
步骤3.9、评估步骤3.8得到的新解的质量,若此解优于步骤3.6得到的
步骤3.10、确定最佳的适应度和最优解;执行k=k+1,并跳转至步骤3.4;
步骤3.11、将最优解作为bp神经网络的最佳参数,得到优化bp神经网络模型;
步骤4、利用训练样本对优化bp神经网络模型进行训练,得到改进布谷鸟搜索神经网络诊断模型;
步骤5、采用改进布谷鸟搜索神经网络诊断模型对测试样本进行预测,其输出即为变压器故障的诊断结果,并将诊断结果与步骤1得到的输出样本进行比较,判断出变压器的故障类型。
其中训练样本和测试样本均为步骤1得到的输入样本。
利用改进布谷鸟搜索神经网络诊断模型以及布谷鸟搜索神经网络诊断模型(简记为icsbp和csbp)分别对变压器故障进行诊断。此外,基于dga技术的三比值法同样被采用以进行对比分析。表1给出了变压器故障诊断的12组dga数据的诊断结果。显然,与另外两种方法相比,改进布谷鸟搜索神经网络诊断模型具有较好的分类能力,并能克服三比值法所存在的编码不全、编码边界过于绝对等缺陷。
表1三种方法诊断变压器故障类型的结果对比
注:nf—无故障,t1—中低温过热,t2—高温过热,d1—低能量放电,d2—高能量放电。