训练神经网络的方法及使用其计算变压器绝缘重量的方法与流程

本公开涉及变压器领域，具体涉及训练用于计算变压器的器身绝缘重量的神经网络的方法、和计算变压器的器身绝缘重量的方法。

背景技术：

1、考虑到变压器的成本和限重问题，需要准确计算变压器的器身处于绝缘状态时的重量。

2、目前，传统的器身绝缘重量的计算方法是参考先前相似变压器进行估算。当遇到非相似变压器时，难以找到合适方法进行评估，由操作员根据经验人为估算使得器身绝缘重量的计算不准确。

3、鉴于此，本技术提供一种训练用于计算变压器的器身绝缘重量的神经网络的方法和计算变压器的器身绝缘重量的方法，以实现提高计算变压器的器身绝缘重量的准确度、可靠性和可扩展性。

技术实现思路

1、本公开的实施例提供了一种训练用于计算变压器的器身绝缘重量的神经网络的方法和计算变压器的器身绝缘重量的方法，以至少解决现有技术中人为估算器身绝缘重量的准确度低、可靠性低、可扩展性差的问题。

2、根据本技术的一个方面，提供了训练用于计算变压器的器身绝缘重量的神经网络的方法，方法包括：从器身绝缘重量已知的多个第一变压器收集多个第一多种参数，所述多种参数包括铁芯直径、线圈数量、线圈外径、线圈高度、通道距离、线圈铜重、铁芯重量和变压器类型；将所述多个第一多种参数和对应的已知器身绝缘重量输入至反向传播bp神经网络；初始化所述bp神经网络和粒子群优化pso算法；设定用于所述bp神经网络的第一结束条件和用于所述pso算法的第二结束条件；迭代训练所述pso算法和所述bp神经网络直到满足所述第一结束条件和所述第二结束条件以确定所述bp神经网络的权重和偏置。

3、以这样的方式，通过从变压器的器身收集8种重要影响的参数作为参数，并利用bp神经网络和pso算法融合以迭代训练，得出优选的用于bp神经网络的权重和偏置。通过该优选的权重和偏置，用于计算变压器的器身绝缘重量的神经网络被训练完成，该神经网络能够针对不同类型和型号的变压器以高准确度计算器身绝缘重量。

4、根据本技术的示例性实施例，所述bp神经网络包括影响所述bp神经网络收敛以得到所述确定的权重和偏置的速度的步长，其中，根据以下等式动态调整所述bp神经网络的步长，其中，α为步长，t为迭代次数，e为所述bp神经网络的计算值与已知器身绝缘重量的误差，

5、

6、以这样的方式，将前一次迭代的误差与当前迭代的误差进行比较，当前一次迭代的误差小于当前迭代的误差时，减小步长；当前一次迭代的误差大于等于当前迭代的误差时，增加步长。通过该步长的动态调整，能够加速神经网络的收敛，从而加速得到期望的权重和偏置。

7、根据本技术的示例性实施例，当所述结束条件是迭代次数时并且当所述bp神经网络的迭代次数初始被设定为第一设定值，所述pso算法的迭代次数初始被设定为第二设定值时，所述第一结束条件根据所述第二结束条件在0至所述第一设定值的范围内线性递增。

8、以这样的方式，能够根据实际需求将结束条件设置为预期的迭代次数或预期的误差。当结束条件被设置为预期的迭代次数时，bp神经网络的迭代次数根据pso算法的迭代次数线性递增至初始设定值。由于bp是局部搜索最优解，通过pso的全局搜索能力来弥补。在迭代后期主要通过bp网络的局部所有能力来弥补pso后期局部搜索不足。因此bp迭代次数随着迭代次数增加而增加。

9、根据本技术的示例性实施例，初始化bp神经网络包括：随机生成所述bp神经网络的一组权重和偏置以获得所述bp神经网络的计算值与已知器身绝缘重量的初始误差。

10、根据本技术的示例性实施例，初始化粒子群优化pso算法包括：利用所述一组权重和偏置初始化所述pso算法中的粒子群的每个粒子的位置信息。

11、以这样的方式，获得bp神经网络的初始权重和偏置，并获得初始误差。并初始化pso算法中的每个粒子的位置信息，位置信息包括位置和速度。

12、根据本技术的示例性实施例，将所述初始误差作为所述pso算法中的适应度函数，更新所述粒子群中每个所述粒子利用所述位置信息能达到的局部最佳权重和偏置和所述粒子群能达到的全局最佳权重和偏置；以及基于所述局部最佳权重和偏置以及所述全局最佳权重和偏置，更新每个所述粒子的位置信息。

13、以这样的方式，以初始误差作为适应度函数，更新粒子的局部最佳权重和偏置和全局最佳权重和偏置，并由此更新每个粒子的位置信息。

14、根据本技术的示例性实施例，基于所述局部最佳权重和偏置，迭代训练所述bp神经网络，并且当所述bp神经网络满足第一结束条件时，将与所述bp神经网络当前输出的更新的权重和偏置对应的第一误差和与全部所述局部最佳权重和偏置对应的第二误差进行比较，并且将所述第二误差和与所述全局最佳权重和偏置对应的第三误差进行比较。

15、以这样的方式，迭代训练bp神经网络，并比较与权重和偏置对应的误差。

16、根据本技术的示例性实施例，当所述第一误差小于所述第二误差时，将所述局部最佳权重和偏置更新为与所述第一误差对应的权重和偏置；当所述第一误差小于所述第三误差时，将所述全局最佳权重和偏置更新为与所述第一误差对应的权重和偏置。

17、以这样的方式，将bp神经网络经过迭代训练输出的第一误差、所有与pso算法的局部最佳权重和偏置对应的第二误差、与pso算法的全局最佳权重和偏置对应的第三误差进行比较，并根据比较情况更新局部最佳权重和偏置、更新全局最佳权重和偏置。

18、根据本技术的示例性实施例，当所述pso算法满足第二结束条件时，将与所述第一误差、所述第二误差和所述第三误差中最小的一者对应的权重和偏置确定为所述bp神经网络的权重和偏置；当所述pso算法没有满足所述第二结束条件时，从更新粒子的局部最佳权重和偏置和全局最佳权重和偏置并由此更新每个粒子的位置信息开始重复及并重复后续步骤。

19、以这样的方式，当pso算法满足例如预期的迭代次数时，将三个误差中的最小一者对应的权重和偏置确定为bp神经网络的权重和偏置。当没有满足例如预期的迭代次数时，重复更新粒子的局部最佳权重和偏置和全局最佳权重和偏置，并由此更新每个粒子的位置信息，并继续重复后续的步骤。由此，通过pso算法和bp神经网络的融合，求出满足第一结束条件和第二结束条件的优选的权重和偏置。

20、根据本技术的示例性实施例，变压器类型包括5种，分别为110kv三相变压器、220kv单相变压器、220kv三相变压器、500kv单相变压器和发电机升压变压器。

21、以这样的方式，本技术的适用范围更广。

22、根据本技术的另一方面，提供了一种计算变压器的器身绝缘重量的方法，方法包括从器身绝缘重量未知的第二变压器收集第二多种参数，并将所述第二多种参数输入至已训练的bp神经网络；通过使用权利要求1所述的确定的权重和偏置在所述已训练的bp神经网络中计算所述第二变压器的器身绝缘重量。

23、以这样的方式，通过使用上述方法确定权重和偏置以及训练完成的神经网络，计算变压器的器身绝缘重量。

24、在本技术的实施例中，提供了从器身绝缘重量已知的多个第一变压器收集多种参数、将多种参数和已知的器身绝缘重量输入神经网络、初始化pso算法和bp神经网络以及迭代训练pso算法和bp神经网络直到满足预定结束条件从而确定用于bp神经网络的权重和偏置、使用该确定的权重和偏置以及bp神经网络计算第二变压器的器身绝缘重量的技术方案，以至少解决现有技术中根据经验人为估算使得器身绝缘重量的计算不准确的技术问题，实现了提高计算变压器的器身绝缘重量的准确度、可靠性和可扩展性的技术效果。