[发明专利]一种基于自编码网络的变压器局部放电模式识别方法

权利要求书

1.一种基于自编码网络的变压器局部放电模式识别方法，其特征在于，按照以下步骤实施：

步骤1、对收集的局部放电信号数据进行处理，

采用非线性滤波方法对原始数据进行处理，消除干扰的随机信号；确定网络的测试数据和验证数据，以及其分类的类型，即数据表示为{(x⁽¹⁾,X⁽¹⁾),...,(x^(m),X^(m))}或未带标签的数据{x⁽¹⁾,x⁽²⁾,...,x^(m)}，其中m为数据个数，第i个数据为x⁽ⁱ⁾，其标签为X⁽ⁱ⁾∈{1,2,...,k}，k为类别数；确定数据的特征数即维度；

步骤2、选择自编码网络作为网络模型，

2.1)由于堆栈自编码机不具有分类特性，故将堆栈自编码机与分类器结合，构建新的自编码网络；

2.2)确定自编码网络的目标函数；

步骤3、利用模拟退火-头脑风暴混合优化算法对自编码网络的权值进行训练，具体过程如下：

3.1)设置模拟退火-头脑风暴混合优化算法的参数，

算法参数主要包括：初始个体数NP，最大迭代次数KI_max，概率参数P₁、P₂、P₃、P₄，聚类的个数n_c，初始温度t₀；

3.2)根据初始化隐层数、隐层节点和权值公式生成NP个满足约束条件的随机分布隐层数、隐层节点和权值；

初始化隐层数、隐层节点和权值公式为：

3.2.a)初始化隐层数和隐层节点

式(10)中，Lⁱ表示第i个隐层数，Nⁱ表示第i个隐层节点数，max_L＝10，max_N＝300，Rⁱ表示第i个隐层数和隐层节点数组成的行向量，randint()表示在规定的范围内的随机整数；

3.2.b)根据隐层数和隐层节点初始化相应的权值，

式(11)中，n为输入层神经元个数，q为隐含层神经元个数，其中每层的n,q,W,b,d的规模如表1所示，Wⁱ,bⁱ,dⁱ采用十进制编码方式随机产生；r_i是第i个权值；r_i^j是第i个权值的第j个解；rand()为(0,1)之间的随机数；

表1、初始化每层的权值规模

3.3)生成并更新NP个权值；

具体过程为：

3.3.a)利用K-means聚类算法将NP个权值在自编码网络目标函数空间划分为n_c类；

3.3.b)选择权值，

在(0,1)之间产生随机值，如果该值小于概率参数P₁，则以概率参数P₂随机选择一个聚类中心实现权值更新，具体过程为：产生(0,1)的随机值，如果该随机值小于概率参数P₃，则选择聚类中心并加一个随机值来产生新权值；否则，从这个聚类中随机选择一个权值并加一个随机值来产生新权值；

如果该值大于概率参数P₁，随机选择两个类来产生新权值，更新过程为：产生(0,1)随机值；如果它小于概率参数P₄，这两个聚类中心合并加一个随机值来产生新权值；否则，从选择的两个聚类中选择两个随机的权值合并加一个随机值来产生新权值；

3.3.c)对权值进行变异操作，权值变异操作的计算式如下：

式(12)中，表示变异后的权值中第d维；表示用来更新的权值中第d维；ξ表示产生新权值时的权重系数值；N(μ,σ)表示均值为μ、方差为σ的高斯随机函数；

式(13)中，logsig()表示对数S型函数；KI_max表示最大迭代数；iter表示当前的迭代数；K表示改变logsig()函数的斜率；random()表示(0,1)之间的随机数；

3.3.d)权值更新，

利用自编码网络的目标函数式(9)求解生成的新权值对应的目标函数值，评价变异前后的权值，保留最优的权值；

3.3.e)如果满足Metropolis接受准则，即以的概率准则，其中E(r′_new)是r′_new的目标函数，t_a为第a次的温度，转步骤3.3.h)；否则，转步骤3.3.f)；

3.3.f)通过r′_new＝r_new+rand(1,Dim)生成新权值；Dim是权值的维度；r_new是变异操作后的权值；

3.3.g)如果则r_new＝r′_new；否则，令r_new＝r_new，转步骤3.3.e)；

3.3.h)更新t_a，a＝a+1；

3.3.i)达到最大达迭代次数时输出最优权值；否则，转步骤3.3.a)；

步骤4、利用头脑风暴优化算法对自编码网络的隐层数和隐层节点进行优化，具体过程如下：

4.1)生成并更新NP个新的隐层数和隐层节点；

4.2)进行迭代搜索寻优，当达到设置好的收敛精度或最大迭代次数时，输出最优的隐层数、隐层节点，以及利用步骤3.3)得到最优隐层数和隐层节点相应的最优权值，从而得到训练好的网络；

步骤5、将待识别数据输入到训练好的网络中，利用训练好的网络对待识别数据进行分类；

步骤6、计算待识别数据的识别率：

式(15)中，A为待识别数据的正确分类个数，s为总体待识别数据的个数，能够直观的计算出局部放电信号数据的识别率。