[发明专利]双重自扰动海洋捕食者算法优化的变压器故障诊断方法

说明书

本发明公开了一种双重自扰动海洋捕食者算法优化的变压器故障诊断方法，涉及变压器故障诊断领域，利用最小二乘支持向量机LS‑SVM的搜索范围广、寻优效率高的特点，改进原生海洋捕食者算法(Marine Predators Algorithm,MPA)易陷入局部最优解的算法缺陷，提出双重自扰动海洋捕食者算法(Double‑self‑disturbances Marine Predators Algorithm,DMPA)，在算法实现双重自扰动的同时协调局部开发能力和全局探索能力，同时与LS‑SVM网络有机结合以改善该网络的精确性与鲁棒性，提升变压器故障诊断的识别效率与分类精度，实现变压器故障实时诊断，保障现代化电力系统的安全性与可靠性。

技术领域

本发明涉及变压器故障诊断领域，尤其涉及双重自扰动海洋捕食者算法优化的变压器故障诊断方法。

背景技术

煤炭是中国最重要的能源，煤炭作为我国人民生产生活的主要消耗能源，其开采工作常伴随频繁的安全事故，其中煤矿供电线路是故障发生率最高的部分之一，这主要是受到外力、线路老化等影响；为了加快保护装置清除故障后恢复正常运行的速度，尽快确定故障位置是非常重要的；在矿用供电线路中，目视检查非常耗时，延误了故障线路的维修，另一方面，故障定位方法的准确性取决于数据采集和处理的质量，包括先前的故障检测和分类结果，故障分类时故障辨识的最后一步，也是最为重要的一步，常用的故障分类方法有随机森林、支持向量机、极限学习机、核极限学习机等；随机森林已经被证明在某些噪音较大的分类或回归问题上会过拟，对于有不同取值的属性的数据，取值划分较多的属性会对随机森林产生更大的影响，所以随机森林在这种数据上产出的属性权值是不可信的。支持向量机对大规模训练样本难以实施，支持向量机的空间消耗主要是存储训练样本和核矩阵，由于支持向量机是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。支持向量机解决多分类问题困难,经典的支持向量机算法只给出了两类分类的算法，而在实际应用中，一般要解决多类的分类问题。极限学习机是一种简单易用、有效的单隐层前馈神经网络学习算法。传统的神经网络学习算法需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。核极限学习机是基于极限学习机并结合核函数所提出的改进算法，核极限学习机能够在保留极限学习机优点的基础上提高模型的预测性能，与传统的训练方法相比，核极限学习机具有学习速率快、泛化性能好等优点。

发明内容

为解决现有技术的不足，本发明提供双重自扰动海洋捕食者算法优化的变压器故障诊断方法，利用最小二乘支持向量机LS-SVM的搜索范围广、寻优效率高的特点，改进原生海洋捕食者算法(Marine Predators Algorithm,MPA)易陷入局部最优解的算法缺陷，提出双重自扰动海洋捕食者算法(Double-self-disturbances Marine Predators Algorithm,DMPA)，并与LS-SVM网络有机结合以改善该网络的精确性与鲁棒性，提升变压器故障诊断的识别效率与分类精度，实现变压器故障实时诊断，保障现代化电力系统的安全性与可靠性；

采取的技术方案为：

双重自扰动海洋捕食者算法优化的变压器故障诊断方法，包括以下步骤：

S1：通过变压器油中传感器实时采集油中溶解气体成分及含量，建立变压器油中溶解气体成分数据库；

S2：将油中溶解气体数据序列基于双重自扰动海洋捕食者算法进行分析运算；