[发明专利]一种基于机器学习的变压器故障诊断方法及终端机

权利要求书

1.一种基于机器学习的变压器故障诊断方法，其特征在于，方法包括：

步骤1、根据热与电导致绝缘受损导致的油浸变压器各部位出现的故障，进行故障分类；

步骤2、采用基于精英引导和混沌搜索的人工蜂群算法对小波神经网络的对分类后的故障数据进行优化；

步骤3、基于小波神经网络对油浸式变压器的故障进行诊断。

2.根据权利要求1所述的基于机器学习的变压器故障诊断方法，其特征在于，

步骤1中，在气体对变压器故障类型反应的基础上，建立溶解气体与故障之间的联系；

根据过热过程中释放能量大小以及温度高低将热性故障分为高温过热、中温过热、低温过热；根据放电时能量密度的高低将电性故障分成高能放电、低能放电、局部放电；

结合变压器油中溶解气体分析和判断导则，将变压器典型故障与气体成分相对应。

3.根据权利要求1所述的基于机器学习的变压器故障诊断方法，其特征在于，

步骤2的具体步骤包括：

步骤2.1：将人工网络与小波分析结合，确定小波神经网络结构；

步骤2.2：改进人工蜂群算法；

步骤2.3：以改进的人工蜂群算法优化小波神经网络。

4.根据权利要求3所述的基于机器学习的变压器故障诊断方法，其特征在于，

步骤2.1还包括：

步骤2.1.1用小波函数代替常规神经网络隐含层中神经元的传递激发函数；

步骤2.1.2用小波函数的尺度参数和平移参数代替神经网络神经元的权值与阈值，构建紧密型小波神经网络，并对a_k、b_k、ω_mk、ω_kn进行优化。

5.根据权利要求3所述的基于机器学习的变压器故障诊断方法，其特征在于，步骤2.2还包括：

步骤2.2.1：混沌初始化原始解，使初始个体尽可能均匀分布，保持种群多样性的同时提升精度；同时混沌初始化侦察蜂，在迭代中产生待更新的领域点，加强对局部最优位置周边的搜索；

步骤2.2.2：在初始化采蜜蜂种群分布后，将人工蜂群中所占比例最高的采蜜蜂搜集到的信息与全部蜂群个体共享，在迭代过程中不断抽取较优良的人工蜂构建精英蜂群。

6.根据权利要求3所述的基于机器学习的变压器故障诊断方法，其特征在于，

步骤2.3还包括：

步骤2.3.1：参数初始化；

采蜜蜂数目＝跟随蜂数目＝解的个数＝Z，侦察蜂数目＝1，维数为J，最大迭代次数为D_max，蜜源停留最大限制次数limit，精英蜂群比例s％，权重w上下界，迭代次数D和停留次数C为0；

步骤2.3.2：初始化解，得到Z个解；

步骤2.3.3：精英蜂群引导的采蜜蜂搜索，选取前s％构成精英蜂群XE_i，同时记录全局最优解并根据式

X_ij(t+1)＝XEC_j+ωε[Gbest_j-X_kj(t)]

进行采蜜蜂搜索,保留新解和旧解中适应度更优的一方；

步骤2.3.4：精英蜂群引导的跟随蜂搜索；

跟随蜂根据公式从精英蜂群选取一蜜源，并根据

X_ij(t+1)＝XEC_j+ωε[Gbest_j-X_kj(t)]

进行搜索；

步骤2.3.5：若新解适应度更高则保留新解并转步骤2.3.7，若旧解适应度更高则转步骤2.3.4，并置C＝C+1，直到C＝limit，并转步骤2.3.6；

步骤2.3.6：侦查蜂混沌搜索；

步骤2.3.7：置D＝D+1，判断D是否已达到D_max，是则停止迭代，将当前最优存入保留区,并输出保留区最优结果,否则转步骤3。