[发明专利]基于改进粒子群优化神经网络的变压器故障诊断方法

摘要

基于改进粒子群优化神经网络的变压器故障诊断方法，步骤如下：首先，获取变压器油中溶解气体相关数据与变压器故障信息作为样本数据，并用降半正态分布评分模型对油中溶解气体数据进行预评估；其次，确定神经网络的网络结构；然后，用改进的粒子群算法优化神经网络的参数；再用预评估后的样本数据对参数优化后的神经网络进行训练，得到最终的神经网络模型；最后，用该神经网络模型处理待评估的变压器数据，便会诊断出变压器的故障类型；本发明方法可以降低原始数据冗余信息的干扰，提高评估数据的有效性；同时加快神经网络训练时的收敛速度、提高参数寻优的搜索能力，并最终提高变压器故障诊断的准确率和可靠度。

主权项

1.基于改进粒子群优化神经网络的变压器故障诊断方法，其特征在于，该方法的步骤如下：步骤一、获取变压器油中溶解气体相关数据与变压器故障信息作为样本数据；步骤二、用降半正态分布评分模型对变压器油中溶解气体相关数据进行预评估；其中，降半正态分布评分模型公式如下：式中，k为形状调节系数，x₁为变压器油中溶解气体相关数据的注意值，其参考取值如表1所示；将变压器油中溶解气体相关数据分别作为降半正态分布评分模型的自变量x的值，求得因变量μ(x)的值即为油中溶解气体各项数据的预评估结果；自变量x的值越高，预评估结果μ(x)的值就越小，当自变量x的值超过注意值x₁时，μ(x)的值就降为0；该评分模型不仅对原始变压器数据进行了初步的评估处理，降低了原始数据的分散性，而且对于超过注意值x₁的变压器油中溶解气体数据，其评估值均取为零，从而降低了这部分冗余数据的干扰；此外，由于μ(x)的取值范围在0到1之间，所以该评分模型同时也实现了对原始数据的归一化功能；表1 油中溶解气体评价标准参考表变压器油中溶解气体各项数据在取值时，其单位要与注意值x₁保持一致；步骤三、确定神经网络输入、输出模式，确定神经网络的隐层数、隐层神经元数及传递函数与训练函数；步骤四、对传统的粒子群算法进行改进，并用该改进的粒子群算法优化神经网络的参数；粒子群算法的改进方法为：加入收缩因子β，从而加快算法的收敛速度；设置可以非线性自适应调整的惯性权重w，从而更好地平衡局部和全局搜索能力；改进后粒子群算法的速度更新公式、位置更新公式以及惯性权重w的表达式分别如下：式中，v为当前粒子的速度；x为当前粒子的位置；p为个体最优位置；g为全局最优位置；c₁、c₂为学习因子，分别用于调节向个体最优位置p和全局最优位置g飞行的步长；r₁、r₂为介于[0，1]之间的随机数；k为当前迭代次数；i为当前粒子标号；d是维数的标号；β为收缩因子；w为惯性权重，它描述了粒子上一代速度对当前代速度的影响水平；k_max为最大允许迭代次数；w_max和w_min分别是最大惯性权重和最小惯性权重；步骤五、用样本数据，包括预评估后的变压器油中溶解气体数据与变压器故障信息数据，对参数优化后的神经网络进行训练，得到最终的神经网络模型；步骤六、用最终的神经网络模型处理待评估的变压器油中溶解气体数据，便会诊断出变压器的故障类型。