[发明专利]基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统

摘要

本发明公开了一种基于改进的萤火虫算法（PFA）优化概率神经网络（PNN）的电力变压器故障诊断方法，首先用气相色谱分析法采集故障特征气体并使用融合DGA算法进行预处理。初始化PNN神经网络，萤火虫算法，2维粒子群；把PNN平滑因子作为萤火虫个体，计算萤火虫位置与亮度；将每一次萤火虫算法的求解结果反馈回粒子群算法中，并对每个粒子做出适应度评价，更新粒子的位置和速度；循环迭代，将得到的最优的平滑因子代入PNN进行故障预测，训练PFA优化后的PNN的模型；输入测试样本，输出故障类型结果，从而实现电力变压器故障诊断，搜索速度快，诊断精度高，误差小，分类效果明显。

主权项

1.基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法，其特征在于，包括如下步骤：步骤1，采用气相色谱分析法，以固定抽样频率对变压器绝缘油中的故障气体进行浓度实时检测，获得故障数据，对故障数据进行预处理；将故障数据分为训练样本和测试样本；步骤2，初始化萤火虫算法参数和概率神经网络，设置权值；初始化萤火虫算法，将概率神经网络平滑因子作为萤火虫个体，初始化萤火虫的位置；初始化光吸收强度系数γ、步长因子α、最大吸引度β₀和迭代次数MaxGeneration，并对搜索范围进行限制，距离搜索范围的最小值和最大值设置为Pmin和Pmax；步骤3，初始化粒子群，设置维数空间，并设置粒子群算法的基本参数值，每个粒子都包括两个坐标位置；所述两个坐标位置分别对应萤火虫算法的步长因子α和光吸收强度系数γ；步骤4，计算萤火虫的相对位置与亮度；步骤5，将萤火虫相对位置与亮度的计算过程中的步长因子α和光吸收强度系数γ反馈回粒子群算法中，并对每个粒子进行适应度评价，如果目前粒子的适应度值比所经过的最好位置的适应度值更好，则选择目前的适应度值作为最好位置；反之，则不改变粒子的最后位置；将评价后的结果代回萤火虫算法，计算改进后的萤火虫相对亮度和改进后的萤火虫位置移动；步骤6：按照最大迭代次数进行迭代，检验是否满足终止条件；若未达到最大迭代次数，则返回步骤4；反之，不再进行迭代，返回目前的全局最优粒子位置，所述全局最优粒子位置为萤火虫算法中步长因子α和光吸收强度系数γ两个最优参数组合，得到最优化的概率神经网络平滑因子参数集；步骤7，将得到的最优的概率神经网络平滑因子代入概率神经网络进行故障预测；步骤8，将训练样本中的故障数据作为输入，将电力变压器故障类型作为输出，训练萤火虫算法优化后的概率神经网络的模型；步骤9，输入测试样本，计算误差值，完成故障数据到故障状态的映射，输出故障类型结果，实现电力变压器故障诊断。