[发明专利]基于遗传算法优化神经网络的变压器故障诊断方法

权利要求书

1.基于遗传算法优化神经网络的变压器故障诊断方法，其特征在于，具体按照以下步骤实施：

步骤1，神经网络输入模式的确定：

选取H₂、CH₄、C₂H₄、C₂H₆和C₂H₂这五种气体作为故障的特征气体，将这五种气体的组分含量作为神经网络的输入向量；

步骤2，神经网络输出模式的确定：

将无故障、中低温过热、高温过热、低能量放电、高能量放电作为神经网络输出层的五个输出神经元，这五个输出神经元分别对应O₁、O₂、O₃、O₄、O₅，输出值最大为1，表示属于无故障、中低温过热、高温过热、低能量放电、高能量五种状况之一，输出值的数值越大表明属于上述五种状况的几率越大；输出值最小为0，输出值为0表示不属于上述的五种状况中的任何一种；

步骤3，对神经网络输入层的数据进行预处理：

经步骤1和步骤2确定好神经网络的输入层和输出层后，对步骤1中五种故障的特征气体作归一化处理，即取C₂H₂/CH₄、CH₄/H₂、C₂H₆/C₂H₄的比值归一化后作为神经网络的输入矢量；

步骤4，选择激活函数，其表达式为：

f(x)=11+exp(-x);]]>

步骤5，确定神经网络的隐含层数和隐含层神经元数：

选择一个隐含层，通过调整隐含层神经元数提高网络性能，若输出层的信号能达到网络误差的平方和的均值，则不考虑增加隐含层数；反之要增加隐含层数；

步骤6，训练神经网络。

2.根据权利要求1所述的基于遗传算法优化BP神经网络的变压器油色谱故障诊断方法，其特征在于，所述步骤5中隐含层神经元数有如下几种算法：

S=m+n+σ;]]>

S＝2m+1；

S＝log2ⁿ；

S=nm;]]>

其中，S为隐含层神经元数，n为输入层神经元数，m为输出层神经元数，σ为1～10之间的常数。

3.根据权利要求1所述的基于遗传算法优化BP神经网络的变压器油色谱故障诊断方法，其特征在于，所述步骤6具体按照以下步骤实施：

1）初始化种群P，包括对交叉规模、交叉概率Pc、突变概率Pm以及对任一W1（i，j）、B1（j）和W2（j，i）、B2（k）初始化，在编码中，采用实数进行编码；

2）计算每一个个体评价函数，并根据计算的结果将评价函数进行排序，再按以下算法计算概率值，根据计算出的概率值选择网络个体：

Pi=fi/ΣJ=1Nfj;]]>

其中f_i为个体i的适配值，用误差平方和E来衡量，即：

f(i)=1/E(i),E(i)=ΣpΣk(Vk-Tk)2;]]>

3）经步骤2），模糊动态调节交叉概率P_C，以交叉概率P_C对个体G_i和G_i+1进行交叉操作，产生新个体G'_i和G'_i+1，没有进行交叉操作的个体进行直接复制；

4）模糊动态调节变异概率P_m，利用变异概率P_m突变产生G_j的新个体G_j'；

5）将经步骤3）和步骤4）产生的新个体插入到步骤1）中的初始化种群P中，再计算新个体的评价函数；

6）判断算法是否结束：

计算神经网络的误差平方和E，若达到预定值ε_GA，则进入下一步骤7），否则返回步骤3）进行下一轮迭代；

7）以GA遗传出的优化初值作为初始权限值，用BP算法训练神经网络直至指定精度为ε_BP且达到ε_BP＜ε_GA。