CN105138717A - 一种动态变异粒子群优化神经网络的变压器状态评估方法 - Google Patents

Abstract

本发明涉及一种动态变异粒子群优化神经网络的变压器状态评估方法，其特征在于，包括以下步骤：1)根据变压器特征气体参数与变压器健康状态的关系，通过神经网络的非线性映射，构建变压器的健康状态与特征量之间的神经网络；2)通过L-M算法优化变压器的健康状态与特征量之间的神经网络，得到优化后的连接权值修正公式；3)将神经网络中输入层到隐含层和隐含层到输出层的连接权值以及隐含层与输出层的阈值作为动态变异粒子群优化算法的粒子，求解获取神经网络的最优连接权值和阈值，并对变压器状态进行评估。与现有技术相比，本发明具有算法先进、正确率高等优点。

Description

一种动态变异粒子群优化神经网络的变压器状态评估方法

技术领域

本发明涉及一种变压器状态评估的方法，尤其是涉及一种动态变异粒子群优化神经网络的变压器状态评估方法。

背景技术

变压器是电网的重要设备，变压器状态不仅影响其本身的工作状态，还会影响整个电力系统的可靠性和稳定性，变压器发生故障，会影响电力系统的输电能力，甚至导致局部或全局设备的停运，造成电网停电事故的发生，可能给企业和社会带来巨大的损失。对变压器的健康状态进行正确的评估具有重要的研究意义。

传统的变压器健康状态评估的方法多采用非黑即白的判断方法，界限过于明确，如打分制的评估方法对状态的划分过于简单、绝对，而引入灰色聚类函数的评估方法往往主观成分较多，缺乏理论指导和实际的物理意义，而引入多层灰色评估建立渐变状态评估的方法则存在评判指标过多，系统繁杂的缺点，还有将多种证据理论和决策树引入变压器状态评估的方法，但对于故障情况下的多种故障同时发生时，无法进行有效判断。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种算法先进、正确率高的动态变异粒子群优化神经网络的变压器状态评估方法。

本发明的目的可以通过以下技术方案来实现：

一种动态变异粒子群优化神经网络的变压器状态评估方法，其特征在于，包括以下步骤：

1)根据变压器特征气体参数与变压器健康状态的关系，通过神经网络的非线性映射，构建变压器的健康状态与特征量之间的神经网络；

2)通过L-M算法优化变压器的健康状态与特征量之间的神经网络，得到优化后的连接权值修正公式；

3)将神经网络中输入层到隐含层和隐含层到输出层的连接权值以及隐含层与输出层的阈值作为动态变异粒子群优化算法的粒子，求解获取神经网络的最优连接权值和阈值，并对变压器状态进行评估。

所述的步骤1)中的神经网络以变压器的健康状态作为神经网络的输出参数，以变压器特征气体参数作为特征量成为神经网络的输入参数，并将神经网络的实际输出与期望输出的均方差作为适应度函数进行网络评价。

所述的适应度函数E的表达式为：

$E=\frac{1}{n}\underset{q=1}{\overset{n}{\Σ}}\underset{p=1}{\overset{l}{\Σ}}{(Y_{p,q}-T_{p,q})}^2$

其中，n为训练输入样本数目，l为输出层神经元数目，T_p,q为第q个样本中的第p个期望输出，Y_p,q为第q个样本中的第p个实际输出。

所述的步骤2)中的优化后的连接权值Δw的修正公式为：

Δw＝(J^TJ+λI)^-1·J^Te

其中，J为雅可比矩阵，其元素为网络误差对网络阈值和网络权值的一阶偏导数，e为网络的出差向量，λ为误差的情况自动调整参数，I为单位阵。

所述的步骤3)具体包括以下步骤：

301)初始化神经网络，确定神经网络的拓扑结构；

302)对神经网络的连接权值和阈值进行编码；

303)确定粒子群的种群规模，并根据神经网络连接权值和阈值的编码确定粒子的维度和编码；

304)确定粒子群的搜索空间，并随机初始化种群中各粒子的位置以及速度；

305)根据适应度函数计算粒子适应度值；

306)根据寻找最优粒子的原则，更新粒子的位置与速度；

307)再次根据适应度函数计算粒子适应度值，并判断粒子适应度值是否优于粒子的个体极值与群体极值，若是，则进行更新替代，若否，则进行步骤308)；

308)判断粒子适应度值的精度是否达到要求或者迭代次数是否达到最大数目，若是，则已经得到最优粒子，进行步骤309)，若否则进行动态变异操作后返回步骤306)；

309)将最优粒子进行解码，得到最优的连接权值和阈值并将其赋值给神经网络；

310)获取神经网络的训练误差；

311)更新神经网络的权值和阈值，并判断是否满足训练结束条件，若满足则仿真训练结束，若否，则跳返回步骤310)。

所述的步骤306)中的更新粒子的位置与速度的方式为：

X_i(k+1)＝X_i(k)+V_i(k+1)

V_i(k+1)＝ωV_i(k)+c₁r₁[P_i(k)-X_i(k)]+c₂r₂[P_g(k)-X_i(k)]

其中，X_i为在一个n维的搜索空间中由m个粒子组成种群X＝(X₁,X₂,...,X_m)^T中的第i个粒子的位置向量，V_i为速度向量，P_i为个体极值，P_g为种群全局极值，c₁、c₂为学习因子，r₁、r₂为0-1之间的随机数，ω为惯性权重，k为当前迭代代数。

所述的粒子群优化算法中的线性动态变异算子的公式为：

$P\left(n\right)=P_{min}-\frac{n}{N}(P_{min}-P_{max})$

其中，n为当前迭代次数，N为最大迭代次数，P_min和P_max分别为最小变异概率和最大变异概率，P(n)是变异概率的当前值。

与现有技术相比，本发明具有以下优点：

本发明通过神经网络构建了变压器状态与特征量之间的非线性映射关系，同时针对神经网络训练时间长、收敛速度慢、网络容错能力差等缺点引入L-M算法进行优化改进，为了加速收敛，更快更好的找到网络的最佳权值和阈值，引入粒子群算法优化网络，同时针对粒子群算法迭代后期易陷入局部极值的缺点，采用动态变异的方法进行优化。经过以上优化，能有效加快网络的收敛速度、提高网络的泛化能力，同时也能提高网络判断的正确率。

附图说明

图1为本发明粒子群优化神经网络的算法流程图；

图2为本发明三种网络结构的训练误差图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

一、基于神经网络的数学建模

人工神经网络(ANN)由20世纪中期发展起来，涉及电子、计算机、生物、物理等交叉学科，拥有巨大的应用潜力。ANN本质上是以计算处理单元(即神经元)为节点，采用某种网络拓扑结构的灵活网络，几乎可逼近任意非线性系统。ANN能模拟人脑进行信息的存储、检索和处理等。

通过研究变压器的故障机理和故障特征，进而确定了变压器的健康状态与特征量之间的关系，本发明主要利用变压器特征气体(油中溶解气体)与变压器状态的关系，利用神经网络的非线性映射能力，构建变压器的健康状态与特征量之间的非线性函数映射关系，如图1神经网络部分所示。将特征量作为神经网络的输入参数，将变压器的健康状态作为网络的输出，在构建映射时，首先利用部分数据训练获得网络的具体结构，其中以网络的实际输出与期望输出的均方差，作为适应度函数值，来进行网络评价；

$E=\frac{1}{n}\underset{q=1}{\overset{n}{\Σ}}\underset{p=1}{\overset{l}{\Σ}}{(Y_{p,q}-T_{p,q})}^2---\left(1\right)$

式中，n为训练输入样本数目，l为输出层神经元数目，T_p,q为第q个样本中的第p个期望输出，Y_p,q为第q个样本中的第p个实际输出，则E是以权值和阈值为自变量的函数。

但同时神经网络往往存在有训练时间长，收敛速度慢；网络容错能力差；易陷入局部极值等缺点。本发明引入L-M算法(Leveberg-Marquardt)来优化神经网络，网络权值修正公式为

Δw＝(J^TJ+λI)^-1·J^Te(2)

式中，J是雅可比矩阵，其元素是误差函数对网络阈值和网络权值的一阶偏导数，e是网络的出差向量，λ根据误差的情况自动调整，网络的误差性能减小时，则减小λ的值，反之，则增大λ值，以确保网络误差性能函数值始终在减小。该算法具有2阶收敛速度，可提高算法跳出极小点的可能性，并以误差平方和最小为训练目标。

二、基于动态变异的粒子群优化神经网络的变压器状态评估

粒子群优化算法(PSO)最早由Kennedy和Eberhart提出，源于对鸟类捕食行为的研究。根据种群行为的特征，PSO算法模仿生物进行问题的优化求解。利用速度、位置和适应度值表示粒子特征，每一个粒子都是问题的一个潜在解，在求解时首先对种群在解空间中进行初始化，并根据适应度函数值对粒子进行问题好坏解的评价，并确定个体极值和群体极值。在此基础上再加上考虑自身的历史位置及其他粒子的位置和速度，进而对粒子的移动速度、方向和位置进行动态优化调整。每一次优化后重新计算粒子的适应度函数值，进而确定新的个体极值和群体极值，循环反复，最终找到解空间中的全局最优解的位置。在本发明中粒子表示神经网络的权值和阈值，通过迭代寻找最优的网络权值和网络阈值。

假设在一个n维的搜索空间中，m个粒子组成种群X＝(X₁,X₂,...,X_m)^T，其中第i个粒子的位置向量X_i＝(x_i1,x_i2,...,x_im)^T代表问题的一个潜在解，速度向量V_i＝(v_i1,v_i2,...,v_in)^T，个体极值P_i＝(p_i1,p_i2,...,p_in)^T，种群全局极值P_g＝(p_g1,p_g2,...,p_gn)^T，按照寻找最优粒子的原则，粒子位置与速度更新方式为：

X_i(k+1)＝X_i(k)+V_i(k+1)(3)

V_i(k+1)＝ωV_i(k)+c₁r₁[P_i(k)-X_i(k)]+c₂r₂[P_g(k)-X_i(k)](4)

式中，c₁、c₂为学习因子也称为加速度因子，是非负的常数；r₁、r₂为随机数取0-1之间，ω为惯性权重。

虽然粒子群优化算法具有收敛快，较强的通用性等优点，但也存在有易早熟收敛、收敛精度低、后期迭代效率差等缺点。这是由于标准的粒子群算法在迭代中，所有粒子都将逼近最佳位置。若此位置只是局部最佳，将导致粒子群无法重新搜索解空间，进而陷入局部最优解，而没有办法得到全局最优解。针对粒子群算法的缺陷，本发明根据遗传算法的启示，将动态变异操作引入粒子群算法中，即随机对部分粒子按照一定的概率再次初始化。动态变异操作可以拓展迭代过程中不断减小的种群搜索空间，从而使粒子可能跳出先前找到的最优解，在更大空间中进行搜索，同时也增加了种群多样性，可以提高算法达到全局最优解的可能性，另外增加了算法跃出局部最优解地可能性。

线性动态变异算子的公式如下：

$P\left(n\right)=P_{min}-\frac{n}{N}(P_{min}-P_{\max })---\left(5\right)$

式中，n为当前迭代次数，N为最大迭代次数，P_min和P_max分别为最小变异概率和最大变异概率，P(n)是变异概率的当前值。在迭代开始时，种群变异的概率极小，几乎不变异，因为初期粒子的分布比较均匀，不需要变异来扩大范围，当迭代到后期，粒子集中在极值附近时，变异概率快速增加，从而保证粒子快速跳出当前区域，在更广范围内搜索全局最优解。

三、基于动态变异粒子群优化神经网络的变压器状态评估的步骤如下，如图1所示：

步骤(1)初始化神经网络，确定网络的拓扑结构；

步骤(2)对神经网络的连接权值和阈值进行编码；

步骤(3)确定粒子群的种群规模，并根据神经网络的编码确定粒子的维度和编码；

步骤(4)确定粒子群的搜索空间，并随机初始化种群中各粒子的位置以及速度；

步骤(5)根据式(1)计算粒子适应度值；

步骤(6)根据式(4)和式(3)更新粒子的速度和位置；

步骤(7)再次计算适应度值，并与粒子的个体极值与群体极值比较，若更优，则进行替代操作，否则继续向下执行；

步骤(8)判断是否满足结束条件，即精度是否达到要求或者迭代次数是否达到最大数目，若满足，则继续，若不满足则跳转回步骤(6)；

步骤(9)将最优的粒子解码，并将最优连接权值与阈值赋给网络；

步骤(10)计算网络的训练误差；

步骤(11)更新网络的权值和阈值，并判断是否满足训练结束条件，若满足则仿真训练结束，否则跳转回步骤(10)；

步骤(12)网络训练结束。

将训练好的网络结构保存，当有新数据需要进行判断时，只需输入相应的网络输入，变可得到对应的状态输出。

四、算例分析

本发明在MATLAB的软件基础上进行了算法编程，并对120变压器健康状态的样本数据进行案例分析，其中变压器处于良好状态的数据抽取19组(15组用于网络训练，4组用来测试网络的预测性能)，变压器处于正常状态的数据抽取21组(16组用于网络训练，5组用来测试网络的预测性能)，变压器处于警戒状态的数据抽取43组(35组用于网络训练，8组用来测试网络的预测性能)，变压器处于严重警戒状态的数据抽取37组(31组用于网络训练，6组用来测试网络的预测性能)。

不同算法下的，变压器状态评估的训练误差和诊断结果正确率分别如图2所示和表1所示。

从图2中可以看出，图中--为改进PSO-BP(L-M)网络，-o为PSO-BP(L-M)网络，-*为BP(L-M)网络，应用了粒子群优化后的L-M改进BP网络相对于单纯L-M改进的BP网络所需训练时间相差不大，同时训练代数基本相同，但应用PSO优化后BP(L-M)网络训练误差比后者更小，更具有优势。而从图2中可以明显看出对粒子群算法进行改进以后，应用于对L-M改进BP网络进行优化可以达到更低的训练误差，同时，所需的训练代数也更少，这也意味着，所需的训练时间会更短，该改进算法优势明显，充分说明了该改进算法的可行性和有效性。从表1的诊断结果正确率中也可以看出，用粒子群优化神经网络的变压器状态评估的正确率明显高于只用神经网络来进行评估的正确率，同时引入动态变异后的粒子群再去优化神经网络进行状态评估时，正确率会有进一步的提高。

表1不同算法的状态评估结果

从某220kv变电站5号主变压器B相历史数据中选取三组典型状态样本进行网络性能测试，具体数据如表2所示

表2主变压器B相数据

样本	H2	C2H2	总烃	实际状态
					1	149.13	11.01	39.63	警戒
2	83.4	2.28	18.24	正常
					3	3.48	0	1.31	良好

将三个样本数据进行处理后，作为网络输入，输入到改进粒子群优化的神经网络的网络结构中，得到的网络预测输出和预测结果如表3和表4所示

表3改进粒子群优化神经网络的状态评估预测输出

样本	良好	正常	警戒	严重警戒
					1	0.1416	0.1526	0.7256	0.2794
2	0.1405	0.8294	0.1536	0.2761
					3	0.7733	0.1537	0.1756	0.3733

表4预测结果与实际结果比较

样本	网络预测结果	实际状态
			1	警戒	警戒
2	正常	正常
			3	良好	良好

由表3和表4可以看出三个样本的改进粒子群优化神经网络的预测结果分别为警戒、正常和良好，与实际状态完全相同，表明该改进优化方法切实可行可用。

Claims (7)

1.一种动态变异粒子群优化神经网络的变压器状态评估方法，其特征在于，包括以下步骤：

1）根据变压器特征气体参数与变压器健康状态的关系，通过神经网络的非线性映射，构建变压器的健康状态与特征量之间的神经网络；

2）通过L-M算法优化变压器的健康状态与特征量之间的神经网络，得到优化后的连接权值修正公式；

3）将神经网络中输入层到隐含层和隐含层到输出层的连接权值以及隐含层与输出层的阈值作为动态变异粒子群优化算法的粒子，求解获取神经网络的最优连接权值和阈值，并对变压器状态进行评估。

2.根据权利要求1所述的一种动态变异粒子群优化神经网络的变压器状态评估方法，其特征在于，所述的步骤1）中的神经网络以变压器的健康状态作为神经网络的输出参数，以变压器特征气体参数作为特征量成为神经网络的输入参数，并将神经网络的实际输出与期望输出的均方差作为适应度函数进行网络评价。

3.根据权利要求2所述的一种动态变异粒子群优化神经网络的变压器状态评估方法，其特征在于，所述的适应度函数E的表达式为：

$E=\frac{1}{n}\underset{q=1}{\overset{n}{\Σ}}\underset{p=1}{\overset{l}{\Σ}}{(Y_{p,q}-T_{p,q})}^2$

其中，n为训练输入样本数目，l为输出层神经元数目，T_p,q为第q个样本中的第p个期望输出，Y_p,q为第q个样本中的第p个实际输出。

4.根据权利要求1所述的一种动态变异粒子群优化神经网络的变压器状态评估方法，其特征在于，所述的步骤2）中的优化后的连接权值Δw的修正公式为：

Δw＝(J^TJ+λI)^-1·J^Te

其中，J为雅可比矩阵，其元素为网络误差对网络阈值和网络权值的一阶偏导数，e为网络的出差向量，λ为误差的情况自动调整参数，I为单位阵。

5.根据权利要求1所述的一种动态变异粒子群优化神经网络的变压器状态评估方法，其特征在于，所述的步骤3）具体包括以下步骤：

301）初始化神经网络，确定神经网络的拓扑结构；

302）对神经网络的连接权值和阈值进行编码；

303）确定粒子群的种群规模，并根据神经网络连接权值和阈值的编码确定粒子的维度和编码；

304）确定粒子群的搜索空间，并随机初始化种群中各粒子的位置以及速度；

305）根据适应度函数计算粒子适应度值；

306）根据寻找最优粒子的原则，更新粒子的位置与速度；

307）再次根据适应度函数计算粒子适应度值，并判断粒子适应度值是否优于粒子的个体极值与群体极值，若是，则进行更新替代，若否，则进行步骤308）；

308）判断粒子适应度值的精度是否达到要求或者迭代次数是否达到最大数目，若是，则已经得到最优粒子，进行步骤309），若否则进行动态变异操作后返回步骤306）；

309）将最优粒子进行解码，得到最优的连接权值和阈值并将其赋值给神经网络；

310）获取神经网络的训练误差；

311）更新神经网络的权值和阈值，并判断是否满足训练结束条件，若满足则仿真训练结束，若否，则跳返回步骤310）。

6.根据权利要求5所述的一种动态变异粒子群优化神经网络的变压器状态评估方法，其特征在于，所述的步骤306）中的更新粒子的位置与速度的方式为：

X_i(k+1)＝X_i(k)+V_i(k+1)

V_i(k+1)＝ωV_i(k)+c₁r₁[P_i(k)-X_i(k)]+c₂r₂[P_g(k)-X_i(k)]

其中，X_i为在一个n维的搜索空间中由m个粒子组成种群X＝(X₁,X₂,...,X_m)^T中的第i个粒子的位置向量，V_i为速度向量，P_i为个体极值，P_g为种群全局极值，c₁、c₂为学习因子，r₁、r₂为0-1之间的随机数，ω为惯性权重，k为当前迭代代数。

7.根据权利要求5所述的一种动态变异粒子群优化神经网络的变压器状态评估方法，其特征在于，所述的步骤308）中，动态变异操作的线性动态变异算子为：

$P\left(n\right)=P_{min}-\frac{n}{N}(P_{min}-P_{max})$

其中，n为当前迭代次数，N为最大迭代次数，P_min和P_max分别为最小变异概率和最大变异概率，P(n)是变异概率的当前值。