CN107153869A - 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法 - Google Patents

一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法 Download PDF

Info

Publication number
CN107153869A
CN107153869A CN201710196519.5A CN201710196519A CN107153869A CN 107153869 A CN107153869 A CN 107153869A CN 201710196519 A CN201710196519 A CN 201710196519A CN 107153869 A CN107153869 A CN 107153869A
Authority
CN
China
Prior art keywords
cuckoo
neural network
neutral net
bird
transformer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710196519.5A
Other languages
English (en)
Inventor
杨晓辉
李岸
李岸一
彭志云
董桓毓
王静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang University
Original Assignee
Nanchang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanchang University filed Critical Nanchang University
Priority to CN201710196519.5A priority Critical patent/CN107153869A/zh
Publication of CN107153869A publication Critical patent/CN107153869A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法，采用人工智能方法中的神经网络结构参数，结合一种布谷鸟搜索的元启发式智能方法，用布谷鸟搜索方法去优化神经网络的结构参数，通过DGA数据的训练得到一种稳定的基于布谷鸟搜索优化的神经网络结构，对新的数据进行预测，以解决这种对分类问题。本发明避免传统诊断方法大多局限于阈值诊断的缺点，具有较强的通用性；该方法与基本神经网络算法和基于其他元启发式优化神经网络算法方法相比，收敛速度更快，模型敏感度低，鲁棒性较强；并且，该方法采用布谷鸟搜索这种元智能算法对神经网络结构进行优化，改善了神经网络限于局部最小的缺点，并且调参过程更具有通用的规律性。

Description

一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法
技术领域
本发明属于人工智能技术领域，涉及变压器故障诊断方法。
背景技术
电力变压器是电力系统中的重要设备，变压器运行时发生任何故障都可能终端电力供应，造成重大生产事故和经济损失。因此，对变压器故障的精确预测非常重要。
变压器油中溶解气体分析(DGA)作为一种高效的变压器故障诊断方法，在电力系统实际运行中被广泛采用。通过对变压器油中溶解的特定气体含量的数据进行分析，可以找到变压器运行状态的模式。因此，研究者提出了大量的基于DGA数据的诊断方法，主要分为两类：传统诊断方法和智能诊断方法。
传统诊断方法有特征气体法、罗杰斯比值法、改良三比值法，其中改良三比值法是电力系统操作中的推荐方法。然而，传统的诊断方法局限性较大，难以准确反映故障和表现特征之间的规律，并且在很多情况下无法对变压器故障状态进行分析。
针对传统诊断方法的不足之处，基于DGA数据的人工智能方法开始运用到诊断中，比如人工神经网络(ANN)、遗传算法(GA)、支持向量机(SVM)等。因此，相较于传统诊断方法，人工智能方法表现出较好的性能和较强的泛化能力。
本发明选择从人工神经网络入手进行改良。现有的人工神经网络方法存在以下缺点：首先，训练步数和判断正确性往往无法同时满足，训练结果往往不能令人满意；其次，没有成熟的技术手段确定网络结构和调节参数，网络性能的好坏很多时候只能靠人工经验和运气，得到优秀的结果无法进行解释，而且实验结果存在不能付现的可能行，对参数的微小变动较敏感。
发明内容
本发明的目的是针对现有的神经网络方面的技术方案存在的明显缺点，提出一种基于布谷鸟搜索优化的神经网络算法，并将其应用到基于DGA数据的变压器故障诊断中。用以解决基于变压器油中溶解气体分析(DGA)数据的多分类问题。
本发明的技术方案是，采用人工智能方法中的神经网络结构，结合一种布谷鸟搜索的元启发式智能方法，用布谷鸟搜索方法去优化神经网络的结构参数，同过DGA数据的训练得到一种稳定的基于布谷鸟搜索优化的神经网络结构，对新的数据进行预测，以解决这种对分类问题。
本发明所述的一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法，包括以下步骤：
(1)利用变压器油中溶解气体分析法(DGA)对变压器油中的必测溶解气体CH4，C2H6，C2H4，C2H2，CO，CO2以及下面的变压器中油气体分析目的表中的推荐检测气体O2，N2，H2进行提取，通过分析提取得到的气体组分的数据进行分类与处理，确定故障类型。
变压器中油气体分析目的表
(2)按变压器故障和特征气体含量关系表对步骤(1)得到的数据和故障类型进行正确的分类标记，并通过随机抽样方式按3﹕1(具体可按数据集规模调整)的比例分组，作为神经网络的训练集和测试集。
变压器故障和特征气体含量关系表
(3)使用基于布谷鸟搜索优化的神经网络算法对训练集进行训练，当预测误差满足要求时停止训练。
(4)用已经训练好的神经网络对测试集进行测试，调试过程中通过不断调整参数以保证测试结果理想。
(5)用训练好的神经网络模型对新的未加标签的数据进行预测，预测结果即为故障类型，完成故障诊断。
本发明具有如下优点：避免传统诊断方法大多局限于阈值诊断的缺点，具有较强的通用性；该方法与基本神经网络算法和基于其他元启发式优化神经网络算法方法相比，收敛速度更快，模型敏感度低，鲁棒性较强；并且，该方法采用布谷鸟搜索这种元智能算法对神经网络结构进行优化，改善了神经网络限于局部最小的缺点，并且调参过程更具有通用的规律性。
附图说明
图1为本发明的一种基于布谷鸟搜索优化神经网络的算法流程图。
图中：本流程图中的神经网络算法采用BP神经网络，左边为基本BP神经网络算法的算法流程图，右边为布谷鸟搜索算法的算法流程图，中间判断语句把两部分结合在一起，整个流程为基于布谷鸟搜索优化的神经网络的算法流程图。
图2为本发明的待优化的神经网络结构图。
具体实施方式
以下将结合图1和图2对本发明作进一步说明。
一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法的具体实施方式如下：
(1)使用变压器油中溶解气体分析方法(DGA)，按分析目的分析油中气体组分。
(2)对上一步得到的数据进行正确分类标记，并按合理的抽样方式分成两组，分别作为神经网络的训练集和测试集。
(3)使用本发明中的基于布谷鸟搜索优化的神经网络算法对训练集进行训练。
Step 1输入训练样本；
Step 2初始化BP神经网络；
Step 3初始化鸟巢数量n，目标函数f(x)，初始化解决方案，Pa，精度；
Step 4计算目标函数值，记录最优解决方案fmin和鸟巢位置；
Step 5更新鸟巢，并获得新一代鸟巢；
Step 6计算新一代鸟巢的目标函数值，并将其与上一代比较，记录最佳解决方案fnew及其相应的鸟巢位置；
Step 7计算出生成概率K，判断K＞Pa是否成立。若K＞Pa成立，则转Step 8；否则，转Step 9；
Step 8更新鸟巢，目标函数值,fnew及其相应的位置；
Step 9比较fnew和fmin,并用更佳的值替换fmin；
Step 10判断是否满足布谷鸟搜索的迭代停止条件。若满足，则转Step 11；否则，则转Step 5；
Step 11获得BP神经网络的初始权值和阈值；
Step 12训练神经网络；
Step 13判断是否达到神经网络的最大训练次数或满足神经网络停止迭代条件。若满足，则转到Step 14；否则，则转Step 3；
Step 14得到拥有最佳参数的训练完成的神经网络。
(4)用已经训练好的神经网络对测试集进行测试，并保证测试结果理想。
(5)用训练好的神经网络模型对新的未加标签的数据进行预测。

Claims (2)

1.一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法，包括以下步骤：
(1)利用变压器油中溶解气体分析法对变压器油中的必测溶解气体CH4，C2H6，C2H4，C2H2，CO，CO2以及下面的变压器中油气体分析目的表中的推荐检测气体O2，N2，H2进行提取，通过分析提取得到的气体组分的数据进行分类与处理，确定故障类型；
(2)按变压器故障和特征气体含量关系表对步骤(1)得到的数据和故障类型进行正确的分类标记，并通过随机抽样方式按3﹕1的比例分组，作为神经网络的训练集和测试集；
(3)使用基于布谷鸟搜索优化的神经网络算法对训练集进行训练，当预测误差满足要求时停止训练；
(4)用已经训练好的神经网络对测试集进行测试，调试过程中通过不断调整参数以保证测试结果理想；
(5)用训练好的神经网络模型对新的未加标签的数据进行预测，预测结果即为故障类型，完成故障诊断。
2.根据权利要求1所述的一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法，其特征是步骤(3)所述的基于布谷鸟搜索优化的神经网络算法对训练集进行训练，按如下步骤：
Step1输入训练样本；
Step2初始化BP神经网络；
Step3初始化鸟巢数量n，目标函数f(x)，初始化解决方案，Pa，精度；
Step4计算目标函数值，记录最优解决方案fmin和鸟巢位置；
Step5更新鸟巢，并获得新一代鸟巢；
Step6计算新一代鸟巢的目标函数值，并将其与上一代比较，记录最佳解决方案fnew及其相应的鸟巢位置；
Step7计算出生成概率K，判断K＞Pa是否成立；若K＞Pa成立，则转Step8；否则，转Step9；
Step8更新鸟巢，目标函数值,fnew及其相应的位置；
Step9比较fnew和fmin,并用更佳的值替换fmin；
Step10判断是否满足布谷鸟搜索的迭代停止条件；若满足，则转Step11；否则，则转Step5；
Step11获得BP神经网络的初始权值和阈值；
Step12训练神经网络；
Step13判断是否达到神经网络的最大训练次数或满足神经网络停止迭代条件；若满足，则转到Step14；否则，则转Step3；
Step14得到拥有最佳参数的训练完成的神经网络。
CN201710196519.5A 2017-03-29 2017-03-29 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法 Pending CN107153869A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710196519.5A CN107153869A (zh) 2017-03-29 2017-03-29 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710196519.5A CN107153869A (zh) 2017-03-29 2017-03-29 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法

Publications (1)

Publication Number Publication Date
CN107153869A true CN107153869A (zh) 2017-09-12

Family

ID=59792589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710196519.5A Pending CN107153869A (zh) 2017-03-29 2017-03-29 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法

Country Status (1)

Country Link
CN (1) CN107153869A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492044A (zh) * 2018-04-01 2018-09-04 安徽大学江淮学院 基于人工神经网络模型的室内舒适度综合评价系统及方法
CN108596212A (zh) * 2018-03-29 2018-09-28 红河学院 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法
CN108896330A (zh) * 2018-04-26 2018-11-27 红河学院 一种水电机组的故障诊断方法
CN109190080A (zh) * 2018-07-27 2019-01-11 国网山东省电力公司东营供电公司 一种电力变压器的健康状况确定方法
CN109447152A (zh) * 2018-10-29 2019-03-08 中国石油大学(华东) 一种基于蒙特卡洛树搜索和神经网络的故障预测方法
CN109726230A (zh) * 2018-12-04 2019-05-07 重庆大学 一种大数据分析模型预测发动机性能的方法
CN110058576A (zh) * 2018-01-19 2019-07-26 临沂矿业集团有限责任公司 基于大数据的设备故障预测与健康管理方法
CN112926739A (zh) * 2021-03-11 2021-06-08 北京计算机技术及应用研究所 一种基于神经网络模型的网络对抗效能评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5446829A (en) * 1993-06-24 1995-08-29 The United States Of America As Represented By The Department Of Health And Human Services Artificial network for temporal sequence processing
CN105353255A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于神经网络的变压器故障诊断方法
CN105608004A (zh) * 2015-12-17 2016-05-25 云南大学 一种基于cs-ann的软件缺陷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5446829A (en) * 1993-06-24 1995-08-29 The United States Of America As Represented By The Department Of Health And Human Services Artificial network for temporal sequence processing
CN105353255A (zh) * 2015-11-27 2016-02-24 南京邮电大学 一种基于神经网络的变压器故障诊断方法
CN105608004A (zh) * 2015-12-17 2016-05-25 云南大学 一种基于cs-ann的软件缺陷预测方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110058576A (zh) * 2018-01-19 2019-07-26 临沂矿业集团有限责任公司 基于大数据的设备故障预测与健康管理方法
CN108596212A (zh) * 2018-03-29 2018-09-28 红河学院 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法
CN108596212B (zh) * 2018-03-29 2022-04-22 红河学院 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法
CN108492044A (zh) * 2018-04-01 2018-09-04 安徽大学江淮学院 基于人工神经网络模型的室内舒适度综合评价系统及方法
CN108896330A (zh) * 2018-04-26 2018-11-27 红河学院 一种水电机组的故障诊断方法
CN108896330B (zh) * 2018-04-26 2020-01-31 红河学院 一种水电机组的故障诊断方法
CN109190080A (zh) * 2018-07-27 2019-01-11 国网山东省电力公司东营供电公司 一种电力变压器的健康状况确定方法
CN109190080B (zh) * 2018-07-27 2022-10-25 国网山东省电力公司东营供电公司 一种电力变压器的健康状况确定方法
CN109447152B (zh) * 2018-10-29 2022-02-15 中国石油大学(华东) 一种基于蒙特卡洛树搜索和神经网络的故障预测方法
CN109447152A (zh) * 2018-10-29 2019-03-08 中国石油大学(华东) 一种基于蒙特卡洛树搜索和神经网络的故障预测方法
CN109726230A (zh) * 2018-12-04 2019-05-07 重庆大学 一种大数据分析模型预测发动机性能的方法
CN109726230B (zh) * 2018-12-04 2021-06-01 重庆大学 一种大数据分析模型预测发动机性能的方法
CN112926739A (zh) * 2021-03-11 2021-06-08 北京计算机技术及应用研究所 一种基于神经网络模型的网络对抗效能评估方法
CN112926739B (zh) * 2021-03-11 2024-03-19 北京计算机技术及应用研究所 一种基于神经网络模型的网络对抗效能评估方法

Similar Documents

Publication Publication Date Title
CN107153869A (zh) 一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法
CN103914735B (zh) 一种基于神经网络自学习的故障识别方法及系统
CN109271374A (zh) 一种基于机器学习的数据库健康度打分方法和打分系统
CN104392071B (zh) 一种基于复杂网络的高速列车系统安全评估方法
CN109324604A (zh) 一种基于多源信号的智能列车综合故障分析方法
WO2021036546A1 (zh) 基于有偏估计的近红外定量分析模型构建方法
CN102693451A (zh) 基于多参数的氨法烟气脱硫效率预测方法
CN109117380A (zh) 一种软件质量评价方法、装置、设备及可读存储介质
CN109034470A (zh) 一种电力通信现场运维故障预测方法
CN104986347A (zh) 一种民机航线飞行员操作差错的实时检测方法
CN106628097A (zh) 一种基于改进径向基神经网络的船舶设备故障诊断方法
CN109273096A (zh) 一种基于机器学习的药品风险分级评估方法
CN112541552B (zh) Dccnn和lgbm相结合的空气处理机组故障检测与诊断方法
CN110737976A (zh) 一种基于多维度信息融合的机械设备健康评估方法
CN111079978A (zh) 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法
CN115796509A (zh) 一种轨道交通应急调度辅助决策系统及方法
CN103559542A (zh) 基于先验知识的可拓神经网络模式识别方法
CN114358116A (zh) 油浸式变压器故障诊断方法、系统及可读存储介质
CN113139570A (zh) 一种基于最优混合估值的大坝安全监测数据补全方法
CN117174163A (zh) 病毒进化趋势预测方法和系统
CN112906672B (zh) 钢轨缺陷识别方法及系统
CN109569887A (zh) 一种基于尾矿品位的铁矿浮选药剂用量自动控制方法
CN112395952A (zh) 一种用于铁轨缺陷检测的无人机
CN112100902A (zh) 一种基于流数据的锂离子电池寿命预测方法
CN108363738B (zh) 一种工业设备数据分析算法的推荐方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170912