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 PDFInfo
- 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
- neural network
- cuckoo search
- bird
- training
- nest
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 241000544061 Cuculus canorus Species 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 238000003745 diagnosis Methods 0.000 title claims abstract description 15
- 230000007935 neutral effect Effects 0.000 title 1
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 235000005770 birds nest Nutrition 0.000 claims description 14
- 235000005765 wild carrot Nutrition 0.000 claims description 14
- 244000000626 Daucus carota Species 0.000 claims description 12
- 239000007789 gas Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004868 gas analysis Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000002405 diagnostic procedure Methods 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
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
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。
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)
| 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)
| 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 |
-
2017
- 2017-03-29 CN CN201710196519.5A patent/CN107153869A/zh active Pending
Patent Citations (3)
| 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)
| 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 | |
| CN108596212B (zh) | 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 | |
| CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
| CN109597968B (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
| CN108491404B (zh) | 一种基于bp神经网络的状态估计不良数据辨识方法 | |
| CN105353255B (zh) | 一种基于神经网络的变压器故障诊断方法 | |
| CN109917205B (zh) | 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法 | |
| WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
| CN104008278B (zh) | 一种基于特征向量和最小二乘支持向量机的pm2.5浓度预测方法 | |
| CN107941537A (zh) | 一种机械设备健康状态评估方法 | |
| CN110488150A (zh) | 一种基于多算法融合的故障智能诊断方法 | |
| CN105956702A (zh) | 一种基于数据融合的水产养殖水质溶解氧预测方法 | |
| CN105138717A (zh) | 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 | |
| CN107168292B (zh) | 基于elm算法的水下航行器电路故障诊断方法 | |
| CN107506444B (zh) | 中断航迹接续关联机器学习系统 | |
| WO2016091084A1 (zh) | 一种基于复杂网络的高速列车系统安全评估方法 | |
| CN104463208A (zh) | 组合标记规则的多视图协同半监督分类算法 | |
| CN104986347B (zh) | 一种民机航线飞行员操作差错的实时检测方法 | |
| CN103699771B (zh) | 一种冷负荷预测的情景-聚类方法 | |
| CN102788696A (zh) | 基于改进bp神经网络和模糊集理论的轴承健康度评价方法 | |
| CN104793134A (zh) | 基于最小二乘支持向量机的断路器操作机构故障诊断方法 | |
| CN106528417A (zh) | 软件缺陷智能检测方法和系统 | |
| CN108896330B (zh) | 一种水电机组的故障诊断方法 | |
| CN104778338A (zh) | 一种低能耗分子蒸馏过程给定值的优化方法 | |
| CN108334902A (zh) | 一种基于深度学习的轨道列车设备间烟雾防火监测方法 |
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 |
Application publication date: 20170912 |
|
| WD01 | Invention patent application deemed withdrawn after publication |