CN109063928A - 一种变压器油密度预测模型建模方法和装置 - Google Patents
一种变压器油密度预测模型建模方法和装置 Download PDFInfo
- Publication number
- CN109063928A CN109063928A CN201810994101.3A CN201810994101A CN109063928A CN 109063928 A CN109063928 A CN 109063928A CN 201810994101 A CN201810994101 A CN 201810994101A CN 109063928 A CN109063928 A CN 109063928A
- Authority
- CN
- China
- Prior art keywords
- output
- transformer oil
- density
- connection weight
- prediction model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000001373 regressive effect Effects 0.000 claims abstract description 67
- 230000002068 genetic effect Effects 0.000 claims abstract description 29
- 210000005036 nerve Anatomy 0.000 claims abstract description 16
- 230000002441 reversible effect Effects 0.000 claims abstract description 15
- 238000002834 transmittance Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 4
- 238000010353 genetic engineering Methods 0.000 claims description 4
- 108010001267 Protein Subunits Proteins 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 9
- 238000013507 mapping Methods 0.000 abstract description 9
- 238000001739 density measurement Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 239000003921 oil Substances 0.000 description 175
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013519 translation Methods 0.000 description 4
- 230000014616 translation Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Physiology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Housings And Mounting Of Transformers (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本申请公开了一种变压器油密度预测模型建模方法和装置，基于温度补偿和遗传算法对反向传播神经网络建立的第一变压器油密度回归预测模型进行优化，采用遗传算法建立变压器油多频超声波参数与油密度的非线性映射关系，并通过温度补偿减小温度对映射关系带来的误差影响，实现对变压器油密度的回归预测，具有高效、快速及自适应学习能力强的特点，并且通过回归预测模型可以直接对变压器油密度进行监控，实时获取到变压器油密度的大小，预测结果准确可靠，解决了现有的变压器油密度测试方法费时费力，且不能对变压器油进行实时监测和准确反映变压器的真实油密度的技术问题。
Description
技术领域
本申请涉及变压器故障检测技术领域，尤其涉及一种变压器油密度预测模型建模方法和装置。
背景技术
变压器在电网中扮演着不可或缺的角色，是能量转换、传输的核心，同时也是电网安全第一道防御系统中的关键枢纽设备。变压器故障不仅会带来经济上的损失，还可能会造成大停电给人们带来恐慌与不便，所以对变压器进行故障诊断是发展智能电网的需要。油质的优劣直接影响着变压器的运行状态，对变压器油参数的检测，影响着对变压器运行状态的判定的有效性，甚至关系到整个电网的运行安全。
传统的对变压器油密度进行检测的方法是密度计法，但是密度计法检测变压器油密度需要取出变压器油样，将油样置于测量容器中，设定恒定温度，使用搅拌物将油样搅拌均匀，待油样的温度同设定的恒定温度一样时，将密度计放入油样中，读取密度计测量值，这种方法测得的变压器油密度结果不具备实时性，费时费力，不能对变压器油进行实时监测和准确反映变压器的真实油密度。
发明内容
本申请实施例提供了一种变压器油密度预测模型建模方法和装置，解决了现有的变压器油密度测试方法费时费力，且不能对变压器油进行实时监测和准确反映变压器的真实油密度的技术问题。
有鉴于此，本申请第一方面提供了一种变压器油密度预测模型建模方法，所述方法包括：
101、获取若干组运行时长不等的变压器油样在预置温度值下恒温测试的多频超声波特性，并获取各所述多频超声波特性对应的油密度；
102、将所述多频超声波特性作为输入，所述油密度作为输出，根据反向传播神经网络建立第一变压器油密度回归预测模型；
103、根据遗传算法对所述第一变压器油密度回归预测模型的连接权值和阈值进行寻优组合；
104、获取变压器油样的多频超声波信号随温度变化的函数关系，根据所述连接权值的寻优组合结果、所述阈值的寻优组合结果和所述函数关系优化所述第一变压器油密度回归预测模型，构建基于温度补偿和遗传算法的第二变压器油密度回归预测模型。
优选地，步骤102之后步骤103之前，还包括：
23、根据连接权值调整量公式和阈值调整量公式，计算所述第一变压器油密度回归预测模型的连接权值调整量和阈值调整量，根据所述连接权值调整量和所述阈值调整量调整所述连接权值和所述阈值，所述连接权值调整量公式为和所述阈值调整量公式为和其中，ΔWjk(n)为第n个神经元输出层连接权值输出调整量，α为学习率，L为隐含层神经元个数，N为输入层神经元个数，δk为输出层输出误差，δ* j为隐含层输出误差，ΔVij(n)为第n个神经元隐含层连接权值输出调整量，hj为隐含层输出，yk为输出层输出，Δθk(n)为第n个神经元输出层阈值输出调整量，为第n个神经元隐含层阈值输出调整量。
优选地，步骤23具体包括：
231、获取训练样本机和测试样本集；
232、对所述第一变压器油密度回归预测模型进行初始化；
233、从所述训练样本集中选取输入向量输入到所述第一变压器油密度回归预测模型，同时设置对应的理想目标输出；
234、根据隐含层输出公式和输出层输出公式分别计算隐含层输出和输出层输出，将所述隐含层输出和所述输出层输出分别代入隐含层输出误差公式和输出层输出误差公式，分别计算出隐含层输出误差和输出层输出误差；
235、将所述隐含层输出、所述输出层输出、所述隐含层输出误差和所述输出层输出误差分别代入连接权值调整量公式和阈值调整量公式，计算连接权值调整量和阈值调整量，根据所述连接权值调整量和所述阈值调整量调整所述连接权值和所述阈值；
236、根据总误差函数计算总误差精度，判断所述总误差精度是否小于等于所述第一变压器油密度回归预测模型的初始化误差精度，若是，保存调整后的所述连接权值和调整后的所述阈值，否则，返回步骤233，所述总误差函数为其中，E为总误差精度，dk为理想目标输出，yk为输出层输出。
优选地，步骤103具体包括：
1031、设置种群规模和最大进化代数，在搜索空间随机产生Z个个体作为初始种群，并将其作为当前种群；
1032、根据所述当前种群的个体样本参数和建立的适应度函数对所述第一变压器油密度回归预测模型进行训练，计算每个个体的适应度函数值，所述适应度函数为其中，yi为预测输出，为期望输出，i为训练样本；
1033、判断所述适应度函数值是否满足终止条件，若是，提交最优个体，结束遗传操作，获得最优连接权值和最优阈值，否则，执行步骤1034；
1034、对所述当前种群进行选择、交叉、变异运算，得到子代种群；
1035、将所述子代种群作为所述当前种群，执行步骤1032。
优选地，所述函数关系为f(x)＝a×x+b，f(x)为多频超声波的声速，x为温度，a＝-3.5714，b＝1483.5706。
优选地，所述预置温度值为27℃。
本申请第二方面提供一种变压器油密度预测模型建模装置，包括：
获取模块，用于获取若干组运行时长不等的变压器油样在预置温度值下恒温测试的多频超声波特性，并获取各所述多频超声波特性对应的油密度；
第一建模模块，用于将所述多频超声波特性作为输入，所述油密度作为输出，根据反向传播神经网络建立第一变压器油密度回归预测模型；
寻优模块，用于根据遗传算法对所述第一变压器油密度回归预测模型的连接权值和阈值进行寻优组合；
第二建模模块，用于获取变压器油样的多频超声波信号随温度变化的函数关系，根据所述连接权值的寻优组合结果、所述阈值的寻优组合结果和所述函数关系优化所述第一变压器油密度回归预测模型，构建基于温度补偿和遗传算法的第二变压器油密度回归预测模型。
优选地，所述装置还包括：
调整模块，用于计算所述第一变压器油密度回归预测模型的连接权值调整量和阈值调整量，根据所述连接权值调整量和所述阈值调整量调整所述连接权值和所述阈值。
优选地，所述调整模块具体用于：
获取训练样本机和测试样本集；
对所述第一变压器油密度回归预测模型进行初始化；
从所述训练样本集中选取输入向量输入到所述第一变压器油密度回归预测模型，同时设置对应的理想目标输出；
根据隐含层输出公式和输出层输出公式分别计算隐含层输出和输出层输出，将所述隐含层输出和所述输出层输出分别代入隐含层输出误差公式和输出层输出误差公式，分别计算出隐含层输出误差和输出层输出误差；
将所述隐含层输出、所述输出层输出、所述隐含层输出误差和所述输出层输出误差分别代入连接权值调整量公式和阈值调整量公式，计算连接权值调整量和阈值调整量，根据所述连接权值调整量和所述阈值调整量调整所述连接权值和所述阈值；
根据总误差函数计算总误差精度，判断所述总误差精度是否小于等于所述第一变压器油密度回归预测模型的初始化误差精度，若是，保存调整后的所述连接权值和调整后的所述阈值，否则，返回步骤233，所述总误差函数为其中，E为总误差精度，dk为理想目标输出，yk为输出层输出。
优选地，所述寻优模块具体包括：
初始化子单元，用于设置种群规模和最大进化代数，在搜索空间随机产生Z个个体作为初始种群，并将其作为当前种群；
适应度计算子单元，用于根据所述当前种群的个体样本参数和建立的适应度函数对所述第一变压器油密度回归预测模型进行训练，计算每个个体的适应度函数值，所述适应度函数为其中，yi为预测输出，为期望输出，i为训练样本；
判断子单元，用于判断所述适应度函数值是否满足终止条件，若是，提交最优个体，结束遗传操作，获得最优连接权值和最优阈值，否则，执行步骤1034；
遗传子单元，用于对所述当前种群进行选择、交叉、变异运算，得到子代种群；
循环子单元，用于将所述子代种群作为所述当前种群，触发所述适应度计算子单元。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供的一种变压器油密度预测模型建模方法，获取若干组运行时长不等的变压器油样在预置温度值下恒温测试的多频超声波特性，能够使得油样样本具备多样性，在恒温下测试可以保证测试结果的稳定性，采用多频超声波，波段更宽，特性更全面；将多频超声波特性作为输入，油密度作为输出，根据反向传播神经网络建立第一变压器油密度回归预测模型，反向传播神经网络运行高效、快速及自适应学习能力强；利用遗传算法对第一变压器油密度回归预测模型的连接权值和阈值进行寻优组合，找到连接权值和阈值的最优解，能够提升预测准确性；获取到变压器油样的多频超声波信号随温度变化的函数关系，通过温度补偿减小温度带来的影响，预测结果更加准确可靠；本申请提供的方法，基于温度补偿和遗传算法对反向传播神经网络建立的第一变压器油密度回归预测模型进行优化，采用遗传算法建立变压器油多频超声波参数与油密度的非线性映射关系，并通过温度补偿减小温度对映射关系带来的误差影响，实现对变压器油密度的回归预测，具有高效、快速及自适应学习能力强的特点，并且通过回归预测模型可以直接对变压器油密度进行监控，实时获取到变压器油密度的大小，预测结果准确可靠，解决了现有的变压器油密度测试方法费时费力，且不能对变压器油进行实时监测和准确反映变压器的真实油密度的技术问题。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请提供的一种变压器油密度预测模型建模方法的一个实施例的流程示意图；
图2为本申请提供的一种变压器油密度预测模型建模方法的一个实施例的结构示意图；
图3本申请提供的一种变压器油密度预测模型建模装置的结构的示意图；
图4(a)为长城#25油样的多频超声波声速与温度的关系曲线图；
图4(b)为nynas油样的多频超声波声速与温度的关系曲线图；
图4(c)为壳牌S4油样的多频超声波声速与温度的关系曲线图；
图4(d)为KI#25油样的多频超声波声速与温度的关系曲线图；
图5(a)为长城#25油样的相位频率关系在不同温度下的特性曲线图；
图5(b)为nynas油样的相位频率关系在不同温度下的特性曲线图；
图5(c)为壳牌S4油样的相位频率关系在不同温度下的特性曲线图；
图5(d)为KI#25油样的相位频率关系在不同温度下的特性曲线图；
图6(a)为未采用GA寻优、未采用温度补偿时的变压器油密度预测模型训练均方差图；
图6(b)为未采用GA寻优、未采用温度补偿时的变压器油密度预测模型回归拟合曲线图；
图6(c)为采用GA寻优、未采用温度补偿时的变压器油密度预测模型训练均方差图；
图6(d)为采用GA寻优、未采用温度补偿时的变压器油密度预测模型回归拟合曲线图；
图6(e)为采用GA寻优、采用温度补偿时的变压器油密度预测模型训练均方差图；
图6(f)为采用GA寻优、采用温度补偿时的变压器油密度预测模型回归拟合曲线图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在缺少做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请设计了一种变压器油密度预测模型建模方法和装置，基于温度补偿和遗传算法对反向传播神经网络建立的第一变压器油密度回归预测模型进行优化，采用遗传算法建立变压器油多频超声波参数与油密度的非线性映射关系，并通过温度补偿减小温度对映射关系带来的误差影响，实现对变压器油密度的回归预测，具有高效、快速及自适应学习能力强的特点，并且通过回归预测模型可以直接对变压器油密度进行监控，实时获取到变压器油密度的大小，预测结果准确可靠，解决了现有的变压器油密度测试方法费时费力，且不能对变压器油进行实时监测和准确反映变压器的真实油密度的技术问题。
为了便于理解，请参阅图1，本申请提供的一种变压器油密度预测模型建模方法的一个实施例，包括：
步骤101：获取若干组运行时长不等的变压器油样在预置温度值下恒温测试的多频超声波特性，并获取各多频超声波特性对应的油密度。
需要说明的是，本申请实施例中，变压器油样为若干组运行时长不等的变压器油样，为使得数据更具备代表性和全面性，可以取不同运行年限的变压器油样，分别获得这些变压器油样的多频超声波特性和与之对应的油密度值，在恒温下测试可以保证测试结果的稳定性，采用多频超声波，波段更宽，特性更全面。
步骤102：将多频超声波特性作为输入，油密度作为输出，根据反向传播神经网络建立第一变压器油密度回归预测模型。
需要说明的是，反向传播神经网络(BPNN，Back Propagation Neural Network)是一种按误差逆向传播算法进行网络训练的多层前馈型神经网络，是一种有效的分类和识别工具。BPNN的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和不断减小，BPNN包括输入层、隐含层和输出层。本申请实施例中，选取反向传播神经网络建立回归预测模型，在反向传播神经网路对训练样本完成训练之后，形成分类器，连接权值和阈值趋向稳定，当需要再次进行训练时，不必重新对反向传播神经网络做初始化设置，可以直接导入已经训练好的连接权值和阈值开始训练学习，具备高效、快速和自适应学习能力强的特点。
步骤103：根据遗传算法对第一变压器油密度回归预测模型的连接权值和阈值进行寻优组合。
需要说明的是，遗传算法(GA，Genetic Algorithm)是一种基于生物界自然遗传和选择适合解决优化问题的全局性自适应优化算法。遗传算法从问题的串集开始搜索，而不是从单个解开始，覆盖面大，有利于全局择优，能够同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少陷入局部最优解的风险，同时算法本身易于实现并行化，具有自组织、自适应和自学习性。鉴于遗传算法在参数寻优方面的优势，本申请实施例采用遗传算法对反向传播神经网络的连接权值和阈值进行优化，以得到最优参量。
步骤104、获取变压器油样的多频超声波信号随温度变化的函数关系，根据连接权值的寻优组合结果、阈值的寻优组合结果和函数关系优化第一变压器油密度回归预测模型，构建基于温度补偿和遗传算法的第二变压器油密度回归预测模型。
需要说明的是，本申请实施例中，可以通过预先采集的多组不同油样的等温度间隔多频超声波信号作为基准信号集，由基准信号的特征点(温度设定点)得出信号随温度变化的函数关系，通过函数关系可以对变压器油的多频超声波信号和油密度之间的映射关系进行温度补偿，减小温度带来的误差影响，通过遗传算法对回归预测模型的连接权值和阈值进行寻优得到最优值，结合温度补偿调整回归预测误差，能够保证变压器油密度的预测结果的准确性；同时，最终构建基于温度补偿和遗传算法的第二变压器油密度回归预测模型完成后，可以直接通过该模型对变压器的油密度进行预测，预测过程简单高效，具备实时性。
本申请实施例提供的一种变压器油密度预测模型建模方法，获取若干组运行时长不等的变压器油样在预置温度值下恒温测试的多频超声波特性，能够使得油样样本具备多样性，在恒温下测试可以保证测试结果的稳定性，采用多频超声波，波段更宽，特性更全面；将多频超声波特性作为输入，油密度作为输出，根据反向传播神经网络建立第一变压器油密度回归预测模型，反向传播神经网络运行高效、快速及自适应学习能力强；利用遗传算法对第一变压器油密度回归预测模型的连接权值和阈值进行寻优组合，找到连接权值和阈值的最优解，能够提升预测准确性；获取到变压器油样的多频超声波信号随温度变化的函数关系，通过温度补偿减小温度带来的影响，预测结果更加准确可靠；本申请提供的方法，基于温度补偿和遗传算法对反向传播神经网络建立的第一变压器油密度回归预测模型进行优化，采用遗传算法建立变压器油多频超声波参数与油密度的非线性映射关系，并通过温度补偿减小温度对映射关系带来的误差影响，实现对变压器油密度的回归预测，具有高效、快速及自适应学习能力强的特点，并且通过回归预测模型可以直接对变压器油密度进行监控，实时获取到变压器油密度的大小，预测结果准确可靠，解决了现有的变压器油密度测试方法费时费力，且不能对变压器油进行实时监测和准确反映变压器的真实油密度的技术问题。
为了便于理解，请参阅图2，本申请提供的一种变压器油密度预测模型建模方法的另一个实施例，方法包括：
步骤201、获取若干组运行时长不等的变压器油样在预置温度值下恒温测试的多频超声波特性，并获取各多频超声波特性对应的油密度。
需要说明的是，步骤201与步骤101一致，在此不再进行详细赘述。
步骤202、将多频超声波特性作为输入，油密度作为输出，根据反向传播神经网络建立第一变压器油密度回归预测模型。
需要说明的是，步骤202与步骤102一致，在此不进行详细赘述。
步骤203、根据连接权值调整量公式和阈值调整量公式，计算第一变压器油密度回归预测模型的连接权值调整量和阈值调整量，根据连接权值调整量和阈值调整量调整连接权值和阈值，连接权值调整量公式为和阈值调整量公式为和其中，ΔWjk(n)为第n个神经元输出层连接权值输出调整量，α为学习率，L为隐含层神经元个数，N为输入层神经元个数，δk为输出层输出误差，δ* j为隐含层输出误差，ΔVij(n)为第n个神经元隐含层连接权值输出调整量，hj为隐含层输出，yk为输出层输出，Δθk(n)为第n个神经元输出层阈值输出调整量，为第n个神经元隐含层阈值输出调整量。
需要说明的是，本申请实施例中，当建立起第一变压器油密度回归预测模型之后，需要对第一变压器油密度回归预测模型的连接权值和阈值进行修改，因此，需要计算出模型的连接权值调整量和阈值调整量，实现对连接权值和阈值的调整。
进一步地，步骤203具体可以包括：
步骤2031、获取训练样本机和测试样本集。
步骤2032、对第一变压器油密度回归预测模型进行初始化。
需要说明的是，对各个权值Vij，Wjk和阈值θk，精度控制参数ε和学习率α进行初始化，设置连接权值和阈值为趋近于0的不同的随机数。
步骤2033、从训练样本集中选取输入向量输入到第一变压器油密度回归预测模型，同时设置对应的理想目标输出。
步骤2034、根据隐含层输出公式和输出层输出公式分别计算隐含层输出和输出层输出，将隐含层输出和输出层输出分别代入隐含层输出误差公式和输出层输出误差公式，分别计算出隐含层输出误差和输出层输出误差。
需要说明的是，本申请实施例中，隐含层各单元的输出为：输出层各单元的输出为：其中，N为输入层神经元个数，L为隐含层神经元个数，M为输出层神经元个数，f(x)为激励函数k值根据实际情况选取，在此不进行限定。
步骤2035、将隐含层输出、输出层输出、隐含层输出误差和输出层输出误差分别代入连接权值调整量公式和阈值调整量公式，计算连接权值调整量和阈值调整量，根据连接权值调整量和阈值调整量调整连接权值和阈值。
需要说明的是，本申请实施例中，连接权值调整量公式为和阈值调整量公式为和其中，ΔWjk(n)为第n个神经元输出层连接权值输出调整量，α为学习率，L为隐含层神经元个数，N为输入层神经元个数，δk为输出层输出误差，δ* j为隐含层输出误差，ΔVij(n)为第n个神经元隐含层连接权值输出调整量，hj为隐含层输出，yk为输出层输出，Δθk(n)为第n个神经元输出层阈值输出调整量，为第n个神经元隐含层阈值输出调整量。
步骤2036、根据总误差函数计算总误差精度，判断总误差精度是否小于等于第一变压器油密度回归预测模型的初始化误差精度，若是，保存调整后的所述连接权值和调整后的阈值，否则，返回步骤2033，总误差函数为其中，E为总误差精度，dk为理想目标输出，yk为输出层输出。
需要说明的是，本申请实施例中，当训练学习过程遍历一遍后，通过总误差函数计算总误差精度E，将E的值与初始化误差精度比较，若总误差精度E小于等于初始化误差精度，则保存根据调整量调整后的连接权值和阈值，否则，返回步骤2033继续进行迭代训练。
步骤204、根据遗传算法对第一变压器油密度回归预测模型的连接权值和阈值进行寻优组合。
进一步地，步骤204具体可以包括：
步骤2041、设置种群规模和最大进化代数，在搜索空间随机产生Z个个体作为初始种群，并将其作为当前种群。
需要说明的是，本申请实施例中，种群规模Q为100，最大进化代数T为100。
步骤2042、根据当前种群的个体样本参数和建立的适应度函数对第一变压器油密度回归预测模型进行训练，计算每个个体的适应度函数值，适应度函数为其中，yi为预测输出，为期望输出，i为训练样本。
步骤2043、判断适应度函数值是否满足终止条件，若是，提交最优个体，结束遗传操作，获得最优连接权值和最优阈值，否则，执行步骤2034。
需要说明的是，本申请实施例中，获得最优连接权值和阈值之后，将最优连接权值和最优阈值带入BPNN进行训练，最终得到GA-BPNN预测模型，用来对样本数据进行训练。
步骤2044、对当前种群进行选择、交叉、变异运算，得到子代种群。
需要说明的是，本申请实施例中，步骤2044的当前种群即为子代种群的父代种群。
步骤2045、将子代种群作为当前种群，执行步骤2042。
步骤205、获取变压器油样的多频超声波信号随温度变化的函数关系，根据连接权值的寻优组合结果、阈值的寻优组合结果和函数关系优化第一变压器油密度回归预测模型，构建基于温度补偿和遗传算法的第二变压器油密度回归预测模型。
需要说明的是，步骤205与步骤104一致，在此不进行详细赘述。
进一步地，函数关系为f(x)＝a×x+b，f(x)为多频超声波的声速，x为温度，a＝-3.5714，b＝1483.5706。
需要说明的是，请参阅图4(a)至图4(d),本申请实施例中，预先采集四组不同油样的等温度间隔多频超声波信号作为基准信号集，基准信号的特征点设定为以下几个温度点：20℃、27℃、37℃、41℃、46℃、55℃，四组油样分别为：长城#25，nynas，壳牌S4和KI#25。在每一个温度点对四组不同油样进行多频段超声波实验，检测时间为2小时，用YucoyaUltrasound Manager软件获取多频超声波特性数据，实验结果如图4(a)至图4(d)所示，由图4(a)至图4(d)可以得知，多频超声波声速在温度范围20℃～55℃之间时呈线性关系，因此可以用线性拟合方式获得温度补偿函数关系，函数关系表达式为f(x)＝a×x+b，其中，x为温度，a和b可以根据最小二乘法计算获得，本申请实施例中，a和b的值分别为a＝-3.5714，b＝1483.5706。请参阅图5(a)至图5(d),本申请实施例中，四组油样的相位频率关系在不同温度下的特性曲线如请参阅图5(a)至图5(d)所示，由图5(a)至图5(d)可知,不同温度下的相位只是发生了左右平移，其相位取值差别较小，可以忽略不计，其平移关系为：每间隔10℃的温差平移三个测量频率，平均每间隔3℃平移一个测量频率，即以27℃所测得的多频超声波相位为基准相位，温度每升高3℃，其基准相位向右平移一个测量频率，每降低3℃，其基准相位向左平一个测量频率。
进一步地，预置温度值为27℃。
需要说明的是，本申请实施例中，选择27℃(室温)的变压器油的多频超声波检测数据为基准信号。
进一步地，为更好地说明本申请实施例的有效性和准确性，本申请实施例以收集的110组油浸式变压器绝缘油为数据集样本，以100组为训练样本集，另外10组为预测样本集，采用变压器油多频超声波检测装置测试该110组油样的超声波数据，同时基于常规实验方法(密度计法)进行油样密度测定，采用BPNN模型进行油样的密度回归预测分析，以基于多频超声波检测的242维多频超声波数据为网络模型的样本输入，以常规测定的油样密度作为目标输出，验证该模型的有效性和准确性。验证结果如图6(a)至图6(f)所示，其中，图6(a)和图6(b)分别为未采用GA寻优且未采用温度补偿算法时的变压器油密度预测模型训练均方差图和变压器油密度预测模型回归拟合曲线图，图6(c)和图6(d)分别为采用GA寻优但未采用温度补偿算法时的变压器油密度预测模型训练均方差图和变压器油密度预测模型回归拟合曲线图，图6(e)和图6(f)分别为同时采用GA寻优和温度补偿算法时的变压器油密度预测模型训练均方差图和变压器油密度预测模型回归拟合曲线图，对比分析图6(a)、图6(c)和图6(e)可知，变压器油密度预测模型在同时使用GA寻优和温度补偿时训练均方差最低，为0.0062806；对比分析图6(b)、图6(d)和图6(f)可知，变压器油密度预测模型在同时使用GA寻优和温度补偿时回归拟合系数R最高，为：0.98251。由此，可以充分证明，同时使用GA寻优和温度补偿对回归预测模型进行训练能够有效提高预测模型的预测准确度。
为了便于理解，请参阅图3，本申请提供的一种变压器油密度预测模型建模装置的一个实施例，包括：
获取模块301，用于获取若干组运行时长不等的变压器油样在预置温度值下恒温测试的多频超声波特性，并获取各多频超声波特性对应的油密度；
第一建模模块302，用于将多频超声波特性作为输入，油密度作为输出，根据反向传播神经网络建立第一变压器油密度回归预测模型；
寻优模块303，用于根据遗传算法对第一变压器油密度回归预测模型的连接权值和阈值进行寻优组合；
第二建模模块304，用于获取变压器油样的多频超声波信号随温度变化的函数关系，根据连接权值的寻优组合结果、阈值的寻优组合结果和函数关系优化第一变压器油密度回归预测模型，构建基于温度补偿和遗传算法的第二变压器油密度回归预测模型。
进一步地，装置还包括：
调整模块305，用于计算第一变压器油密度回归预测模型的连接权值调整量和阈值调整量，根据连接权值调整量和阈值调整量调整连接权值和阈值。
进一步地，调整模块305具体用于：
获取训练样本机和测试样本集；
对第一变压器油密度回归预测模型进行初始化；
从训练样本集中选取输入向量输入到第一变压器油密度回归预测模型，同时设置对应的理想目标输出；
根据隐含层输出公式和输出层输出公式分别计算隐含层输出和输出层输出，将隐含层输出和输出层输出分别代入隐含层输出误差公式和输出层输出误差公式，分别计算出隐含层输出误差和输出层输出误差；
将隐含层输出、输出层输出、隐含层输出误差和输出层输出误差分别代入连接权值调整量公式和阈值调整量公式，计算连接权值调整量和阈值调整量，根据连接权值调整量和阈值调整量调整连接权值和阈值；
根据总误差函数计算总误差精度，判断总误差精度是否小于等于第一变压器油密度回归预测模型的初始化误差精度，是，保存调整后的连接权值和调整后的阈值，否则，返回从训练样本集中选取输入向量输入到第一变压器油密度回归预测模型，同时设置对应的理想目标输出，总误差函数为其中，E为总误差精度，dk为理想目标输出，yk为输出层输出。
进一步地，寻优模块303具体包括：
初始化子单元3031，用于设置种群规模和最大进化代数，在搜索空间随机产生Z个个体作为初始种群，并将其作为当前种群；
适应度计算子单元3032，用于根据当前种群的个体样本参数和建立的适应度函数对第一变压器油密度回归预测模型进行训练，计算每个个体的适应度函数值，适应度函数为其中，yi为预测输出，为期望输出，i为训练样本；
判断子单元3033，用于判断适应度函数值是否满足终止条件，若是，提交最优个体，结束遗传操作，获得最优连接权值和最优阈值，否则，触发遗传子单元3034；
遗传子单元3034，用于对当前种群进行选择、交叉、变异运算，得到子代种群；
循环子单元3035，用于将子代种群作为当前种群，触发适应度计算子单元3032。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括缺少清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种变压器油密度预测模型建模方法，其特征在于，包括：
101、获取若干组运行时长不等的变压器油样在预置温度值下恒温测试的多频超声波特性，并获取各所述多频超声波特性对应的油密度；
102、将所述多频超声波特性作为输入，所述油密度作为输出，根据反向传播神经网络建立第一变压器油密度回归预测模型；
103、根据遗传算法对所述第一变压器油密度回归预测模型的连接权值和阈值进行寻优组合；
104、获取变压器油样的多频超声波信号随温度变化的函数关系，根据所述连接权值的寻优组合结果、所述阈值的寻优组合结果和所述函数关系优化所述第一变压器油密度回归预测模型，构建基于温度补偿和遗传算法的第二变压器油密度回归预测模型。
2.根据权利要求1所述的变压器油密度预测模型建模方法，其特征在于，步骤102之后步骤103之前，还包括：
23、根据连接权值调整量公式和阈值调整量公式，计算所述第一变压器油密度回归预测模型的连接权值调整量和阈值调整量，根据所述连接权值调整量和所述阈值调整量调整所述连接权值和所述阈值，所述连接权值调整量公式为和所述阈值调整量公式为和其中，ΔWjk(n)为第n个神经元输出层连接权值输出调整量，α为学习率，L为隐含层神经元个数，N为输入层神经元个数，δk为输出层输出误差，δ* j为隐含层输出误差，ΔVij(n)为第n个神经元隐含层连接权值输出调整量，hj为隐含层输出，yk为输出层输出，Δθk(n)为第n个神经元输出层阈值输出调整量，为第n个神经元隐含层阈值输出调整量。
3.根据权利要求2所述的变压器油密度预测模型建模方法，其特征在于，步骤23具体包括：
231、获取训练样本机和测试样本集；
232、对所述第一变压器油密度回归预测模型进行初始化；
233、从所述训练样本集中选取输入向量输入到所述第一变压器油密度回归预测模型，同时设置对应的理想目标输出；
234、根据隐含层输出公式和输出层输出公式分别计算隐含层输出和输出层输出，将所述隐含层输出和所述输出层输出分别代入隐含层输出误差公式和输出层输出误差公式，分别计算出隐含层输出误差和输出层输出误差；
235、将所述隐含层输出、所述输出层输出、所述隐含层输出误差和所述输出层输出误差分别代入所述连接权值调整量公式和所述阈值调整量公式，计算连接权值调整量和阈值调整量，根据所述连接权值调整量和所述阈值调整量调整所述连接权值和所述阈值；
236、根据总误差函数计算总误差精度，判断所述总误差精度是否小于等于所述第一变压器油密度回归预测模型的初始化误差精度，若是，保存调整后的所述连接权值和调整后的所述阈值，否则，返回步骤233，所述总误差函数为其中，E为总误差精度，dk为理想目标输出，yk为输出层输出。
4.根据权利要求1所述的变压器油密度预测模型建模方法，其特征在于，步骤103具体包括：
1031、设置种群规模和最大进化代数，在搜索空间随机产生Z个个体作为初始种群，并将其作为当前种群；
1032、根据所述当前种群的个体样本参数和建立的适应度函数对所述第一变压器油密度回归预测模型进行训练，计算每个个体的适应度函数值，所述适应度函数为其中，yi为预测输出，为期望输出，i为训练样本；
1033、判断所述适应度函数值是否满足终止条件，若是，提交最优个体，结束遗传操作，获得最优连接权值和最优阈值，否则，执行步骤1034；
1034、对所述当前种群进行选择、交叉、变异运算，得到子代种群；
1035、将所述子代种群作为所述当前种群，执行步骤1032。
5.根据权利要求1所述的变压器油密度预测模型建模方法，其特征在于，所述函数关系为f(x)＝a×x+b，f(x)为多频超声波的声速，x为温度，a＝-3.5714，b＝1483.5706。
6.根据权利要求1所述的变压器油密度预测模型建模方法，其特征在于，所述预置温度值为27℃。
7.一种变压器油密度预测模型建模装置，其特征在于，包括：
获取模块，用于获取若干组运行时长不等的变压器油样在预置温度值下恒温测试的多频超声波特性，并获取各所述多频超声波特性对应的油密度；
第一建模模块，用于将所述多频超声波特性作为输入，所述油密度作为输出，根据反向传播神经网络建立第一变压器油密度回归预测模型；
寻优模块，用于根据遗传算法对所述第一变压器油密度回归预测模型的连接权值和阈值进行寻优组合；
第二建模模块，用于获取变压器油样的多频超声波信号随温度变化的函数关系，根据所述连接权值的寻优组合结果、所述阈值的寻优组合结果和所述函数关系优化所述第一变压器油密度回归预测模型，构建基于温度补偿和遗传算法的第二变压器油密度回归预测模型。
8.根据权利要求7所述的变压器油密度预测模型建模装置，其特征在于，所述装置还包括：
调整模块，用于计算所述第一变压器油密度回归预测模型的连接权值调整量和阈值调整量，根据所述连接权值调整量和所述阈值调整量调整所述连接权值和所述阈值。
9.根据权利要求7所述的变压器油密度预测模型建模装置，其特征在于，所述调整模块具体用于：
获取训练样本机和测试样本集；
对所述第一变压器油密度回归预测模型进行初始化；
从所述训练样本集中选取输入向量输入到所述第一变压器油密度回归预测模型，同时设置对应的理想目标输出；
根据隐含层输出公式和输出层输出公式分别计算隐含层输出和输出层输出，将所述隐含层输出和所述输出层输出分别代入隐含层输出误差公式和输出层输出误差公式，分别计算出隐含层输出误差和输出层输出误差；
将所述隐含层输出、所述输出层输出、所述隐含层输出误差和所述输出层输出误差分别代入连接权值调整量公式和阈值调整量公式，计算连接权值调整量和阈值调整量，根据所述连接权值调整量和所述阈值调整量调整所述连接权值和所述阈值；
根据总误差函数计算总误差精度，判断所述总误差精度是否小于等于所述第一变压器油密度回归预测模型的初始化误差精度，若是，保存调整后的所述连接权值和调整后的所述阈值，否则，返回所述从所述训练样本集中选取输入向量输入到所述第一变压器油密度回归预测模型，同时设置对应的理想目标输出，所述总误差函数为其中，E为总误差精度，dk为理想目标输出，yk为输出层输出。
10.根据权利要求7所述的变压器油密度预测模型建模装置，其特征在于，所述寻优模块具体包括：
初始化子单元，用于设置种群规模和最大进化代数，在搜索空间随机产生Z个个体作为初始种群，并将其作为当前种群；
适应度计算子单元，用于根据所述当前种群的个体样本参数和建立的适应度函数对所述第一变压器油密度回归预测模型进行训练，计算每个个体的适应度函数值，所述适应度函数为其中，yi为预测输出，为期望输出，i为训练样本；
判断子单元，用于判断所述适应度函数值是否满足终止条件，若是，提交最优个体，结束遗传操作，获得最优连接权值和最优阈值，否则，触发遗传子单元；
所述遗传子单元，用于对所述当前种群进行选择、交叉、变异运算，得到子代种群；
循环子单元，用于将所述子代种群作为所述当前种群，触发所述适应度计算子单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810994101.3A CN109063928B (zh) | 2018-08-29 | 2018-08-29 | 一种变压器油密度预测模型建模方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810994101.3A CN109063928B (zh) | 2018-08-29 | 2018-08-29 | 一种变压器油密度预测模型建模方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109063928A true CN109063928A (zh) | 2018-12-21 |
| CN109063928B CN109063928B (zh) | 2020-11-10 |
Family
ID=64757574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810994101.3A Active CN109063928B (zh) | 2018-08-29 | 2018-08-29 | 一种变压器油密度预测模型建模方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109063928B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112461919A (zh) * | 2020-11-10 | 2021-03-09 | 云南电网有限责任公司保山供电局 | 应用多频超声技术检测变压器油理化性能的系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101067617A (zh) * | 2007-04-06 | 2007-11-07 | 河海大学常州校区 | 变压器油中微水及混合气体超声在线检测方法及装置 |
| CN104236653A (zh) * | 2014-09-19 | 2014-12-24 | 中国人民解放军空军勤务学院 | 一种用超声波进行轻质油品质量流量测量的方法 |
| CN106650022A (zh) * | 2016-11-25 | 2017-05-10 | 天津津航计算技术研究所 | 复杂电子设备故障预测的方法 |
-
2018
- 2018-08-29 CN CN201810994101.3A patent/CN109063928B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101067617A (zh) * | 2007-04-06 | 2007-11-07 | 河海大学常州校区 | 变压器油中微水及混合气体超声在线检测方法及装置 |
| CN104236653A (zh) * | 2014-09-19 | 2014-12-24 | 中国人民解放军空军勤务学院 | 一种用超声波进行轻质油品质量流量测量的方法 |
| CN106650022A (zh) * | 2016-11-25 | 2017-05-10 | 天津津航计算技术研究所 | 复杂电子设备故障预测的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 余鹏程 等: "基于MFU和FOA-BPNN的变压器油密度检测", 《电气应用》 * |
| 张晓钟 等: "基于神经网络的超声波轻质燃油质量流量测量方法研究", 《计量学报》 * |
| 郑海明 等: "基于GA-BP神经网络大气中PM2.5软测量研究", 《计量学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112461919A (zh) * | 2020-11-10 | 2021-03-09 | 云南电网有限责任公司保山供电局 | 应用多频超声技术检测变压器油理化性能的系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109063928B (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
| Pham et al. | Application of the bees algorithm to the training of learning vector quantisation networks for control chart pattern recognition | |
| US8606418B1 (en) | Wind prediction for wind farms through the use of weather radar | |
| CN107665230A (zh) | 用于智能家居控制的用户行为预测模型的训练方法及装置 | |
| CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
| CN106405352A (zh) | 一种电力绝缘子表面积污物的等值盐密预测及预警系统 | |
| Djemana et al. | Using electromechanical impedance and extreme learning machine to detect and locate damage in structures | |
| CN108665052A (zh) | 果蝇算法优化广义回归神经网络的方法和装置 | |
| US20230048665A1 (en) | Two-stage frequency selection method and device for microwave frequency sweep data | |
| CN108733921B (zh) | 基于模糊信息粒化的变压器绕组热点温度波动范围预测方法 | |
| CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 | |
| Al-Aomar | A robust simulation-based multicriteria optimization methodology | |
| CN109063928A (zh) | 一种变压器油密度预测模型建模方法和装置 | |
| CN111860971A (zh) | 道岔转辙机剩余寿命预测方法及装置 | |
| CN114997217A (zh) | 一种基于rfid传感标签及igwo-elm的变压器故障诊断方法 | |
| CN104092503A (zh) | 一种基于狼群优化的人工神经网络频谱感知方法 | |
| Vavilova et al. | Application of genetic algorithm for adjusting the structure of multilayered neural network for prediction of investment processes | |
| Lin et al. | Eggshell crack detection based on acoustic impulse response and supervised pattern recognition | |
| CN110910263A (zh) | 一种基于ga-bp神经网络粮情监测方法 | |
| CN113591363B (zh) | 一种基于多频超声检测的变压器油介质损耗回归预测方法 | |
| CN113255223B (zh) | 一种空调负荷短期预测方法及系统 | |
| Neshat et al. | Hybrid neuro-evolutionary method for predicting wind turbine power output | |
| CN104376363A (zh) | 一种基于改进的免疫遗传算法的多相正交码生成方法 | |
| CN105488502B (zh) | 目标检测方法与装置 | |
| CN112465253A (zh) | 一种城市路网中的链路预测方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |