CN110363277A - 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统 - Google Patents

基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统 Download PDF

Info

Publication number
CN110363277A
CN110363277A CN201910635322.6A CN201910635322A CN110363277A CN 110363277 A CN110363277 A CN 110363277A CN 201910635322 A CN201910635322 A CN 201910635322A CN 110363277 A CN110363277 A CN 110363277A
Authority
CN
China
Prior art keywords
firefly
particle
swarm algorithm
neural network
formula
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
CN201910635322.6A
Other languages
English (en)
Inventor
易辉
顾梦埙
李红涛
张�杰
黄阅
黄瑾
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.)
Nanjing Tech University
Original Assignee
Nanjing Tech 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 Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201910635322.6A priority Critical patent/CN110363277A/zh
Publication of CN110363277A publication Critical patent/CN110363277A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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

Landscapes

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

Abstract

本发明公开了一种基于改进的萤火虫算法（PFA）优化概率神经网络（PNN）的电力变压器故障诊断方法，首先用气相色谱分析法采集故障特征气体并使用融合DGA算法进行预处理。初始化PNN神经网络，萤火虫算法，2维粒子群；把PNN平滑因子作为萤火虫个体，计算萤火虫位置与亮度；将每一次萤火虫算法的求解结果反馈回粒子群算法中，并对每个粒子做出适应度评价，更新粒子的位置和速度；循环迭代，将得到的最优的平滑因子代入PNN进行故障预测，训练PFA优化后的PNN的模型；输入测试样本，输出故障类型结果，从而实现电力变压器故障诊断，搜索速度快，诊断精度高，误差小，分类效果明显。

Description

基于改进的萤火虫算法优化概率神经网络的电力变压器故障 诊断方法及系统
技术领域
本发明涉及一种变压器故障诊断方法，尤其涉及一种基于改进的萤火虫算法(PFA)优化概率神经网络(PNN)的电力变压器故障诊断方法，属于电力变压器故障诊断领域。
背景技术
电力变压器是电力系统中最重要的电气设备之一，也是导致电力系统事故最多的电气设备之一，其运行状态直接影响系统的安全性水平。及时发现变压器的潜伏性故障，保证变压器的安全运行，从而提高供电的可靠性是电力部门关注的一个重要问题。因此，研究变压器故障诊断技术，提高变压器的运行维护水平，具有重要的现实意义。
变压器油中溶解气体分析法(DissolvedGasAnalysis，DGA)是变压器内部故障诊断的重要手段。我国当前大量应用的是改良三比值法，但利用三比值法作为变压器故障诊断的判据存在两方面的不足，即所谓编码缺损和临界值判据缺损。
现有技术是利用萤火虫算法优化概率神经网络，但算法寻优初期速度较慢，寻优后期会发生振荡，最后得到的结果不尽如人意。
发明内容
本发明的目的在于：提供一种基于改进的萤火虫算法(PFA)优化概率神经网络(PNN)的故障诊断方法，利用粒子群算法对其改进后只需要经过很少的迭代次数就能找到较好的最优解，是一种有效的优化方法，能够提高电力变压器故障诊断的效率与准确率。
为了实现上述发明目的，本发明提供了一种基于改进的萤火虫算法(PFA)优化概率神经网络(PNN)的电力变压器故障诊断方法，包括如下步骤：
步骤1，采用气相色谱分析法，以固定抽样频率对变压器绝缘油中的故障气进行浓度实时检测，获得故障数据，对故障数据进行预处理；将故障数据分为训练样本和测试样本；
步骤2，初始化萤火虫算法参数和概率神经网络(PNN)，设置权值；
步骤2具体包括以下步骤：初始化萤火虫算法，将概率神经网平滑因子作为萤火虫个体，初始化萤火虫的位置；初始化光吸收强度系数γ、步长因子α、最大吸引度β0和迭代次数MaxGeneration，并对搜索范围进行限制，距离搜索范围的最小值和最大值设置为Pmin和Pmax；
步骤3，初始化粒子群，设置维数空间设置，并设置粒子群算法的基本参数值，(所述基本参数值包括种群个数、最大迭代次数，学习因子、惯性权重，初始位置和初始速度)，每个粒子都包括两个坐标位置；所述两个坐标位置分别对应萤火虫算法的步长因子α和光吸收强度系数γ；
步骤4，计算萤火虫的相对位置与亮度；
步骤5，将萤火虫相对位置与亮度的计算过程中的步长因子α和光吸收强度系数γ反馈回粒子群算法中，并对每个粒子做出适应度评价，如果目前粒子的适应度值比所经过的最好位置的适应度值更好，则选择目前的适应度值作为最好位置；反之，则不改变粒子的最后位置；将评价后的结果代回萤火虫算法，计算改进后的萤火虫相对亮度和改进后的萤火虫位置移动；
步骤6：按照最大迭代次数进行迭代，检验是否满足终止条件；若未达到最大迭代次数，则返回步骤4；反之，不再进行迭代，返回目前的全局最优粒子位置，所述全局最优粒子位置为萤火虫算法中步长因子α,光吸收强度系数γ两个最优参数组合，得到最优化的概率神经网络(PNN)平滑因子参数集；
步骤7，将得到的最优的概率神经网络平滑因子代入概率神经网络进行故障预测；
步骤8，将训练样本中的故障数据作为输入，将电力变压器故障类型作为输出，训练萤火虫算法优化后的概率神经网络的模型；
步骤9，输入测试样本，计算误差值，完成故障数据到故障状态的映射，输出故障类型结果，实现电力变压器故障诊断。
概率神经网络包括输入层、模式层、求和层和输出层；
输入层把训练样本的气体比值作为特征向量X的坐标传递给概率神经网络，神经元个数与特征向量维数相同；
模式层是径向基层，接收输入层的输出向量，样本层节点的数目等于训练样本的数目；每个模式层的神经元节点都有一个中心，模式层计算输入特征向量与模式层中心的距离，并根据所述距离件距离相关度分类别集中(距离相关度在限定范围内的为同一个类别)，模式层的输出值表示输入特征向量与训练集中各个模式的相似度(匹配程度)，相似度输出表达式f(X-Wi)为式(1)：
式中，Wi为输入层到模式层的权值；σ为平滑因子；X为输入特征向量；
求和层将式层单元连接起来，将概率累加，每个节点对应一个类别，把属于本节点的类的模式层单元输出相加后构建判决结果；
输出层输出判决结果，概率最大的输出结果为1，其余结果都为0；概率神经网络训练时，σ值越大，函数的拟合就越平滑，预测精度就越高，运算速率就越快；反之，若σ值太小，则意味着需要许多神经元来适应函数的缓慢变化，从而导致网络性能不好。因此合理选择σ值对网络分类性能起到了非常重要的作用。
粒子群(PSO)算法具体包括以下步骤：
设置总数为N的粒子，在搜索空间飞行，维数为D维，第i个粒子在第t次飞行时的位置为xi (t)＝(xi1 (t),xi2 (t),…xid (t)…xiD (t))，对应速度为vi (t)＝(vi1 (t),vi2 (t),…vid (t)…,viD (t))，粒子i在第t+1次迭代时第d(d＝1,2,…,D)维子空间的速度和位置根据式(2)和式(3)更新：
由上面公式可见，粒子的搜索轨迹由三部分组成：一是粒子的运动惯性，是指粒子原有速度的信息；二是“认知部分”，表示粒子与自身经历过的最好位置的距离；三是“社会部分”，表示粒子与群体经过的最好位置的距离；
其中，为粒子i在第t次迭代时搜索到历史最优值；为第t次迭代时全部粒子搜索到最优值；随机数r1，r2∈(0,1)服从均匀分布；
ω是惯性权重，目的是为了保持粒子原有速度；当取值ω较小时，粒子的搜索速度变化幅度较小，局部寻优能力强，全局寻优能力弱；反之，当ω取值较大时，全局寻优能力强，局部寻优能力弱。因此，ω的取值大小对于平衡粒子的局部搜索能力和全局搜索能力具有重要意义。
c1和c2是学习因子，c1表示粒子的认知能力，当c1取0时，粒子没有认知能力，只有社会信息共享能力；c2表示粒子的社会信息共享能力，当c2取0时，则粒子只有认知能力。
进一步地，步骤4具体包括以下步骤：
(401)萤火虫相对亮度为：
式中Ii为萤火虫i的绝对亮度，表示萤火虫i在飞行前初始位置(r＝0)光强的亮度；；γ为原始光吸收系数，它对萤火虫的收敛速度和优化效果有很大影响，rij为萤火虫i到萤火虫j的距离；Iij(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，萤火虫i相对于萤火虫j的相对亮度；
(402)萤火虫的吸引度为：
式中，β0为最大吸引力，，rij为萤火虫i到萤火虫j的距离；βij(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，萤火虫i相对于萤火虫j的吸引度；
(403)萤火虫i被吸引向萤火虫j移动的位置更新公式为：
式中，和为萤火虫i和萤火虫j在空间中第n次移位后的位置；βij为萤火虫j对萤火虫i吸引的吸引度(βij≤β0)；α为步长因子，rand为[0,1]上服从均匀分布的随机因子；α(rand-1/2)为加入的随机扰动项，目的是加大搜索区域，防止陷入局部极值。
在萤火虫算法的基本模型中，对于算法的求解质量的影响并不只是步长，光强吸收系数的变化同样会影响算法的寻优性能。PFA主要利用了粒子群算法中的粒子进行搜索时能够快速向最优解逼近的特性，将萤火虫算法中的两个重要参数α，γ抽象为粒子的两个坐标xi1 (t),xi2 (t)，粒子群算法不断将得到的最优参数组合返回给萤火虫算法，通过两个算法的相互调用，从而完成对萤火虫算法的两个参数的优化选择，以此来提高算法的寻优效率。改进后的萤火虫算法(PFA)收敛速度快，动态调整步长和光吸收系数，增强搜索精度。
步骤5具体包括以下步骤：
(501)，计算改进后的萤火虫相对亮度为:
Iij′(rij)＝Iiexp(-r′rij 2)
式中，Ii为萤火虫i的绝对亮度，表示萤火虫i在飞行前初始位置(r＝0)光强的亮度；γ′为粒子群算法经过适应度评价后反馈给萤火虫算法的光吸收系数，rij为萤火虫i到萤火虫j的距离；Iij'(rij)表示改进后距离为rij条件下，萤火虫i相对于萤火虫j的相对亮度；
(502)改进后的萤火虫的吸引度为:
改进后的萤火虫位置移动公式为:
βij'为改进后萤火虫j对i吸引的吸引度；α′为粒子群算法经过适应度评价后反馈给萤火虫算法的步长因子，β0为最大吸引力；γ′为粒子群算法经过适应度评价后反馈给萤火虫算法的光吸收系数，rij为萤火虫i到萤火虫j的距离；βij'(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，改进后的萤火虫i相对于萤火虫j的吸引度；
(503)，选择训练样本，把训练后的实际输出与期望输出的均方误差作为目标函数MSE，构造如下的适应度函数，来计算个体的适应值，公式为式(10)：
式中，N为训练样本数；Qi为实际输出；Yi为期望输出；
计算目标函数，如果目前粒子的适应度评价值比所经过的最好位置的适应度评价值更好，则选择目前的适应度评价值作为最好位置.反之，则不改变粒子的最后位置；
(504)，比较目前萤火虫的相对亮度，选择相对亮度最大的作为聚类中心，其他萤火虫向它靠近，计算当前新的位置；迭代计算当前的萤火虫相对亮度值。
一种基于改进的萤火虫算法(PFA)优化概率神经网络(PNN)的电力变压器故障诊断系统，包括故障数据获取单元、初始化网络单元、初始化粒子群单元、萤火虫相对位置和亮度计算单元、改进后萤火虫计算单元、迭代判断单元、故障预测单元、概率神经网络模型训练单元和电力变压器故障诊断单元；
故障数据获取单元采用气相色谱分析法，以固定抽样频率对变压器绝缘油中的故障气进行浓度实时检测，获得故障数据，对故障数据进行预处理；将故障数据分为训练样本和测试样本；
初始化网络单元初始化萤火虫算法参数和概率神经网络(PNN)，设置权值；
具体包括以下步骤：初始化萤火虫算法，将概率神经网平滑因子作为萤火虫个体，初始化萤火虫的位置；初始化光吸收强度系数γ、步长因子α、最大吸引度β0和迭代次数MaxGeneration，并对搜索范围进行限制，距离搜索范围的最小值和最大值设置为Pmin和Pmax；
初始化粒子群单元初始化粒子群，设置维数空间，并设置粒子群算法的基本参数值，(所述基本参数值包括种群个数、最大迭代次数，学习因子、惯性权重，初始位置和初始速度)，每个粒子都包括两个坐标位置；所述两个坐标位置分别对应萤火虫算法的步长因子α和光吸收强度系数γ；
萤火虫相对位置和亮度计算单元计算萤火虫的相对位置与亮度；
改进后萤火虫计算单元将萤火虫相对位置与亮度的计算过程中的步长因子α和光吸收强度系数γ反馈回粒子群算法中，并对每个粒子做出适应度评价，如果目前粒子的适应度值比所经过的最好位置的适应度值更好，则选择目前的适应度值作为最好位置；反之，则不改变粒子的最后位置；将评价后的结果代回萤火虫算法，计算改进后的萤火虫相对亮度和改进后的萤火虫位置移动；
迭代判断单元按照最大迭代次数进行迭代，检验是否满足终止条件；若未达到最大迭代次数，则返回萤火虫相对位置和亮度计算单元；反之，不再进行迭代，返回目前的全局最优粒子位置，所述全局最优粒子位置为萤火虫算法中步长因子α,光吸收强度系数γ两个最优参数组合，得到最优化的概率神经网络(PNN)平滑因子参数集；
故障预测单元将得到的最优的概率神经网络平滑因子代入概率神经网络进行故障预测；
概率神经网络模型训练单元将训练样本中的故障数据作为输入，将电力变压器故障类型作为输出，训练萤火虫算法优化后的概率神经网络的模型；
电力变压器故障诊断单元输入测试样本，计算误差值，完成故障数据到故障状态的映射，输出故障类型结果，实现电力变压器故障诊断。
概率神经网络包括输入层、模式层、求和层和输出层；
输入层把训练样本的气体比值作为特征向量X的坐标传递给概率神经网络，神经元个数与特征向量维数相同；
模式层是径向基层，接收输入层的输出向量，样本层节点的数目等于训练样本的数目；每个模式层的神经元节点都有一个中心，模式层计算输入特征向量与模式层中心的距离，并根据所述距离件距离相关度分类别集中(距离相关度在限定范围内的为同一个类别)，模式层的输出值表示输入特征向量与训练集中各个模式的相似度(匹配程度)，相似度输出表达式f(X-Wi)为式(1)：
式中，Wi为输入层到模式层的权值；σ为平滑因子；X为输入特征向量；
求和层将式层单元连接起来，将概率累加，每个节点对应一个类别，把属于本节点的类的模式层单元输出相加后构建判决结果；
输出层输出判决结果，概率最大的输出结果为1，其余结果都为0；概率神经网络训练时，σ值越大，函数的拟合就越平滑，预测精度就越高，运算速率就越快；反之，若σ值太小，则意味着需要许多神经元来适应函数的缓慢变化，从而导致网络性能不好。因此合理选择σ值对网络分类性能起到了非常重要的作用。
粒子群(PSO)算法具体包括以下步骤：
设置总数为N的粒子，在搜索空间飞行，维数为D维，第i个粒子在第t次飞行时的位置为xi (t)＝(xi1 (t),xi2 (t),…xid (t)…xiD (t))，对应速度为vi (t)＝(vi1 (t),vi2 (t),…vid (t)…,viD (t))，粒子i在第t+1次迭代时第d(d＝1,2,…,D)维子空间的速度和位置根据式(2)和式(3)更新：
由上面公式可见，粒子的搜索轨迹由三部分组成：一是粒子的运动惯性，是指粒子原有速度的信息；二是“认知部分”，表示粒子与自身经历过的最好位置的距离；三是“社会部分”，表示粒子与群体经过的最好位置的距离；
其中，为粒子i在第t次迭代时搜索到历史最优值；为第t次迭代时全部粒子搜索到最优值；随机数r1，r2∈(0,1)服从均匀分布；
ω是惯性权重，目的是为了保持粒子原有速度；当取值ω较小时，粒子的搜索速度变化幅度较小，局部寻优能力强，全局寻优能力弱；反之，当ω取值较大时，全局寻优能力强，局部寻优能力弱。因此，ω的取值大小对于平衡粒子的局部搜索能力和全局搜索能力具有重要意义。
c1和c2是学习因子，c1表示粒子的认知能力，当c1取0时，粒子没有认知能力，只有社会信息共享能力；c2表示粒子的社会信息共享能力，当c2取0时，则粒子只有认知能力。
萤火虫相对位置和亮度计算单元具体包括以下步骤：
(401)萤火虫相对亮度为：
式中Ii为萤火虫i的绝对亮度，表示萤火虫i在飞行前初始位置(r＝0)光强的亮度；；γ为原始光吸收系数，它对萤火虫的收敛速度和优化效果有很大影响，rij为萤火虫i到萤火虫j的距离；Iij(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，萤火虫i相对于萤火虫j的相对亮度；
(402)萤火虫的吸引度为：
式中，β0为最大吸引力，即在光源位置(r＝0)萤火虫的吸引力，，rij为萤火虫i到萤火虫j的距离；
βij(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，萤火虫i相对于萤火虫j的吸引度；
(403)萤火虫i被吸引向萤火虫j移动的位置更新公式为：
式中，和为萤火虫i和萤火虫j在空间中第n次移位后的位置；βij为萤火虫j对萤火虫i吸引的吸引度(βij≤β0)；α为步长因子，是萤火虫每次移动的最小距离,rand为[0,1]上服从均匀分布的随机因子；α(rand-1/2)为加入的随机扰动项，目的是加大搜索区域，防止陷入局部极值。
在萤火虫算法的基本模型中，对于算法的求解质量的影响并不只是步长，光强吸收系数的变化同样会影响算法的寻优性能。PFA主要利用了粒子群算法中的粒子进行搜索时能够快速向最优解逼近的特性，将萤火虫算法中的两个重要参数α，γ抽象为粒子的两个坐标xi1 (t),xi2 (t)，粒子群算法不断将得到的最优参数组合返回给萤火虫算法，通过两个算法的相互调用，从而完成对萤火虫算法的两个参数的优化选择，以此来提高算法的寻优效率。改进后的萤火虫算法(PFA)收敛速度快，动态调整步长和光吸收系数，增强搜索精度。
改进后萤火虫计算单元具体包括以下步骤：
(501)，计算改进后的萤火虫相对亮度为:
Iij'(rij)＝Iiexp(-r'rij 2)
式中，Ii为萤火虫i的绝对亮度，表示萤火虫i在飞行前初始位置(r＝0)光强的亮度；γ′为粒子群算法经过适应度评价后反馈给萤火虫算法的光吸收系数，rij为萤火虫i到萤火虫j的距离；Iij'(rij)表示改进后距离为rij条件下，萤火虫i相对于萤火虫j的相对亮度；
(502)，改进后的萤火虫位置移动公式为:
改进后的萤火虫的吸引度为:
为改进后萤火虫i、j在空间中某点的位置；为改进后萤火虫i移动后的位置；βij'为改进后萤火虫j对i吸引的吸引度；α′为粒子群算法经过适应度评价后反馈给萤火虫算法的步长因子，β0为最大吸引力；γ′为粒子群算法经过适应度评价后反馈给萤火虫算法的光吸收系数，rij为萤火虫i到萤火虫j的距离；；βij'(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，改进后的萤火虫i相对于萤火虫j的吸引度；
(503)，选择训练样本，把训练后的实际输出与期望输出的均方误差作为目标函数MSE，构造如下的适应度函数，来计算个体的适应值，公式为式(10)：
式中，N为训练样本数；Qi为实际输出；Yi为期望输出；
计算目标函数，如果目前粒子的适应度评价值比所经过的最好位置的适应度评价值更好，则选择目前的适应度评价值作为最好位置.反之，则不改变粒子的最后位置；
(504)，比较目前萤火虫的相对亮度，选择相对亮度最大的作为聚类中心，其他萤火虫向它靠近，计算当前新的位置；迭代计算当前的萤火虫相对亮度值。
与现有技术相比，本发明包括以下有益效果：
本发明公开一种基于改进的萤火虫算法(PFA)优化概率神经网络(PNN)的电力变压器故障诊断方法，将粒子群算法和萤火虫算法相结合，将其应用到概率神经网络之中提升了算法的分类性能，改善传统方法在电力变压器故障类型诊断方面的困难。与传统方法分析电力变压器故障类型相比，改进的萤火虫算法(PFA)优化的概率神经网络(PNN)搜索速度快，诊断精度高，误差小，分类效果明显，是一种有效的电力变压器故障诊断方法；
概率神经网络(PNN)，具有网络结构简单、调节参数少、运行时间快且不存在局部极小值点等优点。但其中平滑因子σ对其分类效果影响大，萤火虫算法原理简单、流程清楚、稳定性强，且具有较高的寻优精度和收敛速度。但是萤火虫算法中步长，光强吸收系数的变化同样会影响算法的寻优性能。粒子群算法具有粒子进行搜索时能够快速向最优解逼近的特性。本发明就采用了基于粒子群算法的萤火虫算法对σ参数进行寻优，以提升PNN分类性能，提高诊断的效率与准确率。
本申请步骤5和步骤6中萤火虫算法与粒子群算法相互调用，实现了对萤火虫算法的改进。与传统基于萤火虫算法优化概率神经网络的故障诊断方法相比，本申请搜索速度快，诊断精度高，误差小，分类效果明显。
附图说明
图1为本发明的一种基于改进的萤火虫算法(PFA)优化概率神经网络(PNN)的电力变压器故障诊断方法流程图；
图2为本发明的PNN概率神经网络的结构示意图；
图3为本发明实施例的PNN分类效果图；
图4为本发明实施例的PFA-PNN分类效果图。
具体实施方式
为使本发明的目的、技术方案、优点更加清楚，下面结合附图对本发明的具体实施方式进行详细说明。
以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
如图1所示，本发明提供了一种基于改进的萤火虫算法(PFA)优化概率神经网络(PNN)的电力变压器故障诊断方法，包括如下步骤：
步骤1，采用气相色谱分析法，以固定抽样频率对变压器绝缘油中的故障气体H2、CH4、C2H2、C2H4、C2H6、CO、CO2进行浓度实时检测，获得故障数据，对故障数据进行预处理；预处理过程是除了C2H2/TCG为气体体积分数之比外，其余C2H6/C2H2、C2H2/CH4、C2H4/C2H6、CH4/H2、C2H2/C2H4按融合比值法编码规则进行编码；随机抽取故障数据三分之二故障样本作为训练样本，剩余部分作为测试样本；
步骤2，初始化萤火虫算法参数和概率神经网络(PNN)，设置权值；初始化萤火虫算法，把PNN平滑因子作为萤火虫个体，初始化萤火虫的位置。然后初始化光吸收强度系数γ，步长因子α，最大吸引度β0，迭代次数MaxGeneration，并对搜索范围进行限制，设定Pmin、Pmax。
步骤3，初始化粒子群，维数空间设置为2维，并设置粒子群算法的基本参数值，(所述基本参数值包括种群个数、最大迭代次数，学习因子、惯性权重，初始位置和初始速度)，每个粒子都包括两个坐标位置；所述两个坐标位置分别对应萤火虫算法的步长因子α和光吸收强度系数γ；
步骤4，计算萤火虫的相对位置与亮度；
步骤5，将萤火虫相对位置与亮度的计算过程中的步长因子α和光吸收强度系数γ(反馈回粒子群算法中，并对每个粒子做出适应度评价，如果目前粒子的适应度值比所经过的最好位置的适应度值更好，则选择目前的适应度值作为最好位置；反之，则不改变粒子的最后位置；将评价后的结果代回萤火虫算法，计算改进后的萤火虫相对亮度和改进后的萤火虫位置移动；
改进后的萤火虫相对亮度为:
式中，Ii为萤火虫i的绝对亮度，即萤火虫i在飞行前初始位置(r＝0)光强的亮度；γ′为粒子群算法经过适应度评价后反馈给萤火虫算法的光吸收系数，rij为萤火虫i到萤火虫j的距离。
改进后的萤火虫位置移动公式为:
式中，xi n、xj n为萤火虫i、j在空间中某点的位置；xi n+1为萤火虫i移动后的位置；βij为萤火虫j对i吸引的吸引度；α′为粒子群算法经过适应度评价后反馈给萤火虫算法的步长因子。
步骤6：循环迭代；按照最大迭代次数进行迭代，检验是否满足终止条件；若未达到最大迭代次数，则返回步骤4；反之，不再进行迭代，返回目前的全局最优粒子位置，即为萤火虫算法中步长因子α,光吸收强度系数γ两个最优参数组合，得到最优化的PNN平滑因子参数集；
步骤7，将得到的最优的PNN平滑因子代入PNN进行故障预测；
步骤8，将训练样本中的故障数据作为输入，将电力变压器故障类型作为输出，训练PFA优化后的PNN的模型；
步骤9，输入测试样本，计算误差值，直到完成故障数据到故障状态的映射，输出故障类型结果，实现电力变压器故障诊断。
本发明提升了故障诊断算法的分类性能，与传统方法分析电力变压器故障类型相比，改进的萤火虫算法(PFA)优化的概率神经网络(PNN)方法搜索速度快，诊断精度高，误差小，分类效果明显。本发明方法的分类准确率要高于传统PNN方法。
进一步地，步骤1中，变压器中溶解的气体能在一定程度上反映故障类型，采用气相色谱分析法，以固定抽样频率采集H2、CH4、C2H2、C2H4、C2H6、CO、CO2气体作为特征变量，依据其含量不同，可将故障分为低能放电、高能放电、中温过热、高温过热。
由于PNN对样本代表性要求高，输入数据对分类结果准确性影响较大。对输入变量采用融合DGA算法进行处理以提升分类性能。其基本思想为在IEC比值法基础上加入了C2H6/C2H2和C2H2/CH4项识别过热和放电两类故障，另外加入C2H4/C2H6可以有效区分故障温度的高低，并将C2H2/TCG(TCG是指H2、CH4、C2H2、C2H4、C2H6、CO、CO2等可燃气体的总含量)为参考值提高故障分类能力。
进一步地，步骤2中，如图2所示，概率神经网络包括输入层、模式层、求和层和输出层；
概率神经网络的输入层把训练样本的6个气体比值作为特征向量X的6个坐标传递给概率神经网络，神经元个数与特征向量维数相同；
概率神经网络输入层把训练样本的特征向量X传递给网络，神经元个数与特征向量维数相同。模式层是径向基层，接收输入层的输出向量，样本层节点的数目等于训练样本的数目。每个模式层的神经元节点都有一个中心，模式层计算输入特征向量与该层中心的距离，并根据这个距离把相关度高的类别集中起来(距离相关度在限定范围内的为同一个类别)，模式层的输出值代表输入特征向量与训练集中各个模式的相似度(匹配程度)，相似度输出表达式为式(1)：
式中，Wi为输入层到模式层的权值；σ为平滑因子，X为输入特征向量。
第3层为求和层，是将属于某类的概率累加，求和层将各个类的模式层单元连接起来，将各个类的的概率累加，每个节点对应一个类别，把属于本节点的类的模式层单元输出相加以后形成判决结果；每个节点对应一个类别，它把属于自己类的模式层单元输出相加以后形成判决。最后，判决的结果由输出层输出，概率最大的输出结果为1，其余结果都为0。PNN神经网络训练时，σ值越大，函数的拟合就越平滑，预测精度就越高，运算速率就越快。反之，若σ值太小，则意味着需要许多神经元来适应函数的缓慢变化，从而导致网络性能不好。因此合理选择σ值对网络分类性能起到了非常重要的作用。
萤火虫算法从萤火虫觅食求偶等行为中得到启发，把每只萤火虫视为解空间的一个解，萤火虫种群作为初始解随机地分布在搜索空间中，然后通过每一代的移动，最终使萤火虫聚集到较好的萤火虫周围，即找到多个极值点，从而达到种群寻优的目的。在萤火虫算法中，亮度和吸引度是萤火虫移动的两个重要因素，亮度是萤火虫在该位置的目标函数值，亮度越大说明其位置越优。吸引度与亮度有关，萤火虫亮度越大其吸引度就越强，萤火虫最终就会聚集在这个萤火虫附近。亮度最大的即为目标函数的最优解。
进一步地，步骤3中，粒子群算法(ParticleSwarmOptimization，简称PSO)启发于鸟群的觅食行为，即当鸟群在飞行过程中寻找食物时，各只鸟相互之间会进行信息共享，让周围的鸟知道自己的位置，位置信息传递于整个鸟群，最后整个鸟群全部飞往食物源周围。该算法是将觅食过程中的鸟当作算法运行过程中的解，即粒子。在不断地觅食过程中，优化问题的目标函数值由每一个粒子的适应度值所决定。每个粒子在进行搜索时要需要考虑两个因素：(1)自己搜索到的最优值，即个体极值；(2)全部粒子搜索到的最优值，即全局极值。每个粒子需要同时兼顾个体极值和全局极值，从而不断更新自己的位置，最后寻找到最优解。
PSO算法具体数学描述为总数为N的粒子，在搜索空间飞行，维数为D维，第i个粒子在第t次飞行时的位置为xi (t)＝(xi1 (t),xi2 (t),…xid (t)…,xiD (t))，其速度为vi (t)＝(vi1 (t),vi2 (t),…vid (t)…,viD (t))，粒子i在第t+1次迭代时第d(d＝(1,2,…,D))维子空间的速度vid (t+1)和位置xid (t+1)根据式(2)和(3)更新：
由式(2)和(3)公式可见，粒子的搜索轨迹由三部分组成：一是粒子的运动惯性，是指粒子原有速度的信息；二是“认知部分”，表示粒子与自身经历过的最好位置Pid的距离；三是“社会部分”，表示粒子与群体经过的最好位置Pgd的距离。
其中，Pid (t)为粒子i在第t次迭代时搜索到历史最优值；Pgd (t)为第t次迭代时全部粒子搜索到最优值；随机数r1,r2∈(0,1)服从均匀分布。
ω是惯性权重，目的是为了保持粒子原有速度。当取值ω较小时，粒子的搜索速度变化幅度较小，局部寻优能力强，全局寻优能力弱；反之，当ω取值较大时，全局寻优能力强，局部寻优能力弱。因此，ω的取值大小对于平衡粒子的局部搜索能力和全局搜索能力具有重要意义。
c1,c2是学习因子，c1表示粒子的认知能力，当c1取0时，粒子没有认知能力，只有社会信息共享能力；c2表示粒子的社会信息共享能力，当c2取0时，则粒子只有认知能力。
步骤4具体包括以下步骤：
(401)萤火虫相对亮度为：
式中Ii为萤火虫i的绝对亮度，即萤火虫i在飞行前初始位置(r＝0)光强的亮度；；γ为原始光吸收系数，它对萤火虫的收敛速度和优化效果有很大影响，rij为萤火虫i到萤火虫j的距离；
(402)萤火虫的吸引度为：
式中，β0为最大吸引力，即在光源位置(r＝0)萤火虫的吸引力，本实施例β0取值为1，rij为萤火虫i到萤火虫j的距离。
(403)萤火虫i被吸引向萤火虫j移动的位置更新公式为：
式中，和为萤火虫i和萤火虫j在空间中第n次移位后的位置；βij为萤火虫j对萤火虫i吸引的吸引度(βij≤β0)；α为步长因子，是萤火虫每次移动的最小距离，一般α∈[0,1],rand为[0,1]上服从均匀分布的随机因子；α(rand-1/2)为加入的随机扰动项，目的是加大搜索区域，防止陷入局部极值。
在萤火虫算法的基本模型中，对于算法的求解质量的影响并不只是步长，光强吸收系数的变化同样会影响算法的寻优性能。PFA主要利用了粒子群算法中的粒子进行搜索时能够快速向最优解逼近的特性，将萤火虫算法中的两个重要参数α，γ抽象为粒子的两个坐标xi1 (t),xi2 (t)，粒子群算法不断将得到的最优参数组合返回给萤火虫算法，通过两个算法的相互调用，从而完成对萤火虫算法的两个参数的优化选择，以此来提高算法的寻优效率。改进后的萤火虫算法(PFA)收敛速度快，动态调整步长和光吸收系数，增强搜索精度。
步骤5具体包括以下步骤：
(501)，计算改进后的萤火虫相对亮度为:
Iij'(rij)＝Iiexp(-r'rij 2) (7)
Ii为萤火虫i的绝对亮度，即萤火虫i在飞行前初始位置(r＝0)光强的亮度；γ′为粒子群算法经过适应度评价后反馈给萤火虫算法的光吸收系数；rij为萤火虫i到萤火虫j的距离；Iij'(rij)表示改进后距离为rij条件下，萤火虫i相对于萤火虫j的相对亮度；
(502)，改进后的萤火虫位置移动公式为:
改进后的萤火虫的吸引度为:
βij'为改进后萤火虫j对i吸引的吸引度；α′为粒子群算法经过适应度评价后反馈给萤火虫算法的步长因子；计算目标函数(适应度评价值)，如果目前粒子的适应度评价值比所经过的最好位置的适应度评价值更好，则选择目前的适应度评价值作为最好位置.反之，则不改变粒子的最后位置；
(503)，基于萤火虫的相对亮度的分类结果的实际输出与期望输出的均方误差作为目标函数(MSE)，公式如下：
式中，N为训练样本数；Qi为实际输出；Yi为期望输出；
(503)，选择训练样本，把训练后的实际输出与期望输出的均方误差作为目标函数MSE，构造的适应度函数计算个体的适应值，适应度函数公式为式(10)：
式中，N为训练样本数；Qi为实际输出；Yi为期望输出；
(504)，比较目前萤火虫的相对亮度，选择相对亮度最大的作为聚类中心，其他萤火虫向它靠近，计算当前新的位置；迭代计算当前的萤火虫相对亮度值。
进一步地，步骤6中，标准FA在搜索的后期产生了振荡使诊断结果不稳定，难以找到最佳σ值，利用PFA可以很好的解决这一问题。按照最大次数进行迭代，检验是否满足终止条件。若未达到最大迭代次数，则返回步骤四。反之，则算法不再进行迭代，返回目前的全局最优粒子位置，即为萤火虫算法中α,γ两个最优参数组合，得到最优化的PNN平滑因子参数集。
将得到的最优的平滑因子代入PNN进行故障预测。将作为样本的故障数据作为输入，将电力变压器故障类型作为输出，训练PFA优化后的PNN的模型；
进一步地，步骤9中，输入测试样本，直到完成故障数据到故障状态的映射，输出故障类型结果。如图3和图4所示，表明基于改进的萤火虫算法(PFA)优化概率神经网络(PNN)的故障诊断方法要比PNN故障诊断方法诊断结果好，将诊断准确率从75％提升到了95％。
步骤8中电力变压故障类型包括低能放电、高能放电、中温过热和高温过热。
基于改进的萤火虫算法(PFA)优化概率神经网络(PNN)的电力变压器故障诊断系统，包括故障数据获取单元、初始化网络单元、初始化粒子群单元、萤火虫相对位置和亮度计算单元、改进后萤火虫计算单元、迭代判断单元、故障预测单元、概率神经网络模型训练单元和电力变压器故障诊断单元；
故障数据获取单元采用气相色谱分析法，以固定抽样频率对变压器绝缘油中的故障气进行浓度实时检测，获得故障数据，对故障数据进行预处理；将故障数据分为训练样本和测试样本；
初始化网络单元初始化萤火虫算法参数和概率神经网络(PNN)，设置权值；
具体包括以下步骤：初始化萤火虫算法，将概率神经网平滑因子作为萤火虫个体，初始化萤火虫的位置；初始化光吸收强度系数γ、步长因子α、最大吸引度β0和迭代次数MaxGeneration，并对搜索范围进行限制，距离搜索范围的最小值和最大值设置为Pmin和Pmax；
初始化粒子群单元初始化粒子群，维数空间设置为2维，并设置粒子群算法的基本参数值，(所述基本参数值包括种群个数、最大迭代次数，学习因子、惯性权重，初始位置和初始速度)，每个粒子都包括两个坐标位置；所述两个坐标位置分别对应萤火虫算法的步长因子α和光吸收强度系数γ；
萤火虫相对位置和亮度计算单元计算萤火虫的相对位置与亮度；
改进后萤火虫计算单元将萤火虫相对位置与亮度的计算过程中的步长因子α和光吸收强度系数γ反馈回粒子群算法中，并对每个粒子做出适应度评价，如果目前粒子的适应度值比所经过的最好位置的适应度值更好，则选择目前的适应度值作为最好位置；反之，则不改变粒子的最后位置；将评价后的结果代回萤火虫算法，计算改进后的萤火虫相对亮度和改进后的萤火虫位置移动；
迭代判断单元按照最大迭代次数进行迭代，检验是否满足终止条件；若未达到最大迭代次数，则返回步骤4；反之，不再进行迭代，返回目前的全局最优粒子位置，所述全局最优粒子位置为萤火虫算法中步长因子α,光吸收强度系数γ两个最优参数组合，得到最优化的概率神经网络(PNN)平滑因子参数集；
故障预测单元将得到的最优的概率神经网络平滑因子代入概率神经网络进行故障预测；
概率神经网络模型训练单元将训练样本中的故障数据作为输入，将电力变压器故障类型作为输出，训练萤火虫算法优化后的概率神经网络的模型；
电力变压器故障诊断单元输入测试样本，计算误差值，完成故障数据到故障状态的映射，输出故障类型结果，实现电力变压器故障诊断。
概率神经网络包括输入层、模式层、求和层和输出层；
输入层把训练样本的气体比值作为特征向量X的坐标传递给概率神经网络，神经元个数与特征向量维数相同；
模式层是径向基层，接收输入层的输出向量，样本层节点的数目等于训练样本的数目；每个模式层的神经元节点都有一个中心，模式层计算输入特征向量与模式层中心的距离，并根据所述距离件距离相关度分类别集中(距离相关度在限定范围内的为同一个类别)，模式层的输出值表示输入特征向量与训练集中各个模式的相似度(匹配程度)，相似度输出表达式f(X-Wi)为式(1)：
式中，Wi为输入层到模式层的权值；σ为平滑因子；X为输入特征向量；
求和层将式层单元连接起来，将概率累加，每个节点对应一个类别，把属于本节点的类的模式层单元输出相加后构建判决结果；
输出层输出判决结果，概率最大的输出结果为1，其余结果都为0；概率神经网络训练时，σ值越大，函数的拟合就越平滑，预测精度就越高，运算速率就越快；反之，若σ值太小，则意味着需要许多神经元来适应函数的缓慢变化，从而导致网络性能不好。因此合理选择σ值对网络分类性能起到了非常重要的作用。
粒子群(PSO)算法具体包括以下步骤：
设置总数为N的粒子，在搜索空间飞行，维数为D维，第i个粒子在第t次飞行时的位置为xi (t)＝(xi1 (t),xi2 (t),…xid (t)…xiD (t))，对应速度为vi (t)＝(vi1 (t),vi2 (t),…vid (t)…,viD (t))，粒子i在第t+1次迭代时第d(d＝1,2,…,D)维子空间的速度和位置根据式(2)和式(3)更新：
由上面公式可见，粒子的搜索轨迹由三部分组成：一是粒子的运动惯性，是指粒子原有速度的信息；二是“认知部分”，表示粒子与自身经历过的最好位置的距离；三是“社会部分”，表示粒子与群体经过的最好位置的距离；
其中，为粒子i在第t次迭代时搜索到历史最优值；为第t次迭代时全部粒子搜索到最优值；随机数r1，r2∈(0,1)服从均匀分布；
ω是惯性权重，目的是为了保持粒子原有速度；当取值ω较小时，粒子的搜索速度变化幅度较小，局部寻优能力强，全局寻优能力弱；反之，当ω取值较大时，全局寻优能力强，局部寻优能力弱。因此，ω的取值大小对于平衡粒子的局部搜索能力和全局搜索能力具有重要意义。
c1和c2是学习因子，c1表示粒子的认知能力，当c1取0时，粒子没有认知能力，只有社会信息共享能力；c2表示粒子的社会信息共享能力，当c2取0时，则粒子只有认知能力。
萤火虫相对位置和亮度计算单元具体包括以下步骤：
(401)萤火虫相对亮度为：
式中Ii为萤火虫i的绝对亮度，表示萤火虫i在飞行前初始位置(r＝0)光强的亮度；；γ为原始光吸收系数，它对萤火虫的收敛速度和优化效果有很大影响，rij为萤火虫i到萤火虫j的距离；Iij(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，萤火虫i相对于萤火虫j的相对亮度；
(402)萤火虫的吸引度为：
式中，β0为最大吸引力，即在光源位置(r＝0)萤火虫的吸引力，一般β0取值为1，rij为萤火虫i到萤火虫j的距离；βij(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，萤火虫i相对于萤火虫j的吸引度；
(403)萤火虫i被吸引向萤火虫j移动的位置更新公式为：
式中，和为萤火虫i和萤火虫j在空间中第n次移位后的位置；βij为萤火虫j对萤火虫i吸引的吸引度(βij≤β0)；α为步长因子，是萤火虫每次移动的最小距离，一般α∈[0,1],rand为[0,1]上服从均匀分布的随机因子；α(rand-1/2)为加入的随机扰动项，目的是加大搜索区域，防止陷入局部极值。
在萤火虫算法的基本模型中，对于算法的求解质量的影响并不只是步长，光强吸收系数的变化同样会影响算法的寻优性能。PFA主要利用了粒子群算法中的粒子进行搜索时能够快速向最优解逼近的特性，将萤火虫算法中的两个重要参数α，γ抽象为粒子的两个坐标xi1 (t),xi2 (t)，粒子群算法不断将得到的最优参数组合返回给萤火虫算法，通过两个算法的相互调用，从而完成对萤火虫算法的两个参数的优化选择，以此来提高算法的寻优效率。改进后的萤火虫算法(PFA)收敛速度快，动态调整步长和光吸收系数，增强搜索精度。
改进后萤火虫计算单元具体包括以下步骤：
(501)，计算改进后的萤火虫相对亮度为:
Iij'(rij)＝Iiexp(-r'rij 2)
式中，Ii为萤火虫i的绝对亮度，表示萤火虫i在飞行前初始位置(r＝0)光强的亮度；γ′为粒子群算法经过适应度评价后反馈给萤火虫算法的光吸收系数，rij为萤火虫i到萤火虫j的距离；Iij'(rij)表示改进后距离为rij条件下，萤火虫i相对于萤火虫j的相对亮度；
(502)，改进后的萤火虫位置移动公式为:
改进后的萤火虫的吸引度为:
βij'为改进后萤火虫j对i吸引的吸引度；α′为粒子群算法经过适应度评价后反馈给萤火虫算法的步长因子，β0为最大吸引力；γ′为粒子群算法经过适应度评价后反馈给萤火虫算法的光吸收系数，rij为萤火虫i到萤火虫j的距离；；βij'(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，改进后的萤火虫i相对于萤火虫j的吸引度；
(503)，选择训练样本，把训练后的实际输出与期望输出的均方误差作为目标函数MSE，构造如下的适应度函数，来计算个体的适应值，公式为式(10)：
式中，N为训练样本数；Qi为实际输出；Yi为期望输出；
计算目标函数，如果目前粒子的适应度评价值比所经过的最好位置的适应度评价值更好，则选择目前的适应度评价值作为最好位置.反之，则不改变粒子的最后位置；
(504)，比较目前萤火虫的相对亮度，选择相对亮度最大的作为聚类中心，其他萤火虫向它靠近，计算当前新的位置；迭代计算当前的萤火虫相对亮度值。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间，以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的方法。
以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法，其特征在于，包括如下步骤：
步骤1，采用气相色谱分析法，以固定抽样频率对变压器绝缘油中的故障气体进行浓度实时检测，获得故障数据，对故障数据进行预处理；将故障数据分为训练样本和测试样本；
步骤2，初始化萤火虫算法参数和概率神经网络，设置权值；
初始化萤火虫算法，将概率神经网络平滑因子作为萤火虫个体，初始化萤火虫的位置；初始化光吸收强度系数γ、步长因子α、最大吸引度β0和迭代次数MaxGeneration，并对搜索范围进行限制，距离搜索范围的最小值和最大值设置为Pmin和Pmax；
步骤3，初始化粒子群，设置维数空间，并设置粒子群算法的基本参数值，每个粒子都包括两个坐标位置；所述两个坐标位置分别对应萤火虫算法的步长因子α和光吸收强度系数γ；
步骤4，计算萤火虫的相对位置与亮度；
步骤5，将萤火虫相对位置与亮度的计算过程中的步长因子α和光吸收强度系数γ反馈回粒子群算法中，并对每个粒子进行适应度评价，如果目前粒子的适应度值比所经过的最好位置的适应度值更好，则选择目前的适应度值作为最好位置；反之，则不改变粒子的最后位置；将评价后的结果代回萤火虫算法，计算改进后的萤火虫相对亮度和改进后的萤火虫位置移动；
步骤6：按照最大迭代次数进行迭代，检验是否满足终止条件；若未达到最大迭代次数，则返回步骤4；反之，不再进行迭代，返回目前的全局最优粒子位置，所述全局最优粒子位置为萤火虫算法中步长因子α和光吸收强度系数γ两个最优参数组合，得到最优化的概率神经网络平滑因子参数集；
步骤7，将得到的最优的概率神经网络平滑因子代入概率神经网络进行故障预测；
步骤8，将训练样本中的故障数据作为输入，将电力变压器故障类型作为输出，训练萤火虫算法优化后的概率神经网络的模型；
步骤9，输入测试样本，计算误差值，完成故障数据到故障状态的映射，输出故障类型结果，实现电力变压器故障诊断。
2.根据权利要求1所述的基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法，其特征在于，
概率神经网络包括输入层、模式层、求和层和输出层；
输入层把训练样本的气体比值作为特征向量X的坐标传递给概率神经网络，神经元个数与特征向量维数相同；
模式层是径向基层，接收输入层的输出向量，样本层节点的数目等于训练样本的数目；每个模式层的神经元节点都有一个中心，模式层计算输入特征向量与模式层中心的距离，并根据所述距离间的距离相关度分类别集中，模式层的输出值表示输入特征向量与训练集中各个模式的相似度，相似度输出表达式f(X-Wi)为式(1)：
式中，Wi为输入层到模式层的权值；σ为平滑因子；X为输入特征向量；
求和层将模式层单元连接起来，将概率累加，每个节点对应一个类别，把属于本节点的类的模式层单元输出相加后构建判决结果；
输出层输出判决结果。
3.根据权利要求1所述的基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法，其特征在于，
粒子群算法具体包括以下步骤：
设置总数为N的粒子，在搜索空间飞行，维数为D维，第i个粒子在第t次飞行时的位置为对应速度为粒子i在第t+1次迭代时第d(d＝1,2,…,D)维子空间的速度和位置根据式(2)和式(3)更新：
其中，为粒子i在第t次迭代时搜索到历史最优值；为第t次迭代时全部粒子搜索到最优值；随机数r1，r2∈(0,1)服从均匀分布；
ω是惯性权重，c1和c2是学习因子，c1表示粒子的认知能力，c2表示粒子的社会信息共享能力。
4.根据权利要求1所述的基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法，其特征在于，
步骤4具体包括以下步骤：
(401)萤火虫相对亮度为：
式中Ii为萤火虫i的绝对亮度，表示萤火虫i在飞行前初始位置光强的亮度；；γ为原始光吸收系数，rij为萤火虫i到萤火虫j的距离；Iij(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，萤火虫i相对于萤火虫j的相对亮度；
(402)萤火虫的吸引度为：
式中，β0为最大吸引力，即在光源位置(r＝0)萤火虫的吸引力，rij为萤火虫i到萤火虫j的距离；βij(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，萤火虫i相对于萤火虫j的吸引度；
(403)萤火虫i被吸引向萤火虫j移动的位置更新公式为：
式中，和为萤火虫i和萤火虫j在空间中第n次移位后的位置；βij为萤火虫j对萤火虫i吸引的吸引度(βij≤β0)；α为步长因子,rand为[0,1]上服从均匀分布的随机因子；α(rand-1/2)为加入的随机扰动项。
5.根据权利要求1所述的基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法，其特征在于，
步骤5具体包括以下步骤：
(501)，计算改进后的萤火虫相对亮度为:
Iij′(rij)＝Iiexp(-r′rij 2) (7)
式中，Ii为萤火虫i的绝对亮度，表示萤火虫i在飞行前初始位置(r＝0)光强的亮度；γ′为粒子群算法经过适应度评价后反馈给萤火虫算法的光吸收系数，rij为萤火虫i到萤火虫j的距离；Iij'(rij)表示改进后距离为rij条件下，萤火虫i相对于萤火虫j的相对亮度；
(502)改进后的萤火虫的吸引度为:
改进后的萤火虫位置移动公式为:
βij'为改进后萤火虫j对i吸引的吸引度；α′为粒子群算法经过适应度评价后反馈给萤火虫算法的步长因子，β0为最大吸引力；γ′为粒子群算法经过适应度评价后反馈给萤火虫算法的光吸收系数，rij为萤火虫i到萤火虫j的距离；βij'(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，改进后的萤火虫i相对于萤火虫j的吸引度；
(503)，选择训练样本，把训练后的实际输出与期望输出的均方误差作为目标函数MSE，构造的适应度函数计算个体的适应值，适应度函数公式为式(10)：
式中，N为训练样本数；Qi为实际输出；Yi为期望输出；
计算目标函数，如果目前粒子的适应度评价值比所经过的最好位置的适应度评价值更好，则选择目前的适应度评价值作为最好位置.反之，则不改变粒子的最后位置；
(504)，比较目前萤火虫的相对亮度，选择相对亮度最大的作为聚类中心，其他萤火虫向它靠近，计算当前新的位置；迭代计算当前的萤火虫相对亮度值。
6.基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断系统，其特征在于，
包括故障数据获取单元、初始化网络单元、初始化粒子群单元、萤火虫相对位置和亮度计算单元、改进后萤火虫计算单元、迭代判断单元、故障预测单元、概率神经网络模型训练单元和电力变压器故障诊断单元；
故障数据获取单元采用气相色谱分析法，以固定抽样频率对变压器绝缘油中的故障气进行浓度实时检测，获得故障数据，对故障数据进行预处理；将故障数据分为训练样本和测试样本；
初始化网络单元初始化萤火虫算法参数和概率神经网络，设置权值；
初始化网络单元具体包括以下步骤：初始化萤火虫算法，将概率神经网平滑因子作为萤火虫个体，初始化萤火虫的位置；初始化光吸收强度系数γ、步长因子α、最大吸引度β0和迭代次数MaxGeneration，并对搜索范围进行限制，距离搜索范围的最小值和最大值设置为Pmin和Pmax；
初始化粒子群单元初始化粒子群，设置维数空间，并设置粒子群算法的基本参数值，，每个粒子都包括两个坐标位置；所述两个坐标位置分别对应萤火虫算法的步长因子α和光吸收强度系数γ；
萤火虫相对位置和亮度计算单元计算萤火虫的相对位置与亮度；
改进后萤火虫计算单元将萤火虫相对位置与亮度的计算过程中的步长因子α和光吸收强度系数γ反馈回粒子群算法中，并对每个粒子做出适应度评价，如果目前粒子的适应度值比所经过的最好位置的适应度值更好，则选择目前的适应度值作为最好位置；反之，则不改变粒子的最后位置；将评价后的结果代回萤火虫算法，计算改进后的萤火虫相对亮度和改进后的萤火虫位置移动；
迭代判断单元按照最大迭代次数进行迭代，检验是否满足终止条件；若未达到最大迭代次数，则返回萤火虫相对位置和亮度计算单元；反之，不再进行迭代，返回目前的全局最优粒子位置，所述全局最优粒子位置为萤火虫算法中步长因子α,光吸收强度系数γ两个最优参数组合，得到最优化的概率神经网络(PNN)平滑因子参数集；
故障预测单元将得到的最优的概率神经网络平滑因子代入概率神经网络进行故障预测；
概率神经网络模型训练单元将训练样本中的故障数据作为输入，将电力变压器故障类型作为输出，训练萤火虫算法优化后的概率神经网络的模型；
电力变压器故障诊断单元输入测试样本，计算误差值，完成故障数据到故障状态的映射，输出故障类型结果，实现电力变压器故障诊断。
7.根据权利要求6所述基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断系统，其特征在于，
概率神经网络包括输入层、模式层、求和层和输出层；
输入层把训练样本的气体比值作为特征向量X的坐标传递给概率神经网络，神经元个数与特征向量维数相同；
模式层是径向基层，接收输入层的输出向量，样本层节点的数目等于训练样本的数目；每个模式层的神经元节点都有一个中心，模式层计算输入特征向量与模式层中心的距离，并根据所述距离件距离相关度分类别集中，模式层的输出值表示输入特征向量与训练集中各个模式的相似度，相似度输出表达式f(X-Wi)为式(1)：
式中，Wi为输入层到模式层的权值；σ为平滑因子；X为输入特征向量；
求和层将式层单元连接起来，将概率累加，每个节点对应一个类别，把属于本节点的类的模式层单元输出相加后构建判决结果；
输出层输出判决结果。
8.根据权利要求6所述的基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断系统，其特征在于，
粒子群算法具体包括以下步骤：
设置总数为N的粒子，在搜索空间飞行，维数为D维，第i个粒子在第t次飞行时的位置为对应速度为粒子i在第t+1次迭代时第d(d＝1,2,…,D)维子空间的速度和位置根据式(2)和式(3)更新：
其中，为粒子i在第t次迭代时搜索到历史最优值；为第t次迭代时全部粒子搜索到最优值；随机数r1，r2∈(0,1)服从均匀分布；
ω是惯性权重，c1和c2是学习因子，c1表示粒子的认知能力，c2表示粒子的社会信息共享能力。
9.根据权利要求6所述的基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断系统，其特征在于，
萤火虫相对位置和亮度计算单元具体包括以下步骤：
(401)萤火虫相对亮度为：
式中Ii为萤火虫i的绝对亮度，表示萤火虫i在飞行前初始位置光强的亮度；γ为原始光吸收系数，它对萤火虫的收敛速度和优化效果有很大影响，rij为萤火虫i到萤火虫j的距离；Iij(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，萤火虫i相对于萤火虫j的相对亮度；
(402)萤火虫的吸引度为：
式中，β0为最大吸引力，即在光源位置萤火虫的吸引力，rij为萤火虫i到萤火虫j的距离；βij(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，萤火虫i相对于萤火虫j的吸引度；
(403)萤火虫i被吸引向萤火虫j移动的位置更新公式为：
式中，和为萤火虫i和萤火虫j在空间中第n次移位后的位置；βij为萤火虫j对萤火虫i吸引的吸引度(βij≤β0)；α为步长因子，rand为[0,1]上服从均匀分布的随机因子；α(rand-1/2)为加入的随机扰动项。
10.根据权利要求6所述的基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法，其特征在于，
改进后萤火虫计算单元具体包括以下步骤：
(501)，计算改进后的萤火虫相对亮度为:
Iij'(rij)＝Iiexp(-r'rij 2)
式中，Ii为萤火虫i的绝对亮度，表示萤火虫i在飞行前初始位置光强的亮度；γ′为粒子群算法经过适应度评价后反馈给萤火虫算法的光吸收系数，rij为萤火虫i到萤火虫j的距离；Iij'(rij)表示改进后距离为rij条件下，萤火虫i相对于萤火虫j的相对亮度；
(502)，改进后的萤火虫位置移动公式为:
改进后的萤火虫的吸引度为:
βij'为改进后萤火虫j对i吸引的吸引度；α′为粒子群算法经过适应度评价后反馈给萤火虫算法的步长因子，β0为最大吸引力；γ′为粒子群算法经过适应度评价后反馈给萤火虫算法的光吸收系数，rij为萤火虫i到萤火虫j的距离；；βij'(rij)表示在萤火虫i到萤火虫j的距离为rij条件下，改进后的萤火虫i相对于萤火虫j的吸引度；
(503)，选择训练样本，把训练后的实际输出与期望输出的均方误差作为目标函数MSE，构造如下的适应度函数，来计算个体的适应值，公式为式(10)：
式中，N为训练样本数；Qi为实际输出；Yi为期望输出；
计算目标函数，如果目前粒子的适应度评价值比所经过的最好位置的适应度评价值更好，则选择目前的适应度评价值作为最好位置.反之，则不改变粒子的最后位置；
(504)，比较目前萤火虫的相对亮度，选择相对亮度最大的作为聚类中心，其他萤火虫向它靠近，计算当前新的位置；迭代计算当前的萤火虫相对亮度值。
CN201910635322.6A 2019-07-15 2019-07-15 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统 Pending CN110363277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910635322.6A CN110363277A (zh) 2019-07-15 2019-07-15 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910635322.6A CN110363277A (zh) 2019-07-15 2019-07-15 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN110363277A true CN110363277A (zh) 2019-10-22

Family

ID=68219178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910635322.6A Pending CN110363277A (zh) 2019-07-15 2019-07-15 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN110363277A (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909802A (zh) * 2019-11-26 2020-03-24 西安邮电大学 一种基于改进的pso优化pnn平滑因子的故障分类方法
CN112000116A (zh) * 2020-07-24 2020-11-27 西北工业大学 一种基于改进萤火虫pid方法的自主水下航行器航向角控制方法
CN112067052A (zh) * 2020-08-24 2020-12-11 宁波大学 一种基于特征选择的油侵式变压器故障诊断方法
CN112156649A (zh) * 2020-09-24 2021-01-01 南京工业大学 一种基于大数据及萤火虫算法的多层级精细化智能脱硝系统及方法
CN112183737A (zh) * 2020-09-30 2021-01-05 广东电网有限责任公司中山供电局 基于萤火虫算法和cnn的高压电缆局部放电模式识别方法
CN112307998A (zh) * 2020-11-06 2021-02-02 华北电力大学 一种利用模式判决的变压器运行状态振声检测方法和系统
CN112819646A (zh) * 2021-01-18 2021-05-18 南京理工大学 一种定制木工家具柔性生产线故障诊断系统
CN113313413A (zh) * 2021-06-17 2021-08-27 广东工业大学 改进萤火虫算法的熔铝炉能耗模式识别方法、设备及载体
CN113364362A (zh) * 2021-06-30 2021-09-07 青岛恒星智能装备有限公司 一种基于萤火虫优化的感应电机转速估计方法
CN113484693A (zh) * 2021-07-30 2021-10-08 国网四川省电力公司电力科学研究院 基于图神经网络的变电站二次回路故障定位方法及系统
CN113687189A (zh) * 2021-09-15 2021-11-23 南京软核科技有限公司 一种配电网故障定位方法及系统
CN113688559A (zh) * 2021-06-24 2021-11-23 上海大学 一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法
CN114822823A (zh) * 2022-05-11 2022-07-29 云南升玥信息技术有限公司 基于云计算和人工智能的融合多维度医疗数据的肿瘤精细分类系统
CN115358265A (zh) * 2022-08-16 2022-11-18 绍兴淼汇能源科技有限公司 一种超低水头提水系统故障的检测方法
CN115700363A (zh) * 2022-11-07 2023-02-07 南京工业大学 采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质
CN116203365A (zh) * 2023-05-05 2023-06-02 南昌工程学院 基于野马算法优化pnn的gis设备局部放电检测方法
CN116316429A (zh) * 2023-01-10 2023-06-23 广东电网有限责任公司佛山供电局 基于绝缘油在线监测的配电变压器继电保护方法及装置
CN116626548A (zh) * 2023-05-31 2023-08-22 国网甘肃省电力公司经济技术研究院 一种基于issa-pnn的变压器绕组变形诊断方法
CN117370838A (zh) * 2023-10-17 2024-01-09 国网电力空间技术有限公司 一种无人直升机电力巡检数据处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9007454B2 (en) * 2012-10-31 2015-04-14 The Aerospace Corporation Optimized illumination for imaging
CN105138825A (zh) * 2015-08-06 2015-12-09 云南电网有限责任公司电力科学研究院 一种基于萤火虫优化算法的断路器可靠性评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9007454B2 (en) * 2012-10-31 2015-04-14 The Aerospace Corporation Optimized illumination for imaging
CN105138825A (zh) * 2015-08-06 2015-12-09 云南电网有限责任公司电力科学研究院 一种基于萤火虫优化算法的断路器可靠性评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宋玉琴 等: "IFA-PNN在电力变压器故障诊断中的应用", 《测控技术》 *
王睿 等: "《高电压技术》", 30 April 2014, 中国铁道出版社 *
郝晓莹 等: "一种粒子群-萤火虫算法的参数优化方法", 《西安工程大学学报》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909802A (zh) * 2019-11-26 2020-03-24 西安邮电大学 一种基于改进的pso优化pnn平滑因子的故障分类方法
CN112000116A (zh) * 2020-07-24 2020-11-27 西北工业大学 一种基于改进萤火虫pid方法的自主水下航行器航向角控制方法
CN112067052A (zh) * 2020-08-24 2020-12-11 宁波大学 一种基于特征选择的油侵式变压器故障诊断方法
CN112156649A (zh) * 2020-09-24 2021-01-01 南京工业大学 一种基于大数据及萤火虫算法的多层级精细化智能脱硝系统及方法
CN112156649B (zh) * 2020-09-24 2021-07-20 南京工业大学 一种基于大数据及萤火虫算法的多层级精细化智能脱硝系统及方法
CN112183737A (zh) * 2020-09-30 2021-01-05 广东电网有限责任公司中山供电局 基于萤火虫算法和cnn的高压电缆局部放电模式识别方法
CN112307998B (zh) * 2020-11-06 2021-11-19 华北电力大学 一种利用模式判决的变压器运行状态振声检测方法和系统
CN112307998A (zh) * 2020-11-06 2021-02-02 华北电力大学 一种利用模式判决的变压器运行状态振声检测方法和系统
CN112819646A (zh) * 2021-01-18 2021-05-18 南京理工大学 一种定制木工家具柔性生产线故障诊断系统
CN113313413A (zh) * 2021-06-17 2021-08-27 广东工业大学 改进萤火虫算法的熔铝炉能耗模式识别方法、设备及载体
CN113688559B (zh) * 2021-06-24 2023-11-17 上海大学 一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法
CN113688559A (zh) * 2021-06-24 2021-11-23 上海大学 一种基于改进选择性进化随机网络的海水淡化系统故障诊断方法
CN113364362A (zh) * 2021-06-30 2021-09-07 青岛恒星智能装备有限公司 一种基于萤火虫优化的感应电机转速估计方法
CN113484693A (zh) * 2021-07-30 2021-10-08 国网四川省电力公司电力科学研究院 基于图神经网络的变电站二次回路故障定位方法及系统
CN113687189A (zh) * 2021-09-15 2021-11-23 南京软核科技有限公司 一种配电网故障定位方法及系统
CN114822823A (zh) * 2022-05-11 2022-07-29 云南升玥信息技术有限公司 基于云计算和人工智能的融合多维度医疗数据的肿瘤精细分类系统
CN115358265A (zh) * 2022-08-16 2022-11-18 绍兴淼汇能源科技有限公司 一种超低水头提水系统故障的检测方法
CN115358265B (zh) * 2022-08-16 2024-04-30 绍兴淼汇能源科技有限公司 一种超低水头提水系统故障的检测方法
CN115700363A (zh) * 2022-11-07 2023-02-07 南京工业大学 采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质
CN115700363B (zh) * 2022-11-07 2023-08-08 南京工业大学 采煤机滚动轴承故障诊断方法及系统、电子设备和存储介质
CN116316429A (zh) * 2023-01-10 2023-06-23 广东电网有限责任公司佛山供电局 基于绝缘油在线监测的配电变压器继电保护方法及装置
CN116316429B (zh) * 2023-01-10 2023-12-19 广东电网有限责任公司佛山供电局 基于绝缘油在线监测的配电变压器继电保护方法及装置
CN116203365A (zh) * 2023-05-05 2023-06-02 南昌工程学院 基于野马算法优化pnn的gis设备局部放电检测方法
CN116626548A (zh) * 2023-05-31 2023-08-22 国网甘肃省电力公司经济技术研究院 一种基于issa-pnn的变压器绕组变形诊断方法
CN116626548B (zh) * 2023-05-31 2024-02-23 国网甘肃省电力公司经济技术研究院 一种基于issa-pnn的变压器绕组变形诊断方法
CN117370838A (zh) * 2023-10-17 2024-01-09 国网电力空间技术有限公司 一种无人直升机电力巡检数据处理方法
CN117370838B (zh) * 2023-10-17 2024-04-05 国网电力空间技术有限公司 一种无人直升机电力巡检数据处理方法

Similar Documents

Publication Publication Date Title
CN110363277A (zh) 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统
Abd Elaziz et al. Hyper-heuristic method for multilevel thresholding image segmentation
Farahani et al. A Gaussian firefly algorithm
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
Mirjalili Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm
Nayak et al. Automatic test data generation for data flow testing using particle swarm optimization
Fong et al. Towards enhancement of performance of K-means clustering using nature-inspired optimization algorithms
Gao et al. Rolling bearing fault diagnosis based on intelligent optimized self-adaptive deep belief network
Rekaby Directed Artificial Bat Algorithm (DABA)-A new bio-inspired algorithm
CN110059015A (zh) 种群进化多目标测试用例优先级排序方法
Risch et al. Hierarchical document classification as a sequence generation task
Pan et al. Chaotic cuckoo search algorithm for solving unmanned combat aerial vehicle path planning problems
Wang et al. Crisscross Harris hawks optimizer for global tasks and feature selection
Elaziz et al. Triangular mutation-based manta-ray foraging optimization and orthogonal learning for global optimization and engineering problems
Mahanipour et al. Improved PSO-based feature construction algorithm using Feature Selection Methods
Liu et al. Community detection utilizing a novel multi-swarm fruit fly optimization algorithm with hill-climbing strategy
Zhang et al. Fault diagnosis of power transformers using kernel based extreme learning machine with particle swarm optimization
Li et al. Improved whale optimization algorithm based on variable spiral position update strategy and adaptive inertia weight
Kuyu et al. Modified forensic-based investigation algorithm for global optimization
Zeng et al. Spiral aquila optimizer based on dynamic gaussian mutation: applications in global optimization and engineering
Mokhtar et al. Explaining machine-learned particle-flow reconstruction
Guo et al. Improved whale optimization algorithm based on random hopping update and random control parameter
Dwivedi et al. What do navigation agents learn about their environment?
Ramli et al. A review on recent t-way combinatorial testing strategy
Sudhakara et al. Mobile robot trajectory planning using enhanced artificial bee colony optimization algorithm

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191022