CN110889228A - 基于鸡群优化bp神经网络的变压器油纸绝缘老化预测方法 - Google Patents

Abstract

本发明提供一种基于鸡群优化BP神经网络的变压器油纸绝缘老化预测方法，首先，训练BP神经网络拟合去极化电流和聚合度之间的关系，消除环境温度带来的误差，实现不同环境温度下的油纸绝缘老化预测；然后，采用鸡群算法对神经网络权值和阈值优化，解决BP神经网络训练时存在学习效率低、速度慢、易陷入局部极值点的问题。最后进行仿真研究，结果表明，本方法可以消除温度对极化去极化电流的影响，实现了对油纸绝缘老化的准确预测。

Description

基于鸡群优化BP神经网络的变压器油纸绝缘老化预测方法

技术领域

本发明属于变压器油纸绝缘老化状态检测技术领域，特别是涉及到一种基于鸡群优化BP神经网络的变压器油纸绝缘老化预测方法。

背景技术

电力系统中的变压器承担着能量传输和电压转换的重要责任，其状态直接影响电力系统的安全运行，一旦发生故障，所造成的损失将十分巨大。而变压器在正常运行时，会受到电、热、机械以及外界干扰的影响，造成绝缘老化。变压器绝缘的老化是变压器产生故障的重要原因之一，变压器的绝缘老化可以分为固体绝缘老化和液体绝缘老化两部分。液体绝缘老化主要是绝缘油的老化，绝缘油在长时间的带负荷运行后其绝缘性能会下降，它的性能可以通过更换和滤油等方法进行提升。固体绝缘老化主要是绝缘纸板的老化，绝缘纸板是由纤维素组成的大分子聚合物，分子降解造成分子聚合度的降低最终导致绝缘纸板的绝缘性能降低。因此，绝缘油和绝缘纸板成为影响变压器绝缘性能的主要因素。当变压器绝缘性能下降到一定程度，会导致变压器在受到过电压时发生内部击穿放电，严重危害变压器内部结构，造成绕组局部短路、绝缘碳化、绝缘击穿等后果。

现在，电力系统中还有很多投运时间较长的变压器，这些变压器都已经进入老化过程的中期或后期，充分地发挥这些设备的使用年限可以节省更多设备开支，降低成本。但同时，也要保证这些变压器的安全运行，不能让有潜在绝缘故障的变压器持续运行。所以有效、准确地评估变压器的绝缘状态，可以在保证变压器可靠运行的情况下，预防变压器的潜在故障，最大限度地使用变压器的运行寿命。由此可以保护电网的稳定运行，防止由于变压器绝缘老化而造成的电网故障与损失，从而达到节省更多设备开支，降低成本的目的。

变压器绝缘的检测方法分为化学诊断和电诊断两种。目前基于化学物理特征量的化学诊断检测技术有四种，分别为聚合度法、油中溶解气体法、油中糠醛含量法和红外光谱法。化学诊断方法需要现场采集变压器绝缘纸和绝缘油。但是，给变压器吊芯取纸的过程会破坏变压器的绝缘结构，影响变压器的正常使用。同时由于变压器中途滤油，因此油中化学参量难以反映真实的油纸绝缘状态。

在二十世纪前，对于变压器基于电气特征的检测技术仍停留在介质损耗角、绝缘电阻等实验。由于这些实验的结果往往比较单一，只能反映较为片面的变压器绝缘信息，同时由于未进行整合研究，导致实验的数据比较分散，不成体系。而在近几十年，伴随着计算机技术、电气检测技术的提升，有着强大检测能力的电气检测设备推动了基于电气特征检测技术的发展，其中介电响应等能够提供丰富电气信息的技术在变压器领域有了很大的进步。

介质响应的实验分为时域测量和频域测量两种。介质响应的时域测量技术主要为以电压为测试量的恢复电压法和以电流为测试量的极化去极化电流法两种。介质响应的频域测量主要为频域谱法。这些方法都包含着丰富的电气信息，能够给变压器的整体绝缘状态提供电气特征量，并以此评估变压器的老化程度和使用寿命。

现有的电气特征的检测技术中，恢复电压法的判断依据主要有恢复电压、充电阶段电压初始斜率和电压峰值时间等。根据这些指标可以评估变压器整体的绝缘状态，但是恢复电压的缺点是不能对变压器中的固体绝缘和液体绝缘进行区分，只能对两者的组合电介质的状态进行整体评估。因此恢复电压法目前还未得到大量使用，停步在实验室研究状态。而频域谱法的优点是可以无损检测绝缘性能，且在高频区域有较强的抗噪能力，但是在低频测试求取扩展Debye模型参数时，测试效率低，花费时间长。虽然该方法可以得出环境参数对频域测试结果的影响规律，但少有对该规律的解释，缺乏理论依据。

而基于时域的极化去极化电流方法，具有非破坏性、受现场干扰较小等优点，能够在较长的时间内测量油纸绝缘的具体信息，弥补了上述化学诊断和传统的电诊断方法的不足。极化去极化电流方法实验的简化电路图以及硬件实验测试电路图分别如图1、2所示，电路由直流电源、电流表和变压器试验品组成。极化去极化电流方法实验分为两步执行，即极化过程和去极化过程。第一步，将放电完全的试验品加上幅值为U₀的阶跃电压，给试验品充电，持续时间t_p，该过程流过试验品的电流即为极化电流i_p；第二步，将充电完成的试验品接地短路，持续时间t_d，该过程流过试验品的电流即为去极化电流i_d。由此可以得到两条电流曲线如图3，通过分析两条曲线的波尾、波头以及曲线的趋势，可以分别分析变压器中绝缘油和绝缘纸的性能。

近几年的研究中，常采用扩展Debye等效电路模型研究极化去极化电流与油纸绝缘状态之间的关系。扩展Debye模型是由多条串联的一阶RC电路并联而成，表征变压器内部不同的极化过程。如图4所示，其中R_g和C_g分别表示测量电阻和测量电容，R_i和C_i表示第i条支路上的电阻和电容，U为实验的极化电压，S₁和S₂是实验开关，当进行极化电流实验时，S₁关上，S₂打开，当进行去极化电流实验时，S₁打开，S₂关上。不同绝缘状态的变压器油纸所对应的扩展Debye模型参数各有差异，将这些Debye模型参数进行仿真，设置极化时间和去极化时间为1000s，极化电压为1000V，代入扩展Debye模型的极化和去极化电流的表达式，即可获得不同聚合度对应的极化去极化电流。

当油纸的聚合度改变时，扩展Debye模型的最大时间常数支路会发生变化，并和聚合度有一定的函数关系。但是，当环境温度发生变化时，会导致极化去极化电流发生改变，影响对应的模型参数，此时的扩展Debye模型就不能正确地反映油纸绝缘的老化状态。

发明内容

本发明的目的在于提供一种基于鸡群优化BP神经网络的变压器油纸绝缘老化预测方法，以解决在环境温度改变时，极化去极化电流发生变化，导致扩展Debye模型参数不能正确反映油纸绝缘老化状态的问题。

本发明提供的基于鸡群优化BP神经网络的变压器油纸绝缘老化预测方法，包括如下步骤：

步骤S1：构建BP神经网络，设置网络参数，初始化BP神经网络的权值和阈值，计算BP神经网络的误差函数作为鸡群算法的适应度函数；

步骤S2：设置鸡群算法的鸡群参数，并根据BP神经网络的输入层、隐含层和输出层中的参数个数设置鸡群中每个个体的位置维度及公鸡、母鸡、小鸡在鸡群中的比例；其中，鸡群参数包括鸡群的大小、最大迭代次数和种群更新迭代数；

步骤S3：根据适应度值的排序分级，将前RN个个体作为公鸡，将最后CN个个体作为小鸡，其余个体作为母鸡，并将鸡群按公鸡数量分为RN个组，母鸡随机分配到各个组中并与公鸡确认伙伴关系，随机选取MN个母鸡，让母鸡随机统领小鸡并与小鸡确认母子关系；

步骤S4：开始迭代，判断是否需要重新排序，如果是，建立新的鸡群等级制度；如果否，则每个个体按照自己的搜索方式进行位置更新；

步骤S5：对每个个体的位置维度的约束条件进行判断，若位置维度的参数满足约束条件，进行步骤S6，否则回到步骤S2；

步骤S6：迭代次数加一，在迭代次数达到预先设定的最大次数时，停止迭代，输出权值和阈值，否则转到步骤S4；

步骤S7：采用步骤S6输出的权值和阈值对BP神经网络进行BP神经网络训练，并进行预测变压器油纸的聚合度。

与现有技术相比，本发明的有益效果是：

本方法具有较高的准确性，能够校正环境温度误差对极化去极化电流的影响，实现油纸聚合度的预测，从而正确地反映油纸绝缘老化状态的问题。

附图说明

以下结合附图和具体实施方式对本发明作进一步的说明：

图1为极化去极化电流法的测量原理图；

图2为极化去极化电流法的测量硬件电路图；

图3为极化去极化电流和电压的波形图；

图4为油纸绝缘的扩展Debye模型图；

图5为本发明实施例提供的基于鸡群优化BP神经网络的变压器油纸绝缘老化预测方法的流程图；

图6为本发明实施例提供的BP神经网络的拓扑结构图。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。

名词解释

鸡群算法：一种仿生智能算法，模拟生物界中鸡群觅食行为。该算法中，鸡群根据觅食能力的不同，分成三种类型的个体，分别为公鸡、母鸡、小鸡。这三种类型个体的觅食能力为公鸡最强，母鸡其次，小鸡最弱。

BP神经网络：其模型是采用反向传播算法的多层前馈人工神经网络，它从数据组中抽取训练集作为网络输入和输出并组成神经网络，用神经网络梯度算法调整网络权值和阈值，减少环境温度带来的影响，最终获得可以预测聚合度的BP神经网络。

扩展Debye模型：把变压器整体看成一个复合的电介质，由n条串联的RC支路并联而成，每条支路的RC串联支路反映电介质内部的松弛和极化，进而表征变压器油纸绝缘的老化程度。

本发明的整体思路为：将鸡群算法与BP神经网络的梯度下降训练方法相结合，用鸡群算法全局搜索的特性，得到一个初始的权值矩阵和阈值，再用BP训练算法进行训练获得可以预测聚合度的神经网络结构，更精确预测油纸的绝缘聚合度，从而正确地反映油纸绝缘老化状态的问题。

图5示出了发明实施例提供的基于鸡群优化BP神经网络的变压器油纸绝缘老化预测方法的流程。

如图1所示，基于鸡群优化BP神经网络的变压器油纸绝缘老化预测方法，包括如下步骤：

步骤S1：构建BP神经网络，设置网络参数，初始化BP神经网络的权值和阈值，计算BP神经网络的误差函数作为鸡群算法的适应度函数。

BP神经网络模型是采用反向传播算法的多层前馈人工神经网络，它从数据组中抽取训练集作为网络输入和输出并组成神经网络，用神经网络梯度算法调整网络权值和阈值，减少环境温度带来的影响，最终获得可以预测聚合度的BP神经网络。首先，将去极化曲线均匀采样n个特征点作为输入，曲线对应的聚合度作为输出，组成数据组。将数据随机重新排列后，选取部分数据作为训练集，其余作为测试集。BP神经网络的拓扑结构如图6所示，网络由输入层、隐含层和输出层组成，层与层之间互连，每层节点之间不相连。

设BP神经网络的样本总数为P，输入层x为极化去极化电流采样点，含有n个神经元，隐含层为x'，含有n₁个神经元，输出层y为聚合度，含有m个神经元，如下式(1)所示。

x∈Rⁿ,x＝(x₀,x₁,...,x_n-1)^T

y∈R^m,y＝(y₀,y₁,...,y_m-1)^T (1)

从输入层到隐含层的权值和阈值分别为W_ij和θ_j，从隐含层到输出层的权值和阈值分别为W_jk和θ_k。隐含层和输出层的输出如式(2)所示。

输入层到输出层的网络实现了空间矢量从n维到m维的映射。f(x)为单极性Sigmoid函数，如式(3)所示。

反向传播时，单个样本的神经网络期望输出d_k和实际输出y_k的误差平方和为目标函数：

神经网络的网络学习目标是通过调整权值W和阈值θ，使总误差E极小，权值的变化为误差函数的负梯度方向：

式(5)中，n₀为迭代次数，η为学习率。

用梯度算法调整权值和阈值后，即可获得神经网络，用以预测油纸的聚合度。

步骤S2：设置鸡群算法的鸡群参数，并根据BP神经网络的输入层、隐含层和输出层中的参数个数设置鸡群中每个个体的位置维度及公鸡、母鸡、小鸡在鸡群中的比例；其中，鸡群参数包括鸡群的大小、最大迭代次数和种群更新迭代数。

由于BP神经网络的负梯度算法在调整权值和阈值时，存在收敛速度慢，且易陷入局部极值点的问题，因此本发明用鸡群算法对BP神经网络的权值和阈值进行优化即可提高神经网络学习率，减少陷入局部极值点的可能性。

鸡群算法是一种模拟鸡群搜索行为的生物智能算法，该算法将鸡群中每个独立的个体看作为优化问题的解，将个体对环境的适应能力看作优化问题的目标函数值，并根据个体之间适应能力将其分为公鸡、母鸡、小鸡3个群，每个群的搜索方式都不同。因此，该方法具有群优化和分类优化的特点，能够同时进行局部优化和全局优化。

步骤S3：根据适应度值的排序分级，将前RN个个体作为公鸡，将最后CN个个体作为小鸡，其余个体作为母鸡，并将鸡群按公鸡数量分为RN个组，母鸡随机分配到各个组中并与公鸡确认伙伴关系，随机选取MN个母鸡，让母鸡随机统领小鸡并与小鸡确认母子关系。

步骤S4：开始迭代，判断是否需要重新排序，如果是，建立新的鸡群等级制度；如果否，则每个个体按照自己的搜索方式进行位置更新。

由于不同的类群具有不同的搜索方式，3个群中个体的更新策略也各不相同。

公鸡的适应度较好，搜索能力强，比适应度差的母鸡优先获得食物，可以实现全局搜索，它的位置更新受到其他公鸡位置影响，策略如下：

式(6)中，x_ij为第i只公鸡位置的第j维度值，l为当前的迭代次数，Randn服从期望值为0，标准差为δ的正态分布随机数，第i只公鸡的适应度为f_i，随机选取的第s只公鸡的适应度为f_s，分母中加上无穷小数ε避免除数为零。

母鸡跟随其所在群中的伙伴公鸡搜索食物，位置更新既受所在群中伙伴公鸡的影响，也会受到其他搜索群中公鸡的影响。

式(7)中，Rand是服从[0,1]均匀分布的随机数，第i只母鸡的适应度为f_i，母鸡的伙伴公鸡r₁的适应度值为f_r1，k₁表示伙伴公鸡的影响因子，其他公鸡或母鸡的适应度值为f_r2，k₂为其他鸡的影响因子。

小鸡的搜索能力最差，在母亲母鸡的周围搜寻食物，位置受到母亲母鸡的影响，更新策略如下所示：

式(8)中，母鸡m位置的第j维度值为X_m,j，母鸡对小鸡的影响因子为P，为随机函数生成，取值范围为(0，2)。

每个个体按照自己的搜索方式进行位置更新的方式为：计算每个个体在新位置时的适应度值，如果个体在新位置时的适应度值优于个体在未更新位置时的适应度值，则更新个体位置，否则不更新个体位置。

步骤S5：对每个个体的每个位置维度的约束条件进行判断，若每个位置维度的参数满足约束条件，进行步骤S6，否则回到步骤S2。

步骤S6：迭代次数加一。

步骤S7：判断迭代次数是否达到预先设定的最大次数，在迭代次数达到预先设定的最大次数时，停止迭代，输出权值和阈值，否则转到步骤S4。

步骤S8：采用步骤S7输出的权值和阈值对BP神经网络进行BP神经网络训练，并进行预测变压器油纸的聚合度。

通过鸡群算法优化BP神经网络的权值和阈值，作为BP神经网络的初始权值和阈值，再通过BP训练算法获得最终的神经网络结构，能够更精确地预测油纸的绝缘聚合度，从而正确地反映油纸绝缘老化状态。

在本发明的描述中，需要理解的是，指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明中，除非另有明确的规定和限定，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (2)

1.一种基于鸡群优化BP神经网络的变压器油纸绝缘老化预测方法，其特征在于，包括如下步骤：

步骤S1：构建BP神经网络，设置网络参数，初始化所述BP神经网络的权值和阈值，计算所述BP神经网络的误差函数作为鸡群算法的适应度函数；

步骤S2：设置所述鸡群算法的鸡群参数，并根据所述BP神经网络的输入层、隐含层和输出层中的参数个数设置鸡群中每个个体的位置维度及公鸡、母鸡、小鸡在鸡群中的比例；其中，所述鸡群参数包括鸡群的大小、最大迭代次数和种群更新迭代数；

步骤S3：根据适应度值的排序分级，将前RN个个体作为公鸡，将最后CN个个体作为小鸡，其余个体作为母鸡，并将鸡群按公鸡数量分为RN个组，母鸡随机分配到各个组中并与公鸡确认伙伴关系，随机选取MN个母鸡，让母鸡随机统领小鸡并与小鸡确认母子关系；

步骤S4：开始迭代，判断是否需要重新排序，如果是，建立新的鸡群等级制度；如果否，则每个个体按照自己的搜索方式进行位置更新；

步骤S5：对每个个体的位置维度的约束条件进行判断，若位置维度的参数满足约束条件，进行步骤S6，否则回到步骤S2；

步骤S6：迭代次数加一，在迭代次数达到预先设定的最大次数时，停止迭代，输出权值和阈值，否则转到步骤S4；

步骤S7：采用步骤S6输出的权值和阈值对BP神经网络进行BP神经网络训练，并进行预测变压器油纸的聚合度。

2.如权利要求1所述的基于鸡群优化BP神经网络的变压器油纸绝缘老化预测方法，其特征在于，步骤S1具体包括如下步骤：

将去极化曲线均匀采样n个特征点作为输入，曲线对应的聚合度作为输出，组成数据组；将数据随机重新排列后，选取部分数据作为训练集，其余作为测试集；BP神经网络由输入层、隐含层和输出层组成，层与层之间互连，每层节点之间不相连；

设BP神经网络的样本总数为P，输入层x为极化去极化电流采样点，含有n个神经元，隐含层为x'，含有n₁个神经元，输出层y为聚合度，含有m个神经元，如下式(1)所示：

x∈Rⁿ,x＝(x₀,x₁,...,x_n-1)^T

y∈R^m,y＝(y₀,y₁,...,y_m-1)^T (1)

从输入层到隐含层的权值和阈值分别为W_ij和θ_j，从隐含层到输出层的权值和阈值分别为W_jk和θ_k，隐含层和输出层的输出如式(2)所示：

输入层到输出层的网络实现了空间矢量从n维到m维的映射，f(x)为单极性Sigmoid函数，如式(3)所示：

在反向传播时，单个样本的神经网络期望输出d_k和实际输出y_k的误差平方和为目标函数：

神经网络的网络学习目标是通过调整权值W和阈值θ，使总误差E极小，权值的变化为误差函数的负梯度方向：

式(5)中，n₀为迭代次数，η为学习率。

Images