CN112115638B - 基于改进Adam算法优化神经网络的变压器故障诊断方法 - Google Patents

基于改进Adam算法优化神经网络的变压器故障诊断方法 Download PDF

Info

Publication number
CN112115638B
CN112115638B CN202010893044.7A CN202010893044A CN112115638B CN 112115638 B CN112115638 B CN 112115638B CN 202010893044 A CN202010893044 A CN 202010893044A CN 112115638 B CN112115638 B CN 112115638B
Authority
CN
China
Prior art keywords
neural network
transformer
data
adam algorithm
improved
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.)
Active
Application number
CN202010893044.7A
Other languages
English (en)
Other versions
CN112115638A (zh
Inventor
何怡刚
姜学义
曹志煌
李兵
佐磊
B·伊沙克
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.)
Hefei University of Technology
State Grid Anhui Electric Power Co Ltd
Original Assignee
Hefei University of Technology
State Grid Anhui Electric Power Co Ltd
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 Hefei University of Technology, State Grid Anhui Electric Power Co Ltd filed Critical Hefei University of Technology
Priority to CN202010893044.7A priority Critical patent/CN112115638B/zh
Publication of CN112115638A publication Critical patent/CN112115638A/zh
Application granted granted Critical
Publication of CN112115638B publication Critical patent/CN112115638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • 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
    • G06N3/045—Combinations of 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

基于改进Adam算法优化神经网络的变压器故障诊断方法，包括以下步骤：（1）获取变压器油中溶解气体的相关数据与变压器故障信息作为样本数据；（2）对变压器油中溶解气体的相关数据进行归一化预处理；（3）确定神经网络的输入模式、输出模式、隐藏层层数、隐藏层神经元数、隐藏层传递函数、输出层传递函数与损失函数；（4）对传统的Adam算法进行改进，并用改进后的Adam算法优化神经网络的参数；（5）用样本数据对经过算法优化后的神经网络进行训练，得到最终的神经网络模型；（6）用最终的神经网络模型处理变压器油中溶解气体数据，诊断出变压器的故障类型。本发明可提高利用数据的充分性、加快训练的收敛速度并提高变压器故障诊断的准确率。

Description

基于改进Adam算法优化神经网络的变压器故障诊断方法
技术领域
本发明涉及变压器故障诊断方法，具体是涉及一种基于改进Adam算法优化神经网络的变压器故障诊断方法。
背景技术
油浸式变压器是电力系统中重要的电气设备，其运行状态直接影响电力系统的安全性水平。因此，研究变压器故障诊断技术，提高变压器运行维护水平具有重要意义。变压器油中溶解气体分析法是一种探测油浸式变压器初期故障的有效手段，它为了解油浸式变压器内部的一般隐患提供了重要依据。人工神经网络作为一种人工智能研究方法，它可以根据所提供的数据，通过学习和训练，找出输入输出之间的内在联系，模型一旦建立好，对未经训练过的输入，同样可以获得相应的合适输出。
目前，结合油中溶解气体分析法，人工神经网络已经被应用到油浸式变压器故障诊断中，用来寻找油中溶解气体相关参数与变压器早期故障之间的内在联系。但是，在小规模样本情况下，神经网络在变压器故障诊断的准确率难以达到90％，神经网络在变压器故障诊断的应用中存在着输入数据有效性差、训练时收敛速度慢并容易陷入局部极小值、故障诊断的精度和可信度不够高等缺陷。
发明内容
本发明所要解决的技术问题是，克服上述背景技术的不足，提供一种基于改进Adam算法优化神经网络的变压器故障诊断方法，该方法可提高利用数据的充分性、加快训练的收敛速度并提高变压器故障诊断的准确率。
本发明解决其技术问题采用的技术方案是，一种基于改进Adam算法优化神经网络的变压器故障诊断方法，包括以下步骤：
(1)获取油浸式变压器油中溶解气体的相关数据与变压器故障信息作为样本数据；
(2)对油浸式变压器油中溶解气体的相关数据进行归一化预处理；
(3)确定神经网络的输入模式、输出模式；确定神经网络的隐藏层层数、隐藏层神经元数、隐藏层传递函数、输出层传递函数与损失函数；
(4)对传统的Adam算法进行改进，并用改进后的Adam算法优化神经网络的参数；
(5)用样本数据，包括归一化后的油浸式变压器油中溶解气体的相关数据与变压器故障信息，对经过算法优化后的神经网络进行训练，得到最终的神经网络模型；
(6)用最终的神经网络模型处理待评估的油浸式变压器油中溶解气体数据，诊断出油浸式变压器的故障类型。
进一步，步骤(1)中，获取的油浸式变压器油中溶解气体的相关数据包括油浸式变压器油中溶解H2、C2H2、CH4、C2H6、C2H4、CO2与CO各种气体的体积含量以及C2H2与C2H4、CH4与H2、C2H4与C2H6的三组气体体积含量比值。
进一步，步骤(1)中，所属变压器故障信息包括变压器故障类型数据，变压器故障类型数据包括无故障、低温过热、中温过热、高温过热、局部放电、低能放电、高能放电共7种变压器故障类型数据。
进一步，步骤(2)中，对油浸式变压器油中溶解气体的相关数据进行归一化处理方法如下：
其中x为原始数据，x′为归一化后的数据，xmin为数据向量中的最小值和xmax为数据向量中的最大值。
进一步，步骤(3)中，确定神经网络的输入模式时，用归一化后的数据作为神经网络的输入变量；确定神经网络的输出模式时，用变压器故障类型数据包括无故障、低温过热、中温过热、高温过热、局部放电、低能放电、高能放电共7种变压器故障类型数据作为神经网络的输出变量；设定以接近1的程度表示对应故障发生的概率，越接近数值1时表示发生该类型故障的可能性和严重程度越大，接近数值0时表示发生该类型故障的可能性几乎没有。
进一步，步骤(3)中，将神经网络确定为具有输入层、隐藏层、输出层的三层神经网络，即隐藏层层数为一层。
进一步，步骤(3)中，所述隐藏层神经元数采用如下公式进行计算：
其中s为隐藏层神经元数，m为输入层神经元数，n为输出层神经元数，a为1～10之间的常数；设定的输入层神经元数为10，输出层神经元数为7，代入上式计算即得隐藏层神经元数位于5～15之间。
进一步，步骤(3)中，所述隐藏层传递函数选择tansig函数，所述输出层传递函数选择logsig函数，所述损失函数选择均方误差函数。
进一步，步骤(4)中，Adam算法的改进方法为：加入步长扩大因子a和步长减小因子b，其中，步长扩大因子a用来增大步长，当本轮迭代计算出的参数更新量与上一轮符号相同时，说明当前参数距离最优点较远，使步长变为a倍；步长减小因子b用来减小步长，当本轮迭代计算出的参数更新量与上一轮符号相异时，说明当前参数距离最优点较近，使步长变为b倍。
进一步，步骤(4)中，改进后Adam算法的矩估计更新、步长更新、参数更新如下：
t＝t+1；
s＝ρ1s+(1-ρ1)g；
r＝ρ2r+(1-ρ2)g⊙g，⊙表示对应元素乘积；
暂时更新量
若暂时更新量与上一步最终更新量符号相同，步长更新：ε＝aε，计算最终更新量：Δθ＇＝aΔθ；
否则，步长更新：ε＝bε；计算最终更新量：Δθ＇＝bΔθ；参数更新：θ＝θ+Δθ＇；
其中，t为时间步；g为梯度值；s为一阶矩变量，r为二阶矩变量；ε为学习率(即步长)；θ为待更新参数，Δθ为暂时更新量，Δθ＇为最终更新量；小常数δ通常设为10－8；超参数ρ1、ρ2为矩估计指数衰减速率，ρ1控制一阶矩变量的历史影响，ρ2控制二阶矩变量的历史影响；为s的误差修正，/>为r的误差修正。
与现有技术相比，本发明的优点如下：
(1)本发明提供的变压器故障诊断方法中利用改进Adam算法优化的神经网络对变压器故障进行诊断，能够更加准确、高效地识别变压器早期故障，准确率达到95％以上。
(2)本发明用改进的Adam算法对神经网络进行优化，可有效地克服神经网络算法在训练网络权值和阈值时收敛速度慢、易陷入局部极小值以及应用传统梯度下降法训练神经网络时速度缓慢的缺点。
(3)本发明对Adam算法进行改进，使其步长可以根据环境变化自适应调整以更好地寻找最佳参数，其步长扩大因子a和步长减小因子b可以加快算法的收敛速度，有利于网络更快地收敛于最优解。
(4)本发明选用变压器中包括油浸式变压器油中溶解的H2、C2H2、CH4、C2H6、C2H4、CO2与CO各种气体的体积含量以及C2H2与C2H4、CH4与H2、C2H4与C2H6的三组气体体积含量比值作为变压器故障诊断的评估数据，使评估信息更加全面可靠。
附图说明
图1是本发明实施例中的方法流程图。
图2是图1所示实施例的改进的Adam算法的流程图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细描述。
参照图1，本实施例包括以下步骤：
(1)获取油浸式变压器油中溶解气体的相关数据与变压器故障信息作为样本数据；
获取的油浸式变压器油中溶解气体的相关数据包括油浸式变压器油中溶解H2、C2H2、CH4、C2H6、C2H4、CO2与CO各种气体的体积含量以及C2H2与C2H4、CH4与H2、C2H4与C2H6的三组气体体积含量比值。
变压器故障信息包括变压器故障类型数据，变压器故障类型数据包括无故障、低温过热、中温过热、高温过热、局部放电、低能放电、高能放电共7种变压器故障类型数据。
(2)对油浸式变压器油中溶解气体的相关数据进行归一化预处理；
其中，归一化处理方法如下：
其中x为原始数据，x′为归一化后的数据，xmin为数据向量中的最小值和xmax为数据向量中的最大值。
归一化处理对油浸式变压器原始数据进行了初步处理，降低了原始数据的分散性，使所有数据紧凑地分布在0到1之间，对后续神经网络的训练及判断有重要意义。
(3)确定神经网络的输入模式、输出模式，确定神经网络的隐藏层层数、隐藏层神经元数、隐藏层传递函数、输出层传递函数与损失函数；
确定神经网络的输入模式时，用归一化后的数据作为神经网络的输入变量；确定神经网络的输出模式时，用变压器故障类型数据包括无故障、低温过热、中温过热、高温过热、局部放电、低能放电、高能放电共7种变压器故障类型数据作为神经网络的输出变量；设定以接近1的程度表示对应故障发生的概率，越接近数值1时表示发生该类型故障的可能性和严重程度越大，接近数值0时表示发生该类型故障的可能性几乎没有。
将神经网络确定为具有输入层、隐藏层、输出层的三层神经网络，即隐藏层层数为一层；对于变压器故障诊断这种模式识别和分类问题的解决，隐藏层神经元数采用如下公式进行计算：
其中s为隐藏层神经元数，m为输入层神经元数，n为输出层神经元数，a为1～10之间的常数；设定的输入层神经元数为10，输出层神经元数为7，代入上式计算即得隐藏层神经元数位于5～15之间。
另外，隐藏层传递函数选择tansig函数，输出层传递函数选择logsig函数，损失函数选择均方误差函数；
(4)对传统的Adam算法进行改进，并用改进后的Adam算法优化神经网络的参数；
Adam算法的改进方法为：加入步长扩大因子a和步长减小因子b，来加大步长的自适应能力，从而加快算法的收敛速度,提升参数寻优能力。其中，步长扩大因子a用来增大步长，当本轮迭代计算出的参数更新量与上一轮符号相同时，说明当前参数距离最优点较远，使步长变为a倍；相似地，步长减小因子b用来减小步长，当本轮迭代计算出的参数更新量与上一轮符号相异时，说明当前参数距离最优点较近，使步长变为b倍；此改进加快了收敛速度，提高了寻优能力。
改进后Adam算法的矩估计更新、步长更新、参数更新如下：
t＝t+1；
s＝ρ1s+(1-ρ1)g；
r＝ρ2r+(1-ρ2)g⊙g，⊙表示对应元素乘积；
暂时更新量
若暂时更新量与上一步最终更新量符号相同，步长更新：ε＝aε，计算最终更新量：Δθ＇＝aΔθ；
否则，步长更新：ε＝bε；计算最终更新量：Δθ＇＝bΔθ；参数更新：θ＝θ+Δθ＇；
其中，t为时间步；g为梯度值；s为一阶矩变量，r为二阶矩变量；ε为学习率(即步长)；θ为待更新参数，Δθ为暂时更新量，Δθ＇为最终更新量；小常数δ通常设为10－8；超参数ρ1、ρ2为矩估计指数衰减速率，ρ1控制一阶矩变量的历史影响，ρ2控制二阶矩变量的历史影响；为s的误差修正，/>为r的误差修正，使之为无偏估计。
步骤(4)中，用改进后的Adam算法优化神经网络参数的计算机算法流程如图2所示：
过程1：将改进的Adam算法的参数初始化，包括步长ε，矩估计指数衰减速率ρ1，ρ2∈[0,1)，小常数δ，步长扩大因子a﹥1，步长减小因子b﹤1；并将一阶矩变量s和二阶矩变量r初始化为0。
过程2：将神经网络中的待更新参数θ初始化。
过程3：根据神经网络的前向算法和均方误差指标的计算公式计算本轮迭代中所需要的样本数据的梯度值，梯度值越大，说明距离最佳目标的距离越远，梯度值越小，说明待更新参数有越优良的表现。
过程4：更新一阶矩变量和二阶矩变量，一阶矩变量和二阶矩变量均有对应的指数衰减速率决定他们的历史数据影响，在这个过程中，所有的以往记录均有贡献。
过程5：过程1中的一阶矩变量和二阶矩变量由于初值为0，为有偏估计量，所以本过程对其进行偏差修正，修正后二者均为无偏估计量。
过程6：计算暂时的参数更新量，并与上一轮最终更新量比较符号异同，若符号相同，则步长乘以步长扩大因子a，本次最终更新量也用最新步长重新计算；若符号不同，则步长乘以步长减小因子b，本次最终更新量也用最新步长重新计算。
过程7：根据最终更新量进行神经网络参数的更新。
过程8：检验是否符合结束条件即迭代次数是否达到了给定的最大次数或者是否达到最小误差要求，如果符合，则停止迭代，输出的最终权值和阈值作为神经网络训练的初始权值和阈值，最终完成对神经网络的优化；否则转到过程3。
(5)用样本数据，包括归一化后的油浸式变压器油中溶解气体的相关数据与变压器故障信息的编码数据，对经过算法优化后的神经网络进行训练，得到最终的神经网络模型；
步骤(5)中，变压器故障信息的编码数据为one-hot码，即与故障类型相对应的位为1，其余位为0，具体如下表所示。
(6)用最终的神经网络模型处理待评估的油浸式变压器油中溶解气体数据，诊断出油浸式变压器的故障类型。
最后，对油浸式变压器故障实例进行分析，其实验结果表明，改进Adam算法损失函数值下降平滑，收敛速度快，并能够快速地进行参数寻优。改进Adam算法优化后的神经网络，对于小规模样本数据，其训练准确性得到了较大提高，可以达到95％以上，在训练时间接近时，网络的诊断能力显著增强；若达到相同均方误差的模型，采用该算法收敛所需的迭代次数明显降低。由此可见，改进Adam算法不仅使训练的收敛速度大幅提高，而且使其训练后的神经网络性能也显著提升。最终的实验结果表明，利用改进Adam算法优化的神经网络方法对油浸式变压器故障进行诊断，能够更加准确、高效、可靠地识别油浸式变压器的早期故障。
本领域的技术人员可以对本发明进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。

Claims (8)

1.一种基于改进Adam算法优化神经网络的变压器故障诊断方法，其特征在于：包括以下步骤：
(1)获取油浸式变压器油中溶解气体的相关数据与变压器故障信息作为样本数据；
(2)对油浸式变压器油中溶解气体的相关数据进行归一化预处理；
(3)确定神经网络的输入模式、输出模式；确定神经网络的隐藏层层数、隐藏层神经元数、隐藏层传递函数、输出层传递函数与损失函数；
(4)对传统的Adam算法进行改进，并用改进后的Adam算法优化神经网络的参数；
Adam算法的改进方法为：加入步长扩大因子a和步长减小因子b，其中，步长扩大因子a用来增大步长，当本轮迭代计算出的参数更新量与上一轮符号相同时，说明当前参数距离最优点较远，使步长变为a倍；步长减小因子b用来减小步长，当本轮迭代计算出的参数更新量与上一轮符号相异时，说明当前参数距离最优点较近，使步长变为b倍；
改进后Adam算法的矩估计更新、步长更新、参数更新如下：
t＝t+1；
s＝ρ1s+(1-ρ1)g；
r＝ρ2r+(1-ρ2)g⊙g，⊙表示对应元素乘积；
暂时更新量
若暂时更新量与上一步最终更新量符号相同，步长更新：ε＝aε，计算最终更新量：Δθ＇＝aΔθ；
否则，步长更新：ε＝bε；计算最终更新量：Δθ＇＝bΔθ；参数更新：θ＝θ+Δθ＇；
其中，t为时间步；g为梯度值；s为一阶矩变量，r为二阶矩变量；ε为学习率(即步长)；θ为待更新参数，Δθ为暂时更新量，Δθ＇为最终更新量；小常数δ通常设为10－8；超参数ρ1、ρ2为矩估计指数衰减速率，ρ1控制一阶矩变量的历史影响，ρ2控制二阶矩变量的历史影响；为s的误差修正，/>为r的误差修正；
用改进后的Adam算法优化神经网络参数的计算机算法流程如下：
过程1：将改进的Adam算法的参数初始化，包括步长ε，矩估计指数衰减速率ρ1，ρ2∈[0,1)，小常数δ，步长扩大因子a﹥1，步长减小因子b﹤1；并将一阶矩变量s和二阶矩变量r初始化为0；
过程2：将神经网络中的待更新参数θ初始化；
过程3：根据神经网络的前向算法和均方误差指标的计算公式计算本轮迭代中所需要的样本数据的梯度值，梯度值越大，说明距离最佳目标的距离越远，梯度值越小，说明待更新参数有越优良的表现；
过程4：更新一阶矩变量和二阶矩变量，一阶矩变量和二阶矩变量均有对应的指数衰减速率决定他们的历史数据影响，在这个过程中，所有的以往记录均有贡献；
过程5：过程1中的一阶矩变量和二阶矩变量由于初值为0，为有偏估计量，所以本过程对其进行偏差修正，修正后二者均为无偏估计量；
过程6：计算暂时的参数更新量，并与上一轮最终更新量比较符号异同，若符号相同，则步长乘以步长扩大因子a，本次最终更新量也用最新步长重新计算；若符号不同，则步长乘以步长减小因子b，本次最终更新量也用最新步长重新计算；
过程7：根据最终更新量进行神经网络参数的更新；
过程8：检验是否符合结束条件即迭代次数是否达到了给定的最大次数或者是否达到最小误差要求，如果符合，则停止迭代，输出的最终权值和阈值作为神经网络训练的初始权值和阈值，最终完成对神经网络的优化；否则转到过程3；
(5)用样本数据，包括归一化后的油浸式变压器油中溶解气体的相关数据与变压器故障信息，对经过算法优化后的神经网络进行训练，得到最终的神经网络模型；
(6)用最终的神经网络模型处理待评估的油浸式变压器油中溶解气体数据，诊断出油浸式变压器的故障类型。
2.如权利要求1所述的基于改进Adam算法优化神经网络的变压器故障诊断方法，其特征在于：步骤(1)中，获取的油浸式变压器油中溶解气体的相关数据包括油浸式变压器油中溶解H2、C2H2、CH4、C2H6、C2H4、CO2与CO各种气体的体积含量以及C2H2与C2H4、CH4与H2、C2H4与C2H6的三组气体体积含量比值。
3.如权利要求1或2所述的基于改进Adam算法优化神经网络的变压器故障诊断方法，其特征在于：步骤(1)中，所属变压器故障信息包括变压器故障类型数据，变压器故障类型数据包括无故障、低温过热、中温过热、高温过热、局部放电、低能放电、高能放电共7种变压器故障类型数据。
4.如权利要求1或2所述的基于改进Adam算法优化神经网络的变压器故障诊断方法，其特征在于：步骤(2)中，对油浸式变压器油中溶解气体的相关数据进行归一化处理方法如下：
其中x为原始数据，x′为归一化后的数据，xmin为数据向量中的最小值和xmax为数据向量中的最大值。
5.如权利要求1或2所述的基于改进Adam算法优化神经网络的变压器故障诊断方法，其特征在于：步骤(3)中，确定神经网络的输入模式时，用归一化后的数据作为神经网络的输入变量；确定神经网络的输出模式时，用变压器故障类型数据包括无故障、低温过热、中温过热、高温过热、局部放电、低能放电、高能放电共7种变压器故障类型数据作为神经网络的输出变量；设定以接近1的程度表示对应故障发生的概率，越接近数值1时表示发生该类型故障的可能性和严重程度越大，接近数值0时表示发生该类型故障的可能性几乎没有。
6.如权利要求1或2所述的基于改进Adam算法优化神经网络的变压器故障诊断方法，其特征在于：步骤(3)中，将神经网络确定为具有输入层、隐藏层、输出层的三层神经网络，即隐藏层层数为一层。
7.如权利要求1或2所述的基于改进Adam算法优化神经网络的变压器故障诊断方法，其特征在于：步骤(3)中，所述隐藏层神经元数采用如下公式进行计算：
其中s为隐藏层神经元数，m为输入层神经元数，n为输出层神经元数，a为1～10之间的常数；设定的输入层神经元数为10，输出层神经元数为7，代入上式计算即得隐藏层神经元数位于5～15之间。
8.如权利要求1或2所述的基于改进Adam算法优化神经网络的变压器故障诊断方法，其特征在于：步骤(3)中，所述隐藏层传递函数选择tansig函数，所述输出层传递函数选择logsig函数，所述损失函数选择均方误差函数。
CN202010893044.7A 2020-08-28 2020-08-28 基于改进Adam算法优化神经网络的变压器故障诊断方法 Active CN112115638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010893044.7A CN112115638B (zh) 2020-08-28 2020-08-28 基于改进Adam算法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
CN202010893044.7A CN112115638B (zh) 2020-08-28 2020-08-28 基于改进Adam算法优化神经网络的变压器故障诊断方法

Publications (2)

Publication Number Publication Date
CN112115638A CN112115638A (zh) 2020-12-22
CN112115638B true CN112115638B (zh) 2023-09-26

Family

ID=73804585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010893044.7A Active CN112115638B (zh) 2020-08-28 2020-08-28 基于改进Adam算法优化神经网络的变压器故障诊断方法

Country Status (1)

Country Link
CN (1) CN112115638B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112564881A (zh) * 2020-12-01 2021-03-26 国网安徽省电力有限公司 基于长短时多门限信道状态预测的5g通信自适应传输方法
CN113743534B (zh) * 2021-09-17 2022-06-07 黄河水利职业技术学院 基于深度残差网络下的变压器油中气体复合成像识别方法
CN113917370B (zh) * 2021-09-29 2023-12-29 浙江工业大学 一种基于油中溶解气体小样本数据的变压器故障诊断方法
CN118228089B (zh) * 2024-05-23 2024-08-13 国网安徽省电力有限公司经济技术研究院 一种改进的变压器油中溶解气体故障诊断方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480782A (zh) * 2017-08-14 2017-12-15 电子科技大学 一种片上学习神经网络处理器
CN110018675A (zh) * 2019-04-25 2019-07-16 中南大学 基于lwdnn-arx模型的非线性系统建模方法
CN110501585A (zh) * 2019-07-12 2019-11-26 武汉大学 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法
CN110659682A (zh) * 2019-09-21 2020-01-07 胡燕祝 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
CN111209709A (zh) * 2019-12-24 2020-05-29 国网浙江省电力有限公司金华供电公司 一种基于人工神经网络的pcm阻值预测方法
CN111462012A (zh) * 2020-04-02 2020-07-28 武汉大学 一种基于条件生成对抗网络的sar图像仿真方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10769529B2 (en) * 2018-12-04 2020-09-08 Google Llc Controlled adaptive optimization

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480782A (zh) * 2017-08-14 2017-12-15 电子科技大学 一种片上学习神经网络处理器
CN110018675A (zh) * 2019-04-25 2019-07-16 中南大学 基于lwdnn-arx模型的非线性系统建模方法
CN110501585A (zh) * 2019-07-12 2019-11-26 武汉大学 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法
CN110659682A (zh) * 2019-09-21 2020-01-07 胡燕祝 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法
CN111209709A (zh) * 2019-12-24 2020-05-29 国网浙江省电力有限公司金华供电公司 一种基于人工神经网络的pcm阻值预测方法
CN111462012A (zh) * 2020-04-02 2020-07-28 武汉大学 一种基于条件生成对抗网络的sar图像仿真方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于深度学习的无线物理层关键技术研究综述;李国权;徐永海;林金朝;徐勇军;杨鹏;;重庆邮电大学学报(自然科学版)(第04期);全文 *
基于统计学习理论的多核预测模型研究及应用;邵喜高;中国优秀硕士学位论文全文数据库信息科技(2014年第03期);全文 *

Also Published As

Publication number Publication date
CN112115638A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN112115638B (zh) 基于改进Adam算法优化神经网络的变压器故障诊断方法
Zhang et al. A fault diagnosis method for wind turbines gearbox based on adaptive loss weighted meta-ResNet under noisy labels
CN106093612B (zh) 一种电力变压器故障诊断方法
CN111490853A (zh) 一种基于深度卷积神经网络的信道编码参数识别方法
CN111582542B (zh) 一种基于异常修复的电力负荷预测方法及系统
CN111123894B (zh) 一种基于lstm和mlp结合的化工过程故障诊断方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
WO2023231374A1 (zh) 机械设备半监督故障检测分析方法、装置、终端及介质
CN108596204B (zh) 一种基于改进型scdae的半监督调制方式分类模型的方法
CN111414943B (zh) 一种基于混合隐朴素贝叶斯模型的异常检测方法
CN117312835A (zh) 一种基于混合概率数据驱动模型的燃料电池性能预测方法
CN116562169A (zh) 一种基于深度学习的电力变压器故障诊断方法
CN115859777A (zh) 一种多故障模式下产品系统寿命预测的方法
CN117709010A (zh) 基于ocssa-bp神经网络的变压器绝缘油溶解气体分析方法
CN111863153A (zh) 一种基于数据挖掘的废水中悬浮固体总量的预测方法
CN113917370B (zh) 一种基于油中溶解气体小样本数据的变压器故障诊断方法
CN114372495B (zh) 基于深度空间残差学习的电能质量扰动分类方法及系统
CN115797309A (zh) 一种基于两阶段增量学习的表面缺陷分割方法
CN115174421A (zh) 基于自监督解缠绕超图注意力的网络故障预测方法及装置
CN114692729A (zh) 基于深度学习的新能源场站不良数据辨识与修正方法
CN109800923A (zh) 一种分散式风力发电短期功率组合预测方法
CN114861778B (zh) 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法
CN113158309B (zh) 一种暖通设备运行策略辨识方法
CN116204809A (zh) 一种基于改进卷积神经网络的变压器故障诊断方法
CN118520944B (zh) 一种基于大语言模型的知识图谱三元组可信性验证方法

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
GR01 Patent grant
GR01 Patent grant