CN113588777A - 一种基于pca-ia-bpnn的变压器油酸值检测方法 - Google Patents

一种基于pca-ia-bpnn的变压器油酸值检测方法 Download PDF

Info

Publication number
CN113588777A
CN113588777A CN202110865953.4A CN202110865953A CN113588777A CN 113588777 A CN113588777 A CN 113588777A CN 202110865953 A CN202110865953 A CN 202110865953A CN 113588777 A CN113588777 A CN 113588777A
Authority
CN
China
Prior art keywords
ultrasonic
bpnn
pca
frequency
data
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
Application number
CN202110865953.4A
Other languages
English (en)
Other versions
CN113588777B (zh
Inventor
苏阳
张际明
李亚权
李胜朋
李树东
朱江
彭福茂
周渠
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.)
Baoshan Power Supply Bureau of Yunnan Power Grid Co Ltd
Original Assignee
Baoshan Power Supply Bureau of Yunnan Power Grid 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 Baoshan Power Supply Bureau of Yunnan Power Grid Co Ltd filed Critical Baoshan Power Supply Bureau of Yunnan Power Grid Co Ltd
Priority to CN202110865953.4A priority Critical patent/CN113588777B/zh
Publication of CN113588777A publication Critical patent/CN113588777A/zh
Application granted granted Critical
Publication of CN113588777B publication Critical patent/CN113588777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/02—Analysing fluids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/02—Analysing fluids
    • G01N29/024—Analysing fluids by measuring propagation velocity or propagation time of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/02—Analysing fluids
    • G01N29/036—Analysing fluids by measuring frequency or resonance of acoustic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/01—Indexing codes associated with the measuring variable
    • G01N2291/011—Velocity or travel time
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/01—Indexing codes associated with the measuring variable
    • G01N2291/012—Phase angle
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/01—Indexing codes associated with the measuring variable
    • G01N2291/014—Resonance or resonant frequency
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/022—Liquids
    • G01N2291/0226—Oils, e.g. engine oils

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明涉及一种基于PCA‑IA‑BPNN的变压器油酸值检测方法，属于变压器检测技术领域。该方法包括以下步骤：S1：多频超声波检测；S2：主成分分析PCA；S3：建立反向传播神经网络BPNN；S4：免疫算法IA；S5：建立基于PCA‑IA‑BPNN的变压器油介损预测模型。本发明通过建立超声波特征值与变压器油酸值之间的关系，实现多频超声波对变压器油品质状态的监测，解决了传统检测系统统构成庞大复杂，操作繁琐，实现对运行故障的在线监测。

Description

一种基于PCA-IA-BPNN的变压器油酸值检测方法
技术领域
本发明属于变压器检测技术领域，涉及一种基于PCA-IA-BPNN的变压器油酸值检测方法。
背景技术
作为电力系统的枢纽，大型油浸式电力变压器是电力系统中最昂贵也是最重要的设备，在输、变电过程中起着举足轻重的作用，其安全可靠运行对整个电力系统具有决定性的意义，电力变压器一旦发生故障，将给国民经济带来巨大损失。油浸式电力变压器采用绝缘油作为绝缘和冷却的介质，和空气相比具备诸多优点：绝缘强度高，可以给绝缘材料提供一个隔离空气的环境，减少裸露在空气中的腐蚀；变压器油的比热比空气大，其良好的散热性能可以把变压器铁芯和绕组的热量，通过油受热膨胀和空气的对流散发出去，保障变压器正常运行。
运行中的变压器用油在电、热、力、水及氧等条件作用下会逐渐老化，产生一系列氧化物溶解于变压器油中，其中危害最大的就是甲酸、乙酸和乙酰丙酸等酸性物质。酸性物质的出现与增加，不但会腐蚀电气设备本体，还会提高变压器油的导电性，降低绝缘油的绝缘性能，在高温超负荷运行条件下，更会加速纤维质等固体绝缘材料老化及分解，缩短运行电力变压器的使用寿命。GB/T7595-2008《运行中变压器油质量标准》规定，变压器投运前，油中酸值不得超过0.03mgKOH/g，运行中的变压器不得超过0.1mgKOH/g，因此，绝缘油中酸值的测定非常重要。在国家标准及国际标准中，酸值都被列为变压器油参量监测的必测参数。
目前测定变压器油中的酸值标准及方法有多种，总的来说这些标准及方法大致可分为指示剂法和电位滴定法两类。电位滴定法是利用浸在被测定溶液中的指示电极在滴定过程中电位的变化来指示终点。但由于绝缘油中都有添加剂(如抗氧化剂，降凝剂等)，因此，大部分滴定曲线均无点位突越，而只能采取定点滴定的办法，即预先决定一个终点电位或终点PH 值来进行电位滴定。而超声波检测技术作为一种新兴的无损检测技术，具有较好的方向性、较强的穿透能力，在电力变压器检测方向已有诸多应用。因此，提出一种基于PCA-IA-BPNN 的变压器油酸值检测方法，对实时监测变压器油的酸值进而确保油浸式电力变压器安全可靠运行具有重要的意义。
发明内容
有鉴于此，本发明的目的在于提供一种基于PCA-IA-BPNN的变压器油酸值检测方法。针对目前变压器油酸值传统检测方法复杂且操作繁琐的现状，不利于实现对变压器油的实时监测，提出一种基于PCA-IA-BPNN的变压器油酸值检测方法，建立超声波响应与变压器油酸值之间的关系，实现多频超声波对变压器故障的检测，并根据变压器油的介质损耗信息判断变压器的运行状态。
为达到上述目的，本发明提供如下技术方案：
一种基于PCA-IA-BPNN的变压器油酸值检测方法，该方法包括以下步骤：
S1：多频超声波检测；
S2：主成分分析PCA；
S3：建立反向传播神经网络BPNN；
S4：免疫算法IA；
S5：建立基于PCA-IA-BPNN的变压器油介损预测模型。
可选的，所述S1具体为：
在由多频超声控制单元、多频超声传感器和数据分析单元组成的多频超声检测系统中，超声控制单元内安装多频超声波发射装置，控制着超声波的发射频率以及发射时间间隔；超声波发射装置内部连接至超声控制单元的多频超声信号输出接口，输出接口与多频超声传感器连接，传感器内部安装有超声发生器，用于产生超声束组；多频超声传感器内部还安装有两个用来接收超声信号的超声接收器，并由DSP信号处理电路传输到上位机的测量软件，最后测量软件计算出信号的原始参数，包括振幅、相位以及声速；多频超声检测系统的信号频率为600kHz-1000kHz，中心频率约为750kHz；T1和T2是两个超声接收器；系统工作时，超声发射器发出超声波信号；信号首先在基准介质和测量室之间的接口处反射，反射回的信号由接收器T1接收，另一部分超声信号通过接口继续传输到接收器T2，最后经由T2传输的信号再次反射并传回T1。
可选的，所述超声发射器的发射时间间隔为20s，每次发出20个不同频率的超声波信号，接收器接收到的L1、L2和L3分别包含主频率对应的幅值20维、偏移频率对应的幅值20维、主频率对应的相位20维、偏移频率对应的相位20维，加上飞行时间与飞行速度，每组样本共得到一个242维的超声波数据。
可选的，所述S2具体为：
S21：将检测得到的多频超声波信号按频率分为N个样本数据，N>100，每个样本数据中含有M个数据，包含每次接收超声波的幅值、相位、频率以及飞行时间特征信息；利用下式对这些数据进行标准化，标准化后数据均值为0，方差为1；
Figure RE-GDA0003277165430000031
其中，XR为X经变换矩阵Q计算后的矩阵，Q变换矩阵，Qi为权重系数；
S22：计算相对化矩阵XR的协方差矩阵
Figure RE-GDA0003277165430000032
Figure RE-GDA0003277165430000033
S23：求解协方差矩阵
Figure RE-GDA0003277165430000034
的特征值λi与相对应的特征值ρi，λi是
Figure RE-GDA0003277165430000035
的第i个特征值，满足：
Figure RE-GDA0003277165430000036
式中I为单位矩阵；
S24：由累计贡献率求出相对主元个数j，具体公式如下：
Figure RE-GDA0003277165430000037
S25：计算矩阵T
T＝XP(Nj)＝(NM)(Mj)
矩阵T中包含的数据为将超声波主要参数经相对主元算法转换后数据，之后将通过人工智能算法进行模式识别及回归处理。
可选的，所述S3具体为：
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由输出层、隐层和输出层构成的多层神经网络，且同一层的神经元不存在相互连接，相邻两层的神经元两两相连。
可选的，所述S5具体为：
S41：定义抗原：将需要解决的问题抽象成符合免疫系统处理的抗原形式，抗原识别则对应为问题的求解；
S42：产生初始抗体群体：将抗体的群体定义为问题的解，抗体与抗原之间的亲和力对应问题解的评估，亲和力越高，说明解越好；产生初始抗体群体，对应问题的一个随机解；
S43：计算亲和力：计算抗原与抗体之间的亲和力；
S44：抗体产生的促进和抑制：与抗原有较大亲和力的抗体优先得到繁殖，抑制浓度过高的抗体，淘汰低亲和力的抗体；采用类似遗传算法中的交叉、变异操作繁殖新的抗体并随机产生新的抗体来代替被淘汰的抗体；
S45：评估新的抗体群体：计算亲和力，若满足终止条件，则当前抗体群体则为问题的最佳解；若不满足终止条件，则重新更新抗体直到满足条件为止。
可选的，所述S6具体为：
首先对数据样本进行z-score标准化处理，在Matlab仿真编译环境下对建立基于PCA-IA-BPNN的变压器油中酸值预测模型，基于PCA算法对超声波的242维数据进行PCA 降维处理，得到对原始数据累积贡献率为99％的23维主元数据矩阵；再将该主元数据矩阵作为训练集训练BPNN；同时编写免疫算法IA参数优化程序，得到BPNN的最优参数；
基于IA算法对训练数据进行BPNN最优参数寻优；
基于PCA-IA-BPNN的变压器油中酸值预测模型的最优隐层神经元个数为3，对应模型的回检诊断均方差达到最小，为0.036457，PCA-IA-BPNN变压器油中酸值预测模型迭代18次后，达到最优收敛精度10-4.1；
变压器油中酸值BPNN预测模型的隐含层各神经元的阈值向量为：[1.88421102061644， -0.220326447756798，-1.18911130032834]，输出层神经元的阈值向量为：[30.3236209235620]。
本发明的有益效果在于：通过建立超声波特征值与变压器油酸值之间的关系，实现多频超声波对变压器油品质状态的监测，解决了传统检测系统统构成庞大复杂，操作繁琐，实现对运行故障的在线监测。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为多频超声波检测系统结构；
图2为免疫算法流程；
图3为免疫神经网络训练流程图；
图4为PCA-IA-BPNN寻优回检诊断均方差图；
图5为回归预测结果。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等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，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，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的具体含义。
本发明采用多频超声波检测技术，对不同运行年限的变压器油样进行多频超声波检测，同时基于传统方法进行变压器油样的酸值进行测定。以经过主成分分析(PCA)降维的多频超声波测试数据为输入，酸值测定结果为输出，利用反向传播神经网络(BPNN)建立变压器油酸值预测模型，同时引入免疫算法(IA)对该模型进行优化，得到最终的变压器油酸值预测模型，并进行实例分析，以验证该模型在基于多频超声波技术的变压器油酸值检测方面的实际应用效果。
1.多频超声波检测
图1为多频超声检测系统结构图，由多频超声控制单元、多频超声传感器和数据分析单元三部分组成。超声控制单元内安装多频超声波发射装置，控制着超声波的发射频率以及发射时间间隔。超声波发射装置内部连接至超声控制单元的多频超声信号输出接口，输出接口与多频超声传感器连接，传感器内部安装有超声发生器，用于产生超声束组。此外，多频超声传感器内部还安装有两个用来接收超声信号的超声接收器，并由DSP信号处理电路传输到上位机的测量软件，最后测量软件计算出信号的原始参数，包括振幅、相位以及声速等。多频超声检测系统的信号频率为600kHz-1000kHz，中心频率约为750kHz。T1和T2是两个超声接收器。系统工作时，超声发射器发出超声波信号。信号首先在基准介质和测量室之间的接口处反射，此时反射回的信号由接收器T1接收，另一部分超声信号通过接口继续传输到接收器T2，最后经由T2传输的信号再次反射并传回T1。
本系统结合了超声渗透检测法和超声反射检测法，进行检测时将传感器部分完全浸没在变压器油样品中，使测量器充满油样。超声发射器的发射时间间隔为20s，每次发出20个不同频率的超声波信号，超声接收器接收到的数据共计242维。
2.主成分分析PCA
主成分分析可以有效地处理多维或多变量数据，剔除一些冗余、无效的数据，达到降维的目的，继而根据有限的线性不相关数据可以准确有效的统计信息的特征。本发明主要采用 PCA的改进方法——相对主元算法，其基本算法步骤为：
1)首先将检测得到的多频超声波信号按频率分为N(N>100)个样本数据，每个样本数据中含有M个数据，包含每次接收超声波的幅值、相位、频率以及飞行时间等特征信息。利用下式对这些数据进行标准化，标准化后数据均值为0，方差为1。
Figure RE-GDA0003277165430000061
其中，XR为X经变换矩阵 Q计算后的矩阵，Q变换矩阵，Qi为权重系数。
2)计算相对化矩阵XR的协方差矩阵
Figure RE-GDA0003277165430000062
Figure RE-GDA0003277165430000063
3)求解协方差矩阵
Figure RE-GDA0003277165430000064
的特征值λi与相对应的特征值ρi，λi是
Figure RE-GDA0003277165430000065
的第i个特征值，满足
Figure RE-GDA0003277165430000066
式中I为单位矩阵。
4)由累计贡献率求出相对主元个数j，具体公式如下：
Figure RE-GDA0003277165430000067
5)计算矩阵T
T＝XP(Nj)＝(NM)(Mj)
矩阵T中包含的数据即为将超声波主要参数经相对主元算法转换后数据，这些数据之后将通过人工智能算法进行模式识别及回归处理。
3.反向传播神经网络BPNN
反向传播神经网络BPNN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是一种由输出层、隐层和输出层构成的多层神经网络，且同一层的神经元不存在相互连接，相邻两层的神经元两两相连。
BPNN训练时存在速度慢、易陷入局部最小值的缺陷，引入免疫算法(IA)在全局范围内找到使网络误差代价函数最小的权值矢量。
4.免疫算法IA
免疫算法是一种确定性和随机性选择相结合并具有勘测与开采能力的启发式随机搜索算法，它被认为是对自适应免疫应答中体液免疫的简单模拟，这种应答过程通过抗体学习抗原来完成。克隆选择使亲和力较高的抗体被确定性地选择参与进化，细胞克隆使亲和力较高的抗体依据其亲和力进行繁殖克隆细胞，其中部分克隆作为记忆细胞更新记忆池，即记忆细胞演化，其余克隆参与进化。亲和突变使克隆依据其母体的亲和力按可变概率进行变异，克隆抑制消除相同、相似及亲和力低端克隆，免疫选择使母体群参与克隆群竞争并按概率选择存活的母体或克隆，募集新成员则随机产生自我抗体插入抗体群维持群体自身平衡。
免疫算法流程如图2所示，由以下几个步骤组成：
1)定义抗原：将需要解决的问题抽象成符合免疫系统处理的抗原形式，抗原识别则对应为问题的求解。
2)产生初始抗体群体：将抗体的群体定义为问题的解，抗体与抗原之间的亲和力对应问题解的评估，亲和力越高，说明解越好。类似遗传算法，首先产生初始抗体群体，对应问题的一个随机解。
3)计算亲和力：计算抗原与抗体之间的亲和力。
4)抗体产生的促进和抑制：与抗原有较大亲和力的抗体优先得到繁殖，抑制浓度过高的抗体，淘汰低亲和力的抗体。采用类似遗传算法中的交叉、变异操作繁殖新的抗体并随机产生新的抗体来代替被淘汰的抗体。
5)评估新的抗体群体：计算亲和力，若满足终止条件，则当前抗体群体则为问题的最佳解；若不满足终止条件，则重新更新抗体直到满足条件为止。
5.基于PCA-IA-BPNN的变压器油介损预测模型
免疫神经网络的思想是将神经网络的权值视为生物免疫系统的抗体，通过对其基因交叉、变异的进化操作和基于抗体浓度的调节操作，使基因不断优化，从而在全局范围内找到最佳抗体，即使网络误差代价函数最小的权值矢量。免疫算法优化BPNN过程如图3所示。
在建立基于BPNN的油中酸值预测模型前，必须对数据进行标准化处理，从而有效降低由于量纲差异、变量自身变异大小和数值大小对预测结果所造成的影响。首先对数据样本进行z-score标准化处理，在Matlab(2018a)仿真编译环境下对建立基于PCA-IA-BPNN的变压器油中酸值预测模型，基于PCA算法对超声波的242维数据进行PCA降维处理，得到对原始数据累积贡献率为99％的23维主元数据矩阵。再将该主元数据矩阵作为训练集训练BPNN。同时编写免疫算法IA参数优化程序，得到BPNN的最优参数。基于IA算法对训练数据进行BPNN最优参数寻优，寻优过程的回检诊断均方差如图4所示。基于PCA-IA-BPNN 的变压器油中酸值预测模型的最优隐层神经元个数为3，对应模型的回检诊断均方差达到最小，为0.036457，PCA-IA-BPNN变压器油中酸值预测模型迭代18次后，达到最优收敛精度 10-4.1。该变压器油中酸值BPNN预测模型的隐含层各神经元的阈值向量为： [1.88421102061644，-0.220326447756798，-1.18911130032834]，输出层神经元的阈值向量为：[30.3236209235620]。
本发明以620余台油浸式变压器绝缘油为数据集主要样本，其中变压器运行年限1年以下110组，投运1-5年120组，投运5-10年150组，投运10-20年120组，投运20年以上 120组，以其中610组为训练集，另外10组未参与训练的样品为预测集。采用变压器油多频超声波检测装置测试全620组油样的超声波数据，同时基于常规实验方法进行油样酸值测定。采用BPNN模型进行油样酸值及微水回归预测分析，以基于PCA降维后的23维多频超声波主元数据为BPNN的样本输入，以常规法测定的油样酸值及微水作为BPNN的目标输出，验证预测模型的有效性和准确性。
此外还构建了BPNN和PCA-BPNN预测模型与PCA-IA-BPNN预测模型进行对比，其各自的模型结构、迭代次数及收敛精度如表1所示。
表1三种油酸值预测模型结构、迭代次数及收敛精度
Figure RE-GDA0003277165430000081
用已选定的预测集样本对三种模型进行回归预测比较，BPNN模型、PCA-BPNN模型以及PCA-IA-BPNN模型的回归预测结果如图5所示。
为了定量分析本文提出的PCA-IA-BPNN模型的预测效果，引入平均绝对百分比误差 MAPE、均方根误差RMSE和相对误差perr这三个指标，对BPNN模型、PCA-BPNN模型以及PCA-IA-BPNN模型预测误差进行对比分析，其三种模型的误差结果如表2所示。
表2 BPNN模型、PCA-BPNN模型以及PCA-IA-BPNN模型的预测误差
Figure RE-GDA0003277165430000091
由表2可知，相对于BPNN预测模型和PCA-BPNN预测模型，PCA-IA-BPNN预测模型在RMSE、MAPE以及perr方面均有显著的提高，PCA-IA-BPNN预测模型的RMSE要比 PCA-BPNN预测模型低约0.0002，比BPNN预测模型低约0.0021；MAPE比PCA-BPNN预测模型低约7.71％，比BPNN预测模型低约14.61％；perr比PCA-BPNN预测模型低约0.0228，比BPNN预测模型低约0.0679。因此，表明本发明提出的PCA-IA-BPNN模型有较高的回归预测精度和可靠性。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于PCA-IA-BPNN的变压器油酸值检测方法，其特征在于：该方法包括以下步骤：
S1：多频超声波检测；
S2：主成分分析PCA；
S3：建立反向传播神经网络BPNN；
S4：免疫算法IA；
S5：建立基于PCA-IA-BPNN的变压器油介损预测模型。
2.根据权利要求1所述的一种基于PCA-IA-BPNN的变压器油酸值检测方法，其特征在于：所述S1具体为：
在由多频超声控制单元、多频超声传感器和数据分析单元组成的多频超声检测系统中，超声控制单元内安装多频超声波发射装置，控制着超声波的发射频率以及发射时间间隔；超声波发射装置内部连接至超声控制单元的多频超声信号输出接口，输出接口与多频超声传感器连接，传感器内部安装有超声发生器，用于产生超声束组；多频超声传感器内部还安装有两个用来接收超声信号的超声接收器，并由DSP信号处理电路传输到上位机的测量软件，最后测量软件计算出信号的原始参数，包括振幅、相位以及声速；多频超声检测系统的信号频率为600kHz-1000kHz，中心频率约为750kHz；T1和T2是两个超声接收器；系统工作时，超声发射器发出超声波信号；信号首先在基准介质和测量室之间的接口处反射，反射回的信号由接收器T1接收，另一部分超声信号通过接口继续传输到接收器T2，最后经由T2传输的信号再次反射并传回T1。
3.根据权利要求2所述的一种基于PCA-IA-BPNN的变压器油酸值检测方法，其特征在于：所述超声发射器的发射时间间隔为20s，每次发出20个不同频率的超声波信号，接收器接收到的L1、L2和L3分别包含主频率对应的幅值20维、偏移频率对应的幅值20维、主频率对应的相位20维、偏移频率对应的相位20维，加上飞行时间与飞行速度，每组样本共得到一个242维的超声波数据。
4.根据权利要求3所述的一种基于PCA-IA-BPNN的变压器油酸值检测方法，其特征在于：所述S2具体为：
S21：将检测得到的多频超声波信号按频率分为N个样本数据，N>100，每个样本数据中含有M个数据，包含每次接收超声波的幅值、相位、频率以及飞行时间特征信息；利用下式对这些数据进行标准化，标准化后数据均值为0，方差为1；
Figure FDA0003187498180000021
其中，XR为X经变换矩阵Q计算后的矩阵，Q变换矩阵，Qi为权重系数；
S22：计算相对化矩阵XR的协方差矩阵
Figure FDA0003187498180000022
Figure FDA0003187498180000023
S23：求解协方差矩阵
Figure FDA0003187498180000024
的特征值λi与相对应的特征值ρi，λi是
Figure FDA0003187498180000025
的第i个特征值，满足：
Figure FDA0003187498180000026
式中I为单位矩阵；
S24：由累计贡献率求出相对主元个数j，具体公式如下：
Figure FDA0003187498180000027
S25：计算矩阵T
T＝XP(Nj)＝(NM)(Mj)
矩阵T中包含的数据为将超声波主要参数经相对主元算法转换后数据，之后将通过人工智能算法进行模式识别及回归处理。
5.根据权利要求4所述的一种基于PCA-IA-BPNN的变压器油酸值检测方法，其特征在于：所述S3具体为：
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由输出层、隐层和输出层构成的多层神经网络，且同一层的神经元不存在相互连接，相邻两层的神经元两两相连。
6.根据权利要求5所述的一种基于PCA-IA-BPNN的变压器油酸值检测方法，其特征在于：所述S5具体为：
S41：定义抗原：将需要解决的问题抽象成符合免疫系统处理的抗原形式，抗原识别则对应为问题的求解；
S42：产生初始抗体群体：将抗体的群体定义为问题的解，抗体与抗原之间的亲和力对应问题解的评估，亲和力越高，说明解越好；产生初始抗体群体，对应问题的一个随机解；
S43：计算亲和力：计算抗原与抗体之间的亲和力；
S44：抗体产生的促进和抑制：与抗原有较大亲和力的抗体优先得到繁殖，抑制浓度过高的抗体，淘汰低亲和力的抗体；采用类似遗传算法中的交叉、变异操作繁殖新的抗体并随机产生新的抗体来代替被淘汰的抗体；
S45：评估新的抗体群体：计算亲和力，若满足终止条件，则当前抗体群体则为问题的最佳解；若不满足终止条件，则重新更新抗体直到满足条件为止。
7.根据权利要求6所述的一种基于PCA-IA-BPNN的变压器油酸值检测方法，其特征在于：所述S6具体为：
首先对数据样本进行z-score标准化处理，在Matlab仿真编译环境下对建立基于PCA-IA-BPNN的变压器油中酸值预测模型，基于PCA算法对超声波的242维数据进行PCA降维处理，得到对原始数据累积贡献率为99％的23维主元数据矩阵；再将该主元数据矩阵作为训练集训练BPNN；同时编写免疫算法IA参数优化程序，得到BPNN的最优参数；
基于IA算法对训练数据进行BPNN最优参数寻优；
基于PCA-IA-BPNN的变压器油中酸值预测模型的最优隐层神经元个数为3，对应模型的回检诊断均方差达到最小，为0.036457，PCA-IA-BPNN变压器油中酸值预测模型迭代18次后，达到最优收敛精度10-4.1；
变压器油中酸值BPNN预测模型的隐含层各神经元的阈值向量为：[1.88421102061644，-0.220326447756798，-1.18911130032834]，输出层神经元的阈值向量为：[30.3236209235620]。
CN202110865953.4A 2021-07-29 2021-07-29 一种基于pca-ia-bpnn的变压器油酸值检测方法 Active CN113588777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110865953.4A CN113588777B (zh) 2021-07-29 2021-07-29 一种基于pca-ia-bpnn的变压器油酸值检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110865953.4A CN113588777B (zh) 2021-07-29 2021-07-29 一种基于pca-ia-bpnn的变压器油酸值检测方法

Publications (2)

Publication Number Publication Date
CN113588777A true CN113588777A (zh) 2021-11-02
CN113588777B CN113588777B (zh) 2024-06-21

Family

ID=78251980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110865953.4A Active CN113588777B (zh) 2021-07-29 2021-07-29 一种基于pca-ia-bpnn的变压器油酸值检测方法

Country Status (1)

Country Link
CN (1) CN113588777B (zh)

Also Published As

Publication number Publication date
CN113588777B (zh) 2024-06-21

Similar Documents

Publication Publication Date Title
Chen et al. Model‐based method with nonlinear ultrasonic system identification for mechanical structural health assessment
Sbarufatti et al. A numerically-enhanced machine learning approach to damage diagnosis using a Lamb wave sensing network
Ghunem et al. Artificial neural networks with stepwise regression for predicting transformer oil furan content
CN113568055B (zh) 一种基于lstm网络的航空瞬变电磁数据反演方法
CN109649432B (zh) 基于导波技术的云端平台钢轨完整性监测系统及方法
CN107657287A (zh) 一种变压器油酸值多频超声波测试回归预测方法
Djemana et al. Using electromechanical impedance and extreme learning machine to detect and locate damage in structures
Ai et al. A transfer learning approach for acoustic emission zonal localization on steel plate-like structure using numerical simulation and unsupervised domain adaptation
US20230048665A1 (en) Two-stage frequency selection method and device for microwave frequency sweep data
CN115542099B (zh) 一种在线gis局部放电检测方法和装置
Farias et al. A damage detection method using neural network optimized by multiple particle collision algorithm
CN102128880A (zh) 一种裂纹形状反演方法
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
Zhang et al. THz Wave Detection of Gap Defects Based on a Convolutional Neural Network Improved by a Residual Shrinkage Network
CN113588777A (zh) 一种基于pca-ia-bpnn的变压器油酸值检测方法
CN113109666A (zh) 一种基于深度卷积神经网络的轨道电路故障诊断方法
CN116244600A (zh) 一种gis间歇性放电模式识别模型的构建方法、系统及设备
Jia et al. Quantitative recognition of electrical parameters of transformer oil based on nondestructive ultrasound and the combined KPCA-WOA-Elman neural network
CN109063928B (zh) 一种变压器油密度预测模型建模方法和装置
Xin et al. Research on transformer oil kinematic viscosity detection method based on IWOA-RBF and multi-frequency ultrasonic technology
Xi et al. Classification of multiple power quality disturbances based on continuous wavelet transform and lightweight convolutional neural network
Sun et al. Lamb wave and GA-BP neural network based damage identification for wind turbine blade
Zang et al. An optical partial discharge localization method based on simulation and machine learning in GIL
CN117743981A (zh) 一种基于随机森林模型的变压器油击穿电压预测方法
Sun et al. Quantification of defects with point-focusing shear horizontal guided wave EMAT using deep residual network

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