CN114577991A - 一种改进蝠鲼算法优化bp的变压器故障诊断方法 - Google Patents
一种改进蝠鲼算法优化bp的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN114577991A CN114577991A CN202210208386.XA CN202210208386A CN114577991A CN 114577991 A CN114577991 A CN 114577991A CN 202210208386 A CN202210208386 A CN 202210208386A CN 114577991 A CN114577991 A CN 114577991A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- fault diagnosis
- population
- foraging
- manta ray
- 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 72
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 241001471424 Manta birostris Species 0.000 title claims abstract description 49
- 238000002474 experimental method Methods 0.000 claims abstract description 47
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 230000000052 comparative effect Effects 0.000 claims abstract description 5
- 230000002431 foraging effect Effects 0.000 claims description 60
- 230000005484 gravity Effects 0.000 claims description 18
- 241001331491 Myliobatis californica Species 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 7
- 230000000739 chaotic effect Effects 0.000 claims description 6
- NFGXHKASABOEEW-LDRANXPESA-N methoprene Chemical class COC(C)(C)CCCC(C)C\C=C\C(\C)=C\C(=O)OC(C)C NFGXHKASABOEEW-LDRANXPESA-N 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 abstract description 4
- 238000011161 development Methods 0.000 description 14
- 239000007789 gas Substances 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000013021 overheating Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000544061 Cuculus canorus Species 0.000 description 1
- 241000211181 Manta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- -1 hydrogen Chemical class 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Combustion & Propulsion (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种改进蝠鲼算法优化BP的变压器故障诊断方法，它包括：将变压器故障释放出的H2,CH4,C2H4,C2H2和CH4气体含量的三对比值C2H2/C2H4、CH4/H2和C2H4/C2H6作为BP网络的输入，故障类别为输出，利用logistic映射与反向学习融合的多阶段算法、正交实验法改进蝠鲼算法取代传统的反向传播法，为BP网络模型赋予网络权值及偏置参数，建立基于改进蝠鲼算法的故障诊断模型进行故障诊断；解决了现有技术对油浸式变压器故障诊断存在的传统BP网络存在容易陷入局部最优问题，粒子群算法本身存在着容易早熟，收敛速度慢的缺陷等技术问题。
Description
技术领域
本发明属于变压器故障诊断技术，尤其涉及一种改进蝠鲼算法优化BP的变压器故障诊断方法。
背景技术
变压器作为电力系统中重要的电力设备，承担着电力系统的输配电任务。而变压器在运行过程中难免存在潜伏性故障，一旦潜伏性故障未被发觉，故障将会进一步扩大，从而对电力系统带来巨大的经济损失以及安全隐患甚至安全事故。变压器油中溶解气体分析方法(DGA)是利用变压器油中溶解气体的信息判断变压器健康状况的重要手段，其中，IEC三比值法以及国内三比值法等都是在动力学及热力学的基础上总结出来的故障诊断方法，其基本思想是利用油中溶解气体的三对比值的编码来判断故障状况。但大量的实际案例分析发现，三比值法存在编码不足，编码过于绝对等问题，从而限制了该方法的诊断效率。
近年来，各种智能算法被提出，基于这些智能算法的变压器故障诊断方法也由此产生。这些诊断方法相比传统方法而言，虽在一定程度上提高了变压器的故障诊断率，但同时这些故障诊断模型都存在一定的缺陷。使用布谷鸟算法寻求支持向量机的最优参数建立故障诊断模型，该模型泛化能力强，收敛速度快，但模型核函数选择困难。使用蝙蝠算法(BA)优化最小二乘双支持向量机(LS-TSVM)建立变压器故障诊断模型，模型收敛速度快，但容易陷入局部最优。利用遗传算法(GA)优化XGBoost变压器故障诊断模型的参数，有效地提高了模型的诊断效果，但遗传算法本身对初始种群具有一定的依赖性，从而限制模型的诊断能力。传统BP网络易陷入局部最优解问题，粒子群算法本身存在着容易早熟，收敛速度慢的缺陷。
发明内容
本发明要解决的技术问题：提供一种改进蝠鲼算法优化BP的变压器故障诊断方法，以解决现有技术对油浸式变压器故障诊断存在的传统BP网络存在容易陷入局部最优问题，粒子群算法本身存在着容易早熟，收敛速度慢的缺陷等技术问题。
本发明技术方案：
一种改进蝠鲼算法优化BP的变压器故障诊断方法，它包括：将变压器故障释放出的H2,CH4,C2H4,C2H2和CH4气体含量的三对比值C2H2/C2H4、CH4/H2和C2H4/C2H6作为BP网络的输入，故障类别为输出，利用logistic映射与反向学习融合的多阶段算法、正交实验法改进蝠鲼算法取代传统的反向传播法，为BP网络模型赋予网络权值及偏置参数，建立基于改进蝠鲼算法的故障诊断模型进行故障诊断。
所述BP网络加快算法收敛速度以及防止模型陷入局部最优。
所述利用logistic映射与反向学习融合的多阶段算法、正交实验法改进蝠鲼算法取代传统的反向传播法，为BP网络模型赋予网络权值及偏置参数，建立基于改进蝠鲼算法的故障诊断模型进行故障诊断具体包括：
步骤1、利用logistic映射及反向学习(OBL)融合的多阶段算法初始化种群；
步骤2、根据L9(34)正交表实验号，为MRFO算法提供R、N、S参数组合，改进MRFO算法；
步骤3、将变压器故障样本分为训练样本及测试样本，利用训练样本及初始化种群建立BP分类模型；
步骤4、计算模型适应度值，若满足要求，则记录下此次实验参数及实验结果；若不满足，返回步骤2中的改进MRFO算法中进行迭代求解；
步骤5、利用步骤4中记录的正交实验数据进行结果分析，确定MRFO算法参量(R、N、S)最佳取值，进而建立基于多阶段算法及正交实验法改进的MRFO—BP变压器故障诊断模型；
步骤6、使用改进的MRFO—BP变压器故障诊断模型对变压器测试数据进行故障诊断。
步骤1所述利用logistic映射为：
Logistic映射是典型的一种混沌映射，数学表达式为：
XK+1＝μ(1-XK)
上式给出了迭代K次时的种群Xk和下一次种群Xk+1的递推式，其中，K为迭代次数，初始种群
μ∈[0,4]，当μ取3.99时，Logistic映射达到混沌效果。
所述利用反向学习(OBL)融合的多阶段算法初始化种群的方法为：在利用Logistic映射生成初始种群后，利用反向学习策略opposition based learning筛选出N个初始种群；Logistic映射与反向学习(OBL)结合的多阶段种群初始化算法的步骤包括：
步骤1.1、利用Logistic映射生成N个体，组成原始种群N1；
步骤1.2、为每个个体利用式10找出反向解，组成反向种群N2；
式中
为初始个体
的反向个体；
步骤1.3、将原始种群和反向种群合并，计算适应度值，选取适应度最小的前N个个体组成最终的初始种群。
步骤2所述根据L9(34)正交表实验号，为MRFO算法提供R、N、S参数组合，改进MRFO算法的方法为：将正交实验法应用于蝠鲼算法当中，利用正交实验法优选蝠鲼算法分配策略参数。
所述改进MRFO算法具体包括：
步骤2.1、先将三因素进行水平化：
R水平化
R取值为0到1，为连续水平因素，数值大小决定在迭代寻优中链式觅食或气旋觅食的比重；
R＝0.5时表示链式觅食或气旋觅食的比重相同；R<0.5时表示链式觅食的比重大于气旋觅食；R>0.5时,气旋觅食的比重大于链式觅食；将R分为三个水平，
当R＝0.25时，为水平1；
当R＝0.5时，为水平2；
当R＝0.75时，为水平3；
C水平化
将N限制在一定范围内，
当N＝1/2时，为水平1；
当N＝1时，为水平2；
当N＝2时，为水平3；
S水平化
将S设置为三个等级，
当S＝1/2时，为水平1；
当S＝1时，为水平2；
当S＝2时，为水平3；
步骤2.2、正交实验安排：
指标经过水平化处理后，问题转变为三因素三水平问题，
表1：L9(34)正交表
选取L9(34)正交表，见表1。
BP网络的输入层神经元设置为3，隐藏层层数设置为5，输出层神经元设置为5；设置适应度函数为平均绝对误差(MAE)，表达式如下：
利用改进的蝠鲼算法训练网络，其中logistic映射与反向学习融合的多阶段算法中，设置初始种群大小N为50，蝠鲼算法的迭代次数T设置为500。在对模型进行训练时，需要对故障进行编码，
表3故障编码
编码结果如表3所示。
本发明的有益效果：
本发明鉴于神经网络具有较强的非线性分类能力，利用BP神经网络建立变压器故障诊断模型，针对传统BP神经网络存在容易陷入局部最优问题，本发明采用蝠鲼算法强大的全局寻优能力优化BP网络参数。针对蝠鲼算法作为元启发式优化算法同样依赖于初始解的性能问题，对此，本发明融合了混沌理论与反向学习(OBL)方法为蝠鲼算法提供一组优质的初始解，加快算法的收敛速度以及收敛性能。同时，在应用元启示算法寻优时，算法本身的参数往往趋向于选择经验值，从而限制了算法在特定问题上的寻优效果，本发明为提高蝠鲼算法在变压器故障诊断问题上的能力，利用正交实验法优化蝠鲼算法三种觅食策略(链式觅食、气旋觅食、翻筋斗觅食)的比重，调节蝠鲼群体的全局探索和局部开发能力。
由于故障产生的能量使得变压器油等绝缘物质发生分解，释放出H2,CH4,C2H4,C2H2,CH4等特征气体，利用特征气体的相关信息可有效地预测变压器的故障类型。
本发明将故障释放出的H2,CH4,C2H4,C2H2,CH4气体含量的三对比值(C2H2/C2H4、CH4/H2、C2H4/C2H6)作为BP网络的输入，故障类别为输出，同时加快算法收敛速度以及防止模型陷入局部最优，利用logistic映射与反向学习融合的多阶段算法、正交实验法改进蝠鲼算法取代传统的反向传播法，为BP网络模型赋予网络权值及偏置参数，建立基于改进蝠鲼算法的故障诊断模型。
解决了现有技术对油浸式变压器故障诊断存在的传统BP网络存在容易陷入局部最优问题，粒子群算法本身存在着容易早熟，收敛速度慢的缺陷等技术问题。
附图说明
图1为本发明流程示意图；
图2为本发明正交实验结果分析及变压器故障诊断模型建立流程示意图。
具体实施方式
在油浸式变压器在运行过程中难免存在潜伏性故障，主要分为过热及放电故障。由于故障产生的能量使得变压器油等绝缘物质发生分解，释放出H2,CH4,C2H4,C2H2,CH4等特征气体，本发明利用特征气体的相关信息可有效地预测变压器的故障类型。
BP神经网络作为一种典型的神经网络模型，广泛用于各个领域的分类预测问题。本发明将故障释放出的H2,CH4,C2H4,C2H2,CH4气体含量的三对比值(C2H2/C2H4、CH4/H2、C2H4/C2H6)作为BP网络的输入，故障类别为输出，同时加快算法收敛速度以及防止模型陷入局部最优，利用logistic映射与反向学习融合的多阶段算法、正交实验法改进蝠鲼算法取代传统的反向传播法，为BP网络模型赋予网络权值及偏置参数，建立基于改进蝠鲼算法的故障诊断模型。
算法的完整流程如下：
步骤1、利用logistic映射及反向学习(OBL)融合的多阶段算法初始化种群。
步骤2、根据L9(34)正交表实验号，为MRFO算法提供R、N、S参数组合，改进MRFO算法。
步骤3、将变压器故障样本分为训练样本及测试样本，利用训练样本及初始化种群建立BP分类模型。
步骤4、计算模型适应度值，若满足要求，则记录下此次实验参数及实验结果；若不满足，返回步骤2中的改进MRFO算法中进行迭代求解。
步骤5、利用步骤4中记录的正交实验数据进行结果分析，确定MRFO算法参量(R、N、S)最佳取值，进而建立基于多阶段算法及正交实验法改进的MRFO—BP变压器故障诊断模型。
步骤6、使用改进的MRFO—BP变压器故障诊断模型对变压器测试数据进行故障诊断。
蝠鲼算法(manta ray foraging optimization，MRFO)是Weiguo Zhao等人于2020年提出的仿生算法，其灵感来源于海洋生物蝠鲼。蝠鲼是一种体型较大的海洋生物，以大量的浮游生物为食，当蝠鲼群体在觅食时，会表现出三种奇特的觅食行为。当蝠鲼群体采用第一种觅食策略时，蝠鲼群体会依次地排成一列，这种排列方式有利于前面蝠鲼在错过食物时，其后的蝠鲼弥补前者的过失，此策略被称为链式觅食；第二种觅食策略(旋风觅食)，当蝠鲼检测到食物的浓度非常高时，蝠鲼群体将会聚集在一起用它们的尾部与头部呈螺旋状相连，从而形成一个螺旋顶点，过滤后的水向上移动到水面。这会把浮游生物拉进它们张开的嘴里；第三种觅食策略(翻筋斗觅食)，是不常见的觅食行为，但是极其有效的策略，当蝠鲼检测到食物时，蝠鲼会以食物为中心做一系列的随机、频繁的后空翻。
蝠鲼群体的三种觅食策略数学模型分别如下：
1)链式觅食：
i＝1时，
i＝2，3,...,N时，
其中，
为第i个蝠鲼在第t次迭代时在d维空间的位置。
为蝠鲼群体截止到目前在d维空间中找到的最优解，a为权重系数，r为0到1之间的随机数。
2)旋风觅食：
i＝1时，
i＝2，3,...,N时，
其中，β为旋风觅食系数，T,t分别为最大迭代次数与当前迭代次数。r1,r为0到1之间的随机数。
旋风觅食策略采用气旋特性可以高效地开发当前最优解附近区域，可有效地寻求当前最优解附近的更优解。若将当前最优解以参数空间中的随机位置取代，则气旋觅食可作为参数空间的探索策略使用，此时，数学模型为：
i＝1时，
i＝2，3,...,N时，
其中，
分别为d维参数空间的下界和上界。
为第t次迭代时，在参数空间随机生成的位置。
3)翻筋斗觅食：
其中，S为翻筋斗范围系数，r为0到1之间的随机数。
本发明采用Logistic映射与反向学习(OBL)结合的多阶段种群初始化算法
蝠鲼算法作为群智能算法同样对初始种群有着较高的要求，初始种群的好坏直接影响群智能算法全局寻优的能力。传统利用伪随机数生成器(pseudo-random numbergenerators,，PRNGS)生成的初始种群存在均匀性不足，尤其在高维空间中，缺陷更加暴露。混沌数生成器(chaotic number generator,CNGS)利用混沌理论产生的混沌种群在种群多样性，均匀程度，收敛性等性能上均优于PRNGS。Logistic映射是典型的一种混沌映射，其数学表达式为：
XK+1＝μ(1-XK) (9)
上式给出了迭代K次时的种群Xk和下一次种群Xk+1的递推式，其中，K为迭代次数，初始种群
μ∈[0,4]，当取3.99时，Logistic映射达到混沌效果。
本发明为加快算法的收敛速度，在利用Logistic映射生成初始种群后，进一步利用反向学习策略(opposition based learning，OBL)筛选出N个初始种群。Logistic映射与反向学习(OBL)结合的多阶段种群初始化算法的步骤如下：
1)利用Logistic映射生成N个体，组成原始种群N1；
2)为每个个体利用式10找出反向解，组成反向种群N2；
其中，
为初始个体
的反向个体。
3)最后，将原始种群和反向种群合并，计算适应度值，选取适应度较小的前N个个体组成最终的初始种群。
本发明蝠鲼算法的探索与开发分配策略优化
传统的蝠鲼算法的三种觅食策略之间的分配规则是:
1)链式觅食与气旋觅食均分，比重为1：1；
2)在气旋觅食中使用
与当前给定的随机数rand进行比较决定气旋觅食用来探索还是开发。当Coef＞rand时，气旋觅食用于开发；Coef≤rand时，气旋觅食用于探索；易知，气旋觅食策略前期主要用于探索，后期开发。
3)翻筋斗觅食策略用于在迭代结束后寻得的最优解进行深度开发，其中翻筋斗参数S取值为2。
传统蝠鲼算法的三种觅食策略分配规则较为固定，难以在不同工程实际问题的寻优中积极主动地调节探索与开发比重，限制了算法在专业问题上的寻优效果。为解决上述问题，本发明对传统蝠鲼算法的三种觅食策略分配规则进行如下优化：
1)引入R参数决定链式觅食与气旋觅食的比重，当R＝0.5时，对应未优化前的规则；当R＜0.5时，链式觅食的比重大于气旋觅食；当R＞0.5时，气旋觅食的比重大于链式觅食。
2)改进Coef，提出C：
当C＞rand，气旋觅食用于开发；
当C≤rand，气旋觅食用于探索；
从C的表达式可知，coef对应着N＝1时的情形，此时蝠鲼群体盲目地均匀分配开发和探索比重，对于特定的问题而言，该盲目性地分配比重极大地限制群体的寻优能力。而改进后的C较coef而言，可通过N的取值，改变气旋觅食用于探索和开发的比重，从而满足专业问题对探索与开发的要求。
3)翻筋斗算法中S为重要参数，S的取值决定了个体在当前最优解附近的开发能力。
本发明利用正交实验法优化蝠鲼算法
蝠鲼算法分配策略指标水平化
通过对蝠鲼算法的探索和开发分配规则进行优化后，有效地提高了该算法处理任何问题的专业能力。然而R,C,以及S的不同取值都将会对寻优能力产生影响，如何找到三者的最佳取值成为棘手问题。
正交实验法是机械领域的一种高效的工艺参数优化方法，通过正交实验法可快速获得高指标、优参数。本发明将正交实验法应用于蝠鲼算法当中，利用正交实验法优选蝠鲼算法分配策略参数。
利用正交实验法可有效减少试验次数，高效选择最佳因素水平组合。由于三因素的水平非离散，非有限，故先将三因素进行水平化：
1)R水平化
R取值为0到1，为连续水平因素，其数值大小决定在迭代寻优中链式觅食或气旋觅食的比重。
R＝0.5时表示链式觅食或气旋觅食的比重相同；R<0.5时表示链式觅食的比重大于气旋觅食；R>0.5时,气旋觅食的比重大于链式觅食。将R分为三个水平，
当R＝0.25时，为水平1；
当R＝0.5时，为水平2；
当R＝0.75时，为水平3；
2)C水平化
C因素中N的取值较多，但N过小，气旋觅食将大量舍弃探索能力；N过大，气旋觅食将过度抛弃开发能力，因此将N限制在一定范围内，本发明参考
当N＝1/2时，为水平1；
当N＝1时，为水平2；
当N＝2时，为水平3；
3)S水平化
S的取值大小决定了翻筋斗的范围，也反映了对区域的利用程度，S的取值不同对适应度函数的解值有很大关系。
将S设置为三个等级，
当S＝1/2时，为水平1；
当S＝1时，为水平2；
当S＝2时，为水平3；
3.3.2正交实验安排
指标经过水平化处理后，问题转变为三因素三水平问题，选取L9(34)正交表。
表1 L9(34)正交表
本发明选择IEC TC 10故障数据进行实例分析，数据共118条，选取其中93条数据作为训练数据，剩下25条作为测试数据；118组变压器数据包括高能放电、低能放电、中低温过热、高温过热、正常数据。详细的数据分布如下表2：
表2训练数据、测试数据分布
BP网络的输入层神经元设置为3，隐藏层层数设置为5，输出层神经元设置为5；设置适应度函数为平均绝对误差(MAE)，表达式如下：
利用改进的蝠鲼算法训练网络，其中logistic映射与反向学习融合的多阶段算法中，设置初始种群大小N为50，蝠鲼算法的迭代次数T设置为500。在对模型进行训练时，需要对故障进行编码，编码结果如表3所示。
表3故障编码
利用L9(34)正交表设置9次实验，对应的实验结果如表4：
表4利用L9(34)表进行的正交实验结果
其中，Ti行j列给出了在因素j在水平i下的三次试验适应度值之和，其均值Tij列于Mij位置。极差mj反映了j因素对适应度值的影响度。通过正交实验中结果分析；
由正交实验的结果分析绘制适应度值与各因素的关系图通过正交实验中结果分析可知：
(1)S值越大，适应度值越小，这与理论背景(S越大，个体翻筋斗的范围越大)是吻合的，S＝2效果最好，还应探索S更大的情况，但S越大迭代时间也会变长，故不宜过度增大。
(2)N取1时(传统蝠鲼算法N的取值)，适应度值最大，反映了对于不同问题，应考虑探索和开发面积的比重，来提高蝠鲼算法处理各类问题的能力。
(3)R取值为0.5时，适应度值最小，表明链式觅食与气旋觅食的比重相同。
(4)对适应度值影响的因素主次关系由图和极差可知：S>N>R。从理论分析原因在于：S的值直接决定了种群在最佳值附近区域的利用能力，而N和R的值通过调节探索面积和利用面积来调节寻得最优解的能力，相对与S的影响较小。
(5)综合结果，组合：R＝0.5,N＝2,S＝2时的适应度值最小。
从正交实验中可以看出，蝠鲼算法的最佳参数组合应为R＝0.5,N＝2,S＝2，而正交实验中未进行此参数设置的实验。因此设置蝠鲼算法参数R＝0.5,N＝2,S＝2，其他实验条件不变，进行了实验。
分别给出了蝠鲼算法参数R＝0.5,N＝2,S＝2下的适应度收敛曲线和测试数据分类准确率。在93条数据作为测试数据，改进的蝠鲼算法迭代500次后，平均绝对误差(MAE)在0.25155，小于前9次正交实验所得的适应度值，说明了利用正交实验法优化后，得到了最优的解。
类别1到5分别指代低温过热、高能放电、中低温过热、高温过热及正常。训练出的故障诊断模型在25条测试数据中诊断准确率达到84％。其中，低温过热5条数据3条数据诊断正确，高能放电数据10条诊断正确9条，中低温过热数据3条诊断正确2条，高温过热及正常数据全部诊断无误。将本次实验得到的与表4对比可知，通过正交实验法选取的参数优化的模型准确率达到最高，说明了利用正交实验法优化模型的方法可以显著地提高模型的故障诊断能力，是一种积极有效的方法。
为说明本发明提出的模型的有效性，本发明将传统BPNN网络、传统MRFO优化BP网络(MRFO-BP)、三比值法以及本发明提出的改进MRFO-BP网络进行了实验结果对比，比较结果如下表所示。
表4本发明与其他算法准确率对比
从表4中分析可知，传统的BPNN为68％，三比值法为60％，MRFO-BP为76％，本发明提出的改进MRFO-BP模型准确率最高，达到84％，明显优于其他模型，尤其相比三比值法而言，诊断率提高了24％。实验结果表明，本发明提出的利用多阶段算法及正交实验法优化的BP网络模型能够明显提高变压器故障诊断的正确率，为积极有效的诊断方法。
Claims (8)
1.一种改进蝠鲼算法优化BP的变压器故障诊断方法，其特征在于：它包括：将变压器故障释放出的H2,CH4,C2H4,C2H2和CH4气体含量的三对比值C2H2/C2H4、CH4/H2和C2H4/C2H6作为BP网络的输入，故障类别为输出，利用logistic映射与反向学习融合的多阶段算法、正交实验法改进蝠鲼算法取代传统的反向传播法，为BP网络模型赋予网络权值及偏置参数，建立基于改进蝠鲼算法的故障诊断模型进行故障诊断。
2.根据权利要求1所述的一种改进蝠鲼算法优化BP的变压器故障诊断方法，其特征在于：所述BP网络加快算法收敛速度以及防止模型陷入局部最优。
3.根据权利要求1所述的一种改进蝠鲼算法优化BP的变压器故障诊断方法，其特征在于：所述利用logistic映射与反向学习融合的多阶段算法、正交实验法改进蝠鲼算法取代传统的反向传播法，为BP网络模型赋予网络权值及偏置参数，建立基于改进蝠鲼算法的故障诊断模型进行故障诊断具体包括：
步骤1、利用logistic映射及反向学习(OBL)融合的多阶段算法初始化种群；
步骤2、根据L9(34)正交表实验号，为MRFO算法提供R、N、S参数组合，改进MRFO算法；
步骤3、将变压器故障样本分为训练样本及测试样本，利用训练样本及初始化种群建立BP分类模型；
步骤4、计算模型适应度值，若满足要求，则记录下此次实验参数及实验结果；若不满足，返回步骤2中的改进MRFO算法中进行迭代求解；
步骤5、利用步骤4中记录的正交实验数据进行结果分析，确定MRFO算法参量(R、N、S)最佳取值，进而建立基于多阶段算法及正交实验法改进的MRFO—BP变压器故障诊断模型；
步骤6、使用改进的MRFO—BP变压器故障诊断模型对变压器测试数据进行故障诊断。
4.根据权利要求3所述的一种改进蝠鲼算法优化BP的变压器故障诊断方法，其特征在于：步骤1所述利用logistic映射为：
Logistic映射是典型的一种混沌映射，数学表达式为：
XK+1＝μ(1-XK)
上式给出了迭代K次时的种群Xk和下一次种群Xk+1的递推式，其中，K为迭代次数，初始种群
μ∈[0,4]，当μ取3.99时，Logistic映射达到混沌效果。
5.根据权利要求3所述的一种改进蝠鲼算法优化BP的变压器故障诊断方法，其特征在于：所述利用反向学习(OBL)融合的多阶段算法初始化种群的方法为：在利用Logistic映射生成初始种群后，利用反向学习策略opposition based learning筛选出N个初始种群；
Logistic映射与反向学习(OBL)结合的多阶段种群初始化算法的步骤包括：
步骤1.1、利用Logistic映射生成N个体，组成原始种群N1；
步骤1.2、为每个个体利用式10找出反向解，组成反向种群N2；
式中
为初始个体
的反向个体；
步骤1.3、将原始种群和反向种群合并，计算适应度值，选取适应度最小的前N个个体组成最终的初始种群。
6.根据权利要求3所述的一种改进蝠鲼算法优化BP的变压器故障诊断方法，其特征在于：步骤2所述根据L9(34)正交表实验号，为MRFO算法提供R、N、S参数组合，改进MRFO算法的方法为：将正交实验法应用于蝠鲼算法当中，利用正交实验法优选蝠鲼算法分配策略参数。
7.根据权利要求6所述的一种改进蝠鲼算法优化BP的变压器故障诊断方法，其特征在于：所述改进MRFO算法具体包括：
步骤2.1、先将三因素进行水平化：
R水平化
R取值为0到1，为连续水平因素，数值大小决定在迭代寻优中链式觅食或气旋觅食的比重；
R＝0.5时表示链式觅食或气旋觅食的比重相同；R<0.5时表示链式觅食的比重大于气旋觅食；R>0.5时,气旋觅食的比重大于链式觅食；将R分为三个水平，
当R＝0.25时，为水平1；
当R＝0.5时，为水平2；
当R＝0.75时，为水平3；
C水平化
将N限制在一定范围内，
当N＝1/2时，为水平1；
当N＝1时，为水平2；
当N＝2时，为水平3；
S水平化
将S设置为三个等级，
当S＝1/2时，为水平1；
当S＝1时，为水平2；
当S＝2时，为水平3；
步骤2.2、正交实验安排：
指标经过水平化处理后，问题转变为三因素三水平问题，
表1：L9(34)正交表
选取L9(34)正交表，见表1。
8.根据权利要求3所述的一种改进蝠鲼算法优化BP的变压器故障诊断方法，其特征在于：BP网络的输入层神经元设置为3，隐藏层层数设置为5，输出层神经元设置为5；设置适应度函数为平均绝对误差(MAE)，表达式如下：
利用改进的蝠鲼算法训练网络，其中logistic映射与反向学习融合的多阶段算法中，设置初始种群大小N为50，蝠鲼算法的迭代次数T设置为500。在对模型进行训练时，需要对故障进行编码，
表3故障编码
编码结果如表3所示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210208386.XA CN114577991B (zh) | 2022-03-03 | 2022-03-03 | 一种改进蝠鲼算法优化bp的变压器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210208386.XA CN114577991B (zh) | 2022-03-03 | 2022-03-03 | 一种改进蝠鲼算法优化bp的变压器故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114577991A true CN114577991A (zh) | 2022-06-03 |
| CN114577991B CN114577991B (zh) | 2024-04-12 |
Family
ID=81773047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210208386.XA Active CN114577991B (zh) | 2022-03-03 | 2022-03-03 | 一种改进蝠鲼算法优化bp的变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114577991B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105353255A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
| CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
| CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 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 |
| CN113240067A (zh) * | 2021-05-14 | 2021-08-10 | 江苏科技大学 | 一种基于改进蝠鲼觅食优化算法的rbf神经网络优化方法 |
| CN113255871A (zh) * | 2021-05-11 | 2021-08-13 | 合肥宏晶微电子科技股份有限公司 | 路径规划方法、电子设备、计算机可读存储介质 |
| CN114091341A (zh) * | 2021-11-26 | 2022-02-25 | 江苏科技大学 | 一种基于igwo-bp的变压器故障诊断方法 |
-
2022
- 2022-03-03 CN CN202210208386.XA patent/CN114577991B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105353255A (zh) * | 2015-11-27 | 2016-02-24 | 南京邮电大学 | 一种基于神经网络的变压器故障诊断方法 |
| CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
| CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 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 |
| CN113255871A (zh) * | 2021-05-11 | 2021-08-13 | 合肥宏晶微电子科技股份有限公司 | 路径规划方法、电子设备、计算机可读存储介质 |
| CN113240067A (zh) * | 2021-05-14 | 2021-08-10 | 江苏科技大学 | 一种基于改进蝠鲼觅食优化算法的rbf神经网络优化方法 |
| CN114091341A (zh) * | 2021-11-26 | 2022-02-25 | 江苏科技大学 | 一种基于igwo-bp的变压器故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张英，徐龙舞 等: "基于智能算法的DGA 变压器故障诊断研究及决策树验证", 《电力大数据》, vol. 24, no. 11, pages 55 - 61 * |
| 李俊峰;: "基于循环神经网络和蝙蝠算法的变压器故障诊断", 电工技术, no. 20, pages 43 - 46 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114577991B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US9058564B2 (en) | Controlling quarantining and biasing in cataclysms for optimization simulations | |
| CN106650058B (zh) | 一种基于改进人工蜂群算法的协同电子干扰任务调度方法 | |
| CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
| Kumar et al. | Multi-objective hierarchical genetic algorithms for multilevel redundancy allocation optimization | |
| Chen et al. | Automatically constructing membership functions and generating fuzzy rules using genetic algorithms | |
| CN112232440B (zh) | 一种运用特异化神经元团实现脉冲神经网络信息记忆和区分的方法 | |
| CN116846565A (zh) | 一种基于saa-ssa-bpnn的网络安全态势评估方法 | |
| CN111126560A (zh) | 一种基于云遗传算法优化bp神经网络的方法 | |
| Wang et al. | Hybrid feature selection algorithm mRMR-ICA for cancer classification from microarray gene expression data | |
| CN110766125A (zh) | 一种基于人工鱼群算法的多目标武器——目标分配方法 | |
| CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
| CN108830292A (zh) | 数据分类模型优化方法及分类方法 | |
| De et al. | Fitness evaluation in genetic algorithms with ancestors’ influence | |
| CN113963410A (zh) | 一种基于改进遗传算法的人脸识别优化方法 | |
| CN114577991A (zh) | 一种改进蝠鲼算法优化bp的变压器故障诊断方法 | |
| CN105426959A (zh) | 基于bp神经网络与自适应mbfo算法的铝电解节能减排方法 | |
| CN116305939A (zh) | 陆地生态系统碳水通量高精度反演方法、系统及电子设备 | |
| CN115146702A (zh) | 一种变压器故障诊断方法、介质及系统 | |
| CN114971243A (zh) | 基于fnn对抗生成的二噁英排放风险预警模型构建方法 | |
| CN114169535A (zh) | 一种基于群体智能的工业物联网数据平台的异常检测算法 | |
| Khoshgoftaar et al. | Evolutionary data analysis for the class imbalance problem | |
| CN111756819A (zh) | 基于改进免疫遗传的物联网资源调度优化运行方法 | |
| Hu et al. | A classification surrogate model based evolutionary algorithm for neural network structure learning | |
| CN111813669A (zh) | 基于多目标群体智能的适应性随机测试用例生成方法 |
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 |