CN114742173A - 一种基于神经网络的变压器故障诊断方法及系统 - Google Patents

一种基于神经网络的变压器故障诊断方法及系统 Download PDF

Info

Publication number
CN114742173A
CN114742173A CN202210441628.XA CN202210441628A CN114742173A CN 114742173 A CN114742173 A CN 114742173A CN 202210441628 A CN202210441628 A CN 202210441628A CN 114742173 A CN114742173 A CN 114742173A
Authority
CN
China
Prior art keywords
population
fault diagnosis
operator
transformer fault
neural network
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
CN202210441628.XA
Other languages
English (en)
Inventor
程文姬
杨博
赵磊
吴琼
郗航
朱彬莎
王淑娟
牛凯
刘增博
康英
李太江
张瑞刚
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.)
Xian Thermal Power Research Institute Co Ltd
Original Assignee
Xian Thermal Power Research Institute 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 Xian Thermal Power Research Institute Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202210441628.XA priority Critical patent/CN114742173A/zh
Publication of CN114742173A publication Critical patent/CN114742173A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于神经网络的变压器故障诊断方法及系统，将变压器故障诊断结果作为目标对象，对目标对象进行编码，设定初始集群，淘汰更新新群体；选择每次计算的误差函数为适应度函数，初始计算每个群体的适应度种群，挑选新群体并淘汰老群体；以概率选择遗传算子，依次进行选择算子、交叉算子和变异算子，产生故障诊断结果。本发明可实现智能化诊断变压器故障类型和故障程度，有助于变压器故障的诊断，对工程实践具有有效的指导作用。

Description

一种基于神经网络的变压器故障诊断方法及系统
技术领域
本发明属于变压器故障诊断技术领域，具体涉及一种基于神经网络的变压器故障诊断方法及系统。
背景技术
在以往的变压器故障诊断中，一般采用特征气体的有编码形式进行处理后进行故障类型诊断，其结果可靠，而基于有编码比值操作本身的特性，由于故障数据本身具有模糊性，气体含量比值处于编码规则的相应边界时，容易出现误判，对应得出的故障气体的结论往往不能够得到人工修正，所以会出现诊断错误的情况。因此，对故障诊断处理不确定性的能力提出了要求。人工神经网络通过仿效人脑的结构和功能构成自学习自适应的动力学系统，以训练学习的方式适应外在环境，有推理和模糊识别的能力。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于神经网络的变压器故障诊断方法及系统，运用神经网络保证算法最优解样本以指数形式产生，为变压器故障搜索最优解提供基础，操作方便，诊断过程简单，准确性高、精度高，速度高。
本发明采用以下技术方案：
一种基于神经网络的变压器故障诊断方法，将变压器故障诊断结果作为目标对象，对目标对象进行编码，设定初始集群；选择每次计算的种群误差函数为适应度函数，初始计算每个群体的适应度种群，挑选新群体；以概率选择遗传算子，对挑选的新群体依次进行选择算子、交叉算子和变异算子操作，产生故障诊断结果。
具体的，采用实际故障样本分布的信息设计初始集群，初始集群中的平滑参数集σ为：
Figure BDA0003615131330000021
其中，g为比例系数，
Figure BDA0003615131330000022
为同类型数据样本最小间距的平均值。
具体的，对目标对象进行编码具体为：
采用浮点编码方法对变压器的基因值用范围值内的一个浮点数表示，各个基因编码长度等价于变压器故障的决策量的个数。
具体的，适应度函数Er为：
Figure BDA0003615131330000023
其中，Ei为变压器故障i适应度期望值，r为变压器故障种类个数，d(xi)为变压器故障的期望输出值，y(xi)为变压器故障的实际输出值。
具体的，选择算子中，选择群体的被选概率Pi具体为：
Figure BDA0003615131330000024
其中，fi表示关于群体i适应度的函数；M表示种群规模。
进一步的，种群规模M为30～150，遗传代数为150～600代。
具体的，交叉算子中，首先依照确定的交叉概率Pe在基因的一点或多点进行基因交换，随后产生新群体，其中任选产生初代网络中两个网络为父代群体。
进一步的，交叉概率Pe取值为0.4～0.99。
具体的，变异算子中，对群体的各个基因以变异概率Pm的点为变异点，在变异点对基因编码值取反或找等位基因编码替换，从而产生新的群体。
第二方面，本发明实施例提供了一种基于神经网络的变压器故障诊断系统，包括：
初始模块，将变压器故障诊断结果作为目标对象，对目标对象进行编码，设定初始集群；
计算模块，选择每次计算的种群误差函数为适应度函数，初始计算每个群体的适应度种群，挑选新群体；
诊断模块，以概率选择遗传算子，对挑选的新群体依次进行选择算子、交叉算子和变异算子，产生故障诊断结果。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于神经网络的变压器故障诊断方法，采用神经网络的方式进行变压器故障诊断，此方式收敛速度快、分类效果好、训练相对容易容错性高的特点，由于网络具有非线性分析的能力，可使得故障的样本空间映射出故障类别，具有更短的训练过程，基于这样的特点相较于其他诊断方法效率更高。将变压器故障诊断结果作为目标对象，对目标对象进行编码，设定初始集群，淘汰更新新群体，用于新一代的遗传算子；选择每次计算的种群误差函数为适应度函数，初始计算每个个体的适应度种群，挑选新个体并淘汰老个体；以概率选择遗传算子，对挑选的新个体依次进行选择算子、交叉算子和变异算子，产生故障诊断结果。
进一步的，在设计初始种群时，选取最能体现故障类的最大信息量，使选取结果最接近实际值，采用实际故障样本分布的信息设计初始集群，可以保证收敛速度。
进一步的，“二进制编码”采用0,1组成的编码方法，编码原则为令字符串集的最小，由二进制编码符号串组成个体基因，可对实际值进行离散化后得到编码，由于编码符号仅有0,1组成所以编码与解码操作直观简单，便于对各算法进行理论分析。编码长度足够长，则精度可以保证，而编码过长时搜索空间也会随之增加则不利于反应优化问题的属性。“浮点数编码”是将所有个体基因值用范围值内的一一个浮点数表示，各个编码长度等价于目标问题的决策量的个数。
进一步的，设置适应度函数对种群进行挑选优化，选取更优质的种群，使模型计算结果更贴近实际的最佳值，利用遗传算法优化平滑参数过程，首先计算出给定训练样本数据中,求得同类型故障的最小间距平均值的集合，产生初代集群并利用种群编码,经过选择交叉变异三个遗传算子的操作后再解码，最终通过适应度函数得到最优平滑参数并确定网络模型。
进一步的，将选择遗传优良的基因给子代集群的个体中,在老的集群中采用优胜略汰的方式保留优良个体，通过重复繁衍优良个体使得种群适应度得到提升,是一种建立在对个体适应度评价的基础上进行的。“选择算子”可以对子代集群进行选择，首先需要向目标集群求和，将独立个体适应度相加，再分别求得各相对适应度，得出每个个体向下一子代的遗传概率，利用轮盘进行选择操作，确定好每个独立单元的被选拔次数。
进一步的，种群规模体现了集群中个体的数量,选择规模大小影响最终结果表现的特质，选择过小不能满足全局性考虑，选择过大时对处理能力及完成效率提出了更高要求，一般选取30～150为宜；遗传代数方面由于集群在进化过程中，在遗传进化到一定代数时基因具有相似性,所以进化到一定代数就可以停止分析，一般在150～600代。
进一步的，为提供更多的子代个体，在遗传算法中通过交叉算子产生新的个体，“交叉算子”是应用仿生学中两染色体的部分基因调换重组产生新基因体的特性。首先依照确定的交叉概率Pe在基因的一点或多点进行基因交换，随后产生新个体，其中任选产生初代网络中两个网络为父代个体。
进一步的，遗传算法中交叉概率Pm决定了基因染色体的产生速度，当交叉概率选择在总编码总长一半位置时，此时重新组建编码的速度最快，且具有全局代表性取值在0.4～0.99。
进一步的，遗传理论中变异概率能够对种群产生新个体产生积极作用，变异概率取值须在合理范围，取值过大会影响遗传进化破坏最优解的形成。变异算子中，对个体的各个基因以变异概率Pm的点为变异点，在变异点对基因编码值取反或找等位基因编码替换，从而产生新的个体。
综上所述，本发明运用神经网络算法，结合变压器运行数据与变压器特性进行变压器故障诊断，形成诊断方法，可实现智能化诊断变压器故障类型和故障程度，有助于变压器故障的诊断，对工程实践具有有效的指导作用。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为交叉过程示意图；
图2为变异过程示意图；
图3为本发明流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于神经网络的变压器故障诊断方法，通过将变压器故障诊断结果作为目标对象，对目标对象进行编码，在第一代种群在产生后逐步淘汰更新出新群体，引入适应度函数，挑选新群体并淘汰老群体，再经由遗传算子操作，经过交叉和变异两步，最终产生新的故障诊断结果，且更加适应于实际变压器故障。遗传操作包含两个研究依据即：积木假设原理及相关模式定理。积木块假设指出在遗传算子作用下，由适应度模式的改变产生最优解；模式定理保证算法最优解样本以指数形式产生，为全局搜索最优解提供基础。
请参阅图3，本发明一种基于神经网络的变压器故障诊断方法，适用于变压器故障诊断工作，包括以下步骤：
S1、设定初始集群
对不同故障类型的参数集σ'＝[σ1,σ2,…,σn]进行编码，设计初始集群时，采用实际故障样本分布的信息设计初始集群，保证收敛速度；当σ值在一定范围内时，用公式(1)决定；
Figure BDA0003615131330000071
其中，g为比例系数，
Figure BDA0003615131330000072
表示同类型数据样本最小间距的平均值
Figure BDA0003615131330000073
di表示两个样本向量之间的距离，两个样本分别是模式样本和类样本。
S2、参数的编码
采用浮点编码方法对变压器的基因值用范围值内的一个浮点数表示，各个编码长度等价于变压器故障的决策量的个数。
S3、设计适应度函数
适应度表示对环境的适应情况，生存环境，生存度高的集群，对环境适应度高，繁衍机会增加，相反则减少。
在神经网络中，利用函数对群体适应程度的高低作为评价机制，通过适应度来平价优化群体的适应程度，并给优秀解的集合更多繁衍机会。
集体评价流程：对目标问题表现型求解，对样本进行编码串的解码，通过计算将表现型求得对应目标函数值，针对不同问题和类型将目标函数作为衡量标准，依照转换原则求解出各群体的适应度。
选择每次计算的误差函数为适应度函数，计算方法如公式(2)：
Figure BDA0003615131330000074
其中，d(xi)为变压器故障的期望输出值，y(xi)为变压器故障的实际输出值。
S4、基本操作算子
遗传操作优化由三类算子构成，包括选择算子、交叉算子、变异算子。选择算子用于计算每一个遗传群体被遗传到下一代群体中的概率；交叉算子用于通过群体相交互换产生新的群体；变异算子用于通过对每一哥指定的扁一点，对其基因值用等位基因值来代替，产生新的群体，通过基本操作算子用于产生新一代群体。
“选择算子”是仿照生物学中将选择遗传优良的基因给子代集群的群体中，在老的集群中采用优胜略汰的方式保留优良群体，通过重复繁衍优良群体使得种群适应度得到提升，是一种建立在对群体适应度评价的基础上进行的。
首先向目标集群求和，将独立群体适应度相加，再分别求得各相适应度，得出每个群体向下一子代的遗传概率，利用轮盘进行选择操作，确定好每个独立单元的被选拔次数。
选择群体的被选概率为Pi，计算方法如公式(3)：
Figure BDA0003615131330000081
其中，fi表示关于群体i适应度的函数；M表示群体大小，适度高的群体与其被选概率呈正相关。
通常通过比例法选择算子，经过变换实现将目标函数转换为求函数极大值,规定目标。单个群体的适应度和解一定非负，此函数称为适应度函数。最终得出集群中遗传至下一代群体数量。
请参阅图1，“交叉算子”是应用仿生学中两染色体的部分基因调换重组产生新基因体的特性，在神经网络中通过交叉算子产生新的群体。首先依照确定的交叉概率Pe在基因的一点或多点进行基因交换，随后产生新群体，其中任选产生初代网络中两个网络为父代群体。
请参阅图2，“变异算子”是依照仿生学在自然进化过程中受一些因素影响使得基因复制时存在差异时产生的染色体。运用某染色体编码串上个别基因序列更替至其他基因上，达到产生新基因序列的作用，以此改善局部搜索能力,保证群体多样性。基本位变异算子是变异算子的常用算子，对群体的各个基因以变异概率的点为变异点，图2在变异点对基因编码值取反(0，1为一对相反值)或找等位基因编码替换，从而产生新的群体。
设定运行参数
参数设定主要包括种群规模M、遗传代数、交叉概率Pe、变异概率Pm几个方面。
①种群规模M体现集群中群体的数量,选择规模大小影响最终结果表现的特质，选择过小不能满足全局性考虑，选择过大时对处理能力及完成效率提出了更高要求，选取30～150；
②遗传代数方面由于集群在进化过程中，在遗传进化到一定代数时基因具有相似性，所以进化到一定代数就可以停止分析，在150～600代；
③神经网络中交叉概率是根据Pe＝m/Me得到的，m定义交叉基因的数量，概率值决定了基因染色体的产生速度，当交叉概率Pe选择在编码总长一半位置时，此时重新组建编码的速度最快，且具有全局代表性取值在0.4～0.99；
④遗传理论中变异概率能够对种群产生新群体产生积极作用，变异概率取值须在合理范围，取值过大会影响遗传进化破坏最优解的形成，其值由Pm＝B/M决定，B表示变异基因的数量，取值在0.0001～0.1。
遗传算法计算变压器故障最优解时，将总体数量不变的个体视为染色体，利用基因编码种群，通过集群体现出所有可能解的集合。运用一串数列对目标对象进行编码，使得目标对象从表现型向基因型的过渡，第一代种群在产生后逐渐淘汰更新出新群体，随后引入适应度函数，由设定的适应度函数挑选新个体并淘汰老个体,再经由遗传算子操作，经过交叉和变异两步,最终产生新群体，且更加适应于环境生存。
本发明再一个实施例中，提供一种基于神经网络的变压器故障诊断系统，该系统能够用于实现上述基于神经网络的变压器故障诊断方法，具体的，该基于神经网络的变压器故障诊断系统包括初始模块、计算模块以及诊断模块。
其中，初始模块，将变压器故障诊断结果作为目标对象，对目标对象进行编码，设定初始集群；
计算模块，选择每次计算的误差函数为适应度函数，初始计算每个群体的适应度种群，挑选新群体并淘汰老群体；
诊断模块，以概率选择遗传算子，对挑选的新群体依次进行选择算子、交叉算子和变异算子操作，产生故障诊断结果。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
根据某公司变压器数据库的故障气体统计，按照表1规定的9类故障分别取15组数据训练，得到优化概率神经网络模型再进行故障诊断，对比未经优化的平滑参数值在0.1，0.2，0.3时的诊断正确率并进行比较，最后统计的诊断结果如表2所示。
表1故障类型编码改写
Figure BDA0003615131330000101
表2故障诊断正确率比较
Figure BDA0003615131330000102
Figure BDA0003615131330000111
从上表仿真后统计鼓掌诊断正确结果的个数可以得出结论，平滑参数的值越小，对于故障诊断精度的提升效果越好，经过优化平滑参数后的网络诊断正确率更高，各种故障类型的诊断效果明显好于取经验值0.1时候的情况，优化后的平滑参数随着故障样本的变化而变化，所以故障诊断的正确率会相应增加。
综上所述，本发明一种基于神经网络的变压器故障诊断方法及系统，结合神经网络的优点，将“优胜劣汰，适者生存”的思想引入到优化变压器故障诊断编码串群体中，根据适应度函数和遗传中的选择、交叉、变异三种操作法进行优选操作，最终仅保留筛选出适应度良好的变压器故障结果，使得诊断的变压器故障在各代中均属于最优越类型且信息包含量、包容度更高。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于神经网络的变压器故障诊断方法，其特征在于，将变压器故障诊断结果作为目标对象，对目标对象进行编码，设定初始集群；选择每次计算的种群误差函数为适应度函数，初始计算每个群体的适应度种群，挑选新群体；以概率选择遗传算子，对挑选的新群体依次进行选择算子、交叉算子和变异算子操作，产生故障诊断结果。
2.根据权利要求1所述的基于神经网络的变压器故障诊断方法，其特征在于，采用实际故障样本分布的信息设计初始集群，初始集群中的平滑参数集σ为：
Figure FDA0003615131320000011
其中，g为比例系数，
Figure FDA0003615131320000012
为同类型数据样本最小间距的平均值。
3.根据权利要求1所述的基于神经网络的变压器故障诊断方法，其特征在于，对目标对象进行编码具体为：
采用浮点编码方法对变压器的基因值用范围值内的一个浮点数表示，各个基因编码长度等价于变压器故障的决策量的个数。
4.根据权利要求1所述的基于神经网络的变压器故障诊断方法，其特征在于，适应度函数Er为：
Figure FDA0003615131320000013
其中，Ei为变压器故障i适应度期望值，r为变压器故障种类个数，d(xi)为变压器故障的期望输出值，y(xi)为变压器故障的实际输出值。
5.根据权利要求1所述的基于神经网络的变压器故障诊断方法，其特征在于，选择算子中，选择群体的被选概率Pi具体为：
Figure FDA0003615131320000014
其中，fi表示关于群体i适应度的函数；M表示种群规模。
6.根据权利要求5所述的基于神经网络的变压器故障诊断方法，其特征在于，种群规模M为30～150，遗传代数为150～600代。
7.根据权利要求1所述的基于神经网络的变压器故障诊断方法，其特征在于，交叉算子中，首先依照确定的交叉概率Pe在基因的一点或多点进行基因交换，随后产生新群体，其中任选产生初代网络中两个网络为父代群体。
8.根据权利要求7所述的基于神经网络的变压器故障诊断方法，其特征在于，交叉概率Pe取值为0.4～0.99。
9.根据权利要求1所述的基于神经网络的变压器故障诊断方法，其特征在于，变异算子中，对群体的各个基因以变异概率Pm的点为变异点，在变异点对基因编码值取反或找等位基因编码替换，从而产生新的群体。
10.一种基于神经网络的变压器故障诊断系统，其特征在于，包括：
初始模块，将变压器故障诊断结果作为目标对象，对目标对象进行编码，设定初始集群；
计算模块，选择每次计算的种群误差函数为适应度函数，初始计算每个群体的适应度种群，挑选新群体；
诊断模块，以概率选择遗传算子，对挑选的新群体依次进行选择算子、交叉算子和变异算子，产生故障诊断结果。
CN202210441628.XA 2022-04-25 2022-04-25 一种基于神经网络的变压器故障诊断方法及系统 Pending CN114742173A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210441628.XA CN114742173A (zh) 2022-04-25 2022-04-25 一种基于神经网络的变压器故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210441628.XA CN114742173A (zh) 2022-04-25 2022-04-25 一种基于神经网络的变压器故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN114742173A true CN114742173A (zh) 2022-07-12

Family

ID=82282783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210441628.XA Pending CN114742173A (zh) 2022-04-25 2022-04-25 一种基于神经网络的变压器故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN114742173A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994575A (zh) * 2023-03-22 2023-04-21 方心科技股份有限公司 一种电力故障诊断神经网络架构设计方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994575A (zh) * 2023-03-22 2023-04-21 方心科技股份有限公司 一种电力故障诊断神经网络架构设计方法及系统

Similar Documents

Publication Publication Date Title
CN110363344B (zh) 基于miv-gp算法优化bp神经网络的概率积分参数预测方法
CN111832101B (zh) 一种水泥强度预测模型的构建方法及水泥强度预测方法
CN112488315B (zh) 一种基于深度强化学习和遗传算法的分批调度优化方法
CN109448794B (zh) 一种基于遗传禁忌和贝叶斯网络的上位性位点挖掘方法
CN112580259B (zh) 基于遗传算法的智能矿山自动配矿方法及系统
CN111726349B (zh) 基于ga优化的gru并行网络流量异常检测方法
CN113361761A (zh) 一种基于误差修正的短期风电功率集成预测方法及系统
CN102708047B (zh) 数据流测试用例生成方法
CN114742173A (zh) 一种基于神经网络的变压器故障诊断方法及系统
Colmenar et al. Automatic generation of models for energy demand estimation using Grammatical Evolution
CN116340726A (zh) 一种能源经济大数据清洗方法、系统、设备及存储介质
CN113341889A (zh) 带装配阶段和能耗的分布式阻塞流水车间调度方法及系统
CN106919504B (zh) 一种基于ga算法的测试数据进化生成方法
CN116521462A (zh) 一种用于磁盘故障预测模型训练的数据集构建方法及系统
CN111352650A (zh) 一种基于insga-ii的软件模块化多目标优化方法及系统
CN115952942A (zh) 多目标巡检调度规划方法、装置、电子设备及存储介质
Naldi et al. Genetic clustering for data mining
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN114219605A (zh) 一种风控方法、装置及存储介质
CN112016249A (zh) 基于优化bp神经网络的scr脱硝系统不良数据辨识方法
Han et al. The Analysis of Exam Paper Component based on genetic algorithm
CN111985648B (zh) 一种硬盘性能测试方案生成方法、系统、终端及存储介质
CN113779877B (zh) 一种基于遗传算法的自动化特征构建方法
Kvasnička et al. Simulation of Baldwin effect and Dawkins memes by genetic algorithm
JP2023010660A (ja) リチウム化合物の結晶構造のｃ軸長を予測する方法、学習モデルの構築方法、及び最大のｃ軸長を有する結晶構造を予測するシステム

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