CN114925612A - 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法 - Google Patents

基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法 Download PDF

Info

Publication number
CN114925612A
CN114925612A CN202210584876.XA CN202210584876A CN114925612A CN 114925612 A CN114925612 A CN 114925612A CN 202210584876 A CN202210584876 A CN 202210584876A CN 114925612 A CN114925612 A CN 114925612A
Authority
CN
China
Prior art keywords
learning machine
population
kernel
formula
transformer
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
CN202210584876.XA
Other languages
English (en)
Inventor
张超虎
陈平安
孙运全
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.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN202210584876.XA priority Critical patent/CN114925612A/zh
Publication of CN114925612A publication Critical patent/CN114925612A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法，包括步骤：1)收集变压器在六种状态下运行的数据，对数据进行预处理；2)搭建混合核极限学习机预测模型；3)确定SSA中种群规模、发现者比例、预警者比例和目标函数参数，并对种群进行初始化处理；4)选取argmin(TrainErrorRate)训练样本的错误率作为SSA的适应度函数；5)将种群状态信息传递给HKELM网络,获得不同的HKELM网络；6)训练HKELM网络，获得适应度值；7)比较适应度值，更新种群状态；8)判断更新过程是否满足要求；9)输出最优参数并带入HKELM网络中，用优化后的网络对变压器故障进行诊断。该方法在保证网络具有良好泛化性能的同时，还能极大地提高了前向神经网络的稳定性和学习速度。

Description

基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断 方法
技术领域
本发明涉及变压器故障诊断技术领域，尤其涉及一种基于混合核函数极限学习机的变压器故障辨识方法。
背景技术
随着我国经济的不断发展，人民对电力的需求也变得越来越高，在此情况上，电网的等级和容量也随之提高，因此发展超高压的变压器显得尤为重要。变压器是电力系统输变电的重要组成成分，是实现远距离输送电能的关键，变压器是否能够安全稳定的运行关系着整个电力系统的安全。但是，变压器运行时往往会遇到各种各样的情况的影响，比如天气，气候条件等，所以有些故障是不可避免的。为了保证变压器的平稳运行，变压器的故障检测就显得十分必要。若发生故障并且不能及时排查出，引发的后果可能就是无法估量的，甚至导致整个电力系统的瘫痪，所以变压器的故障诊断一直受人们的密切关注。
油中气体分析法是变压器故障诊断的有效方法，是利用油中的溶解气体对变压器故障进行诊断。传统的阈值检测虽然操作简单，但是它的划分过于绝对，并且需要需要人为划定，因此这种方法在实际运用中，准确率偏低，局限性较大。近年来，随着人工智能的迅速发展，一些新型算法逐渐开始应用，如人工神经网络、支持向量机等，这些算法虽然相比传统的阈值检测方法有了较大的改进，但是依然有很多不足。人工神经网络运算所需数据量较大，运算时间较长，并且还很容易陷入局部最优的情况；而支持向量机的核函数选择比较困难。所以，还需要进一步的研究改进。
发明内容
在上述背景的基础上，本发明提出了一种用麻雀搜索算法优化混合核极限学习机的方法，用于变压器故障诊断。通过麻雀搜索算法对混合核函数的参数进行优化，既能够一定解决算法易陷入局部极小的现象提高网络性能，也能够提高神经网络的诊断准确率。
本发明的目的可以通过以下技术方案来实现，包括如下步骤：
步骤1：数据预处理。
收集变压器故障相关数据，在变压器油中溶解的气体包括氢气(H2)、甲烷(CH4)、乙炔(C2H2)、乙烯(C2H4)、乙烷(C2H6)五种。
对数据进行归一化处理，并将数据映射到[0,1]之间，具体处理公式如下：
Figure BDA0003665525570000021
式中，
Figure BDA0003665525570000022
为归一化处理后的特征气体含量；xij为第i个样本j个特征气体的含量；xi1+xi2+xi3+xi4+xi5为第i个样本H2、CH4、C2H2、C2H4、C2H6五种气体的总含量。
步骤2：建立混合核极限学习机预测模型。
1)单隐层前馈神经网络模型输出为：
F(x)＝h(x)×β＝H×β
式中，x为输入数据向量，F(x)为网络输出；h(x)、H为隐层节点输出函数；β为连接隐含层和输出层的输出权值向量。
2)将网络训练变为线性系统求解的问题，引入正则化系数C和单位矩阵I,则隐含层与输出的输出权值为：
Figure BDA0003665525570000023
3)核函数极限学习机的核矩阵为：
ΩELM＝HHT＝h(xi)h(xj)＝K(xi,xj)
式中，K(xi,xj)表示核函数，为了获得较强的学习能力和泛化能力，我们使用径向基核函数和多项式核函数的加权作为核极限学习机的核函数。此时混合核函数为：
Figure BDA0003665525570000024
式中，λ、m、n、σ都是混合核函数的参数。
此时，混合核极限学习机的输出为：
Figure BDA0003665525570000025
步骤3：确定SSA中种群规模、发现者比例、预警者比例和目标函数参数，并对种群进行初始化处理。
种群规模可以根据计算机能力来确定种群的规模；发现者比例为20％，预警者比例为10％；目标函数参数有五个，即λ、m、n、σ、C。
步骤4：选取训练样本的错误率作为SSA的适应度函数；
具体适应度函数为：
fitness＝argmin(TrainErrorRate)
式中，TrainErrorRate是训练集的错误率，argmin指的是错误率最低时的适应度值。
步骤5：将种群状态信息传递给HKELM网络,获得不同的HKELM网络，通过计算发现者更接近与目标位置，即得到待优化参数；将训练集错误率作为适应度函数，寻找最低个体，即使得fitness取得最小值。
步骤6：比较适应度值，更新种群状态。
将训练集错误率作为适应度函数，寻找最低个体，即使得错误率最低。
更新种群状态的具体内容为：
在种群中，当发现捕食者时，种群边缘的麻雀会迅速向安全区域移动，以获得更佳的位置,根据更新公式对发现者、跟随者以及警报者进行位置更新。发现者的位置更新公式如下：
Figure BDA0003665525570000031
式中，t表示迭代次数；itermax表示最大的迭代次数；Xi,j表示i个麻雀在j维中的位置信息；α∈(0,1]是一个随机数；R2(R2∈[-1,1])和ST(ST∈[0.5,1])分别表示预警值和安全值；Q是服从正态分布的随机数；L表示一个1×d的矩阵，其中矩阵内每个元素都为1。当满足R2＜ST的条件时发现者可进行广泛的觅食操作，且在这时觅食周围没有捕食者。相反满足R2≥ST的条件时，此时群体中的某些麻雀发现了捕食者，且向剩余的麻雀输送危险警报，从而保证一切麻雀快速转移到安全区域觅食。
跟随者的位置更新公式如下：
Figure BDA0003665525570000032
式中，
Figure BDA0003665525570000033
表示当前发现者在所占有的最优位置；
Figure BDA0003665525570000034
表示当前全局最差的位置；n为种群规模；A是一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且A+＝AT(AAT)-1。
当i＞n/2时，这表明，适应度值较低的第i个加入者没有获得食物，处于十分饥饿的状态，此时需要飞往其它地方觅食，以获得更多的能量。
警报者的位置更新公式如下：
Figure BDA0003665525570000041
式中，
Figure BDA0003665525570000042
表示全局当前最优的位置；β是步长控制参数，服从均值是0方差为1的正态分布的随机数；fi为当前麻雀的适应度值；fg和fw是当前全局最优和最差的适应度值；ε是最小的常数，避免当前适应度值是最差的适应度值，使分母为0；K是一个随机数，范围在[-1,1]之间，它既表示麻雀运动方向同时也是步长控制参数。
在式中，当fi＞fg表示麻雀处在群体边缘且易受到捕食者的袭击。
Figure BDA0003665525570000043
说明此时麻雀的位置是最安全的。在满足fi＝fg条件时，则说明此时处在中间的麻雀察觉到了危机，则其为了预防受到被捕的风险靠近安全位置的麻雀。
根据上述公式来更新麻雀种群的适应度及位置信息。
步骤7：判断是否满足更新要求，若满足，则执行下一步，不满足则返回步骤5。判断粒子更新过程是否满足要求，其判断条件一是：判断步骤6更新种群状态过程是否达到最大迭代次数，二是：种群最佳适应值是否在给定误差范围内。满足任一条件即为满足要求。
步骤8：输出最优参数并带入HKELM网络中，将划分好的测试集带入训练好的混合核极限学习机，输出为故障诊断的准确率。
与现有技术相比，本发明具有以下优点：
本发明是一种基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法，首先对变压器油中溶解气体浓度和对应故障结论的样本数据进行处理，建立训练集和测试集，然后使用径向基核函数和多项式核函数的加权来代替ELM中隐含层的特征映射，建立混合核极限学习机的诊断模型，提高了模型的泛化能力和诊断精度，同时采用麻雀优化算法对模型中的参数进行寻优，提高了寻优效率，加快了寻优速度，避免陷入局部最优。最后将测试样本输入训练好的核极限学习机中得到变压器故障诊断结果，整个过程高效简洁，处理速度快，效率高，能获得更高精度的变压器故障诊断结果。
附图说明
图1为按照发明基于麻雀搜索算法优化混合核极限学习机的ELM网络的基本结构图；
图2为按照发明基于麻雀搜索算法优化混合核极限学习机中的SSA-HKELM的流程图；
图3为本发明实施例中ELM的故障诊断结果图；
图4为本发明实施例中SSA-HKELM的故障诊断结果图。
具体实施方式
为更好的阐明本发明的优点，下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本公开的一个或多个实施例，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。
在本发明中，本文对变电站油浸式电力变压器的故障气体数据进行分析，以验证本文所提算法模型对样本数据处理分类的效果。本文一共收集207组已经确定故障类型的DGA数据，按比例划分为训练样本与测试样本。其中149组训练数据用于参数寻优，58组样本数据用于验证优化后模型的诊断准确性。
参照图3，本发明的方法步骤：
步骤(1)：收集变压器在六种状态下运行的数据，对数据进行预处理，剔除异常数据，然后划分训练集和测试集；
步骤(2)：搭建混合核极限学习机预测模型；
步骤(3)：确定SSA中种群规模、发现者比例、预警者比例和目标函数参数，并对种群进行初始化处理；
步骤(4)：选取argmin(TrainErrorRate)训练样本的错误率作为SSA的适应度函数；
步骤(5)：将种群状态信息传递给HKELM网络,获得不同的HKELM网络，比较待优化参数是否满足要求；
步骤(6)：训练HKELM网络，获得适应度值；
步骤(7)：比较适应度值，更新种群状态；；
步骤(8)：判断更新过程是否满足要求，若满足，则执行下一步。若不满足，则返回步骤(5)；
步骤(9)：输出最优参数并带入HKELM网络中，用优化后的网络对变压器故障进行诊断。
将训练样本中的变压器故障数据进行处理，在步骤1中，对数据进行归一化处理，具体处理公式如下：
Figure BDA0003665525570000051
式中，
Figure BDA0003665525570000052
为归一化处理后的特征气体含量；xij为第i个样本j个特征气体的含量；xi1+xi2+xi3+xi4+xi5为第i个样本H2、CH4、C2H2、C2H4、C2H6五种气体的总含量。
处理后的的部分数据如下表所示：
Figure BDA0003665525570000061
实验中一共选取了207组完整的故障数据，将百分之七十的数据作为训练集，剩下百分之三十的数据作为测试集。训练集和测试集的具体分布情况如下表所示：
Figure BDA0003665525570000062
在本实施例中，采用混合核极限学习机(Hybrid Kernel Extreme LearningMachine,HKELM)，输入样本为Xi＝[xi1,xi2,…,xij]T,输出样本为Yi＝[yi1,yi2,…,yij]T。
如图1所示，该图为极限学习机的结构图，由输入层、隐含层、输出层三部分组成，其学习目标函数为：F(x)＝h(x)×β＝H×β，其中h(x)＝g(x)是隐含层节点的输出，即h(x)＝g(w·x+b)，g(x)为为隐含层神经元的激活函数，激活函数可以是Sigmoid函数和高斯函数等。
为了提高模型的泛化能力，并且保证模型有良好的分类能力，在本实例中，将核函数加入到ELM算法中，即将核函数代替ELM中隐含层的特征映射，形成基于核的ELM算法。
常见的核函数有以下几种：
(1)高斯核函数：
Figure BDA0003665525570000071
(2)多项式核函数：
K(x,xi)＝[(x,xi)+m]n n＝1，2，…N
(3)感知器核函数：
K(x,xi)＝tanh(ρ(x·xi)+b)
(4)线性核函数：
K(x,xi)＝x·xi
式中，K(x,xi)为核函数，σ、m、ρ、b都是常数。
为了获得较强的学习能力和泛化能力，在本实例中，我们使用径向基核函数和多项式核函数的加权作为核极限学习机的核函数。混合核函数公式为：
Figure BDA0003665525570000072
式中，λ、m、n、σ都是混合核函数的参数。
最终，混合核极限学习机的输出为：
Figure BDA0003665525570000073
式中，K(xi,xj)为核函数，C为正则化系数。
在步骤(7)中，更新种群状态的具体内容为：
在种群中，当发现捕食者时，种群边缘的麻雀会迅速向安全区域移动，以获得更佳的位置,根据更新公式对发现者、跟随者以及警报者进行位置更新。发现者的位置更新公式如下：
Figure BDA0003665525570000074
式中，t表示迭代次数；itermax表示最大的迭代次数；Xi,j表示i个麻雀在j维中的位置信息；α∈(0,1]是一个随机数；R2(R2∈[-1,1])和ST(ST∈[0.5,1])分别表示预警值和安全值；Q是服从正态分布的随机数；L表示一个1×d的矩阵，其中矩阵内每个元素都为1。当满足R2＜ST的条件时发现者可进行广泛的觅食操作，且在这时觅食周围没有捕食者。相反满足R2≥ST的条件时，此时群体中的某些麻雀发现了捕食者，且向剩余的麻雀输送危险警报，从而保证一切麻雀快速转移到安全区域觅食。
跟随者的位置更新公式如下：
Figure BDA0003665525570000081
式中，
Figure BDA0003665525570000082
表示当前发现者在所占有的最优位置；
Figure BDA0003665525570000083
表示当前全局最差的位置；n为种群规模；A是一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且A+＝AT(AAT)-1。
当i＞n/2时，这表明，适应度值较低的第i个加入者没有获得食物，处于十分饥饿的状态，此时需要飞往其它地方觅食，以获得更多的能量。
警报者的位置更新公式如下：
Figure BDA0003665525570000084
式中，
Figure BDA0003665525570000085
表示全局当前最优的位置；β是步长控制参数，服从均值是0方差为1的正态分布的随机数；fi为当前麻雀的适应度值；fg和fw是当前全局最优和最差的适应度值；ε是最小的常数，避免当前适应度值是最差的适应度值，使分母为0；K是一个随机数，范围在[-1,1]之间，它既表示麻雀运动方向同时也是步长控制参数。
在式中，当fi＞fg表示麻雀处在群体边缘且易受到捕食者的袭击。
Figure BDA0003665525570000086
说明此时麻雀的位置是最安全的。在满足fi＝fg条件时，则说明此时处在中间的麻雀察觉到了危机，则其为了预防受到被捕的风险靠近安全位置的麻雀。
在本实施例中，SSA参数设置如下：种群数量N＝20，发现者比例PR＝20％，侦察者比例SD＝10％，最大迭代次数T＝50。
在本实例中，训练集所占比例为70％，用于对SSA优化的核极限学习机模型进行训练，寻找最优参数，剩余的数据作为测试集，用于对获得的最终训练模型进行验证，根据验证结果判断故障诊断的准确性。
本实例的诊断结果如图4所示，故障诊断的准确率为91.379％。直接用ELM进行训练学习，模型诊断的结果如图3所示，准确率仅为84.483％。对比两个模型,采用SSA优化后的HKELM模型对比ELM模型，故障诊断准确率提高了6.896％。
综上所述，本文中先将首先将多项式核函数与径基核函数结合得到混合核函数，然后利用该混合核函数构造混合KELM，并用麻雀搜索算法对混合KELM的参数进行了寻优，得到了改进后的SSA-HKELM模型。应用混合核函数可以提高KELM的学习能力和泛化能力。采用SSA算法对混合KELM参数进行优化，提高了寻优效率，加快了寻优速度，避免陷入局部最优，使混合KELM的网络结构得到优化，最终提高了变压器故障诊断的准确性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法，其特征在于，包括以下步骤：
1)收集变压器在六种状态下运行的数据，在变压器油中溶解的气体包括氢气(H2)、甲烷(CH4)、乙炔(C2H2)、乙烯(C2H4)、乙烷(C2H6)五种，并对数据进行归一化处理，并将处理后的数据按比例划分为训练集和测试集；
2)搭建混合核极限学习机预测模型；
3)确定SSA种群规模、发现者比例、预警者比例和目标函数参数，并对种群进行初始化处理；
4)选取argmin(TrainErrorRate)训练样本的错误率作为SSA的适应度函数；
5)将种群状态信息传递给HKELM网络,获得不同的HKELM网络，比较待优化参数是否满足要求；
6)训练HKELM网络，获得适应度值；
7)比较适应度值，更新种群状态；
8)判断更新过程是否满足要求，若满足，则执行下一步，若不满足，则返回步骤5)；
9)输出最优参数并带入HKELM网络中，用优化后的网络对变压器故障进行诊断。
2.根据权利要求1所述的一种基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法，其特征在于，步骤1)的具体内容为：
收集变压器故障相关数据，在变压器油中溶解的气体包括氢气(H2)、甲烷(CH4)、乙炔(C2H2)、乙烯(C2H4)、乙烷(C2H6)五种，对数据进行归一化处理，并将数据映射到[0,1]之间，具体处理公式如下：
Figure FDA0003665525560000011
式中，
Figure FDA0003665525560000012
为归一化处理后的特征气体含量；xij为第i个样本j个特征气体的含量；xi1+xi2+xi3+xi4+xi5为第i个样本H2、CH4、C2H2、C2H4、C2H6五种气体的总含量。
3.根据权利要求1所述的一种基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法，其特征在于，步骤2)中搭建混合核极限学习机的步骤为：
单隐层前馈神经网络模型输出为：
F(x)＝h(x)×β＝H×β
式中，x为输入数据向量，F(x)为网络输出；h(x)、H为隐含层节点输出函数；β为连接隐含层和输出层的输出权值向量；
将网络训练变为线性系统求解的问题，引入正则化系数C和单位矩阵I,则隐含层与输出的输出权值为：
Figure FDA0003665525560000021
核函数极限学习机的核矩阵为：
ΩELM＝HHT＝h(xi)h(xj)＝K(xi,xj)
式中，K(xi,xj)表示核函数，为了获得较强的学习能力和泛化能力，我们使用径向基核函数和多项式核函数的加权作为核极限学习机的核函数，此时混合核函数为：
Figure FDA0003665525560000022
式中，λ、m、n、σ都是混合核函数的参数；
此时，混合核极限学习机的输出为：
Figure FDA0003665525560000023
4.根据权利要求1所述的一种基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法，其特征在于，步骤3)中，确定SSA中种群规模、发现者比例、预警者比例和目标函数参数具体内容为：
种群规模可以根据计算机能力来确定种群的规模；发现者比例为20％，预警者比例为10％；目标函数参数有五个，即λ、m、n、σ、C。
5.根据权利要求1所述的一种基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法，其特征在于，步骤4)中，选取的适应度函数表达式为：
fitness＝argmin(TrainErrorRate)
式中，TrainErrorRate是训练集的错误率，argmin指的是错误率最低时的适应度值。
6.根据权利要求1所述的一种基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法，其特征在于，步骤6)中，训练获得的适应度值的具体内容为：
通过计算发现者更接近与目标位置，即得到待优化参数；将训练集错误率作为适应度函数，寻找最低个体，即使得fitness取得最小值。
7.根据权利要求1所述的一种基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法，其特征在于，步骤7)中，更新种群状态的具体内容为：
在种群中，当发现捕食者时，种群边缘的麻雀会迅速向安全区域移动，以获得更佳的位置,根据更新公式对发现者、跟随者以及警报者进行位置更新，发现者的位置更新公式如下：
Figure FDA0003665525560000031
式中，t表示迭代次数；itermax表示最大的迭代次数；Xi,j表示i个麻雀在j维中的位置信息；α∈(0,1]是一个随机数；R2(R2∈[-1,1])和ST(ST∈[0.5,1])分别表示预警值和安全值；Q是服从正态分布的随机数；L表示一个1×d的矩阵，其中矩阵内每个元素都为1；当满足R2＜ST的条件时发现者可进行广泛的觅食操作，且在这时觅食周围没有捕食者；相反满足R2≥ST的条件时，此时群体中的某些麻雀发现了捕食者，且向剩余的麻雀输送危险警报，从而保证一切麻雀快速转移到安全区域觅食；
跟随者的位置更新公式如下：
Figure FDA0003665525560000032
式中，
Figure FDA0003665525560000033
表示当前发现者在所占有的最优位置；
Figure FDA0003665525560000034
表示当前全局最差的位置；n为种群规模；A是一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且A+＝AT(AAT)-1；
当i＞n/2时，这表明，适应度值较低的第i个加入者没有获得食物，处于十分饥饿的状态，此时需要飞往其它地方觅食，以获得更多的能量；
警报者的位置更新公式如下：
Figure FDA0003665525560000035
式中，
Figure FDA0003665525560000036
表示全局当前最优的位置；β是步长控制参数，服从均值是0方差为1的正态分布的随机数；fi为当前麻雀的适应度值；fg和fw是当前全局最优和最差的适应度值；ε是最小的常数，避免当前适应度值是最差的适应度值，使分母为0；K是一个随机数，范围在[-1,1]之间，它既表示麻雀运动方向同时也是步长控制参数；
在式中，当fi＞fg表示麻雀处在群体边缘且易受到捕食者的袭击，
Figure FDA0003665525560000037
说明此时麻雀的位置是最安全的，在满足fi＝fg条件时，则说明此时处在中间的麻雀察觉到了危机，则其为了预防受到被捕的风险靠近安全位置的麻雀；
根据上述公式来更新麻雀种群的适应度及位置信息。
8.根据权利要求1所述的一种基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法，其特征在于，步骤8)中的判断条件包括：
1)更新种群状态过程是否达到最大迭代次数；
2)判断种群最佳适应度值是否达到最小值；
满足上述任意一条件即满足要求。
9.根据权利要求1所述的一种基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法，其特征在于，步骤9)中的具体过内容如下：
输出最优参数并带入HKELM网络中，将划分好的测试集带入训练好的混合核极限学习机，输出为故障诊断的准确率。
CN202210584876.XA 2022-05-27 2022-05-27 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法 Pending CN114925612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210584876.XA CN114925612A (zh) 2022-05-27 2022-05-27 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210584876.XA CN114925612A (zh) 2022-05-27 2022-05-27 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法

Publications (1)

Publication Number Publication Date
CN114925612A true CN114925612A (zh) 2022-08-19

Family

ID=82811439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210584876.XA Pending CN114925612A (zh) 2022-05-27 2022-05-27 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法

Country Status (1)

Country Link
CN (1) CN114925612A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115901248A (zh) * 2022-10-18 2023-04-04 江苏新道格自控科技有限公司 一种齿轮箱故障特征提取方法
CN116430188A (zh) * 2023-06-13 2023-07-14 南昌工程学院 基于改进白冠鸡优化算法的变压器故障声纹诊断方法
CN116663645A (zh) * 2023-06-01 2023-08-29 淮阴工学院 基于Sine-SSA-BP的电机转子系统故障诊断方法
CN117272116A (zh) * 2023-10-13 2023-12-22 西安工程大学 一种基于loras平衡数据集的变压器故障诊断方法
CN117288209A (zh) * 2023-11-27 2023-12-26 南昌工程学院 一种变压器声级测定方法及系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115901248A (zh) * 2022-10-18 2023-04-04 江苏新道格自控科技有限公司 一种齿轮箱故障特征提取方法
CN115901248B (zh) * 2022-10-18 2023-09-19 江苏新道格自控科技有限公司 一种齿轮箱故障特征提取方法
CN116663645A (zh) * 2023-06-01 2023-08-29 淮阴工学院 基于Sine-SSA-BP的电机转子系统故障诊断方法
CN116430188A (zh) * 2023-06-13 2023-07-14 南昌工程学院 基于改进白冠鸡优化算法的变压器故障声纹诊断方法
CN116430188B (zh) * 2023-06-13 2023-08-29 南昌工程学院 基于改进白冠鸡优化算法的变压器故障声纹诊断方法
CN117272116A (zh) * 2023-10-13 2023-12-22 西安工程大学 一种基于loras平衡数据集的变压器故障诊断方法
CN117272116B (zh) * 2023-10-13 2024-05-17 西安工程大学 一种基于loras平衡数据集的变压器故障诊断方法
CN117288209A (zh) * 2023-11-27 2023-12-26 南昌工程学院 一种变压器声级测定方法及系统
CN117288209B (zh) * 2023-11-27 2024-01-30 南昌工程学院 一种变压器声级测定方法及系统

Similar Documents

Publication Publication Date Title
CN114925612A (zh) 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法
Peimankar et al. Evolutionary multi-objective fault diagnosis of power transformers
Sun et al. Fault diagnosis of power transformers using computational intelligence: A review
CN111539515B (zh) 一种基于故障预测的复杂装备维修决策方法
CN110929847A (zh) 一种基于深度卷积神经网络的换流变压器故障诊断方法
Mao et al. Investigation of polymer electrolyte membrane fuel cell internal behaviour during long term operation and its use in prognostics
CN110609524B (zh) 一种工业设备剩余寿命预测模型及其构建方法和应用
CN112070128B (zh) 一种基于深度学习的变压器故障诊断方法
CN113156325A (zh) 一种对电池的健康状态进行估计的方法
CN115618261A (zh) 一种基于nca与ssa-kelm的光伏接入配电网漏电识别方法
Shang et al. A hybrid method for traffic incident detection using random forest-recursive feature elimination and long short-term memory network with Bayesian optimization algorithm
CN116542382A (zh) 基于混合优化算法的污水处理溶解氧浓度预测方法
Huang et al. Research on transformer fault diagnosis method based on GWO optimized hybrid kernel extreme learning machine
CN116842337A (zh) 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法
Saufi et al. Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal
CN113884807A (zh) 基于随机森林和多层架构聚类的配电网故障预测方法
CN114398992A (zh) 一种基于无监督域适应的智能故障诊断方法
CN112580254B (zh) 一种基于多级决策融合的换流变多维度分析和预警方法
CN111271183B (zh) 一种自适应在线预测柴油机状态方法及系统
CN116663414A (zh) 一种用于电力变压器的故障诊断方法及系统
CN111060755A (zh) 一种电磁干扰诊断方法和装置
CN113761795A (zh) 一种飞机发动机故障检测方法和系统
Wang Fault diagnosis for power systems based on neural networks
CN112015894B (zh) 一种基于深度学习的文本单类分类方法及系统
Song et al. A Remaining Useful Life Prediction Framework Integrating Multiple Time Window Convolutional Neural Networks.

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