CN115169428A - 一种人工智能驱动的变压器故障诊断方法 - Google Patents
一种人工智能驱动的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN115169428A CN115169428A CN202210386306.XA CN202210386306A CN115169428A CN 115169428 A CN115169428 A CN 115169428A CN 202210386306 A CN202210386306 A CN 202210386306A CN 115169428 A CN115169428 A CN 115169428A
- Authority
- CN
- China
- Prior art keywords
- transformer
- fault diagnosis
- fault
- bat
- equation
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 84
- 238000012706 support-vector machine Methods 0.000 claims abstract description 58
- 230000006872 improvement Effects 0.000 claims abstract description 8
- 238000004868 gas analysis Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 239000007789 gas Substances 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 102000016550 Complement Factor H Human genes 0.000 claims description 8
- 108010053085 Complement Factor H Proteins 0.000 claims description 8
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004579 scanning voltage microscopy Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 239000002245 particle Substances 0.000 description 7
- 241000288673 Chiroptera Species 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 238000002922 simulated annealing Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 239000004215 Carbon black (E152) Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 239000011810 insulating material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002090 carbon oxide Inorganic materials 0.000 description 1
- 238000011208 chromatographic data Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007340 echolocation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
一种人工智能驱动的变压器故障诊断方法，属故障诊断领域。在利用变压器故障油中溶解气体DGA数据进行分析、诊断时，采用修正的蝙蝠算法优化支持向量机模型；在速度方程中引入自适应系数，在位置方程中引入加权因子，在频率方程中引入改进系数，对影响支持向量机分类精度的惩罚因子和核函数参数进行寻优，获得最佳的参数组合，并建立故障诊断模型；然后将溶解气体分析DGA数据代入模型，进行故障诊断，进而得到变压器故障诊断结果。其收敛速度更快，求解精度更高，鲁棒性较强，具有更高的故障诊断准确率。可广泛用于电力变压器故障的诊断领域。
Description
技术领域
本发明属于故障诊断领域，尤其涉及一种用于变压器故障的诊断方法。
背景技术
电力变压器作为电力系统的核心设备，在电网中主要负责变换、分配和传输电能，是电力系统实现电力供应的重要支撑。
变压器油在变压器内主要起到绝缘、冷却散热的作用，变压器油质量的好坏直接影响到变压器绝缘系统的寿命，从而威胁到变压器的安全运行。一旦变压器内部发生放电和过热的故障，变压器油及内部的有机固体绝缘材料就会发生化学分解，产生特定的烃类气体、氢气和碳氧化物，并经对流、扩散不断地溶解在油中。故障气体的种类、含量、各种气体之间的比例关系直接反映了变压器内的故障类别、严重程度。
随着计算机与智能技术的蓬勃发展，以支持向量机、神经网络、深度学习等为理论基础的智能化诊断方法被广泛应用到变压器故障诊断中，但人工神经网络系统相对复杂，小样本数据下准确率较差；深度学习训练方便，但鲁棒性较差，不具备故障诊断的要素。支持向量机相比较神经网络等方法更具有可控性，由于变压器故障样本比较少，属于小样本数据，而支持向量机能够较好地解决小样本的多分类问题，是适用于小样本的机器学习算法，选用合理参数有利于构造良好性能的分类器。
对于支持向量机的参数选取，目前应用较多的有模拟退火算法、遗传算法和粒子群算法等。但在实际应用中，这些方法均存在一些缺点。模拟退火算法最大的缺点是计算量大，寻优精度受温度管理问题限制。遗传算法存在容易过早收敛、陷入局部极值的问题。与前两者相比较，粒子群算法的全局性能较好，但局部性能欠佳，对于存在多个局部极值点的情况，算法容易陷入局部最优。
蝙蝠算法是剑桥大学学者Yang在2010年受自然界微型蝙蝠寻找食物和躲避障碍物的过程而提出的一种新型随机搜索优化算法。
传统的蝙蝠算法存在前期收敛速度慢、易陷入局部最优等问题。为此，行业内急需一种基于传统蝙蝠算法的修正算法，用以优化变压器故障诊断中的支持向量机主要参数，从而提高变压器故障诊断准确率。
发明内容
本发明所要解决的技术问题是提供一种人工智能驱动的变压器故障诊断方法。其针对传统蝙蝠算法训练时间长、收敛速度低，求解精度不高，易陷入局部最优等缺点，提出一种在速度方程中引入自适应系数，在位置方程中引入加权因子，在频率方程中引入改进系数的修正方法，利用修正的蝙蝠算法对影响支持向量机分类精度的两个主要参数C和σ进行寻优，获得最佳的参数组合并建立故障诊断模型，然后，将溶解气体分析(DGA)数据代入模型，得到变压器故障诊断结果。本技术方案收敛速度更快，求解精度更高，鲁棒性较强；通过与传统的蝙蝠算法、粒子群算法、遗传算法和模拟退火算法寻优支持向量机(SVM)获得故障诊断结果相比较，本技术方案中修正的蝙蝠算法具有更高的故障诊断准确率，稳定性较高，为变压器故障诊断提供了一条新的思路。
本发明的技术方案是：提供一种人工智能驱动的变压器故障诊断方法，包括对变压器的相关数据进行分析、诊断，其特征是：
在利用变压器故障油中溶解气体DGA数据进行分析、诊断时，采用蝙蝠算法优化SVM参数，采用修正的蝙蝠算法优化支持向量机模型；
通过在速度方程中引入自适应系数α，在位置方程中引入加权因子H1和H2，在频率方程中引入改进系数β的修正方法，利用修正的蝙蝠算法对影响支持向量机分类精度的惩罚因子C和核函数参数σ进行寻优，获得最佳的参数组合，并建立故障诊断模型；
然后，将溶解气体分析DGA数据代入模型，进行故障诊断，进而得到变压器故障诊断结果。
具体的，所述的在速度方程中引入自适应系数，首先将表示xi(t)与p(t)之间的偏离(vik(t)-pk(t))·fri(t)乘以自适应系数α；
在第t+1代时，每只蝙蝠首先更新其速度为：
vik(t+1)＝vik(t)+(vik(t)-pk(t))·fri(t)·α (1)
其中，自适应系数α：
式(1)中，vik(t)、pk(t)和fri(t)等分别为第t代时蝙蝠i的速度、第t代时群体历史最优位置和第t代时蝙蝠i的频率；
式(2)中，α1、α2分别为设定值，I、Imax分别为当前迭代次数和最大迭代次数， k取值在(0.3,0.6)区间。
具体的，所述的在位置方程中引入加权因子，包括在位置方程中引入加权因子 H1和H2，由此得到修正的位置方程为：
xik(t+1)＝xik(t)·H1+vik(t+1)·H2 (3)
其中，xik(t+1)为第t+1代时蝙蝠i的位置，xik(t)为第t代时蝙蝠i的位置，加权因子H1和H2分别由如下公式决定：
具体的，所述的在频率方程中引入改进系数β后，频率方程表示为：
fri(t)＝frmin+(β+1)·(frmax-frmin)rand (6)
其中，frmax为预设的频率上限，frmin为预设的频率下限，rand为介于(0,1)且满足均匀分布的随机数，改进系数β由如下公式决定：
β＝(α2-α1)×tank (7)。
进一步的，所述的变压器故障诊断方法采用修正型蝙蝠算法优化SVM参数从而获得最佳分类器，并根据获得的最佳分类器构建变压器故障诊断模型。
进一步的，所述的变压器故障诊断方法，将收集到油色谱数据仪DGA中的各项气体相对含量作为支持向量机模型的输入，利用典型故障气体的相对含量在高维空间的分布特性进行变压器故障类型判断。
具体的，所述的变压器故障诊断方法，将已采集数据的六种变压器状态作为输入，构建五个二分类器，实现多分类；然后按照诊断模型依次类推，直到将六种变压器状态完全分开，达到最终分类的目的。
进一步的，所述的变压器故障诊断方法，利用变压器故障油中溶解气体DGA 数据进行诊断时，避开传统蝙蝠算法过早收敛、陷入局部极值的问题，能够有效提高寻找最优SVM惩罚因子和核函数参数的能力，将修正后的蝙蝠算法用于SVM 寻找最优参数并建立故障诊断模型。
具体的，所述的变压器故障诊断方法，采用修正的蝙蝠算法优化支持向量机模型进行故障诊断，以获得更高的故障诊断精确度，提升故障分类的准确性；获取更高的故障诊断正判率和更高的稳定性。
进一步的，所述的变压器故障诊断方法，采用在速度方程中引入自适应系数，在位置方程中引入加权因子，在频率方程中引入改进系数的修正方法，在利用变压器故障油中溶解气体DGA数据进行诊断时，能够有效提高寻找最优SVM惩罚因子和核函数参数的能力。
与现有技术比较，本发明的优点是：
1.本技术方案在利用变压器故障油中溶解气体DGA数据进行诊断时，将修正后的蝙蝠算法用于SVM寻找最优参数并建立故障诊断模型，其在速度方程中引入自适应系数，在位置方程中引入加权因子，在频率方程中引入改进系数的修正方法，避开了传统蝙蝠算法过早收敛、陷入局部极值的问题，有效提高了寻找最优SVM 惩罚因子和核函数参数的能力；
2.采用本技术方案修正的蝙蝠算法优化支持向量机模型进行故障诊断与采用经验选取参数的支持向量机模型和粒子群算法优化支持向量机模型相比，其故障诊断精确度更高，能有效提升分类准确性；
3.本技术方案具有更高的故障诊断正判率，稳定性较高，为变压器故障诊断提供了一条新的思路。
附图说明
图1是本发明采用修正蝙蝠算法优化SVM的变压器故障诊断流程图；
图2是本发明修正型蝙蝠算法优化SVM故障诊断模型示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
蝙蝠算法(BA)是剑桥大学学者Yang Xin-She提出的一种新型仿生智能优化算法。主要是通过蝙蝠个体的回声定位操作来进行模拟食物探索过程以此满足对研究目标的优化问题的要求。
蝙蝠算法回声定位的原理：蝙蝠发出的声音频率范围一般在25Khz到100Khz 之间，有些甚至可以达到150Khz以上；一般情况下，蝙蝠每间隔一秒发出传输10 至20个声波，当蝙蝠在寻找猎物时，这种声波的传输量可以达到200个以上，说明蝙蝠拥有超强的搜寻猎物能力。
实现蝙蝠算法必须符合以下条件：
(1)蝙蝠个体全都是通过回声行为来确定猎物的位置，蝙蝠个体能够在满足区间的范围内，自发的寻找猎物，这在变压器故障研究领域就类似于一系列限制条件，比如：在对变压器进行故障研究首先对变压器的DGA原始数据的权威性和实时性有很高要求。
(2)蝙蝠个体在当前的位置xi，寻找猎物时，随机自由飞行的速度为vi，X* 表示的是当前的最佳位置，Fi是第i个蝙蝠个体在寻找目标时自己本身的脉冲频率， Ri表示的是寻找猎物时所发出的脉冲频度，Ai t是t时刻蝙蝠个体i的脉冲响度；蝙蝠个体可以通过调整他们的脉冲频度R和脉冲响度A，以此不断靠近所寻找的猎物。在基于优化支持向量机的变压器故障诊断领域，就相当于不断地对核函数参数和惩罚因子进行调整，直到获得最佳的参数组合。
蝙蝠算法完成寻找最优解搜索的步骤是先任意把蝙蝠群体分散在要求的空间区域，蝙蝠个体i以其自身的Fi来寻找当前的最佳位置。迭代开始初期，给蝙蝠个体赋值相对较低的Fi和相对较高的Ai t，当寻找到猎物时即找到了局部最佳解，逐步增大Fi并减少Ai t。通过蝙蝠个体之间相互比较，位置差的个体逐步靠拢于位置最佳的个体。多次迭代后，获得全局最优解。
蝙蝠算法利用的是蝙蝠在觅食时所发出的脉冲频率F、响度A、脉冲发射率R的变化来建立模型，蝙蝠的每一次有效飞行就是蝙蝠算法的一次更新。在t时刻，d维空间中，蝙蝠个体的参数更新表达式为
Fi＝Fmin-(Fmax-Fmin)β
其中，t为当前迭代次数；β∈[0,1]为一个随机向量，服从均匀分布；X*为当前的全局最优解。
当蝙蝠种群逐渐向全局最优解靠近时，算法就采用局部搜索策略，局部位置更新公式如下：
Xnew＝Xold+εAt
其中，ε∈[-1,1]为一个随机数，Ai t为当前所有蝙蝠的平均响度。
更新脉冲响度A和脉冲发射率R，具体的表达式为
其中，α和γ为常量，且α，γ∈[0，1]。
从上述两个公式可以看出，发射脉冲的频度是随着迭代进行逐渐增加，脉冲响度是随着迭代的进行逐渐减小。
本发明的技术方案，提供了一种人工智能驱动的变压器故障诊断算法，其发明点在于：
针对传统蝙蝠算法训练时间长、收敛速度低，求解精度不高，易陷入局部最优等缺点，通过速度和位置更新公式对传统蝙蝠算法进行修正，提出一种在速度方程中引入自适应系数的修正方法，首先将表示xi(t)与p(t)之间的偏离 (vik(t)-pk(t))·fri(t)乘以自适应系数α；在第t+1代时，每只蝙蝠首先更新其速度为：
vik(t+1)＝vik(t)+(vik(t)-pk(t))·fri(t)·α (1)
其中，自适应系数α：
式(1)中，vik(t)、pk(t)和fri(t)等分别为第t代时蝙蝠i的速度、第t代时群体历史最优位置和第t代时蝙蝠i的频率；
式(2)中，α1、α2分别为设定值，I、Imax分别为当前迭代次数和最大迭代次数， k取值在(0.3,0.6)区间。
其中，k为奥斯特瓦德系数值，油浸式变压器产生的气体在绝缘油中的溶解度一般用奥斯特瓦德系数值k进行描述与表示：
进一步的，本技术方案中的引入自适应系数的修正方法，位置方程中引入加权因子H1和H2，因此得到修正的位置方程为：
xik(t+1)＝xik(t)·H1+vik(t+1)·H2 (3)
其中，xik(t+1)为第t+1代时蝙蝠i的位置，xik(t)为第t代时蝙蝠i的位置，加权因子H1和H2分别由如下公式决定：
进一步的，本技术方案中的频率方程中引入改进系数β后，频率方程表示为：
fri(t)＝frmin+(β+1)·(frmax-frmin)rand (6)
其中，frmax为预设的频率上限，frmin为预设的频率下限，rand为介于(0,1)且满足均匀分布的随机数，改进系数β由如下公式决定：
β＝(α2-α1)×tank (7)
进一步的，在本技术方案中，利用修正的蝙蝠算法对影响支持向量机分类精度的两个主要参数：惩罚因子C和核参数σ进行寻优，获得最佳的参数组合并建立故障诊断模型。
针对本发明的技术方案，下面进行进一步的详述：
电力变压器在正常运行时，绝缘材料在热和电的作用下会发生老化分解的现象。
当变压器出现外部难以发现的故障时，绝缘材料会受到催化而加速分解，产生烃类气体及CO2等。
变压器的内部故障，根据其故障现象主要可以分为电性故障和热性故障。因此，一般将故障分为高温过热、中低温过热、高能放电、低能放电和局部放电。当变压器发生故障时，变压器的绝缘油中就会溶解氢气、甲烷、乙烯、乙炔等气体，根据这些油中气体的含量来判断变压器的具体故障类型。
采用变压器油中溶解气体分析(亦称油色谱数据，Dissolved Gas Analysis，简称DGA)中的C2H6、C2H4、C2H2、H2、CH4等气体含量占总烃的比值作为故障判断的评估指标。
变压器故障特征将变压器运行状态分为6类，即低能放电(D1)、高能放电(D2)、中低温过热(T1)、高温过热(T2)、局部放电(PD)、正常状态(N)，分别用括号内字母代表上述变压器状态。
在本技术方案中，采用修正型蝙蝠算法优化SVM参数(SVM是一种训练机器学习的算法，可以用于解决分类和回归问题，同时还使用了一种称之为kernel trick (支持向量机的核函数)的技术进行数据的转换，然后再根据这些转换信息，在可能的输出之中找到一个最优的边界(即超平面))从而获得最佳分类器，并根据获得的最佳分类器构建变压器故障诊断模型，具体实现流程图如图1所示。
基于修正蝙蝠算法优化支持向量机参数的具体步骤如下：
步骤1：设置蝙蝠种群：
蝙蝠种群的大小为sol、维数为D、脉冲速率为R、脉冲频率为F、最大迭代数为 Imax；
步骤2：蝙蝠个体初始化：
利用xmin+rand(1,D)·(Xmax-Xmin)产生蝙蝠个体，构成初始蝙蝠种群；
步骤3：计算每个蝙蝠的适应度值并确定最优蝙蝠的位置：
将所有的蝙蝠个体作为SVM的参数在训练集上进行训练，并在测试集上进行测试。
得到的数值作为对应蝙蝠的适应度值并且输出，适应度函数定义为
式中：lt为正确分类样本数；l为校验样本总数；
根据返回的适应度值的大小，找到最优的蝙蝠个体Xbest；
步骤4：生成新蝙蝠个体：
根据传统蝙蝠算法基本公式，分别更新脉冲频率Fi与飞行速度Vi，生成新的蝙蝠个体；
步骤5：更新蝙蝠个体：
①产生一个随机数rand1，如果rand1＞Ri尾，则对当前群体中最优蝙蝠个体Xbest的邻域进行随机扰动，获得一个新的蝙蝠个体，而后用新蝙蝠个体替换当前蝙蝠个体；
②生一个随机数rand2，如果满足rand2＜Ai，并且f(Xnew)＞f(Xold)，则用新的蝙蝠个体替换当前位置的旧蝙蝠个体；并更新脉冲频度Ri，和脉冲音强Ai；
式中：α为脉冲音强衰减系数；γ为脉冲频度增加系数；t为当前迭代次数；
步骤6：若达到最大的迭代次数则算法终止，输出最佳适应度值对应的参数组合，否则转到步骤4继续执行；
步骤7：获得最佳参数组合，建立最佳分类器模型。
通过利用上述获得的最佳分类器模型进行样本数据的训练和预测，可以得到具体的变压器故障类型。
由于不同变压器内气体含量不同，将收集到DGA(此处是指变压器油色谱监测装置，或称气相色谱仪，业内已经习惯用DGA来代表气相色谱仪，故从业内习惯) 中的各项气体相对含量作为支持向量机模型的输入，利用典型故障气体的相对含量在高维空间的分布特性进行变压器故障类型判断。
收集了380组DGA数据，且每组数据都带有故障结论。将样本集分为两组：训练集和测试集，训练集有250个样本，测试集有130个样本，具体的样本分类如表1所示。
表1故障样本数据集的组成
对于n个故障类型，采用“二叉树”的分类方法需要n-1个SVM，即六种变压器状态需要五个SVM分类器。将已采集数据的六种变压器状态作为输入(SVM1)，可构建五个二分类器实现多分类。
按照诊断模型如图2所示方法依次类推直到将六种变压器状态完全分开，达到最终分类的目的。
在图2中，第一步将编号为1～6的六种故障类型输入编号为1的SVM1，若是第一种故障类型则输出结果，否则输出除编号为1的其它所有故障类型编号；第二步将编号为2～6的五种故障类型输入编号为2的SVM2，若是第二种故障类型则输出结果，否则输出除编号为2的其它所有故障类型编号；第三步将编号为3～6的四种故障类型输入编号为3的SVM3，若是第三种故障类型则输出结果，否则输出除编号为3的其它所有故障类型编号；第四步将编号为4～6的三种故障类型输入编号为4的SVM4，若是第四种故障类型则输出结果，否则输出除编号为4的其它故障类型编号；最后一步将编号为5-6的两种故障类型输入编号为5的SVM5，若是第五种故障类型则输出结果，否则输出编号为6的故障类型编号。
在Python中搭建故障诊断模型，编写程序实现前述算法，并通过所获得的DGA 数据进行实例仿真。完成修正蝙蝠算法与传统蝙蝠算法、遗传算法(GA)、模拟退火算法和粒子群算法(PSO)结合SVM模型的对比分析。
设置蝙蝠算法参数种群数量N为120，最大迭代次数Imax为200，脉冲速率初始值R0为0.96，脉冲频率初始值f0为0.9。
基于修正蝙蝠算法优化支持向量机的变压器故障诊断模型对各种类型故障诊断的正确判别率如表2所示。
表2六种类型变压器故障诊断结果
上述各种传统算法与修正蝙蝠算法分别对支持向量机进行优化的故障诊断正确率如表3所示。
表3各种算法诊断结果对比分析
从表3可知，本技术方案故障诊断的正确率为94.61％，比其它四种算法在对变压器进行故障诊断中有较好的实用性。
上述实验结果表明，采用修正的蝙蝠算法优化支持向量机模型进行故障诊断与采用经验选取参数的支持向量机模型和粒子群算法优化支持向量机模型相比，故障诊断精确度更高，能有效提升分类准确性。本技术方案所述的修正的蝙蝠算法具有更高的故障诊断正判率，稳定性较高。
本发明提出了一种人工智能驱动的变压器故障诊断算法，针对传统蝙蝠算法训练时间长、收敛速度低，求解精度不高，易陷入局部最优等缺点，本技术方案提出了一种在速度方程中引入自适应系数，在位置方程中引入加权因子，在频率方程中引入改进系数的修正方法。
与已有技术相比，本技术方案利用变压器故障油中溶解气体DGA数据进行诊断时，避开了传统蝙蝠算法过早收敛、陷入局部极值的问题，有效提高了寻找最优 SVM惩罚因子和核函数参数的能力，将修正后的蝙蝠算法用于SVM寻找最优参数并建立故障诊断模型。
其利用修正的蝙蝠算法对影响支持向量机分类精度的两个主要参数C和σ进行寻优，获得最佳的参数组合并建立故障诊断模型，然后，将溶解气体分析(DGA) 数据代入模型，得到变压器故障诊断结果。
本发明的技术方案收敛速度更快，求解精度更高，鲁棒性较强，具有更高的故障诊断准确率，稳定性较高，为变压器故障诊断提供了一条新的思路。
通过实施本发明的技术方案，可以取得以下有益技术效果：
1、首先利用对原始变压器故障油中溶解气体数据取反正切函数值，对其DGA 数据求取其惯性系数，解数据的协方差；然后将数据集进行处理后的二级数据优化，并变换已处理后的二级优化DGA数据，且再次解二级优化数据的协方差；最后采用二级优化数据协方差矩阵的特征根及特征向量，得到各主要参数的方差贡献率及累计方差贡献率，统计满足累计方差贡献率大于或等于88％的主参数，组成因子载荷矩阵，并得出主参数表达式。实验表明，本方案能够清除DGA数据间的冗余性，同时将高维的DGA数据进行映射简化，得到具有线性无关且具有新特征的低维数据，达到提取主要特征的目的，以较少数量但包含信息较多的数据形式对变压器故障进行表示，具有较好的实用性。
2、利用修正的蝙蝠算法对影响支持向量机分类精度的两个主要参数C和σ进行寻优，获得最佳的参数组合并建立故障诊断模型，然后，将溶解气体分析(DGA) 数据代入模型，得到变压器故障诊断结果。本技术方案收敛速度更快，求解精度更高，鲁棒性较强；
3、最后，采用本技术方案获得的分类正确率，要高于其它其余智能算法优化支持向量机的变压器故障诊断模型获得的分类正确率。通过与传统的蝙蝠算法、粒子群算法、遗传算法和模拟退火算法寻优支持向量机(SVM)获得故障诊断结果相比较，本技术方案中的修正的蝙蝠算法具有更高的故障诊断准确率，稳定性较高，为变压器故障诊断提供了一条新的思路。
本发明可广泛用于电力数据分析处理以及变压器故障的诊断领域。
Claims (10)
1.一种人工智能驱动的变压器故障诊断方法，包括对变压器的相关数据进行分析、诊断，其特征是：
在利用变压器故障油中溶解气体DGA数据进行分析、诊断时，采用蝙蝠算法优化SVM参数，采用修正的蝙蝠算法优化支持向量机模型；
通过在速度方程中引入自适应系数α，在位置方程中引入加权因子H1和H2，在频率方程中引入改进系数β的修正方法，利用修正的蝙蝠算法对影响支持向量机分类精度的惩罚因子C和核函数参数σ进行寻优，获得最佳的参数组合，并建立故障诊断模型；
然后，将溶解气体分析DGA数据代入模型，进行故障诊断，进而得到变压器故障诊断结果。
2.按照权利要求1所述的人工智能驱动的变压器故障诊断方法，其特征是所述的在速度方程中引入自适应系数，首先将表示xi(t)与p(t)之间的偏离(vik(t)-pk(t))·fri(t)乘以自适应系数α；
在第t+1代时，每只蝙蝠首先更新其速度为：
vik(t+1)＝vik(t)+(vik(t)-pk(t))·fri(t)·α (1)
其中，自适应系数α：
式(1)中，vik(t)、pk(t)和fri(t)等分别为第t代时蝙蝠i的速度、第t代时群体历史最优位置和第t代时蝙蝠i的频率；
式(2)中，α1、α2分别为设定值，I、Imax分别为当前迭代次数和最大迭代次数，k取值在(0.3,0.6)区间。
3.按照权利要求1所述的人工智能驱动的变压器故障诊断方法，其特征是所述的在位置方程中引入加权因子，包括在位置方程中引入加权因子H1和H2，由此得到修正的位置方程为：
xik(t+1)＝xik(t)·H1+vik(t+1)·H2 (3)
其中，xik(t+1)为第t+1代时蝙蝠i的位置，xik(t)为第t代时蝙蝠i的位置，加权因子H1和H2分别由如下公式决定：
4.按照权利要求1所述的人工智能驱动的变压器故障诊断方法，其特征是所述的在频率方程中引入改进系数β后，频率方程表示为：
fri(t)＝frmin+(β+1)·(frmax-frmin)rand (6)
其中，frmax为预设的频率上限，frmin为预设的频率下限，rand为介于(0,1)且满足均匀分布的随机数，改进系数β由如下公式决定：
β＝(α2-α1)×tank (7)。
5.按照权利要求1所述的人工智能驱动的变压器故障诊断方法，其特征是所述的变压器故障诊断方法，采用修正型蝙蝠算法优化SVM参数从而获得最佳分类器，并根据获得的最佳分类器构建变压器故障诊断模型。
6.按照权利要求1所述的人工智能驱动的变压器故障诊断方法，其特征是所述的变压器故障诊断方法，将收集到油色谱数据仪DGA中的各项气体相对含量作为支持向量机模型的输入，利用典型故障气体的相对含量在高维空间的分布特性进行变压器故障类型判断。
7.按照权利要求1所述的人工智能驱动的变压器故障诊断方法，其特征是所述的变压器故障诊断方法，将已采集数据的六种变压器状态作为输入，构建五个二分类器，实现多分类；然后按照诊断模型依次类推，直到将六种变压器状态完全分开，达到最终分类的目的。
8.按照权利要求1所述的人工智能驱动的变压器故障诊断方法，其特征是所述的变压器故障诊断方法，利用变压器故障油中溶解气体DGA数据进行诊断时，避开传统蝙蝠算法过早收敛、陷入局部极值的问题，能够有效提高寻找最优SVM惩罚因子和核函数参数的能力，将修正后的蝙蝠算法用于SVM寻找最优参数并建立故障诊断模型。
9.按照权利要求1所述的人工智能驱动的变压器故障诊断方法，其特征是所述的变压器故障诊断方法，采用修正的蝙蝠算法优化支持向量机模型进行故障诊断，以获得更高的故障诊断精确度，提升故障分类的准确性；获取更高的故障诊断正判率和更高的稳定性。
10.按照权利要求1所述的人工智能驱动的变压器故障诊断方法，其特征是所述的变压器故障诊断方法，采用在速度方程中引入自适应系数，在位置方程中引入加权因子，在频率方程中引入改进系数的修正方法，在利用变压器故障油中溶解气体DGA数据进行诊断时，能够有效提高寻找最优SVM惩罚因子和核函数参数的能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210386306.XA CN115169428A (zh) | 2022-04-13 | 2022-04-13 | 一种人工智能驱动的变压器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210386306.XA CN115169428A (zh) | 2022-04-13 | 2022-04-13 | 一种人工智能驱动的变压器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115169428A true CN115169428A (zh) | 2022-10-11 |
Family
ID=83482780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210386306.XA Pending CN115169428A (zh) | 2022-04-13 | 2022-04-13 | 一种人工智能驱动的变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115169428A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117406048A (zh) * | 2023-12-15 | 2024-01-16 | 国网山西省电力公司太原供电公司 | 一种变压器放电故障诊断方法及装置 |
-
2022
- 2022-04-13 CN CN202210386306.XA patent/CN115169428A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117406048A (zh) * | 2023-12-15 | 2024-01-16 | 国网山西省电力公司太原供电公司 | 一种变压器放电故障诊断方法及装置 |
| CN117406048B (zh) * | 2023-12-15 | 2024-02-27 | 国网山西省电力公司太原供电公司 | 一种变压器放电故障诊断方法及装置 |
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 | |
| CN109142946A (zh) | 基于蚁群算法优化随机森林的变压器故障检测方法 | |
| CN110398650B (zh) | 基于k-邻近SMOTE和深度学习的变压器故障诊断方法 | |
| CN112131785B (zh) | 一种基于ann-nsga-ii的甲烷化镍基催化剂配方的筛选优化方法 | |
| CN110838590B (zh) | 一种质子交换膜燃料电池气体供应控制系统及方法 | |
| CN111539486A (zh) | 一种基于Dropout深度置信网络的变压器故障诊断方法 | |
| CN115169428A (zh) | 一种人工智能驱动的变压器故障诊断方法 | |
| CN113313306A (zh) | 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法 | |
| CN113255138A (zh) | 一种电力系统负荷分配优化方法 | |
| CN111401659A (zh) | 一种基于案例推理的超短期或短期光伏发电功率预测方法 | |
| CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
| CN116755000A (zh) | 一种变压器故障快速识别装置及方法 | |
| CN115146702A (zh) | 一种变压器故障诊断方法、介质及系统 | |
| CN115407053A (zh) | 征兆优选方法、计算机设备以及可读存储介质 | |
| Zhang et al. | A Novel Negative Sample Generating Method for Knowledge Graph Embedding. | |
| Li et al. | Cuckoo Search Optimized NN-Based Fault Diagnosis Approach for Power Transformer PHM | |
| CN111814989A (zh) | 基于蝗虫算法优化孪生支持向量机的变压器故障诊断方法 | |
| CN111062485A (zh) | 一种新型automl框架 | |
| CN106446495B (zh) | 碳纤维原丝生产过程中牵伸环节性能指标的预测方法 | |
| CN117725446B (zh) | 基于ga-bp的sofc电堆性能衰减预测方法及系统 | |
| CN114626309B (zh) | 一种高压加热器系统端差煤耗优化调节方法 | |
| Zhang et al. | Simulation research on breakdown diagnosis based on least squares support vector machine optimized by simulated annealing genetic algorithm. | |
| Miao et al. | A Transformer District Line Loss Calculation Method Based on Data Mining and Machine Learning | |
| Geng et al. | Study on prediction of dissolved oxygen content in aquaculture water | |
| CN111144431B (zh) | 一种基于cbbo-svm的变压器故障诊断方法 |
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 |