CN116626548A - 一种基于issa-pnn的变压器绕组变形诊断方法 - Google Patents
一种基于issa-pnn的变压器绕组变形诊断方法 Download PDFInfo
- Publication number
- CN116626548A CN116626548A CN202310630601.XA CN202310630601A CN116626548A CN 116626548 A CN116626548 A CN 116626548A CN 202310630601 A CN202310630601 A CN 202310630601A CN 116626548 A CN116626548 A CN 116626548A
- Authority
- CN
- China
- Prior art keywords
- deformation
- winding
- issa
- pnn
- sample
- 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
- 238000004804 winding Methods 0.000 title claims abstract description 287
- 238000003745 diagnosis Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000006698 induction Effects 0.000 claims abstract description 56
- 230000006870 function Effects 0.000 claims abstract description 45
- 238000009499 grossing Methods 0.000 claims abstract description 41
- 230000000739 chaotic effect Effects 0.000 claims abstract description 19
- 230000006835 compression Effects 0.000 claims description 55
- 238000007906 compression Methods 0.000 claims description 55
- 239000013598 vector Substances 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 39
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 229910052742 iron Inorganic materials 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 241000287127 Passeridae Species 0.000 abstract description 16
- 230000002028 premature Effects 0.000 abstract 1
- 208000027121 wild type ATTR amyloidosis Diseases 0.000 abstract 1
- 230000004044 response Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005520 electrodynamics Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
- G01B7/24—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge using change in magnetic properties
-
- 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
- G01R31/72—Testing of electric windings
-
- 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
- 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
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
一种基于ISSA‑PNN的变压器绕组变形诊断方法,首先,将变压器漏磁场的磁感应强度作为PNN的输入特征。其次,构建一种ISSA对PNN的平滑因子进行选取。利用融合反向学习思维的Tent混沌映射生成ISSA的初始位置信息,在麻雀个体位置更新方式中引入非线性惯性权重,克服了SSA迭代后期过早收敛,寻优能力不足的问题。最后,将PNN的变压器绕组变形诊断错误率设置为ISSA的适应度函数,利用ISSA的搜索机制选取基于变压器绕组变形样本实际分布的最优平滑因子,得到变压器绕组变形诊断最优PNN。
Description
技术领域
本发明涉及变压器故障诊断的技术领域,尤其涉及一种变压器绕组变形诊断方法。
背景技术
电力变压器作为特高压输电网络中的枢纽电气设备,其运行状态的好坏与电力系统的稳定水平密切相关。变压器运行环境复杂,结构部件繁多,长期负载运行下不可避免会出现各种故障。根据我国国家能源局发布的《2022全国电力可靠性年度报告》,由绕组损坏导致的变压器故障占变压器故障总数的19.91%。变压器绕组因受到短路电动力作用而发生的变形为弹塑性变形,并且会在绕组受到多次短路冲击后发生累积。此外,由于变压器的高压绕组和低压绕组依次缠绕于铁芯,常规检修时,检修人员仅能对最外层的线圈状态进行检查,无法确定内层的线圈状态。因此,变压器的绕组轻微变形通常会被检修人员所忽视。
当前,我国普遍使用频率响应法来检测变压器的绕组变形,通过对比绕组变形前后的频率响应曲线对变压器的绕组状态进行综合评判。而实际应用频率响应法时,往往出现绕组变形后实验数据变化不明显的现象。我国电力部门发布的《油浸式电力变压器(电抗器)技术监督导则》和《3~110kV电网继电保护装置运行整定规程》中规定,变压器绕组变形实验应包含频率响应法、低电压阻抗法、电容量法。通过三种实验的纵向和横向对比,对变压器的绕组变形缺陷和严重程度进行诊断。2017年,国家电网公司下发《国家电网公司变电检测管理规定》,其中的绕组频率响应分析细则要求,在频率响应法的实验结果基础上,需要结合变压器的油色谱气体数据来对绕组状态进行综合评判。由此可见,频率响应法的实验结果不能作为变压器绕组变形的唯一判据。变压器的绕组变形诊断依然是当前亟待解决的问题。
本申请以变压器的漏磁场磁感应强度作为表征绕组状态的特征量,将漏磁场磁感应强度的轴向分量和径向分量作为PNN的输入特征,通过构建一种ISSA选取基于绕组变形样本分布的最优PNN平滑因子,进而提升PNN的泛化性能。将PNN的绕组变形诊断错误率设置为ISSA的适应度函数,利用ISSA-PNN对绕组变形样本进行分类,以提升变压器的绕组变形诊断精度。
发明内容
本发明的目的是提供一种基于强化型麻雀搜索算法(Improved Sparrow SearchAlgorithm,ISSA)优化概率神经网络(ProbabilisticNeural Network,PNN)的变压器绕组变形诊断方法,解决现有技术对变压器绕组变形诊断精度较低的问题。
本发明是一种基于ISSA-PNN的变压器绕组变形诊断方法,其步骤包括:
步骤(1)将低压绕组轴向压缩变形、高压绕组轴向压缩变形、低压绕组径向凹陷变形、高压绕组径向鼓包变形共4种绕组变形类别作为绕组变形样本的标签值;
步骤(2)利用有限元仿真软件模拟变压器的绕组变形,进而获取变压器绕组变形状态下的漏磁场磁感应强度;通过设置变压器高压绕组和低压绕组的高度来模拟绕组的轴向压缩变形,将绕组变形前后的绕组高度差值作为轴向压缩变形量;通过设置变压器绕组的内外径长度来模拟绕组的径向凹陷变形或径向鼓包变形;模拟低压绕组径向凹陷变形时,将低压绕组变形前后的内径差值作为径向凹陷变形量;模拟高压绕组径向鼓包变形时,将高压绕组变形前后的外径差值作为径向鼓包变形量;
步骤(3)利用有限元仿真软件的后处理功能对变压器绕组变形后的漏磁场磁感应强度进行测量;选取铁轭下方高、低压绕组间的空道作为漏磁场磁感应强度的测量路径,选取测量路径从下至上等间距分布的3个测量点进行漏磁场磁感应强度的测量,将漏磁场磁感应强度的轴向分量和径向分量作为PNN诊断绕组变形的特征依据,进而确定变压器绕组变形诊断模型的输入特征数量为6,输入向量的形式为X(xz1,xz2,xz3,xj1,xj2,xj3),xz1为测量路径顶端的轴向漏磁场磁感应强度、xz2为测量路径中部的轴向漏磁场磁感应强度、xz3为测量路径底部的轴向漏磁场磁感应强度、xj1为测量路径顶端的径向漏磁场磁感应强度、xj2为测量路径中部的径向漏磁场磁感应强度、xj3为测量路径底部的径向漏磁场磁感应强度;
步骤(4)对变压器绕组变形状态下的漏磁场磁感应强度样本集进行划分,将60%的样本数据用于模型训练,40%的样本数据用于模型性能评估,此时PNN样本层中对应的绕组变形训练样本向量的数量为漏磁场磁感应强度样本集的60%;
步骤(5)将ISSA的个体位置信息设置为PNN样本层的平滑因子,进而确定PNN样本层的相关度判别函数,通过相关度判别函数来计算待识别绕组变形样本向量与样本层中低压绕组轴向压缩变形训练样本向量、高压绕组轴向压缩变形训练样本向量、低压绕组径向凹陷变形训练样本向量、高压绕组径向鼓包变形训练样本向量之间的相关度;求和层聚集样本层中待识别绕组变形样本向量分别属于低压绕组轴向压缩变形、高压绕组轴向压缩变形、低压绕组径向凹陷变形、高压绕组径向鼓包变形的概率密度估计并作加权平均后,输出概率密度估计最大的绕组变形类别作为待识别绕组变形样本的诊断结果;
步骤(6)将PNN的绕组变形诊断错误率设置为ISSA的适应度值函数;将ISSA原个体位置信息设置为平滑因子1、将利用融合反向学习策略的Tent混沌映射生成的反向个体位置信息设置为平滑因子2,进而确定平滑因子1对应的样本层相关度判别函数1和平滑因子2对应的样本层相关度判别函数2;通过相关度判别函数1和相关度判别函数2分别计算待识别绕组变形样本向量与样本层中低压绕组轴向压缩变形训练样本向量、高压绕组轴向压缩变形训练样本向量、低压绕组径向凹陷变形训练样本向量、高压绕组径向鼓包变形训练样本向量之间的相关度,得到两组不同的变压器绕组变形诊断结果,保留绕组诊断精度更高的相关度判别函数对应的个体位置信息作为ISSA的初始迭代个体;
步骤(7)在ISSA的个体位置信息迭代更新过程中,通过引入非线性惯性权重ω对ISSA中发现者的位置更新策略进行调整,及时纠正ISSA的种群搜索方向;ISSA的不同个体位置信息对应PNN样本层不同的相关度判别函数;将ISSA个体之间的位置信息差异作为调整因素融入ISSA中发现者的位置更新公式,ISSA个体之间的位置信息差异能用适应度值差异来表示;ISSA种群个体间的适应度值差异较大说明种群个体的分布比较稀疏,此时非线性惯性权重ω减小使得发现者的搜索步长减小;种群个体间的适应度值接近说明种群个体出现聚集现象,非线性惯性权重ω增大使得发现者的搜索步长增大;依据ISSA的种群个体空间分布对ISSA下一步的位置更新策略进行动态调整,从而有更大的机率选取基于变压器绕组变形样本分布的最优平滑因子;
步骤(8)更新ISSA的个体位置信息直至设置的最大迭代次数,选取ISSA中适应度值最优个体对应的位置信息作为基于绕组变形样本分布的最优PNN平滑因子,进而确定后续待识别绕组变形样本属于低压绕组轴向压缩变形、高压绕组轴向压缩变形、低压绕组径向凹陷变形以及高压绕组径向鼓包变形的概率密度估计,实现基于ISSA-PNN的变压器绕组变形诊断。
本发明的有益之处在于:本发明以变压器漏磁场磁感应强度的变化为依据,提出了一种基于ISSA-PNN的变压器绕组变形诊断方法,克服了PNN样本层中平滑因子选取过度依赖操作者经验,进而影响变压器绕组变形诊断精度的问题。将ISSA的个体位置信息设置为PNN样本层的平滑因子,进而获取PNN平滑因子不同取值下的变压器绕组变形诊断错误率。将PNN的变压器绕组变形诊断错误率设置为ISSA的适应度函数,ISSA多次迭代后适应度值最优个体对应的位置信息即为PNN的最优平滑因子。利用融合反向学习思维的Tent混沌映射生成ISSA的初始位置信息,改善ISSA种群空间分布的均衡性。在ISSA位置更新方式中引入非线性惯性权重,协调ISSA的全局探索性能和局部开掘能力,通过选取基于变压器绕组变形样本分布的PNN最优平滑因子,提升PNN的变压器绕组变形诊断精度。
附图说明
图1是基于ISSA-PNN的变压器绕组变形诊断流程图,图2是ISSA优化PNN平滑因子选取的适应度值函数收敛曲线,图3是变压器绕组变形样本测试集的诊断结果。
实施方式
如图1所示,本发明是一种基于ISSA-PNN的变压器绕组变形诊断方法,其步骤包括:
步骤(1)将低压绕组轴向压缩变形、高压绕组轴向压缩变形、低压绕组径向凹陷变形、高压绕组径向鼓包变形共4种绕组变形类别作为绕组变形样本的标签值;
步骤(2)利用有限元仿真软件模拟变压器的绕组变形,进而获取变压器绕组变形状态下的漏磁场磁感应强度;通过设置变压器高压绕组和低压绕组的高度来模拟绕组的轴向压缩变形,将绕组变形前后的绕组高度差值作为轴向压缩变形量;通过设置变压器绕组的内外径长度来模拟绕组的径向凹陷变形或径向鼓包变形;模拟低压绕组径向凹陷变形时,将低压绕组变形前后的内径差值作为径向凹陷变形量;模拟高压绕组径向鼓包变形时,将高压绕组变形前后的外径差值作为径向鼓包变形量;
步骤(3)利用有限元仿真软件的后处理功能对变压器绕组变形后的漏磁场磁感应强度进行测量;选取铁轭下方高、低压绕组间的空道作为漏磁场磁感应强度的测量路径,选取测量路径从下至上等间距分布的3个测量点进行漏磁场磁感应强度的测量,将漏磁场磁感应强度的轴向分量和径向分量作为PNN诊断绕组变形的特征依据,进而确定变压器绕组变形诊断模型的输入特征数量为6,输入向量的形式为X(xz1,xz2,xz3,xj1,xj2,xj3),xz1为测量路径顶端的轴向漏磁场磁感应强度、xz2为测量路径中部的轴向漏磁场磁感应强度、xz3为测量路径底部的轴向漏磁场磁感应强度、xj1为测量路径顶端的径向漏磁场磁感应强度、xj2为测量路径中部的径向漏磁场磁感应强度、xj3为测量路径底部的径向漏磁场磁感应强度;
步骤(4)对变压器绕组变形状态下的漏磁场磁感应强度样本集进行划分,将60%的样本数据用于模型训练,40%的样本数据用于模型性能评估,此时PNN样本层中对应的绕组变形训练样本向量的数量为漏磁场磁感应强度样本集的60%;
步骤(5)将ISSA的个体位置信息设置为PNN样本层的平滑因子,进而确定PNN样本层的相关度判别函数,通过相关度判别函数来计算待识别绕组变形样本向量与样本层中低压绕组轴向压缩变形训练样本向量、高压绕组轴向压缩变形训练样本向量、低压绕组径向凹陷变形训练样本向量、高压绕组径向鼓包变形训练样本向量之间的相关度;求和层聚集样本层中待识别绕组变形样本向量分别属于低压绕组轴向压缩变形、高压绕组轴向压缩变形、低压绕组径向凹陷变形、高压绕组径向鼓包变形的概率密度估计并作加权平均后,输出概率密度估计最大的绕组变形类别作为待识别绕组变形样本的诊断结果;
步骤(6)将PNN的绕组变形诊断错误率设置为ISSA的适应度值函数;将ISSA原个体位置信息设置为平滑因子1、将利用融合反向学习策略的Tent混沌映射生成的反向个体位置信息设置为平滑因子2,进而确定平滑因子1对应的样本层相关度判别函数1和平滑因子2对应的样本层相关度判别函数2;通过相关度判别函数1和相关度判别函数2分别计算待识别绕组变形样本向量与样本层中低压绕组轴向压缩变形训练样本向量、高压绕组轴向压缩变形训练样本向量、低压绕组径向凹陷变形训练样本向量、高压绕组径向鼓包变形训练样本向量之间的相关度,得到两组不同的变压器绕组变形诊断结果,保留绕组诊断精度更高的相关度判别函数对应的个体位置信息作为ISSA的初始迭代个体;
步骤(7)在ISSA的个体位置信息迭代更新过程中,通过引入非线性惯性权重ω对ISSA中发现者的位置更新策略进行调整,及时纠正ISSA的种群搜索方向;ISSA的不同个体位置信息对应PNN样本层不同的相关度判别函数;将ISSA个体之间的位置信息差异作为调整因素融入ISSA中发现者的位置更新公式,ISSA个体之间的位置信息差异能用适应度值差异来表示;ISSA种群个体间的适应度值差异较大说明种群个体的分布比较稀疏,此时非线性惯性权重ω减小使得发现者的搜索步长减小;种群个体间的适应度值接近说明种群个体出现聚集现象,非线性惯性权重ω增大使得发现者的搜索步长增大;依据ISSA的种群个体空间分布对ISSA下一步的位置更新策略进行动态调整,从而有更大的机率选取基于变压器绕组变形样本分布的最优平滑因子;
步骤(8)更新ISSA的个体位置信息直至设置的最大迭代次数,选取ISSA中适应度值最优个体对应的位置信息作为基于绕组变形样本分布的最优PNN平滑因子,进而确定后续待识别绕组变形样本属于低压绕组轴向压缩变形、高压绕组轴向压缩变形、低压绕组径向凹陷变形以及高压绕组径向鼓包变形的概率密度估计,实现基于ISSA-PNN的变压器绕组变形诊断。
下面结合附图对本发明作进一步详细说明。
本发明的基于ISSA-PNN的变压器绕组变形诊断方法,其流程如图1所示,具体为以下步骤:
步骤S1:将低压绕组轴向压缩变形、高压绕组轴向压缩变形、低压绕组径向凹陷变形、高压绕组径向鼓包变形共4种绕组变形类型作为变压器绕组变形样本的标签值,进而确定基于ISSA-PNN的变压器绕组变形诊断模型的输出类别为4;
步骤S2:利用有限元仿真软件模拟变压器的绕组变形,进而获取变压器绕组变形状态下的漏磁场磁感应强度样本。通过设置变压器高压绕组和低压绕组的高度来模拟绕组的轴向压缩变形,将绕组变形前后的绕组高度差值作为轴向压缩变形量。通过设置变压器绕组的内外径长度来模拟绕组的径向凹陷变形或径向鼓包变形,并假设绕组径向变形前后绕组的厚度不变。模拟低压绕组径向凹陷变形时,将低压绕组变形前后的内径差值作为径向凹陷变形量。模拟高压绕组径向鼓包变形时,将高压绕组变形前后的外径差值作为径向鼓包变形量。
步骤S3:将轴向压缩变形量按绕组高度的0.5%依次递增,利用有限元仿真软件模拟变形量为0.5%-25%的变压器低压绕组轴向压缩变形和高压绕组轴向压缩变形。将径向变形量按照绕组内径和外径的0.5%依次递增,利用有限元仿真软件模拟变形量为0.5%-25%的变压器低压绕组径向凹陷变形和高压绕组径向鼓包变形。利用有限元仿真软件的后处理功能对变压器绕组变形后的漏磁场磁感应强度进行测量。选取铁轭下方高、低压绕组间空道从下至上等间距分布的3个测量点作为漏磁场磁感应强度的测量点。仿真共获取变压器绕组变形样本200组,包含低压绕组轴向压缩变形样本50组、高压绕组轴向压缩变形样本50组、低压绕组径向凹陷变形样本50组、高压绕组径向鼓包变形样本50组。
步骤S4:将漏磁场磁感应强度的轴向分量和径向分量作为PNN诊断绕组变形类别的特征依据,进而确定变压器绕组变形诊断模型的输入特征数量为6。输入向量的形式为X(xz1,xz2,xz3,xj1,xj2,xj3),xz1为测量路径顶端的轴向漏磁场磁感应强度、xz2为测量路径中部的轴向漏磁场磁感应强度、xz3为测量路径底部的轴向漏磁场磁感应强度、xj1为测量路径顶端的径向漏磁场磁感应强度、xj2为测量路径中部的径向漏磁场磁感应强度、xj3为测量路径底部的径向漏磁场磁感应强度;
步骤S5:对变压器绕组变形样本集进行归一化处理,公式为:
其中:xmin为漏磁场磁感应强度样本中的最小值;xmax为漏磁场磁感应强度样本中的最大值。
步骤S6:对变压器绕组变形状态下的漏磁场磁感应强度样本集进行划分,将60%的样本数据用于模型训练,40%的样本数据用于模型性能评估,此时PNN样本层中对应的绕组变形训练样本向量的数量为漏磁场磁感应强度样本集的60%;
步骤S7:利用融合反向学习策略的Tent混沌映射生成ISSA的初始种群位置信息。随机生成(0,1)内的初始数x0,将x0代入Tent混沌映射的表达式并进行迭代,迭代次数自增1。Tent混沌映射的定义如下:
其中,xi为Tent混沌映射第i次迭代时产生的混沌值,xi+1为Tent混沌映射第i+1次迭代时产生的混沌值,a为Tent混沌映射的调节参数,用于调节Tent混沌映射的混沌分布。
步骤S8:由于混沌系统本身的限制,混沌序列中往往存在小周期点和不稳定周期点。为了削弱随机过程带来的不确定性,在原有Tent混沌映射的基础上融合反向学习策略,生成ISSA的初始种群位置信息。假设混沌值x在混沌空间内的上下界为u和l,则x反向解的定义如下:
x*=u+l-x (公式三)
步骤S9:将反向解的定义延伸至d维空间,同时引入随机因子r,进一步扩展ISSA在空间中的位置分布。假设麻雀种群的数量为N,则第i只麻雀在第d维空间中的反向解的定义如下:
其中,xi d为第i个麻雀个体第d维的位置信息;u和l是解空间的上下界;r是服从(0,1)标准均匀分布的随机数。
步骤S10:将ISSA原个体位置信息设置为平滑因子1、将利用融合反向学习策略的Tent混沌映射生成的反向个体位置信息设置为平滑因子2,进而确定平滑因子1对应的样本层相关度判别函数1和平滑因子2对应的样本层相关度判别函数2。通过相关度判别函数1和相关度判别函数2分别计算待识别绕组变形样本向量与样本层中低压绕组轴向压缩变形训练样本向量、高压绕组轴向压缩变形训练样本向量、低压绕组径向凹陷变形训练样本向量、高压绕组径向鼓包变形训练样本向量之间的相关度,相关度判别函数的定义如下:
其中,i=1,2,…,N,N为绕组变形样本标签值的数量,d为绕组变形样本特征值的数量,σ为平滑因子,其取值大小直接决定样本层的输出结果,进而影响输入样本的最终判定类别,x为待分类绕组变形样本向量,xi为绕组变形训练样本向量。
步骤S11:PNN的求和层聚集样本层输出的待识别绕组变形样本向量与绕组变形训练样本向量的相关度结果,并对属于同一绕组变形类别的相关度进行加权平均,进而得到待识别绕组变形样本分别隶属于低压绕组轴向压缩变形、高压绕组轴向压缩变形、低压绕组径向凹陷变形、高压绕组径向鼓包变形的概率密度估计,公式为:
其中:vi为待识别绕组变形样本向量隶属于第i种绕组变形类别的概率密度估计,L为第i种绕组变形类型样本对应的神经元节点数量,为待识别绕组变形样本向量与第i种类型绕组变形样本中的第k个绕组变形训练样本之间的相关度。
步骤S12:PNN的输出层可以看作一个阈值判别器。输出层通过接收求和层传递过来的待识别绕组变形样本隶属于低压绕组轴向压缩变形、高压绕组轴向压缩变形、低压绕组径向凹陷变形、高压绕组径向鼓包变形的概率密度估计,选取概率密度估计最大的绕组变形类别作为待识别绕组变形样本的最终诊断结果,公式为:
y=argmax(vi)(公式七)
步骤S13:将PNN的变压器绕组变形诊断错误率作为ISSA的适应度函数,利用平滑因子1确定的相关度判别函数1和平滑因子2确定的相关度判别函数2进行绕组变形诊断精度对比后,保留绕组变形诊断精度更高的个体位置信息作为ISSA的初始迭代个体。
步骤S14:通过引入非线性惯性权重ω,将ISSA个体之间的位置信息差异作为调整因素融入ISSA的位置更新公式。ISSA的不同个体位置信息对应PNN样本层不同的相关度判别函数,ISSA个体间的位置信息差异可以用适应度值差异来表示。非线性惯性权重ω的定义如下:
ω=ωref-(fmax-fmin)*(i/Tmax)2(公式八)
其中,ωref为设置的参考适应度值,fmax和fmin分别为第i次迭代过程中ISSA的最大适应度值和最小适应度值,i为ISSA当前迭代次数,Tmax为设置的最大迭代次数。
随着迭代次数增加,适应度值差异部分对应的权重在ω中逐渐增大。当ISSA个体间的适应度值差异较大时,不同平滑因子对应的变压器绕组变形诊断精度差异较大,此时非线性惯性权重ω减小,有利于ISSA进行局部探索,加快ISSA的收敛速度;当ISSA个体间的适应度值差异较小时,不同平滑因子对应的变压器绕组变形诊断精度差异较小,此时非线性惯性权重ω增大,有利于ISSA进行全局搜索,跳出局部最优值。此时ISSA中发现者的位置更新公式定义为:
其中,k为ISSA目前的迭代次数,Tmax为设置的最大迭代次数,Xk i,d表示ISSA在第k次迭代过程中,麻雀种群中第i只麻雀个体第d维的信息,0<α≤1,是一个随机数,S和R分别代表安全值和预警值,S∈[0.5,1],R∈[0,1],Q是一个服从正态分布的随机数,当R≥S时,表明当前麻雀种群可能受到来自外界环境的威胁,麻雀种群中的预警个体发出报警信息,麻雀种群迁移至搜索空间的其它位置继续搜索食物,其它情况时,ISSA的预警值小于设置的安全值,表明麻雀种群当前迭代次数下所处的环境相对安全,麻雀种群中的个体可以在此区域进行广泛探索进而提升自身的适应度值。
步骤S15:更新ISSA中加入者的位置信息,加入者的位置更新公式定义为:
其中:Xbest为麻雀种群当前迭代次数下的最佳位置,即适应度值最优个体对应的位置信息,Xworst为适应度值最劣个体对应的位置信息,A随机取值为1或-1,当i≥n/2时,表明种群中第i个加入者的适应度值较差,无法获取充足的食物,此时加入者转移至其它区域进行探索来提升自身的食物储备,其它情况时,加入者在拥有全局最优适应度值的发现者附近区域搜索食物,从而有更大的概率提升自身的适应度值。
步骤S16:更新ISSA中预警个体的位置信息,预警个体的位置更新公式定义为:
其中:λ用来设置步长;J∈[-1,1],fi为麻雀个体当前的适应度值,fg为当前全局最佳适应度值,fw为当前全局最劣适应度值,ε数值较小,用来防止分母为0,fi≠fg时,说明该个体处于群体分布的边缘,更容易受到外部环境威胁,其它情况时,表明处于群体核心位置的个体感受到外部环境威胁,通过接近其它麻雀减少自身发生危险的概率。
步骤S17:更新ISSA中所有个体的位置信息直至设置的最大迭代次数,ISSA的适应度函数收敛曲线如图2所示。在迭代次数达到63时,ISSA适应度值逐渐收敛至0.0875,平滑因子取值为0.0233。
步骤S18:将PNN的平滑因子设置为ISSA迭代后得到的全局最优值0.0233,此时变压器绕组变形测试集样本的具体诊断结果如图3所示。在类别标签中,用数字1-4表示不同的绕组变形类型,1代表低压绕组轴向压缩变形、2代表高压绕组轴向压缩变形、3代表低压绕组径向凹陷变形、4代表高压绕组径向鼓包变形。在测试集50个绕组变形样本中,ISSA-PNN的诊断精度为92%,在仅出现的4例诊断错误样本中,有2例属于低压绕组轴向压缩变形,1例属于高压绕组轴向压缩变形、1例属于高压绕组径向鼓包变形。
以上是本发明的实施方法之一,对于本领域内的一般技术员而言,在不花费创造性劳动的情况下,可对上述实施例进行多种变化,同样能够实现本发明的目的。但是很明显,这种变化应该包含在本发明权利要求书的保护范围内。
Claims (1)
1.一种基于ISSA-PNN的变压器绕组变形诊断方法,其特征在于,其步骤包括:
步骤(1)将低压绕组轴向压缩变形、高压绕组轴向压缩变形、低压绕组径向凹陷变形、高压绕组径向鼓包变形共4种绕组变形类别作为绕组变形样本的标签值;
步骤(2)利用有限元仿真软件模拟变压器的绕组变形,进而获取变压器绕组变形状态下的漏磁场磁感应强度;通过设置变压器高压绕组和低压绕组的高度来模拟绕组的轴向压缩变形,将绕组变形前后的绕组高度差值作为轴向压缩变形量;通过设置变压器绕组的内外径长度来模拟绕组的径向凹陷变形或径向鼓包变形;模拟低压绕组径向凹陷变形时,将低压绕组变形前后的内径差值作为径向凹陷变形量;模拟高压绕组径向鼓包变形时,将高压绕组变形前后的外径差值作为径向鼓包变形量;
步骤(3)利用有限元仿真软件的后处理功能对变压器绕组变形后的漏磁场磁感应强度进行测量;选取铁轭下方高、低压绕组间的空道作为漏磁场磁感应强度的测量路径,选取测量路径从下至上等间距分布的3个测量点进行漏磁场磁感应强度的测量,将漏磁场磁感应强度的轴向分量和径向分量作为PNN诊断绕组变形的特征依据,进而确定变压器绕组变形诊断模型的输入特征数量为6,输入向量的形式为X(xz1,xz2,xz3,xj1,xj2,xj3),xz1为测量路径顶端的轴向漏磁场磁感应强度、xz2为测量路径中部的轴向漏磁场磁感应强度、xz3为测量路径底部的轴向漏磁场磁感应强度、xj1为测量路径顶端的径向漏磁场磁感应强度、xj2为测量路径中部的径向漏磁场磁感应强度、xj3为测量路径底部的径向漏磁场磁感应强度;
步骤(4)对变压器绕组变形状态下的漏磁场磁感应强度样本集进行划分,将60%的样本数据用于模型训练,40%的样本数据用于模型性能评估,此时PNN样本层中对应的绕组变形训练样本向量的数量为漏磁场磁感应强度样本集的60%;
步骤(5)将ISSA的个体位置信息设置为PNN样本层的平滑因子,进而确定PNN样本层的相关度判别函数,通过相关度判别函数来计算待识别绕组变形样本向量与样本层中低压绕组轴向压缩变形训练样本向量、高压绕组轴向压缩变形训练样本向量、低压绕组径向凹陷变形训练样本向量、高压绕组径向鼓包变形训练样本向量之间的相关度;求和层聚集样本层中待识别绕组变形样本向量分别属于低压绕组轴向压缩变形、高压绕组轴向压缩变形、低压绕组径向凹陷变形、高压绕组径向鼓包变形的概率密度估计并作加权平均后,输出概率密度估计最大的绕组变形类别作为待识别绕组变形样本的诊断结果;
步骤(6)将PNN的绕组变形诊断错误率设置为ISSA的适应度值函数;将ISSA原个体位置信息设置为平滑因子1、将利用融合反向学习策略的Tent混沌映射生成的反向个体位置信息设置为平滑因子2,进而确定平滑因子1对应的样本层相关度判别函数1和平滑因子2对应的样本层相关度判别函数2;通过相关度判别函数1和相关度判别函数2分别计算待识别绕组变形样本向量与样本层中低压绕组轴向压缩变形训练样本向量、高压绕组轴向压缩变形训练样本向量、低压绕组径向凹陷变形训练样本向量、高压绕组径向鼓包变形训练样本向量之间的相关度,得到两组不同的变压器绕组变形诊断结果,保留绕组诊断精度更高的相关度判别函数对应的个体位置信息作为ISSA的初始迭代个体;
步骤(7)在ISSA的个体位置信息迭代更新过程中,通过引入非线性惯性权重ω对ISSA中发现者的位置更新策略进行调整,及时纠正ISSA的种群搜索方向;ISSA的不同个体位置信息对应PNN样本层不同的相关度判别函数;将ISSA个体之间的位置信息差异作为调整因素融入ISSA中发现者的位置更新公式,ISSA个体之间的位置信息差异能用适应度值差异来表示;ISSA种群个体间的适应度值差异较大说明种群个体的分布比较稀疏,此时非线性惯性权重ω减小使得发现者的搜索步长减小;种群个体间的适应度值接近说明种群个体出现聚集现象,非线性惯性权重ω增大使得发现者的搜索步长增大;依据ISSA的种群个体空间分布对ISSA下一步的位置更新策略进行动态调整,从而有更大的机率选取基于变压器绕组变形样本分布的最优平滑因子;
步骤(8)更新ISSA的个体位置信息直至设置的最大迭代次数,选取ISSA中适应度值最优个体对应的位置信息作为基于绕组变形样本分布的最优PNN平滑因子,进而确定后续待识别绕组变形样本属于低压绕组轴向压缩变形、高压绕组轴向压缩变形、低压绕组径向凹陷变形以及高压绕组径向鼓包变形的概率密度估计,实现基于ISSA-PNN的变压器绕组变形诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630601.XA CN116626548B (zh) | 2023-05-31 | 2023-05-31 | 一种基于issa-pnn的变压器绕组变形诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310630601.XA CN116626548B (zh) | 2023-05-31 | 2023-05-31 | 一种基于issa-pnn的变压器绕组变形诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116626548A true CN116626548A (zh) | 2023-08-22 |
CN116626548B CN116626548B (zh) | 2024-02-23 |
Family
ID=87597096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310630601.XA Active CN116626548B (zh) | 2023-05-31 | 2023-05-31 | 一种基于issa-pnn的变压器绕组变形诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116626548B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363277A (zh) * | 2019-07-15 | 2019-10-22 | 南京工业大学 | 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统 |
CN110909802A (zh) * | 2019-11-26 | 2020-03-24 | 西安邮电大学 | 一种基于改进的pso优化pnn平滑因子的故障分类方法 |
US20210049515A1 (en) * | 2019-08-16 | 2021-02-18 | China Institute Of Water Resources And Hydropower Research | Prediction method and system of high slope deformation |
CN113705396A (zh) * | 2021-08-16 | 2021-11-26 | 西安交通大学 | 一种电机故障诊断方法、系统及设备 |
CN115060497A (zh) * | 2022-06-10 | 2022-09-16 | 南昌工程学院 | 基于ceemd能量熵和优化pnn的轴承故障诊断方法 |
-
2023
- 2023-05-31 CN CN202310630601.XA patent/CN116626548B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363277A (zh) * | 2019-07-15 | 2019-10-22 | 南京工业大学 | 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及系统 |
US20210049515A1 (en) * | 2019-08-16 | 2021-02-18 | China Institute Of Water Resources And Hydropower Research | Prediction method and system of high slope deformation |
CN110909802A (zh) * | 2019-11-26 | 2020-03-24 | 西安邮电大学 | 一种基于改进的pso优化pnn平滑因子的故障分类方法 |
CN113705396A (zh) * | 2021-08-16 | 2021-11-26 | 西安交通大学 | 一种电机故障诊断方法、系统及设备 |
CN115060497A (zh) * | 2022-06-10 | 2022-09-16 | 南昌工程学院 | 基于ceemd能量熵和优化pnn的轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116626548B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tong et al. | Detection and classification of transmission line transient faults based on graph convolutional neural network | |
CN108182500A (zh) | 基于加速寿命试验的弹药贮存可靠性预测方法 | |
CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
CN115932484B (zh) | 输电线路故障辨识与故障测距方法、装置和电子设备 | |
CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
CN110879373A (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
CN113065522A (zh) | 基于深度神经网络的变压器局部放电类型识别方法 | |
CN116626548B (zh) | 一种基于issa-pnn的变压器绕组变形诊断方法 | |
Yang et al. | Event detection, localization, and classification based on semi-supervised learning in power grids | |
CN115618286A (zh) | 变压器局部放电类型识别方法、系统、设备、终端及应用 | |
CN112036682A (zh) | 一种频繁停电的预警方法及装置 | |
CN113298296A (zh) | 一种自下而上的输电变电站日前负荷概率预测方法 | |
CN115905523A (zh) | 一种基于自然语言处理的变压器噪声故障分析与检修方法和系统 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN114741822A (zh) | 一种自然灾害下配电网停电概率预测方法、系统及装置 | |
CN114266370A (zh) | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 | |
CN114048819A (zh) | 基于注意力机制和卷积神经网络的配电网拓扑辨识方法 | |
Yang et al. | Intelligent Fault Diagnosis Method of Capacitor Voltage Transformer based on Recurrent Neural Network | |
CN112580883A (zh) | 一种基于机器学习与神经网络的电力变压器状态预测方法 | |
CN112183737A (zh) | 基于萤火虫算法和cnn的高压电缆局部放电模式识别方法 | |
CN112765882B (zh) | Afsa与l-m融合算法的cvt等值参数辨识方法 | |
CN116756548B (zh) | 应用于低压配电物联网的断路器管理方法及系统 | |
Chang et al. | Detection of latent fault in medium voltage distribution cables based on guiding learning model | |
CN117092433A (zh) | 一种电力专用传感器电磁可靠性测试方法、装置及存储介质 | |
Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal |
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 |