CN116913406A - 一种变压器的故障识别方法、装置、设备及介质 - Google Patents
一种变压器的故障识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116913406A CN116913406A CN202310957273.4A CN202310957273A CN116913406A CN 116913406 A CN116913406 A CN 116913406A CN 202310957273 A CN202310957273 A CN 202310957273A CN 116913406 A CN116913406 A CN 116913406A
- Authority
- CN
- China
- Prior art keywords
- smoothing factor
- factor parameters
- jellyfish
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000009499 grossing Methods 0.000 claims abstract description 141
- 241000242583 Scyphozoa Species 0.000 claims abstract description 66
- 238000003062 neural network model Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 239000007789 gas Substances 0.000 description 27
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect 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
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种变压器的故障识别方法、装置、设备及介质。其中,该方法包括:获取变压器油中溶解气体的浓度数据;基于优化后的概率神经网络模型对所述浓度数据进行处理,得到所述变压器的故障类型;所述优化后的概率神经网络模型为根据目标平滑因子参数确定的;所述目标平滑因子参数为通过人工水母搜索算法从候选平滑因子参数中确定的;所述候选平滑因子参数为满足适应度条件的平滑因子参数。本技术方案在满足适应度条件的候选平滑因子参数中确定出目标平滑因子参数,再根据目标平滑因子参数确定优化后的概率神经网络模型,使得在通过模型进行故障识别时,提高了故障识别的精度和效率。
Description
技术领域
本发明涉及变压器技术领域,尤其涉及一种变压器的故障识别方法、装置、设备及介质。
背景技术
变压器油中溶解气体分析法(DGA)是变压器内部故障诊断的重要手段。目前,业内的一种方案是通过改良三比值法识别变压器故障;另一种方案是结合人工智能算法与DGA技术,对变压器故障进行诊断,然而,目前基于人工智能算法对变压器的故障类型进行识别时,存在识别效果较差,识别结果不够精准的问题。
发明内容
本发明提供了一种变压器的故障识别方法、装置、设备及介质,能够精准识别出变压器的故障类型。
根据本发明的一方面,提供了一种变压器的故障识别方法,所述方法包括:
获取变压器油中溶解气体的浓度数据;
基于优化后的概率神经网络模型对所述浓度数据进行处理,得到所述变压器的故障类型;所述优化后的概率神经网络模型为根据目标平滑因子参数确定的;所述目标平滑因子参数为通过人工水母搜索算法从候选平滑因子参数中确定的;所述候选平滑因子参数为满足适应度条件的平滑因子参数。
根据本发明的另一方面,提供了一种变压器的故障识别装置,包括:
浓度数据获取模块,用于获取变压器油中溶解气体的浓度数据;
故障类型确定模块,用于基于优化后的概率神经网络模型对所述浓度数据进行处理,得到所述变压器的故障类型;所述优化后的概率神经网络模型为根据目标平滑因子参数确定的;所述目标平滑因子参数为通过人工水母搜索算法从候选平滑因子参数中确定的;所述候选平滑因子参数为满足适应度条件的平滑因子参数。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的变压器的故障识别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的变压器的故障识别方法。
本申请实施例的技术方案,包括:获取变压器油中溶解气体的浓度数据;基于优化后的概率神经网络模型对所述浓度数据进行处理,得到所述变压器的故障类型;所述优化后的概率神经网络模型为根据目标平滑因子参数确定的;所述目标平滑因子参数为通过人工水母搜索算法从候选平滑因子参数中确定的;所述候选平滑因子参数为满足适应度条件的平滑因子参数。本技术方案在满足适应度条件的候选平滑因子参数中确定出目标平滑因子参数,再根据目标平滑因子参数确定优化后的概率神经网络模型,使得在通过模型进行故障识别时,提高了故障识别的精度和效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请实施例一提供的一种变压器的故障识别方法的流程图;
图2是根据本申请实施例二提供的一种变压器的故障识别方法的流程图;
图3是根据本申请实施例三提供的一种变压器的故障识别装置的结构示意图;
图4是实现本申请实施例的一种变压器的故障识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本申请实施例一提供了一种变压器的故障识别方法的流程图,本申请实施例可适用于对油浸变压器的内部故障进行识别的情况,该方法可以由变压器的故障识别装置来执行,该变压器的故障识别装置可以采用硬件和/或软件的形式实现,该变压器的故障识别装置可配置于具有数据处理能力的电子设备中。如图1所示,该方法包括:
S110,获取变压器油中溶解气体的浓度数据。
其中,变压器可以是油浸式变压器,此类变压器在产生各类故障后,变压器油中溶解气体的浓度也会产生变化,所以,可通过变压器油中溶解气体的浓度数据确定变压器的故障类型。
油中溶解气体是指变压器内部以分子状态溶解在油中的气体,油中溶解气体来源主要为空气的溶解、正常运行产气和内部故障产气三方面,变压器油中溶解气体组分主要有N2,O2,H2,CH4,C2H2。C2H4,C2H6,C3H6,C3H8,CO,CO2等,示例性的,本申请实施例中所获取变压器油中溶解气体的浓度数据,可以是H2、CH4、C2H6、C2H4和C2H2的浓度数据。
具体的,在一种可行的方案中,可以在检测到故障识别控件已触发后,显示油中溶解气体的浓度的输入框,以通过所述输入框获取工作人员输入的变压器油中溶解气体的浓度数据。在另一种可行的方案中,提供油中溶解气体的浓度输入接口,所述输入接口与油中溶解气体的浓度采集设备连接,进而可以实时读取油中溶解气体的浓度数据。显而易见的是,上述两个方案中,一种可以获取工作人员输入的变压器油中溶解气体的浓度数据,该浓度数据可以是经过校准后,比较精准的浓度数据,进而可以通过后续步骤精准识别变压器故障类型;另一种可以实现变压器油中溶解气体的浓度数据的实时获取,进而可以实时检测变压器是否产生故障。
S120,基于优化后的概率神经网络模型对所述浓度数据进行处理,得到所述变压器的故障类型;所述优化后的概率神经网络模型为根据目标平滑因子参数确定的;所述目标平滑因子参数为通过人工水母搜索算法从候选平滑因子参数中确定的;所述候选平滑因子参数为满足适应度条件的平滑因子参数。
其中,概率神经网络模型是机器学习模型的一种,由于本申请中是根据油中溶解气体的浓度数据,识别对应的变压器的故障类型的,其实质可以理解为分类问题,所以可以选用适用于模式分类的概率神经网络模型。在概率神经网络模型建立后,是基于人工水母搜索算法对模型进行优化得到的优化后的概率神经网络模型。
平滑因子参数是概率神经网络模型的重要参数,概率神经网络模型的优化过程,即是平滑因子参数的确定过程,本申请实施例中,将最终确定出的平滑因子参数称为目标平滑因子参数,目标平滑因子参数是在候选平滑因子参数中确定出的。
具体的,将变压器油中溶解气体的浓度数据输入优化后的概率神经网络模型中,所述优化后的概率神经网络模型对所述优化数据进行处理,得到输出结果,该输出结果可以是输出码,不同的输出码与不同的故障类型相对应。示例性的,故障类型包括以下至少一项:无故障、温度在150℃-700℃的中低温过热、温度大于700℃的高温过热、低能量放电、高能量放电和局部放电。
本申请实施例中,是基于人工水母搜索算法对概率神经网络模型进行优化,得到优化后的概率神经网络模型的,具体可以是:基于人工水母搜索算法对候选平滑因子参数进行选择,得到目标平滑因子参数,再基于目标平滑因子参数确定优化后的概率神经网络模型。其中,候选平滑因子参数为满足适应度条件的平滑因子参数,即候选平滑因子参数是经筛选后的平滑因子参数,该筛选条件即为适应度条件。
由于候选平滑因子参数是满足适应度条件的平滑因子参数,即候选平滑因子参数相较于其它平滑因子参数,更贴合真实值,所以,从候选平滑因子参数中确定出最优的目标平滑因子参数,再根据目标平滑因子参数确定优化后的概率神经网络模型对于故障类型的识别更为准确。
本申请实施例的技术方案,包括:获取变压器油中溶解气体的浓度数据;基于优化后的概率神经网络模型对所述浓度数据进行处理,得到所述变压器的故障类型;所述优化后的概率神经网络模型为根据目标平滑因子参数确定的;所述目标平滑因子参数为通过人工水母搜索算法从候选平滑因子参数中确定的;所述候选平滑因子参数为满足适应度条件的平滑因子参数。本技术方案在满足适应度条件的候选平滑因子参数中确定出目标平滑因子参数,再根据目标平滑因子参数确定优化后的概率神经网络模型,使得在通过模型进行故障识别时,提高了故障识别的精度和效率。
实施例二
图2为本申请实施例二提供的一种变压器的故障识别方法的流程图,本申请实施例以上述实施例为基础进行优化。
如图2所示,本申请实施例的方法具体包括如下步骤:
S210,获取变压器油中溶解气体的浓度数据。
S220,对所述浓度数据进行归一化处理,得到归一化后的浓度数据。
示例性的,得到变压器油中溶解气体的浓度数据后,将各浓度数据映射到[0,1]之间,得到归一化后的浓度数据。
本方案这样设置,使得各种浓度数据类型,均可进行归一化处理后再输入优化后的概率神经网络模型中,解决了浓度数据不统一,导致模型识别困难的问题。
S230,基于优化后的概率神经网络模型对归一化后的浓度数据进行处理,得到所述变压器的故障类型;所述优化后的概率神经网络模型为根据目标平滑因子参数确定的;所述目标平滑因子参数为通过人工水母搜索算法从候选平滑因子参数中确定的;所述候选平滑因子参数为满足适应度条件的平滑因子参数。
本申请实施例中,可选的,候选平滑因子参数的确定过程,包括:计算初始平滑因子参数所对应的适应度值;将适应度值最小的前第一预设数量个初始平滑因子参数,确定为所述候选平滑因子参数。
需要说明的是,人工水母搜索算法中,需要确定一个种群,然后从种群的个体中确定出水母最优位置,本申请实施例中,对应于上述种群的即为候选平滑因子参数,各候选平滑因子参数为种群中的个体,目标平滑因子参数对应于水母的最优位置。
具体的,预先生成初始平滑因子参数,并基于适应度值计算函数,计算各初始平滑因子参数对应的适应度值,将适应度值最小的前第一预设数量个初始平滑因子参数,确定为所述候选平滑因子参数。其中,第一预设数量可以根据实际情况确定,本申请实施例对此不做限定。
示例性的,若初始平滑因子参数的数量为2N个,则第一预设数量可以是N,即确定各初始平滑因子参数对应的适应度值后,将适应度值最小的前N个平滑因子参数确定为候选平滑因子参数。
本申请实施例中,可选的,计算初始平滑因子参数对应的适应度值,包括:将目标概率神经网络模型对于训练样本的输出结果减去该训练样本的标签结果,得到第一参数;所述目标概率神经网络模型为基于初始平滑因子参数确定的概率神经网络模型;将所述第一参数的平方作为第二参数;将所述第二参数的二分之一作为初始平滑因子参数对应的适应度值。
示例性的,采用如下公式计算适应度值e(k):
其中,y(k)为目标概率神经网络模型对于目标训练样本的输出结果,y'(k)为目标训练样本的标签结果;所述目标概率神经网络模型为基于目标平滑因子参数确定的概率神经网络模型。
本申请实施例中,可选的,初始平滑因子参数的确定过程,包括:基于混沌映射生成第二预设数量个原始个体;基于反向学习生成对应于原始个体的反向个体;将所述原始个体和所述反向个体确定为初始平滑因子参数。
其中,第二预设数量可以根据实际情况确定,本申请实施例对此不做限定。
示例性的,通过Skew Tent混沌映射生成第二预设数量个原始个体,通过反向学习(opposition-basedlearning,obl)策略为每个个体找出反向解,组成对应于原始个体的反向个体,将所述原始个体和所述反向个体确定为初始平滑因子参数。
本方案采用混沌映射生成第二预设数量个原始个体,基于反向学习生成对应于原始个体的反向个体,拓宽了搜索区域,增加了初始平滑因子参数的数量。使得最终得到的目标平滑因子参数更准确。
本申请实施例中,可选的,目标平滑因子参数的确定过程,包括:以全局搜索的方式,对被动运动的水母位置进行更新;对主动运动的水母位置进行更新;根据被动运动的水母位置以及主动运动的水母位置,确定水母最优位置,并将所述最优位置作为目标平滑因子参数。
本申请实施例中,被动运动是指水母的A类型运动,即水母随洋流的运动;主动运动是水母的B类型运动,即水母围绕自身的运动。
具体的,在对被动运动的水母位置进行更新时,以全局搜索的方式对其进行更新,以避免局部最优的问题。
本申请实施例中,可选的,被动运动的水母位置的更新公式如下:
其中,Xi(t+1)为第t+1次迭代时的水母位置,Xi(t)为第t次迭代时的水母位置,γ为运动系数,Ub为搜索空间的上限,Lb为搜索空间的下限,r1为rand(0,1),即[0,1]之间的随机数,r2为[0,1]之间的随机数,g*为当前最优平滑因子参数,为第t次迭代时第i个候选平滑因子参数,fi为水母发光点。
本申请实施例的技术方案,通过在初始平滑因子中,筛选出满足适应度条件的候选平滑因子,使得候选平滑因子本身相较于其它平滑因子更适合本模型,进而最终确定出的目标平滑因子参数更优;并且,本方案在基于人工水母搜索算法确定目标平滑因子参数的过程中,以全局搜索的方式,对被动运动的水母位置进行更新,使得该水母位置的更新避免了局部最优的问题,达到了全局最优的效果,进而使得最终确定出的目标平滑因子参数为水母最优位置处的参数,使得优化后的概率神经网络模型可以更精准地识别故障类型。
在一个可具体实现的实施例中,通过改进的人工水母搜索算法对概率神经网络模型的参数进行优化,获得最佳的平滑因子参数,如下:
步骤A1,通过Skew Tent混沌映射生成N个体,组成原始种群N1;再利用反向学习策略筛选出N个初始种群,并为每个个体找出反向解,组成反向种群N2;将原始种群和反向种群合并,得到初始平滑因子参数,计算初始平滑因子参数的适应度值,选取适应度最小的前N个为候选平滑因子参数。
步骤A2,评估适应度值确定初始最优位置,利用输出的误差均方值e(k)作为评价初始概率神经网络模型性能指标的适应度函数,即
其中,y(k),y’(k)分别表示初始概率神经网络模型的实际输出值与理想输出值。
步骤A3,更新时间控制参数c(t),即
式中:t为迭代次数,Maxiter为最大迭代次数。
步骤A4,根据洋流更新水母位置,即
Xi(t+1)=Xi(t)+rand(0,1)*(X*-β*rand(0,1)*u)
式中,X*当前水母种群的最优位置,u为所有水母的平均位置,β为分配系数,取值为3。
步骤A5,更新运动类型,分别更新类型A和B的水母位置,将蝴蝶算法里蝴蝶全局搜索阶段的思想引入到AJS算法中,对类型A运动水母的位置进行更新。改进后的A水母位置更新公式如下
式中:Ub和Lb是搜索空间的上限和下限,γ为运动系数,取值为0.1,g*为目前为止的最优解,fi为水母的发光点,r∈[0,1],为随机数。
B型水母的运动方向和更新的位置公式如下:
边界条件:当水母移出有界的搜索区域时,它会回到相反的界限,公式如下:
X'i,d=(Xi,d-Ub,d)+Lb(d),if Xi,d>Ub,d
X'i,d=(Xi,d-Lb,d)+Ub(d),if Xi,d<Lb,d
式中,X'i,d为更新后水母的位置,Xi,d为第i只水母在d维的位置,Ub,d和Lb,d为搜索空间的上下限。
步骤A6,重新评估适应度值,以及更新水母最优位置。
步骤A7,判断当前迭代次数是否满足最大迭代次数,若满足,则进行步骤A8,否则,返回步骤A3,重新迭代计算。
步骤A8,将水母最优位置作为概率神经网络模型的最佳平滑因子参数,得到优化后的概率神经网络模型。
实施例三
图3为本申请实施例三提供的一种变压器的故障识别装置的结构示意图,该装置可执行本发明任意实施例所提供的变压器的故障识别方法,具备执行方法相应的功能模块和有益效果。如图3所示,该装置包括:
浓度数据获取模块310,用于获取变压器油中溶解气体的浓度数据;
故障类型确定模块320,用于基于优化后的概率神经网络模型对所述浓度数据进行处理,得到所述变压器的故障类型;所述优化后的概率神经网络模型为根据目标平滑因子参数确定的;所述目标平滑因子参数为通过人工水母搜索算法从候选平滑因子参数中确定的;所述候选平滑因子参数为满足适应度条件的平滑因子参数。
可选的,所述装置还包括候选平滑因子参数的确定模块:
适应度值计算单元,用于计算初始平滑因子参数所对应的适应度值;
候选平滑因子参数确定单元,用于将适应度值最小的前第一预设数量个初始平滑因子参数,确定为所述候选平滑因子参数。
可选的,计算初始平滑因子参数对应的适应度值,具体包括:
将目标概率神经网络模型对于训练样本的输出结果减去该训练样本的标签结果,得到第一参数;所述目标概率神经网络模型为基于初始平滑因子参数确定的概率神经网络模型;
将所述第一参数的平方作为第二参数;
将所述第二参数的二分之一作为初始平滑因子参数对应的适应度值。
可选的,所述装置还包括初始平滑因子参数的确定模块:
原始个体生成单元,用于基于混沌映射生成第二预设数量个原始个体;
反向个体生成单元,用于基于反向学习生成对应于原始个体的反向个体;
初始平滑因子参数生成单元,用于将所述原始个体和所述反向个体确定为初始平滑因子参数。
可选的,所述装置还包括目标平滑因子参数的确定模块:
第一位置更新单元,用于以全局搜索的方式,对被动运动的水母位置进行更新;
第二位置更新单元,用于对主动运动的水母位置进行更新;
目标平滑因子参数确定单元,用于根据被动运动的水母位置以及主动运动的水母位置,确定水母最优位置,并将所述最优位置作为目标平滑因子参数。
可选的,被动运动的水母位置的更新公式如下:
其中,Xi(t+1)为第t+1次迭代时的水母位置,Xi(t)为第t次迭代时的水母位置,γ为运动系数,Ub为搜索空间的上限,Lb为搜索空间的下限,r1为rand(0,1),即[0,1]之间的随机数,r2为[0,1]之间的随机数,g*为当前最优平滑因子参数,为第t次迭代时第i个候选平滑因子参数,fi为水母发光点。
可选的,所述装置还包括:
归一化处理单元,用于对所述浓度数据进行归一化处理,得到归一化后的浓度数据;
相应的,故障类型确定模块320,包括:
故障类型确定单元,用于基于优化后的概率神经网络模型对归一化后的浓度数据进行处理。
本申请实施例所提供的一种变压器的故障识别装置可执行本发明任意实施例所提供的一种变压器的故障识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如变压器的故障识别方法。
在一些实施例中,变压器的故障识别方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的变压器的故障识别方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行变压器的故障识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种变压器的故障识别方法,其特征在于,包括:
获取变压器油中溶解气体的浓度数据;
基于优化后的概率神经网络模型对所述浓度数据进行处理,得到所述变压器的故障类型;所述优化后的概率神经网络模型为根据目标平滑因子参数确定的;所述目标平滑因子参数为通过人工水母搜索算法从候选平滑因子参数中确定的;所述候选平滑因子参数为满足适应度条件的平滑因子参数。
2.根据权利要求1所述的方法,其特征在于,候选平滑因子参数的确定过程,包括:
计算初始平滑因子参数所对应的适应度值;
将适应度值最小的前第一预设数量个初始平滑因子参数,确定为所述候选平滑因子参数。
3.根据权利要求2所述的方法,其特征在于,计算初始平滑因子参数对应的适应度值,包括:
将目标概率神经网络模型对于训练样本的输出结果减去该训练样本的标签结果,得到第一参数;所述目标概率神经网络模型为基于初始平滑因子参数确定的概率神经网络模型;
将所述第一参数的平方作为第二参数;
将所述第二参数的二分之一作为初始平滑因子参数对应的适应度值。
4.根据权利要求2所述的方法,其特征在于,初始平滑因子参数的确定过程,包括:
基于混沌映射生成第二预设数量个原始个体;
基于反向学习生成对应于原始个体的反向个体;
将所述原始个体和所述反向个体确定为初始平滑因子参数。
5.根据权利要求1所述的方法,其特征在于,目标平滑因子参数的确定过程,包括:
以全局搜索的方式,对被动运动的水母位置进行更新;
对主动运动的水母位置进行更新;
根据被动运动的水母位置以及主动运动的水母位置,确定水母最优位置,并将所述最优位置作为目标平滑因子参数。
6.根据权利要求5所述的方法,其特征在于,被动运动的水母位置的更新公式如下:
其中,Xi(t+1)为第t+1次迭代时的水母位置,Xi(t)为第t次迭代时的水母位置,γ为运动系数,Ub为搜索空间的上限,Lb为搜索空间的下限,r1为rand(0,1),即[0,1]之间的随机数,r2为[0,1]之间的随机数,g*为当前最优平滑因子参数,为第t次迭代时第i个候选平滑因子参数,fi为水母发光点。
7.根据权利要求1所述的方法,其特征在于,获取变压器油中溶解气体的浓度数据后,所述方法还包括:
对所述浓度数据进行归一化处理,得到归一化后的浓度数据;
相应的,基于优化后的概率神经网络模型对所述浓度数据进行处理,包括:
基于优化后的概率神经网络模型对归一化后的浓度数据进行处理。
8.一种变压器的故障识别装置,其特征在于,包括:
浓度数据获取模块,用于获取变压器油中溶解气体的浓度数据;
故障类型确定模块,用于基于优化后的概率神经网络模型对所述浓度数据进行处理,得到所述变压器的故障类型;所述优化后的概率神经网络模型为根据目标平滑因子参数确定的;所述目标平滑因子参数为通过人工水母搜索算法从候选平滑因子参数中确定的;所述候选平滑因子参数为满足适应度条件的平滑因子参数。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的变压器的故障识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的变压器的故障识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310957273.4A CN116913406A (zh) | 2023-07-31 | 2023-07-31 | 一种变压器的故障识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310957273.4A CN116913406A (zh) | 2023-07-31 | 2023-07-31 | 一种变压器的故障识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116913406A true CN116913406A (zh) | 2023-10-20 |
Family
ID=88353110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310957273.4A Pending CN116913406A (zh) | 2023-07-31 | 2023-07-31 | 一种变压器的故障识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116913406A (zh) |
-
2023
- 2023-07-31 CN CN202310957273.4A patent/CN116913406A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4216079A1 (en) | Product recognition method, model training method, device and electronic device | |
CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN113537192B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN114511743B (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN117333443A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
JP2012182196A (ja) | 品質推定装置、品質推定方法及び品質推定方法をコンピュータに実行させるためのプログラム | |
CN116913406A (zh) | 一种变压器的故障识别方法、装置、设备及介质 | |
CN116359738A (zh) | 电池的健康状态监测方法、装置、设备及存储介质 | |
CN112541557B (zh) | 生成式对抗网络的训练方法、装置及电子设备 | |
CN114611609A (zh) | 一种图网络模型节点分类方法、装置、设备及存储介质 | |
CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 | |
CN114596302A (zh) | 一种pcb板缺陷检测方法、系统、介质、设备及终端 | |
CN114580534A (zh) | 一种工业数据异常检测方法、装置、电子设备和存储介质 | |
CN114610953A (zh) | 一种数据分类方法、装置、设备及存储介质 | |
CN116071608B (zh) | 目标检测方法、装置、设备和存储介质 | |
CN115471717B (zh) | 模型的半监督训练、分类方法装置、设备、介质及产品 | |
CN114926447B (zh) | 用于训练模型的方法、用于检测目标的方法和装置 | |
CN117217777A (zh) | 一种基于对比学习的估值方法、装置、设备及介质 | |
CN116913407A (zh) | 一种变压器的故障识别方法、装置、设备及介质 | |
CN116665823A (zh) | 晶体结构的预测方法、装置、电子设备及存储介质 | |
CN117668655A (zh) | 一种变压器故障的识别方法、装置、设备及介质 | |
CN117235611A (zh) | 故障检测模型训练、故障检测方法、装置、设备及介质 | |
CN115168852A (zh) | 恶意代码检测系统训练方法及装置、电子设备和存储介质 | |
CN117743617A (zh) | 人物交互检测方法、模型训练方法及装置 |
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 |