一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法与流程

本发明属于人工智能技术领域，涉及变压器故障诊断方法。

背景技术：

电力变压器是电力系统中的重要设备，变压器运行时发生任何故障都可能终端电力供应，造成重大生产事故和经济损失。因此，对变压器故障的精确预测非常重要。

变压器油中溶解气体分析(dga)作为一种高效的变压器故障诊断方法，在电力系统实际运行中被广泛采用。通过对变压器油中溶解的特定气体含量的数据进行分析，可以找到变压器运行状态的模式。因此，研究者提出了大量的基于dga数据的诊断方法，主要分为两类：传统诊断方法和智能诊断方法。

传统诊断方法有特征气体法、罗杰斯比值法、改良三比值法，其中改良三比值法是电力系统操作中的推荐方法。然而，传统的诊断方法局限性较大，难以准确反映故障和表现特征之间的规律，并且在很多情况下无法对变压器故障状态进行分析。

针对传统诊断方法的不足之处，基于dga数据的人工智能方法开始运用到诊断中，比如人工神经网络(ann)、遗传算法(ga)、支持向量机(svm)等。因此，相较于传统诊断方法，人工智能方法表现出较好的性能和较强的泛化能力。

本发明选择从人工神经网络入手进行改良。现有的人工神经网络方法存在以下缺点：首先，训练步数和判断正确性往往无法同时满足，训练结果往往不能令人满意；其次，没有成熟的技术手段确定网络结构和调节参数，网络性能的好坏很多时候只能靠人工经验和运气，得到优秀的结果无法进行解释，而且实验结果存在不能付现的可能行，对参数的微小变动较敏感。

技术实现要素：

本发明的目的是针对现有的神经网络方面的技术方案存在的明显缺点，提出一种基于布谷鸟搜索优化的神经网络算法，并将其应用到基于dga数据的变压器故障诊断中。用以解决基于变压器油中溶解气体分析(dga)数据的多分类问题。

本发明的技术方案是，采用人工智能方法中的神经网络结构，结合一种布谷鸟搜索的元启发式智能方法，用布谷鸟搜索方法去优化神经网络的结构参数，同过dga数据的训练得到一种稳定的基于布谷鸟搜索优化的神经网络结构，对新的数据进行预测，以解决这种对分类问题。

本发明所述的一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法，包括以下步骤：

(1)利用变压器油中溶解气体分析法(dga)对变压器油中的必测溶解气体ch4，c2h6，c2h4，c2h2，co，co2以及下面的变压器中油气体分析目的表中的推荐检测气体o2，n2，h2进行提取，通过分析提取得到的气体组分的数据进行分类与处理，确定故障类型。

变压器中油气体分析目的表

(2)按变压器故障和特征气体含量关系表对步骤(1)得到的数据和故障类型进行正确的分类标记，并通过随机抽样方式按3﹕1(具体可按数据集规模调整)的比例分组，作为神经网络的训练集和测试集。

变压器故障和特征气体含量关系表

(3)使用基于布谷鸟搜索优化的神经网络算法对训练集进行训练，当预测误差满足要求时停止训练。

(4)用已经训练好的神经网络对测试集进行测试，调试过程中通过不断调整参数以保证测试结果理想。

(5)用训练好的神经网络模型对新的未加标签的数据进行预测，预测结果即为故障类型，完成故障诊断。

本发明具有如下优点：避免传统诊断方法大多局限于阈值诊断的缺点，具有较强的通用性；该方法与基本神经网络算法和基于其他元启发式优化神经网络算法方法相比，收敛速度更快，模型敏感度低，鲁棒性较强；并且，该方法采用布谷鸟搜索这种元智能算法对神经网络结构进行优化，改善了神经网络限于局部最小的缺点，并且调参过程更具有通用的规律性。

附图说明

图1为本发明的一种基于布谷鸟搜索优化神经网络的算法流程图。

图中：本流程图中的神经网络算法采用bp神经网络，左边为基本bp神经网络算法的算法流程图，右边为布谷鸟搜索算法的算法流程图，中间判断语句把两部分结合在一起，整个流程为基于布谷鸟搜索优化的神经网络的算法流程图。

图2为本发明的待优化的神经网络结构图。

具体实施方式

以下将结合图1和图2对本发明作进一步说明。

一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法的具体实施方式如下：

(1)使用变压器油中溶解气体分析方法(dga)，按分析目的分析油中气体组分。

(2)对上一步得到的数据进行正确分类标记，并按合理的抽样方式分成两组，分别作为神经网络的训练集和测试集。

(3)使用本发明中的基于布谷鸟搜索优化的神经网络算法对训练集进行训练。

step1输入训练样本；

step2初始化bp神经网络；

step3初始化鸟巢数量n，目标函数f(x)，初始化解决方案，pa，精度；

step4计算目标函数值，记录最优解决方案fmin和鸟巢位置；

step5更新鸟巢，并获得新一代鸟巢；

step6计算新一代鸟巢的目标函数值，并将其与上一代比较，记录最佳解决方案fnew及其相应的鸟巢位置；

step7计算出生成概率k，判断k＞pa是否成立。若k＞pa成立，则转step8；否则，转step9；

step8更新鸟巢，目标函数值,fnew及其相应的位置；

step9比较fnew和fmin,并用更佳的值替换fmin；

step10判断是否满足布谷鸟搜索的迭代停止条件。若满足，则转step11；否则，则转step5；

step11获得bp神经网络的初始权值和阈值；

step12训练神经网络；

step13判断是否达到神经网络的最大训练次数或满足神经网络停止迭代条件。若满足，则转到step14；否则，则转step3；

step14得到拥有最佳参数的训练完成的神经网络。

(4)用已经训练好的神经网络对测试集进行测试，并保证测试结果理想。

(5)用训练好的神经网络模型对新的未加标签的数据进行预测。

技术特征：

技术总结
一种基于布谷鸟搜索优化神经网络的变压器故障诊断方法，采用人工智能方法中的神经网络结构参数，结合一种布谷鸟搜索的元启发式智能方法，用布谷鸟搜索方法去优化神经网络的结构参数，通过DGA数据的训练得到一种稳定的基于布谷鸟搜索优化的神经网络结构，对新的数据进行预测，以解决这种对分类问题。本发明避免传统诊断方法大多局限于阈值诊断的缺点，具有较强的通用性；该方法与基本神经网络算法和基于其他元启发式优化神经网络算法方法相比，收敛速度更快，模型敏感度低，鲁棒性较强；并且，该方法采用布谷鸟搜索这种元智能算法对神经网络结构进行优化，改善了神经网络限于局部最小的缺点，并且调参过程更具有通用的规律性。

技术研发人员：杨晓辉;李岸一;彭志云;董桓毓;王静
受保护的技术使用者：南昌大学
技术研发日：2017.03.29
技术公布日：2017.09.12