一种动态变异粒子群优化神经网络的变压器状态评估方法
【技术领域】
[0001] 本发明涉及一种变压器状态评估的方法，尤其是涉及一种动态变异粒子群优化神 经网络的变压器状态评估方法。
【背景技术】
[0002] 变压器是电网的重要设备，变压器状态不仅影响其本身的工作状态，还会影响整 个电力系统的可靠性和稳定性，变压器发生故障，会影响电力系统的输电能力，甚至导致局 部或全局设备的停运，造成电网停电事故的发生，可能给企业和社会带来巨大的损失。对变 压器的健康状态进行正确的评估具有重要的研究意义。
[0003] 传统的变压器健康状态评估的方法多采用非黑即白的判断方法，界限过于明确， 如打分制的评估方法对状态的划分过于简单、绝对，而引入灰色聚类函数的评估方法往往 主观成分较多，缺乏理论指导和实际的物理意义，而引入多层灰色评估建立渐变状态评估 的方法则存在评判指标过多，系统繁杂的缺点，还有将多种证据理论和决策树引入变压器 状态评估的方法，但对于故障情况下的多种故障同时发生时，无法进行有效判断。
【发明内容】
[0004] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种算法先进、正确 率高的动态变异粒子群优化神经网络的变压器状态评估方法。
[0005] 本发明的目的可以通过以下技术方案来实现：
[0006] -种动态变异粒子群优化神经网络的变压器状态评估方法，其特征在于，包括以 下步骤：
[0007] 1)根据变压器特征气体参数与变压器健康状态的关系，通过神经网络的非线性映 射，构建变压器的健康状态与特征量之间的神经网络；
[0008] 2)通过L-M算法优化变压器的健康状态与特征量之间的神经网络，得到优化后的 连接权值修正公式；
[0009] 3)将神经网络中输入层到隐含层和隐含层到输出层的连接权值以及隐含层与输 出层的阈值作为动态变异粒子群优化算法的粒子，求解获取神经网络的最优连接权值和阈 值，并对变压器状态进行评估。
[0010] 所述的步骤1)中的神经网络以变压器的健康状态作为神经网络的输出参数，以 变压器特征气体参数作为特征量成为神经网络的输入参数，并将神经网络的实际输出与期 望输出的均方差作为适应度函数进行网络评价。
[0011] 所述的适应度函数E的表达式为：
[0012]
[0013] 其中，η为训练输入样本数目，1为输出层神经元数目，Tm为第q个样本中的第p 个期望输出，Ypiq为第q个样本中的第P个实际输出。
[0014] 所述的步骤2)中的优化后的连接权值Δ w的修正公式为：
[0015] Aw= (JtJ+ λ I) 1 · Jte
[0016] 其中，J为雅可比矩阵，其元素为网络误差对网络阈值和网络权值的一阶偏导数，e 为网络的出差向量，λ为误差的情况自动调整参数，I为单位阵。
[0017] 所述的步骤3)具体包括以下步骤：
[0018] 301)初始化神经网络，确定神经网络的拓扑结构；
[0019] 302)对神经网络的连接权值和阈值进行编码；
[0020] 303)确定粒子群的种群规模，并根据神经网络连接权值和阈值的编码确定粒子的 维度和编码；
[0021] 304)确定粒子群的搜索空间，并随机初始化种群中各粒子的位置以及速度；
[0022] 305)根据适应度函数计算粒子适应度值；
[0023] 306)根据寻找最优粒子的原则，更新粒子的位置与速度；
[0024] 307)再次根据适应度函数计算粒子适应度值，并判断粒子适应度值是否优于粒子 的个体极值与群体极值，若是，则进行更新替代，若否，则进行步骤308);
[0025] 308)判断粒子适应度值的精度是否达到要求或者迭代次数是否达到最大数目，若 是，则已经得到最优粒子，进行步骤309)，若否则进行动态变异操作后返回步骤306);
[0026] 309)将最优粒子进行解码，得到最优的连接权值和阈值并将其赋值给神经网络；
[0027] 310)获取神经网络的训练误差；
[0028] 311)更新神经网络的权值和阈值，并判断是否满足训练结束条件，若满足则仿真 训练结束，若否，则跳返回步骤310)。
[0029] 所述的步骤306)中的更新粒子的位置与速度的方式为：
[0030] X1(k+1) = X1 (k) +V1(k+1)
[0031] V"k+1) = OVi (k)+C1IT1 [Pi QO-Xi (k)]+c2r2 [Pg GO-XiGO]
[0032] 其中，X1S在一个n维的搜索空间中由m个粒子组成种群X = (X ^X2,...，XJT* 的第i个粒子的位置向量，V1为速度向量，P i为个体极值，P g为种群全局极值，c p C2为学习 因子，A、^为0-1之间的随机数，ω为惯性权重，k为当前迭代代数。
[0033] 所述的粒子群优化算法中的线性动态变异算子的公式为：
[0034]
[0035] 其中，η为当前迭代次数，N为最大迭代次数，PnilJP P _分别为最小变异概率和最 大变异概率，P (η)是变异概率的当前值。
[0036] 与现有技术相比，本发明具有以下优点：
[0037] 本发明通过神经网络构建了变压器状态与特征量之间的非线性映射关系，同时针 对神经网络训练时间长、收敛速度慢、网络容错能力差等缺点引入L-M算法进行优化改进， 为了加速收敛，更快更好的找到网络的最佳权值和阈值，引入粒子群算法优化网络，同时针 对粒子群算法迭代后期易陷入局部极值的缺点，采用动态变异的方法进行优化。经过以 上优化，能有效加快网络的收敛速度、提尚网络的泛化能力，同时也能提尚网络判断的正确 率。
【附图说明】
[0038] 图1为本发明粒子群优化神经网络的算法流程图；
[0039] 图2为本发明三种网络结构的训练误差图。
【具体实施方式】
[0040] 下面结合附图和具体实施例对本发明进行详细说明。
[0041] 实施例
[0042] 一、基于神经网络的数学建模
[0043] 人工神经网络（ANN)由20世纪中期发展起来，涉及电子、计算机、生物、物理等交 叉学科，拥有巨大的应用潜力。ANN本质上是以计算处理单元（即神经元）为节点，采用某 种网络拓扑结构的灵活网络，几乎可逼近任意非线性系统。ANN能模拟人脑进行信息的存 储、检索和处理等。
[0044] 通过研究变压器的故障机理和故障特征，进而确定了变压器的健康状态与特征量 之间的关系，本发明主要利用变压器特征气体（油中溶解气体）与变压器状态的关系，利 用神经网络的非线性映射能力，构建变压器的健康状态与特征量之间的非线性函数映射关 系，如图1神经网络部分所示。将特征量作为神经网络的输入参数，将变压器的健康状态作 为网络的输出，在构建映射时，首先利用部分数据训练获得网络的具体结构，其中以网络的 实际输出与期望输出的均方差，作为适应度函数值，来进行网络评价；
[0045] ⑴
[0046] 式中，η为训练输入样本数目，1为输出层神经元数目，Tpiq为第q个样本中的第p 个期望输出，\q为第q个样本中的第P个实际输出，则E是以权值和阈值为自变量的函数。
[0047] 但同时神经网络往往存在有训练时间长，收敛速度慢；网络容错能力差；易陷入 局部极值等缺点。本发明引入L-M算法（Leveberg-Marquardt)来优化神经网络，网络权值 修正公式为
[0048] Aw= (JtJ+ λ I) 1 · Jte (2)
[0049] 式中，J是雅可比矩阵，其元素是误差函数对网络阈值和网络权值的一阶偏导数，e 是网络的出差向量，λ根据误差的情况自动调整，网络的误差性能减小时，则减小λ的值， 反之，则增大λ值，以确保网络误差性能函数值始终在减小。该算法具有2阶收敛速度，可 提高算法跳出极小点的可能性，并以误差平方和最小为训练目标。
[0050] 二、基于动态变异的粒子群优化神经网络的变压器状态评估
[0051] 粒子群优化算法（PSO)最早由Kennedy和Eberhart提出，源于对鸟类捕食行为的 研究。根据种群行为的特征，PSO算法模仿生物进行问题的优化求解。利用速度、位置和适 应度值表示粒子特征，每一个粒子都是问题的一个潜在解，在求解时首先对种群在解空间 中进行初始化，并根据适应度函数值对粒子进行问题好坏解的评价，并确定个体极值和群 体极值。在此基础上再加上考虑自身的历史位置及其他粒子的位置和速度，进而对粒子的 移动速度、方向和位置进行动态优化调整。每一次优化后重新计算粒子的适应度函数值，进 而确定新的个体极值和群体极值，循环反复，最终找到解空间中的全局最优解的位置。在本 发明中粒子表示神经网络的权值和阈值，通过迭代寻找最优的网络权值和网络阈值。
[0052] 假设在一个η维的搜索空间中，m个粒子组成种群X = (X1, X2, . . .，XJt，其中 第i个粒子的位置向量X1= (X u，xl2, ...，X1JtR表问题的一个潜在解，速度向量V 1 = Oil, vi2, · · ·，vin)T，个体极值 Pi= (p u，pi2, · · ·，pin)T，种群全局极值 Pg= (p gl，pg2, · · ·，Pgn) τ，按照寻找最优粒子的原则，粒子位置与速度更新方式为：
[0053] X^k+l) = X1 (^+V1Ck+1) (3)
[0054] Vi(k+1) = CoViQO+C1IT1 [Pi QO-Xi (k)]+c2r2 [Pg GO-XiGO] (4)
[0055] 式中，Cl、(：2为学习因子也称为加速度因子，是非负的常数；Γι、r 2为随机数取0-1 之间，ω为惯性权重。
[0056] 虽然粒子群优化算法具有收敛快，较强的通用性等优点，但也存在有易早熟收敛、