收敛精度低、后期迭代效率差等缺点。这是由于标准的粒子群算法在迭代中，所有粒子都将 逼近最佳位置。若此位置只是局部最佳，将导致粒子群无法重新搜索解空间，进而陷入局部 最优解，而没有办法得到全局最优解。针对粒子群算法的缺陷，本发明根据遗传算法的启 示，将动态变异操作引入粒子群算法中，即随机对部分粒子按照一定的概率再次初始化。动 态变异操作可以拓展迭代过程中不断减小的种群搜索空间，从而使粒子可能跳出先前找到 的最优解，在更大空间中进行搜索，同时也增加了种群多样性，可以提高算法达到全局最优 解的可能性，另外增加了算法跃出局部最优解地可能性。
[0057] 线性动态变异算子的公式如下：
[0_
⑶
[0059] 式中，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，Ρ(η)是变异概率的当前值。在迭代开始时，种群变异的概率极小，几乎不变 异，因为初期粒子的分布比较均匀，不需要变异来扩大范围，当迭代到后期，粒子集中在极 值附近时，变异概率快速增加，从而保证粒子快速跳出当前区域，在更广范围内搜索全局最 优解。
[0060] 三、基于动态变异粒子群优化神经网络的变压器状态评估的步骤如下，如图1所 示：
[0061] 步骤⑴初始化神经网络，确定网络的拓扑结构；
[0062] 步骤（2)对神经网络的连接权值和阈值进行编码；
[0063] 步骤（3)确定粒子群的种群规模，并根据神经网络的编码确定粒子的维度和编 码；
[0064] 步骤⑷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；
[0065] 步骤（5)根据式（1)计算粒子适应度值；
[0066] 步骤（6)根据式（4)和式（3)更新粒子的速度和位置；
[0067] 步骤（7)再次计算适应度值，并与粒子的个体极值与群体极值比较，若更优，则进 行替代操作，否则继续向下执行；
[0068] 步骤（8)判断是否满足结束条件，即精度是否达到要求或者迭代次数是否达到最 大数目，若满足，则继续，若不满足则跳转回步骤（6);
[0069] 步骤（9)将最优的粒子解码，并将最优连接权值与阈值赋给网络；
[0070] 步骤（10)计算网络的训练误差；
[0071] 步骤（11)更新网络的权值和阈值，并判断是否满足训练结束条件，若满足则仿真 训练结束，否则跳转回步骤（10);
[0072] 步骤（12)网络训练结束。
[0073] 将训练好的网络结构保存，当有新数据需要进行判断时，只需输入相应的网络输 入，变可得到对应的状态输出。
[0074] 四、算例分析
[0075] 本发明在MATLAB的软件基础上进行了算法编程，并对120变压器健康状态的样本 数据进行案例分析，其中变压器处于良好状态的数据抽取19组（15组用于网络训练，4组用 来测试网络的预测性能），变压器处于正常状态的数据抽取21组（16组用于网络训练，5组 用来测试网络的预测性能），变压器处于警戒状态的数据抽取43组（35组用于网络训练，8 组用来测试网络的预测性能），变压器处于严重警戒状态的数据抽取37组（31组用于网络 训练，6组用来测试网络的预测性能）。
[0076] 不同算法下的，变压器状态评估的训练误差和诊断结果正确率分别如图2所示和 表1所示。
[0077] 从图2中可以看出，图中一为改进PSO-BP(L-M)网络，-〇为PSO-BP(L-M)网络，_* 为BP (L-M)网络，应用了粒子群优化后的L-M改进BP网络相对于单纯L-M改进的BP网络 所需训练时间相差不大，同时训练代数基本相同，但应用PSO优化后BP(L-M)网络训练误差 比后者更小，更具有优势。而从图2中可以明显看出对粒子群算法进行改进以后，应用于对 L-M改进BP网络进行优化可以达到更低的训练误差，同时，所需的训练代数也更少，这也意 味着，所需的训练时间会更短，该改进算法优势明显，充分说明了该改进算法的可行性和有 效性。从表1的诊断结果正确率中也可以看出，用粒子群优化神经网络的变压器状态评估 的正确率明显高于只用神经网络来进行评估的正确率，同时引入动态变异后的粒子群再去 优化神经网络进彳丁状态评估时，正确率会有进一步的提尚。
[0078] 表1不同算法的状态评估结果
[0079]
[0080] 从某220kv变电站5号主变压器B相历史数据中选取三组典型状态样本进行网络 性能测试，具体数据如表2所示
[0081] 表2主变压器B相数据
[0082]
[0083] 将三个样本数据进行处理后，作为网络输入，输入到改进粒子群优化的神经网络 的网络结构中，得到的网络预测输出和预测结果如表3和表4所示
[0084] 表3改进粒子群优化神经网络的状态评估预测输出
[0085]
[0086] 表4预测结果与实际结果比较
[0087]
[0088] 由表3和表4可以看出三个样本的改进粒子群优化神经网络的预测结果分别为警 戒、正常和良好，与实际状态完全相同，表明该改进优化方法切实可行可用。
【主权项】
1. 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，其特征在于，包括以下 步骤： 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； 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； 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。2. 根据权利要求1所述的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， 其特征在于，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。3. 根据权利要求2所述的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， 其特征在于，所述的适应度函数E的表达式为：其中，n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，Ypiq为第q个样本中的第p个实际输出。4. 根据权利要求1所述的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， 其特征在于，所述的步骤2)中的优化后的连接权值A w的修正公式为： Aw= (JTJ+ Al)1* J1e 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，X为误差的情况自动调整参数，I为单位阵。5. 根据权利要求1所述的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， 其特征在于，所述的步骤3)具体包括以下步骤： 301) 初始化神经网络，确定神经网络的拓扑结构； 302) 对神经网络的连接权值和阈值进行编码； 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； 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； 305) 根据适应度函数计算粒子适应度值； 306) 根据寻找最优粒子的原则，更新粒子的位置与速度； 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); 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); 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； 310) 获取神经网络的训练误差； 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)。6. 根据权利要求5所述的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， 其特征在于，所述的步骤306)中的更新粒子的位置与速度的方式为： X"k+1) = XiQO+Vjk+l) V"k+1) = 〇 ViQO+C1Ir1 [Pi QO-Xi (k)]+c2r2 [Pg GO-XiGO] 其中，X1S在一个n维的搜索空间中由m个粒子组成种群X=(Xi，X2,. . .，XJT中的第i个粒子的位置向量，V1为速度向量，Pi为个体极值，Pg为种群全局极值，cpC2为学习因子， 1~2为0-1之间的随机数，《为惯性权重，k为当前迭代代数。7. 根据权利要求5所述的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， 其特征在于，所述的步骤308)中，动态变异操作的线性动态变异算子为：其中，n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(n)是变异概率的当前值。
【专利摘要】本发明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，其特征在于，包括以下步骤：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；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；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。与现有技术相比，本发明具有算法先进、正确率高等优点。
【IPC分类】G06F17/50
【公开号】CN105138717
【申请号】CN201510400735
【发明人】彭道刚, 张 浩, 张国祥, 黄义超, 夏飞, 范俊辉, 黄超
【申请人】上海电力学院
【公开日】2015年12月9日
【申请日】2015年7月9日