基于CQFPA-WNN的变压器故障诊断方法与流程

本发明属于变压器故障在线监测方法技术领域，具体涉及一种基于cqfpa-wnn的变压器故障诊断方法。

背景技术：

随着经济水平的不断提高，我国电力系统得到了空前的发展，电网规模不断扩大，变电站数目成倍增加，对电力系统的安全可靠运行也提出了更大的挑战。电力系统如果发生故障或者大规模停电，将会造成巨大的经济损失，而且还会危害公共安全，带来严重的社会影响。

伴随着特高压工程的大规模建设，交直流系统相互影响进一步加剧，“强直弱交”问题突出，保障大电网的安全稳定运行面临新挑战。大电网安全稳定运行的前提是电力设备的安全稳定运行，而电力变压器负责将发电厂发出的电能升高电压传输到电网当中，同时又将电网的高电压降至额定电压输送给用户。此外，它还负责主干网架之间电压等级的变化，是区域电网互联的主要联络工具，因此其运行状态的好坏对于整个电力系统的安全稳定运行具有决定作用。

如果电力变压器发生运行故障，将严重危及电力系统安全与可靠性，并造成巨大影响及经济损失。因此，及时发现和准确判断变压器潜伏性故障及发展趋势、预先制定故障应对措施，对延长变压器使用寿命，保障并提高电力系统安全性、可靠性及经济性具有重要意义。

电力变压器油中溶解气体组分、含量、产气率等与故障类型以及强度有密切关系，可以有效反应变压器运行状态。而变压器油中溶解气体分析是一种简单有效的故障诊断方法，获得研究人员及机构的积极应用，基于此类方法衍生出诸如三比值法、大卫三角形法等传统诊断方法，而上述方法主要是利用运行经验以及专家知识建立的诊断规则，所以容易存在由于编码缺失等原因造成的诊断精度低等不足。随着人工智能、机器学习等理论技术的发展，此类智能算法被应用在故障诊断领域，计算机智能算法能够提高传统方法的诊断精度，并且缩短了计算时间，为故障判定提供了便利。

技术实现要素：

本发明的目的是提供一种基于cqfpa-wnn(云算子花朵授粉算法优化小波神经网络)的变压器故障诊断方法，利用cqfpa(云算子花朵授粉算法)对wnn(小波神经网络)的参数进行优化，有效提高故障诊断的速度和准确率。

本发明所采用的技术方案是，一种基于cqfpa-wnn的变压器故障诊断方法，包括以下步骤：

步骤1、收集油浸式变压器油故障特征气体浓度数据，将故障特征气体浓度数据作为总样本集，然后将总样本集分为训练样本与测试样本；其中，训练样本占总样本集数量的80％，测试样本占总样本集数量的20％；

步骤2、对采集到的总样本集进行归一化处理；

步骤3、初始化小波神经网络与云量子花朵授粉算法，为训练样本输入小波神经网络优化参数做准备；

步骤4、使用训练样本应用花朵授粉算法优化小波神经网络参数并训练优化后的小波神经网络，得到诊断模型；

步骤5、将测试样本应用于基于云算子花朵授粉算法优化小波神经网络变压器故障诊断模型，对测试样本进行分类完成故障诊断。

本发明的特点还在于，

步骤1中，故障特征气体包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳，将这七种故障特征气体浓度数据作为总样本集。

步骤2中的归一化处理采用如下公式：

其中，n＝1,2,3,4,5,6,7，xn分别代表氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳的气体浓度，xmax、xmin分别为采集到的原始的故障气体对应的气体浓度最大值和最小值，xnorm为归一化后的数据。

步骤3具体按照以下步骤实施：

步骤3.1、初始化小波神经网络模型

输入层将规范化后的数据输入隐含层，则确定隐含层的第j个小波元输入rj为：

其中，xi为第i个输入层的输入，ωij为输入层节点i与隐含层输入节点j的权值，i＝1,2,3,...,m，m为输入层总节点个数，j＝1,2,3,...,k，k为隐含层小波元总个数；

确定mexicanhat函数为隐含层小波基函数h(s)，其表达式为：

上式中s为隐含层小波基函数的未知数；

确定隐含层第j个小波元输出cj为：

其中，aj为隐含层第j个节点小波基函数的尺度参数，bj为隐含层第j个节点小波基函数的位移参数；

输出层第v个节点的输出yv为：

其中，ωjv为连接隐含层节点j和输出层节点v的权值，v为输出层节点的个数，v＝1,2,3,...,o，o为输出层总结点个数；

以yv为小波神经网络的输出结果完成的小波神经网络的初始化；

步骤3.2、在一个4维空间中，建立一个由n个花粉粒子所组成的种群，其中第m个(m为整数且m∈[1,n])花粉粒子的位置表示为一个4维坐标ym＝(ym1,ym2,ym3,ym4)作为输入层；

花朵授粉行为分为全局授粉与局部授粉；在云量子花朵授粉算法中，局部授粉与全局授粉的转换由转换概率w∈(0,1)决定，在进行授粉行为之前会引入一个随机值rand，其中rand符合随机分布且取值范围为(0,1)，若rand＜w,则算法进行全局授粉，若rand＞w则进行局部授粉；

其中全局授粉的花粉位置表示为：

上式中表示ym第t+1次迭代的第m个解，表示ym第t次迭代的第m个解，u为随机步长，gbest为全局最优解；

云量子与花朵授粉算法结合后全局授粉的花粉位置表示为：

上式中u为随机数且u∈(0,1)，q为花粉粒子在t次迭代时的δ势阱；l表示δ势阱的特征长度，其表达式为：

上式中为收缩扩张因子；

种群的全局最优解为：

其中pr代表第r个花粉粒子的当前最优解，prd分别为第r个花粉粒子在d维度下的解，d为花粉粒子的维度，其中d＝1,2,3,4；

综上，将式(9)代入式(8)后得到的结果再代入式(7)，则经过全局授粉后的花粉粒子位置可表示为：

此外，局部授粉的花粉粒子位置表示为：

上式中z为在[0,1]区间上服从均匀分布的随机数，ym”^t+1表示ym”第t+1次迭代的第m个解，ym”^t表示ym”第t次迭代的第m个解，ym”代表局部授粉的位置解，yr”^t表示yr”第t次迭代的第r个解，yq”^t表示yq”第t次迭代的第q个解，其中r与q为不同于m的随机数且r,q∈n；

至此由全局授粉位置解与局部授粉位置解ym”^t+1共n个花粉粒子组成的种群初始化完成。

步骤4具体按照以下步骤实施：

步骤4.1、利用步骤3中初始化完成后的由n个花粉粒子组成的种群，设置初始化后花粉粒子的位置坐标ym1,ym2,ym3,ym4分别等于初始化后小波神经网络的四个参数即隐含层输入权值ωij、隐含层输出权值ωjv、尺度参数aj、位移参数bj，将步骤2中归一化后的全体训练样本代入步骤3初始化后的小波神经网络进行分类，并选定正常、低能放电、高能放电、中低温过热、高温过热、局部放电六种变压器运行状态进行编码，作为初始化后的小波神经网络的理想输出值，以初始化后的小波神经网络对训练样本分类输出的准确率为适应度，得到每个花粉粒子的初始适应度值；

步骤4.2、确定迭代次数为f并使用初始适应度值对花粉粒子位置进行迭代寻优，根据w和rand的大小关系确定种群中各个花粉粒子的授粉行为，局部授粉和全局授粉分别使用式(10)和式(11)更新花粉粒子的位置，若花粉粒子新的适应度值高于当前的适应度值且迭代次数用尽，则终止迭代并输出适应度值，若花粉粒子新的适应度值低于当前的适应度值，则继续迭代寻优，直至迭代次数用尽，迭代过程完成后,花粉粒子最佳位置的适应度值最高，迭代结束后的花粉粒子最佳位置坐标为优化后的小波神经网络的四个参数值；

步骤4.3、利用全体训练样本训练优化后的小波神经网络；

步骤4.4、通过训练，根据故障特征，建立基于云算子花朵授粉算法优化小波神经网络变压器故障诊断分类模型。

发明的有益效果是：

(1)本发明一种基于cqfpa-wnn的变压器故障诊断方法，利用cqfpa算法对wnn的参数进行优化，减小了算法迭代时间并提高了优化效果。

(2)本发明一种基于cqfpa-wnn的变压器故障诊断方法，利用cqfpa-wnn分类模型与变压器油中气体检测相结合，提高了油浸式变压器故障诊断的准确度和速度。

(3)本发明一种基于cqfpa-wnn的变压器故障诊断方法，使用小波神经网络优点是：小波神经网络的基元和整个结构是依据小波分析理论确定的,可以避免bp神经网络等结构设计上的盲目性；其次小波神经网络有更强的学习能力,精度更高。因为小波理论是全尺度分析，不仅有全局最优解，还保持局部细节最优解，总的而言，对同样的学习任务,小波神经网络结构更简单,收敛速度更快，精度更高。

附图说明

图1是本发明一种基于cqfpa-wnn的变压器故障诊断方法的流程图；

图2是本发明一种基于cqfpa-wnn的变压器故障诊断方法中涉及的cqfpa算法优化小波神经网络参数过程示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于cqfpa-wnn的变压器故障诊断方法，如图1-2所示，包括以下步骤：

步骤1、收集油浸式变压器油故障特征气体浓度数据，将故障特征气体浓度数据作为总样本集，然后将总样本集分为训练样本与测试样本；其中，训练样本占总样本集数量的80％，测试样本占总样本集数量的20％；

步骤1中，所述故障特征气体包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳，将这七种故障特征气体浓度数据作为总样本集；

步骤2、由于不同故障特征气体的量纲不同，其数值差异较大，因此对采集到的总样本集进行归一化处理；

步骤2中的归一化处理采用如下公式：

其中，n＝1,2,3,4,5,6,7，xn分别代表氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳的气体浓度，xmax、xmin分别为采集到的原始的故障气体对应的气体浓度最大值和最小值，xnorm为归一化后的数据；

步骤3、初始化小波神经网络与云量子花朵授粉算法，为训练样本输入小波神经网络优化参数做准备；

步骤3具体按照以下步骤实施：

步骤3.1、初始化小波神经网络(wnn)模型

小波神经网络是在bp神经网络算法的基础上将神经网络隐含层中的激励函数替换成小波函数来实现的，小波神经网络由输入层、隐含层、输出层构成，输出层由隐含层的输出层对应权值得到小波神经网络输出，其中任意输入层节点与任意隐含层小波元之间存在权值，同理任意隐含层小波元与任意输出层节点之间存在权值，设xi为第i个输入层的输入，yv为输出层第v个节点的输出；

输入层将规范化后的数据输入隐含层，则确定隐含层的第j个小波元输入rj为：

其中，xi为第i个输入层的输入，ωij为输入层节点i与隐含层输入节点j的权值，i＝1,2,3,...,m，m为输入层总节点个数，j＝1,2,3,...,k，k为隐含层小波元总个数；

隐含层是将小波元输入与隐含层小波基函数结合，确定mexicanhat函数为隐含层小波基函数h(s)，其表达式为：

上式中s为隐含层小波基函数的未知数；

确定隐含层第j个小波元输出cj为：

其中，aj为隐含层第j个节点小波基函数的尺度参数，bj为隐含层第j个节点小波基函数的位移参数；

输出层第v个节点的输出yv为：

其中，ωjv为连接隐含层节点j和输出层节点v的权值，v为输出层节点的个数，v＝1,2,3,...,o，o为输出层总节点个数；

以yv为小波神经网络的输出结果完成的小波神经网络的初始化；

步骤3.2、在一个4维空间中，建立一个由n个花粉粒子所组成的种群，其中第m个(m为整数且m∈[1,n])花粉粒子的位置表示为一个4维坐标ym＝(ym1,ym2,ym3,ym4)作为输入层；

花朵授粉行为分为全局授粉(异花授粉)与局部授粉(自花授粉)；在云量子花朵授粉算法中，局部授粉与全局授粉的转换由转换概率w∈(0,1)决定，在进行授粉行为之前会引入一个随机值rand，其中rand符合随机分布且取值范围为(0,1)，若rand＜w,则算法进行全局授粉，若rand＞w则进行局部授粉；

其中全局授粉的花粉位置表示为：

上式中表示ym第t+1次迭代的第m个解，表示ym第t次迭代的第m个解，u为随机步长，gbest为全局最优解；

云量子与花朵授粉算法结合后全局授粉的花粉位置表示为：

上式中u为随机数且u∈(0,1)，q为花粉粒子在t次迭代时的δ势阱；l表示δ势阱的特征长度，其表达式为：

上式中为收缩扩张因子；

种群的全局最优解为：

其中pr代表第r个花粉粒子的当前最优解，prd分别为第r个花粉粒子在d维度下的解，d为花粉粒子的维度，其中d＝1,2,3,4；

综上，将式(9)代入式(8)后得到的结果再代入式(7)，则经过全局授粉后的花粉粒子位置可表示为：

此外，局部授粉的花粉粒子位置表示为：

上式中z为在[0,1]区间上服从均匀分布的随机数，ym”^t+1表示ym”第t+1次迭代的第m个解，ym”^t表示ym”第t次迭代的第m个解，ym”代表局部授粉的位置解，yr”^t表示yr”第t次迭代的第r个解，yq”^t表示yq”第t次迭代的第q个解，其中r与q为不同于m的随机数且r,q∈n；

至此由全局授粉位置解与局部授粉位置解ym”^t+1共n个花粉粒子组成的种群初始化完成。

步骤4、使用训练样本应用花朵授粉算法优化小波神经网络参数并训练优化后的小波神经网络，得到诊断模型；

步骤4具体按照以下步骤实施：

步骤4.1、利用步骤3中初始化完成后的由n个花粉粒子组成的种群，设置初始化后花粉粒子的位置坐标ym1,ym2,ym3,ym4分别等于初始化后小波神经网络的四个参数即隐含层输入权值ωij、隐含层输出权值ωjv、尺度参数aj、位移参数bj，将步骤2中归一化后的全体训练样本代入步骤3初始化后的小波神经网络进行分类，并选定正常、低能放电、高能放电、中低温过热、高温过热、局部放电六种变压器运行状态进行编码，作为初始化后的小波神经网络的理想输出值，以初始化后的小波神经网络对训练样本分类输出的准确率为适应度，得到每个花粉粒子的初始适应度值；

步骤4.2、确定迭代次数为f并使用初始适应度值对花粉粒子位置进行迭代寻优，根据w和rand的大小关系确定种群中各个花粉粒子的授粉行为，局部授粉和全局授粉分别使用式(10)和式(11)更新花粉粒子的位置，若花粉粒子新的适应度值高于当前的适应度值且迭代次数用尽，则终止迭代并输出适应度值，若花粉粒子新的适应度值低于当前的适应度值，则继续迭代寻优，直至迭代次数用尽，迭代过程完成后,花粉粒子最佳位置的适应度值最高，迭代结束后的花粉粒子最佳位置坐标为优化后的小波神经网络的四个参数值；

步骤4.3、利用全体训练样本训练优化后的小波神经网络；

步骤4.4、通过训练，根据故障特征，建立基于云算子花朵授粉算法优化小波神经网络变压器故障诊断分类模型。

步骤5、将测试样本应用于基于云算子花朵授粉算法优化小波神经网络变压器故障诊断模型，对测试样本进行分类完成故障诊断。