基于CSO-ANN-EL算法的变压器故障诊断及状态预测方法

本发明涉及变压器故障诊断
技术领域：
，更具体地，涉及一种基于cso-ann-el算法的变压器故障诊断及状态预测方法。
背景技术：
：变压器是输变电系统中重要的电气设备，其运行状态直接影响电力系统的安全性水平，变压器发生故障将可能导致大范围的停电，造成不可估量的经济损失。因此，研究变压器故障诊断技术，对提高变压器故障诊断的准确率，提高变压器的使用率，提高变压器运行维护水平具有重要意义。目前用于变压器故障诊断的传统方法包括三比值法、改良三比值法等，用于变压器故障诊断的智能算法包括灰色模型、支持向量机和人工神经网络(ann)及其相应的改进算法。然而，三比值法、改良三比值法方法在实践过程中逐渐显露出编码不全、判断标准过于绝对等缺点。灰色理论利用指数规律建立时间序列数据模型，适用于单调递增或单调递减的过程，但由于变压器故障及其在油中的相应气体含量的复杂性，采用指数规律进行数据拟合可能会产生误差。支持向量机利用了结构化风险最小化原则而不是经验性风险最小化原则，使其在小样本二值分类问题上具有出色的泛化能力，但其实用性和有效性因具体应用而有所不同。当训练样本足够时，使用人工神经网络(ann)，例如bp神经网络，是最适合用于非线性预测的方法之一。然而，传统的人工神经网络在训练过程中存在收敛速度慢、容易陷入局部极小等缺点，极大地影响了预测精度。而且由于目前变压器的故障率低，故障dga数据样本较少，对传统的人工神经网络训练效果不理想。技术实现要素：本发明为克服上述现有技术所述的传统人工神经网络应用于变压器故障诊断时存在训练效果不理想、预测精度低的缺陷，提供一种基于cso-ann-el算法的变压器故障诊断及状态预测方法。为解决上述技术问题，本发明的技术方案如下：基于cso-ann-el算法的变压器故障诊断及状态预测方法，包括以下步骤：采集历史dga样本数据并进行标准化预处理；对标准化预处理后的dga样本数据进行自采样，创建训练子样本，利用所述训练子样本对多个基分类器进行训练，构造一个集成分类器，得到el(ensemblelearning，集成学习)模型；将所述标准化预处理后的dga样本数据输入el模型中通过集成学习进行训练；通过dga在线检测技术获取具有时间序列的dga数据集并进行标准化预处理；设置人工神经网络ann的参数并构建ann模型；采用cso(crisscrossoptimization，纵横交叉)算法对ann模型的参数进行优化，得到cso-ann算法模型；将所述标准化预处理后的dga数据集输入cso-ann算法模型中进行训练并输出dga数据预测结果，该预测结果为变压器故障状态的短期预测结果；将dga数据预测结果及基分类器的输出结果输入完成训练的el模型中进行变压器故障诊断，得到变压器故障诊断结果。作为优选方案，对dga样本数据或dga数据集进行标准化预处理的步骤包括：计算数据中在变压器油中溶解的各种气体的体积浓度百分比xi，其计算公式如下：式中，表示第i(i＝1,2,...,p)种气体的气体体积浓度，p表示dga样本数据或dga数据集中在变压器油中溶解的气体的类别数。作为优选方案，利用训练子样本对多个基分类器进行训练的步骤包括：将标准化预处理后的dga样本数据分为训练集和测试集，从所述训练集中进行自采样，创建p种气体的训练子样本；将所述训练子样本分别输入采用cart模型的基分类器中进行训练，采用袋装法进行集成学习构造一个集成分类器，得到el模型。作为优选方案，对所述el模型通过集成学习进行训练的步骤包括：采用p个袋装决策树对输入的dga样本数据进行变压器故障类别分类；从完成训练的基分类器中得到所有输出，通过简单加权和叶贝斯投票对所有基分类器的输出进行投票，确定所述el模型输出的最终诊断结果。作为优选方案，所述人工神经网络ann的参数包括人工神经网络ann的输入模式、输出模式、隐含层层数、隐含层神经元个数、隐含层传递函数、输出层层数、输出层神经元个数、输出层传递函数。作为优选方案，设置人工神经网络ann的参数并构建ann模型的步骤包括：采用三层bp网络模型作为ann模型，输入所述bp网络模型的拓扑结构、最小允许误差参数；其中所述bp网络模型的拓扑结构包括输入层数目、隐含层数目、输出层数目；设置隐含层激活函数、输出层激活函数；计算所述bp网络模型中隐含层神经元的输入αh(k)与输出βh(k)，以及输出层神经元的输入yj(k)和输出yoj(k)，其计算公式如下：βh(k)＝f1(αh(k))yoj(k)＝f2(yj(k))式中，wih为输入层与隐含层的连接权值，bh为隐含层各神经元的阈值，whj为隐含层与输出层的连接权值，bj为输出层各神经元的阈值，其中h＝1,2,...,m，m为隐藏层神经元数量，j＝1,2,...,q，q为输出层神经元数量；xi(k)表示第k个输入样本集x(k)中第i个样本，其中x(k)＝[x1(k),x2(k),...,xn(k)]；dj(k)表示第k个输入样本集x(k)的期望输出；f1为隐含层激活函数，f2为输出层激活函数；定义误差函数e，根据所述误差函数e计算隐含层与输出层的连接权值、输出层阈值、输入层与隐含层的连接权值、隐含层阈值的修正量，其表达公式如下：式中，η为修正系数，δj(k)为输出层的灵敏度，δh(k)为隐含层的灵敏度；f1′为对隐含层激活函数的求导，f2′为对输出层激活函数的求导；根据上述修正量对相应的连接权值和阈值进行调整，根据调整后的连接权值和阈值计算bp网络模型的实际输出值di和期望输出值yi的误差函数fit，并根据误差函数fit确定bp网络模型中输入层、隐含层、输出层的最优位置；其中误差函数fit的计算公式如下：式中，n为训练样本数。作为优选方案，采用cso算法对ann模型的参数进行优化的步骤包括：设置cso算法的种群规模、粒子维度数目、最大迭代次数、横向交叉概率和纵向交叉概率参数；以所述误差函数fit作为cso的适应度函数，计算每个cso粒子的适配值，得到cso粒子的个体最优值和全局最优值，再将所述cso粒子的个体最优值和全局最优值进行比较，取适配值更优者作为当前最优位置对bp网络模型的参数进行调整，得到cso-ann算法模型。作为优选方案，将所述标准化预处理后的dga数据集输入cso-ann算法模型中进行训练的步骤包括：将所述标准化预处理后的dga数据集分为训练集和测试集，将经过cso算法优化后的参数作为cso-ann算法模型的初始连接权值和阈值，将所述训练集输入所述cso-ann算法模型中进行短期的dga数据预测，并对dga数据预测的有效性进行评估，当输出误差大于预设的误差精度时，则重新对ann模型的连接权值和阈值进行优化；当输出误差小于预设的误差精度时，则得到完成训练的cso-ann算法模型；将所述测试集输入完成训练的cso-ann算法模型中，输出dga数据预测结果。作为优选方案，采用平均绝对百分比误差、平均绝对误差、均方根误差对dga数据预测的有效性进行评估。作为优选方案，所述dga样本数据包括氢气、甲烷、乙烷、乙烯、乙炔在变压器油中溶解的体积浓度，且所述dga样本数据设置有变压器故障类型标签，所述变压器故障类型包括低能放电、高能放电、局部放电、中低温度过热、高温过热；所述具有时间序列的dga数据集包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳在变压器油中溶解的体积浓度。与现有技术相比，本发明技术方案的有益效果是：本发明适用于小样本数据的变压器故障诊断，能提前进行变压器状态评估，大大提高了变压器故障诊断的效率；利用cso算法对ann模型的各项权值和阈值进行优化，使神经网络收敛速度加快，并且不会陷入局部最优。附图说明图1为本发明的基于cso-ann-el算法的变压器故障诊断及状态预测方法的流程图。图2为本发明的基于cso-ann-el算法的变压器故障诊断及状态预测方法的流程图。图3为本发明的cso-ann模型及el模型的框架原理图。图4为实施例的氢气(h2)的dga预测值与实测值对比图。图5为实施例的甲烷(ch4)的dga预测值与实测值对比图。图6为实施例的乙烯(c2h4)的dga预测值与实测值对比图。图7为实施例的乙烷(c2h6)的dga预测值与实测值对比图。图8为实施例的乙炔(c2h2)的dga预测值与实测值对比图。图9为实施例的一氧化碳(co)的dga预测值与实测值对比图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。实施例：本实施例提出一种基于cso-ann-el算法的变压器故障诊断及状态预测方法，如图1～2所示，为本实施例的基于cso-ann-el算法的变压器故障诊断及状态预测方法的流程图。本实施例提出的基于cso-ann-el算法的变压器故障诊断及状态预测方法中，包括以下步骤：s1：采集历史dga样本数据并进行标准化预处理。本实施例中采集的历史dga样本数据包括氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、乙炔(c2h2)五种气体的体积浓度；历史dga样本数据中还包含相应的变压器故障类型，包括低能放电(d1)、高能放电(d2)、局部放电(pd)、中低温度过热(<700℃)(t1)、高温过热(>700℃)(t2)，共五种状态；其对应的输出的编码为：10000、01000、00100、00010、00001。由于变压器的容量和电压电平彼此不同，因此变压器油中溶解气体的体积浓度也有所不同。为了消除差异，本实施例将输入的dga样本数据进行标准化预处理，具体的：计算数据中在变压器油中溶解的各种气体的体积浓度百分比xi，其计算公式如下：式中，表示第i(i＝1,2,...,5)种气体的气体体积浓度。s2：对标准化预处理后的dga样本数据进行自采样，创建训练子样本，利用所述训练子样本对多个基分类器进行训练，构造一个集成分类器，得到el模型。本步骤中，将标准化预处理后的dga样本数据分为训练集(占整个dga样本数据集的45％)和测试集(占整个dga样本数据集的55％)，然后从训练集中进行bootstrap自采样，创建5种气体的训练子样本；将训练子样本分别输入采用cart模型的基分类器中进行训练，采用袋装(bagging)法进行集成学习构造一个集成分类器，得到el模型。s3：将所述标准化预处理后的dga样本数据输入el模型中通过集成学习进行训练。具体的，将dga样本数据的测试集输入完成训练的el模型中，el模型中的采用cart模型的基分类器分别输出变压器故障诊断结果。进一步的，本实施例中的基分类器为袋装决策树，基分类器的个数设置为175个。当基分类器对输入的测试集完成分类并分别输出变压器故障诊断结果后，通过对所有基分类器的输出基于简单加权和叶贝斯投票确定el模型最终输出的变压器故障诊断结果。s4：通过dga在线检测技术获取具有时间序列的dga数据集并进行标准化预处理。本实施例中获取的具有时间序列的dga数据集中，包括氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、乙炔(c2h2)、一氧化碳(co)，六种变压器油中溶解气体的气体浓度。本步骤中，对具有时间序列的dga数据集进行标准化预处理的步骤与s2步骤相同。s5：设置人工神经网络ann的参数并构建ann模型。本实施例中，ann模型采用三层bp网络模型，对变压器油中溶解的六种特征气体(h2、ch4、c2h6、c2h4、c2h2、co)的气体浓度进行预测。输入所述bp网络模型的拓扑结构、最小允许误差参数；其中所述bp网络模型的拓扑结构包括输入层数目、隐含层数目、输出层数目；设置隐含层激活函数、输出层激活函数；计算所述bp网络模型中隐含层各神经元的输入αh(k)与输出βh(k)，以及输出层各神经元的输入yj(k)和输出yoj(k)，其计算公式如下：βh(k)＝f1(αh(k))yoj(k)＝f2(yj(k))式中，wih为输入层与隐含层的连接权值，bh为隐含层各神经元的阈值，whj为隐含层与输出层的连接权值，bj为输出层各神经元的阈值，其中h＝1,2,...,m，m为隐藏层神经元数量，j＝1,2,...,q，q为输出层神经元数量；xi(k)表示第k个输入样本集x(k)中第i个样本，其中x(k)＝[x1(k),x2(k),...,xn(k)]；dj(k)表示第k个输入样本集x(k)的期望输出；f1为隐含层激活函数，f2为输出层激活函数；定义误差函数e，根据所述误差函数e计算隐含层与输出层的连接权值、输出层阈值、输入层与隐含层的连接权值、隐含层阈值的修正量，其表达公式如下：式中，η为修正系数，δj(k)为输出层的灵敏度，δh(k)为隐含层的灵敏度；f1′为对隐含层激活函数的求导，f2′为对输出层激活函数的求导；根据上述修正量对隐含层与输出层之间的连接权值whj、输出层各神经元的阈值bj、输入层与隐含层之间的连接权值wih、进行隐含层各神经元的阈值bh进行调整；根据调整后的连接权值和阈值计算bp网络模型的实际输出值di和期望输出值yi的误差函数fit，并根据误差函数fit确定bp网络模型中输入层、隐含层、输出层的最优位置；其中误差函数fit的计算公式如下：式中，n为训练样本数。s6：采用cso算法对ann模型的参数进行优化，得到cso-ann算法模型。本步骤中，采用cso算法对ann模型的参数进行优化的步骤包括：设置cso算法的种群规模、粒子维度数目、最大迭代次数、横向交叉概率和纵向交叉概率参数；以所述误差函数fit作为cso的适应度函数，计算每个cso粒子的适配值，得到cso粒子的个体最优值和全局最优值，再将所述cso粒子的个体最优值和全局最优值进行比较，取适配值更优者作为当前最优位置对bp网络模型的参数进行调整，得到cso-ann算法模型。具体的，利用cso算法对作为ann模型的bp神经网络中的权值和阈值进行优化，其步骤包括：建立cso粒子与bp神经网络的权值和阈值之间的映射，即将神经网络的权值和阈值编码成实数向量表示种群中的个体，随机产生成这些实数向量的群体，优化对象包括：修正量对隐含层与输出层之间的连接权值whj、输出层各神经元的阈值bj、输入层与隐含层之间的连接权值wih、进行隐含层各神经元的阈值bh，所述权值与阈值构成了cso算法的初始种群。(1)种群初始化假设x是一个随机生成的具有d列和m行的矩阵，它表示由m个个体组成的d维总体。(2)横向交叉操作对种群中所有粒子进行两两不重复随机组合，共m/2对组合，对每对组合，根据下式对粒子进行横向交叉：其中r1，r2是[0,1]上均匀分布的随机值；c1，c2是[-1,1]上均匀分布的随机值；x(i,d)，x(j,d)分别为父代粒子x(i)，x(j)的第d维；mshc(i,d)和mshc(j,d)分别为x(i)，x(j)通过横向交叉产生的第d维子代，称为中庸解；横向交叉结果保存在中庸解矩阵mshc中，计算粒子适应度值，并与其父代粒子x(i)，x(j)的适应度值作比较，适应度值小的保留在x中，参与下一次迭代；对横向交叉得到的粒子的每一维进行归一化，然后对粒子所有的维进行不重复两两随机配对，共d/2对，对任意一对维，生成一个随机数rand，若rand<pv(pv通常取0.2～0.8)，则对该对维进行纵向交叉操作。(3)纵向交叉操作与横向交叉不同，纵向交叉式所有粒子在不同维之间进行的操作。假设纵向交叉是在粒子x(i)的d1和d2维上进行的，则它们进行纵向交叉后产生的中庸解msvc(i,d)为：msvc(i,d)＝r·x(i,d1)+(1-r)·x(i,d2)i∈n(1,m),d1,d2∈n(1,d)式中：r为[0,1]上均匀分布的随机数；msvc(i,d)为粒子i第d1维和d2维纵向交叉后产生的子代。纵向交叉结果保存在中庸解矩阵msvc中，对纵向交叉结果反归一化后，计算中庸解矩阵中粒子的适应度值，与其父代粒子进行适应度值比较，适应度值好的粒子保存在x中，进行下一次迭代。通过横向交叉和纵向交叉产生的子代和父代进行竞争操作，不断产生新的种群；若新的适应值优于当前个体最优，则用该适应值取代当前个体最优；若更新后的个体最优值优于当前全局最优值，则用该个体最优值取代当前全局最优值，以完成对bp神经网络的权值和阈值的优化。s7：将所述标准化预处理后的dga数据集输入cso-ann算法模型中进行训练并输出dga数据预测结果。本步骤中，将所述标准化预处理后的dga数据集分为训练集和测试集，将经过cso算法优化后的参数作为cso-ann算法模型的初始连接权值和阈值，将所述训练集输入所述cso-ann算法模型中进行短期的dga数据预测，并对dga数据预测的有效性进行评估，当输出误差大于预设的误差精度时，则重新对ann模型的连接权值和阈值进行优化；当输出误差小于预设的误差精度时，则得到完成训练的cso-ann算法模型；将所述测试集输入完成训练的cso-ann算法模型中，输出dga数据预测结果。进一步的，本实施例采用平均绝对百分比误差(mape)、平均绝对误差(mae)和均方根误差(rmse)对dga数据预测的有效性进行评估，其计算公式如下：其中yh和代表气体浓度的测量值和预测值，q为特征气体数量。s8：将dga数据预测结果及基分类器的输出结果输入完成训练的el模型中进行变压器故障诊断，得到变压器故障诊断结果。本实施例构造的用于dga数据预测和变压器故障诊断的cso-ann-el模型适用于小样本数据的变压器故障诊断，并能提前进行变压器状态评估，大大提高了变压器故障诊断的效率。在一具体实施过程中，使用在线监测系统以相同的监测间隔(6h)获得的200个数据点构造dga数据集。采用第1～175位样本用作训练样本，第176～200位样本用作测试样本。其中，本实施例中ann模型的输入层神经元个数设置为6个，隐藏层神经元个数设置为4个，输出层神经元个数设置为6个。经过训练和测试，比较了测试集的25个样本的6种气体浓度的预测值和实际测得的气体浓度值，如图4～9所示。由图可知，采用本实施例提出的基于cso-ann-el算法的变压器故障诊断及状态预测方法得到的预测值的变化趋势与实测值的变化趋势相近。进一步的，采用平均绝对百分比误差(mape)、平均绝对误差(mae)和均方根误差(rmse)对dga数据预测的有效性进行评估，其评估结果如下表所示。表1六种气体的预测误差结果气体h2c2h2ch4c2h4c2h6comape(％)3.5122.0110.0781.6031.7111.702mae(ppm)8.8640.8270.3410.4300.15011.177rmse(ppm)5.6060.5080.0580.2690.0867.284从表1中可以看出，mape显示的六种气体的预测精度均小于4％，最大为3.512％，本实施例cso-ann-el算法在h2、ch4、c2h4、c2h6的mape上的预测精度要优于pso-svm、gm模型(s.fei,m.wang,y.miao,j.tu,c.liu.particleswarmoptimization-basedsupportvectormachineforforecastingdissolvedgasescontentinpowertransformeroil.energ.convers.manage.2009；50:1604-1609.)。由此可见，本实施例提出的cso-ann-el算法对dga数据的变化趋势的预测结果更敏感、更准确。在一具体实施过程中，使用采集到的200个历史dga数据集，分为训练数据集(具有90条记录，占整个数据集的45％)和测试数据集(具有110条记录，占整个数据集的55％)，其中训练数据集可以小于测试数据集。为了验证所提算法的有效性，对本实施例提出的本实施例提出的cso-ann-el算法，以及决策树、随机森林、adaboost分类器、梯度提升树(gradientboostingtree,gbct)、支持向量机(svm)等五种算法进行了仿真。为了获得更好的分类精度，使用网格搜索方法来寻找最优参数，参数设置如下：将本实施例提出的cso-ann-el算法、随机森林、adaboost和梯度提升树gbct算法的基分类器设置为决策树，决策树数设置为175。将每个估计量的最大采样率设为0.75，采用bootstrap采样方法，其中adaboost和梯度提升树gbct的学习率设置为0.1。采用上述算法进行仿真实验的分类准确率如下表2所示。表2各算法仿真实验的分类准确率方法cso-ann-el随机森林决策树gbctadaboostsvm训练集100％100％100％100％100％56.7％测试集92.7％91.8％86.4％86.4％86.4％43.6％由表2可知，本实施例提出的基于cso-ann-el算法的变压器故障诊断及状态预测方法的性能优于随机森林、决策树、梯度提升树gbct、adaboost分类器和支持向量机svm等算法。相同或相似的标号对应相同或相似的部件；附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。当前第1页12