一种基于PSO优化RBF神经网络的变压器故障诊断方法与流程

一种基于pso优化rbf神经网络的变压器故障诊断方法
技术领域
1.本发明涉及变压器故障诊断的技术领域，尤其涉及一种基于pso优化rbf神经网络的变压器故障诊断方法。


背景技术：

2.电力变压器是电力系统的重要设备之一，其运行状态直接影响到电力系统的安全与稳定运行。变压器内部结构复杂、故障类别繁多，如何快速准确地诊断出变压器故障类型，进而及时进行检修，对于提高电力系统效率以及可靠性具有重要意义。
3.油中溶解气体分析(dissolved gas analysis，简称dga)技术主要应用在油浸式变压器故障诊断，它能有效发现变压器内部的潜伏性故障，预防因此引起的重大事故。我国基本上采用iec三比值法，但是在实际应用中，暴露出“缺编码”、编码边界过于绝对等问题，存在无法识别某些故障和误判率过高的缺陷。近年来随着人工智能方法的发展，单一人工神经网络(artificial neural network，简称ann)、支持向量机(support vector machine，简称svm)、决策树等人工智能算法在油浸式变压器故障诊断领域取得了显著的成效，但神经网络存在收敛速度慢和易陷入局部最优；支持向量机处理变压器故障诊断多分类问题精度低。因此，本发明提出一种基于粒子群算法(partical swarm optimization，简称pso)优化径向基(radial basis function，简称rbf)神经网络的变压器故障诊断方法。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有变压器故障诊断方法的缺陷，提出了本发明。
6.本发明目的是提供一种基于pso优化rbf神经网络的变压器故障诊断方法。
7.为解决上述技术问题，本发明提供如下技术方案：一种基于pso优化rbf神经网络的变压器故障诊断方法，包括，
8.根据油中溶解气体分析法，采集油浸式变压器油中的溶解气体含量及变压器运行状态；
9.对所述溶解气体含量及变压器运行状态进行预处理，构造训练样本集和测试样本集；
10.建立初始网络模型，基于粒子群优化算法并结合训练样本集对所述初始网络模型进行训练优化，生成变压器故障诊断模型；
11.将测试样本集输入所述变压器故障诊断模型，诊断出油浸式变压器的故障类型。
12.作为本发明所述基于pso优化rbf神经网络的变压器故障诊断方法的一种优选方案，其中：利用油中溶解气体分析法采集气体含量，将气体含量作为特征向量。
13.作为本发明所述基于pso优化rbf神经网络的变压器故障诊断方法的一种优选方
案，所述预处理包括，对溶解气体含量进行归一化处理，即将溶解气体含量的数值映射到[0，1]之间；
[0014]
将变压器故障类型用one-hot码进行标记，即与故障类型对应的位标记为1，其余位标记为0；
[0015]
将归一化后的溶解气体含量与对应的变压器故障类型标记，构成样本集d；
[0016]
按照4∶1的比例将样本集d分为训练样本集d
train
和测试样本集d
test
。
[0017]
作为本发明所述基于pso优化rbf神经网络的变压器故障诊断方法的一种优选方案，其中：基于rbf神经网络的拓扑结构建立所述初始网络模型，所述初始网络模型包括输入层、隐藏层、输出层；其中，输入层为特征向量层，且输入层的神经元数目为5，输出层输出油浸式变压器的故障类型，输出层的神经元数目为6。
[0018]
作为本发明所述基于pso优化rbf神经网络的变压器故障诊断方法的一种优选方案，其中：隐藏层的神经元数目采用以下公式进行计算：
[0019][0020]
其中，s为隐藏层的神经元数目，m为输入层的神经元数目，n为输出层的神经元数目，a为1～10之间的常数；
[0021]
并继续建立初始网络模型的径向基函数，隐藏层的神经元经过高斯函数映射后的输出值为：
[0022][0023]
式中，r(x，ci)为隐藏层第i个神经元的输出，x为输入，ci为隐藏层第i个神经元的高斯函数的中心，σi为隐藏层第i个神经元的高斯函数的宽度，h为隐藏层的神经元数目；
[0024]
初始网络模型的输出y(k)为其隐藏层的神经元的线性组合，即：
[0025][0026]
式中，ω
ik
为隐藏层第i个神经元与输出层第k个神经元的连接权值，bk为输出层第k个神经元的阈值。
[0027]
作为本发明所述基于pso优化rbf神经网络的变压器故障诊断方法的一种优选方案，其中：还包括：
[0028]
利用输出的误差均方值e(k)评价初始网络模型的性能指标函数，即：
[0029][0030]
其中，y(k)，y
′
(k)分别表示初始网络模型的实际输出值与理想输出值。
[0031]
作为本发明所述基于pso优化rbf神经网络的变压器故障诊断方法的一种优选方案，其中：建立模型进行训练优化，初始化粒子种群参数，获得初始化的粒子位置向量；将初始化的粒子位置向量映射到初始网络模型的初始化参数，并结合训练样本集对所述初始网络模型进行训练优化；
[0032]
其中，所述初始网络模型的初始化参数包括高斯函数的中心ci、高斯函数的宽度σi、连接权值ω
ik
和阈值bk。
[0033]
作为本发明所述基于pso优化rbf神经网络的变压器故障诊断方法的一种优选方案，其中：初始化粒子种群参数，基于rbf神经网络的输入层向量维数、隐藏层神经元个数以及输出层神经元个数，保证粒子群中最优粒子的位置向量映射到rbf神经网络的参数中。
[0034]
作为本发明所述基于pso优化rbf神经网络的变压器故障诊断方法的一种优选方案，其中：利用训练样本集对初始网络模型进行训练，计算误差均方值，作为粒子的适应度值；
[0035]
更新粒子种群的位置向量x
td
和速度向量v
td
，粒子种群迭代更新的公式如下：
[0036]vtd
＝ωv
td
+c1random(0，1)(p
td-x
td
)+c2random(0，1)(p
gd-x
td
)；
[0037]
x
td
＝x
td
+v
td
；
[0038]
其中，ω称为惯性因子，其值非负；c1和c2称为加速常数，c1为每个粒子的个体学习因子，c2为每个粒子的社会学习因子；random(0，1)表示区间[0，1]上的随机数；p
td
表示第t个变量个体极值的第d维；p
gd
表示全局最优解的第d维。
[0039]
进行迭代运算，将当前适应度值与粒子局部最优值p
best
的适应度值进行比较，然后得到最大迭代次数t
max
时，终止迭代，再将全局最优粒子映射到初始网络模型的初始化参数中，建立变压器故障诊断模型。
[0040]
本发明的有益效果：利用pso算法优化rbf神经网络参数的方法来完成对目标问题的求解。使用本发明进行变压器故障诊断，不但克服了原有基于单分类器故障诊断技术的缺陷，而且减小了故障诊断的误差。
附图说明
[0041]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0042]
图1为本发明基于pso优化rbf神经网络的变压器故障诊断方法的逻辑判断图。
[0043]
图2为本发明基于pso优化rbf神经网络的变压器故障诊断方法所述的径向基神经网络结构示意图。
具体实施方式
[0044]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0045]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0046]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0047]
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不
应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0048]
实施例1
[0049]
参照图1和图2，为本发明的第一个实施例，本发明公开了一种基于pso优化rbf神经网络的变压器故障诊断方法，包括如下步骤：
[0050]
首先，根据油中溶解气体分析法，采集油浸式变压器油中的溶解气体含量及变压器运行状态。
[0051]
溶解气体含量包括氢气、甲烷、乙烷、乙烯和乙炔的气体含量值；变压器运行状态包括中低温过热故障、高温过热故障、低能量放电、高能量放电、局部放电、正常6种运行状态。
[0052]
而后进行下一步：对溶解气体含量及变压器运行状态进行预处理，构造训练样本集和测试样本集。
[0053]
对溶解气体含量进行归一化处理，即将溶解气体含量的数值映射到[0，1]之间；
[0054][0055]
其中，x
*
为归一化后的数据，x为原始数据，x
max
、x
min
分别为特征向量某一维特征值的最大值、最小值；
[0056]
将变压器故障类型用one-hot码进行标记，即6种故障类型分别标记为100000、010000、001000、000100、000010、000001；
[0057]
利用归一化后的溶解气体含量与对应的变压器故障类型标记构成样本集d；
[0058]
按照4∶1的比例将样本集d分为训练样本集d
train
和测试样本集d
test
。
[0059]
而后进行下一步：建立初始网络模型，基于粒子群优化算法并结合训练样本集对初始网络模型进行训练优化，生成变压器故障诊断模型；
[0060]
(1)初始网络模型；
[0061]
基于rbf神经网络的拓扑结构建立初始网络模型，初始网络模型包括输入层、隐藏层、输出层；其中，输入层为特征向量层，且输入层的神经元数目为5，输出层输出油浸式变压器的故障类型，输出层的神经元数目为6。
[0062]
(2)隐藏层包括；
[0063]
隐藏层的神经元数目采用以下公式进行计算：
[0064][0065]
其中，s为隐藏层的神经元数目，m为输入层的神经元数目，n为输出层的神经元数目，a为1～10之间的常数；由于输入层神经元数为5，输出层神经元数为6，代入上式计算得出隐藏层神经元数位于3～12之间，设定隐藏层神经元数为5。
[0066]
初始网络模型的径向基函数选择高斯函数，隐藏层的神经元经过高斯函数映射后的输出值为：
[0067][0068]
式中，r(x，ci)为隐藏层第i个神经元的输出，x为输入，ci为隐藏层第i个神经元的高斯函数的中心，σi为隐藏层第i个神经元的高斯函数的宽度，h为隐藏层的神经元数目；
[0069]
初始网络模型的输出y(k)为其隐藏层的神经元的线性组合，即：
[0070][0071]
式中，ω
ik
为隐藏层第i个神经元与输出层第k个神经元的连接权值，bk为输出层第k个神经元的阈值。
[0072]
(3)利用输出的误差均方值e(k)评价初始网络模型的性能指标函数，即：
[0073][0074]
其中，y(k)，y
′
(k)分别表示初始网络模型的实际输出值与理想输出值。
[0075]
(4)训练优化包括：
[0076]
初始化粒子种群参数，获得初始化的粒子位置向量；
[0077]
设粒子最大迭代次数t
max
为100、群体规模n为20、惯性权重ω为0.5、加速因子c1＝c2＝2、初始化位置向量和速度向量；
[0078]
当粒子种群中最优粒子的位置向量映射到初始网络模型的初始化参数中，则需要位置向量维数与初始网络模型的初始化参数之和相等；
[0079]
当输入向量维数为m，隐藏层的神经元数目为h，输出层的神经元数目为n，则高斯函数的中心ci的个数为m
×
h，高斯函数的宽度σi的个数为h，连接权值ω
ik
的个数为h
×
n，阈值bk需要n个，需要被优化的初始化参数总个数为m
×
h+h+h
×
n+n个，位置向量维数等于m
×
h+h+h
×
n+n。
[0080]
即初始神经网络模型输入向量维数为5，隐藏层的神经元数目为5，输出层神经元数目为6，则高斯函数的中心ci的个数为5
×
5，高斯函数的宽度σi的个数为5，连接权值ω
ik
的个数为5
×
6，阈值bk需要6个，需要被优化的参数总个数为5
×
5+5+5
×
6+6＝66个，为保证粒子种群中最优粒子的位置向量映射到初始网络模型的参数中，粒子种群位置向量维数应等于初始网络模型的参数之和66；
[0081]
将初始化的粒子位置向量映射到初始网络模型的初始化参数，并结合训练样本集对初始网络模型进行训练优化；
[0082]
其中，初始网络模型的初始化参数包括高斯函数的中心ci、高斯函数的宽度σi、连接权值ω
ik
和阈值bk。
[0083]
(5)利用训练样本集对初始网络模型进行训练，计算误差均方值，作为粒子的适应度值；
[0084]
更新粒子种群的位置向量x
td
和速度向量v
td
，粒子种群迭代更新的公式如下：
[0085]vtd
＝ωv
td
+c1random(0，1)(p
td-x
td
)+c2random(0，1)(p
gd-x
td
)；
[0086]
x
td
＝x
td
+v
td
；
[0087]
其中，ω称为惯性因子，其值非负；c1和c2称为加速常数，c1为每个粒子的个体学习因子，c2为每个粒子的社会学习因子；random(0，1)表示区间[0，1]上的随机数；p
td
表示第t个变量个体极值的第d维；p
gd
表示全局最优解的第d维；
[0088]
进行迭代运算，将当前适应度值与粒子局部最优值p
best
的适应度值进行比较，若当前适应度值优于最优值p
best
的适应度，则取代当前局部最优值成为新的局部最优值，完成粒子局部极值的更新；
[0089]
将当前适应度值与种群全局最优值g
best
的适应度值进行比较，若当前适应度值优于种群全局最优值最优值g
best
的适应度值，则用当前适应度值取代种群全局最优值g
best
的适应度值，完成种群全局极值的更新；
[0090]
当达到最大迭代次数t
max
时，终止迭代；
[0091]
最后将测试样本集输入变压器故障诊断模型，诊断出油浸式变压器的故障类型。
[0092]
实施例2
[0093]
本实施例收集已知油浸式变压器的415组油中溶解气体含量和变压器运行状态样本数据，构成415条样本的样本集d，并按照4∶1的比例将样本集d分为训练样本集d
train
和测试样本集d
test
。其中，332组训练样本对故障诊断模型进行训练，不断优化模型的参数，提高模型的拟合程度；83组测试样本对变压器故障诊断模型的泛化能力和性能进行评估，从而对变压器进行故障诊断，例如表1所示。
[0094]
故障类型训练样本量测试样本量中低温过热故障3710高温过热故障8220低能量放电5413高能量放电9825局部放电164正常4511总计33283
[0095]
表1故障样本集分布
[0096]
为了对本方法中采用的技术效果加以验证说明，本实施例选择不同的方法和本方法进行对比测试，以科学论证的手段对比试验结果，从而验证本方法所具有的真实效果。传统的技术方案中三比值法无法识别某些故障和误判率过高，支持向量机处理变压器故障诊断多分类问题精度低，单一神经网络存在收敛速度慢和易陷入局部最优的缺陷。为验证本方法相对传统方法准确率高、泛化能力强的优点，本实施例中将采用支持向量机，深度置信网络、单一径向基神经网络和本方法，利用matlb软件编程实现仿真测试，根据实验结果得到仿真数据，并分别对变压器故障类型诊断的精度进行测量对比。
[0097]
结果如下表所示(下图给出误差的数据示例和识别准确率的数据)。
[0098]
[0099]
表2不同模型的诊断结果对比
[0100]
从表2可以看出，对比svm、dbn和单一rbf神经网络模型，基于粒子群优化的径向基神经网络模型(pso-rbf)的诊断精度分别提升了11.91％、6.68％和5.48％，诊断精度优于其他模型，可为变压器故障诊断提供有效的方法。
[0101]
重要的是，应注意，在多个不同示例性实施方案中示出的本技术的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下，许多改型是可能的(例如，各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如，温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如，示出为整体成形的元件可以由多个部分或元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展至仍落在所附的权利要求书的范围内的多种改型。
[0102]
此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。
[0103]
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
[0104]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。