基于蚁群优化BP神经网络的主变压器运行状态识别方法与流程

本发明属于电网运维，特别是涉及到一种基于蚁群算法优化bp神经网络的主变压器运行状态识别方法。

背景技术：

1、在电力系统逐步走向互联整体化的今天，电网中出现任何局部事故都可能会影响到整个电网的稳定性，保证运维生产、维护电网安全是电力生产工作中的重中之重。主变压器巡检是运维生产的重要环节。在一个电力系统中，主变压器是指主变压器，它是变电站的核心部件之一。主变压器的作用是降低或升高电压，因为在输电过程中需要将电压提高到较高水平以减少电流损耗，然后在传输到终端用户之前，将电压逐渐降低到安全可靠的水平。在变电站中，主变压器是起到连接不同电压等级的关键设备，确保电力系统的有效运行和能源传输。因此按期对变电站进行设备巡检检查，特别是主变压器，掌握其运行状态，及时发现并清除设备隐患，是实现变电站安全稳定无故障运行的重要工作。

2、目前主变压器巡检主要依靠人员看、听、记录数据，受限于巡检人员能力及使用的检测设备等原因，巡检不够精细化、准确化、智能化，巡检质量无法保证。而且目前设备状态评估过程中很多设备外观破损、渗漏油等缺陷信息只能通过人工巡检获取并录入生产系统，关于设备负荷、电压电流功率等实时数据则反映在在线监测系统中，对于站内隐患设备进行状态评估只能通过人工根据数据综合分析，大量的长周期、重复性抄写录入及状态观测工作容易出错、忽略，很多设备故障诱因难以及时发现；数据记录的过程通过手写或者人工电脑录入完成，数据精确度难以保证，且有效率低下、携带保持不便等问题。

3、因此现有技术当中亟需要一种新型的技术方案来解决这一问题。

技术实现思路

1、本发明所要解决的技术问题是：提供一种基于蚁群算法优化bp神经网络的主变压器运行状态识别方法用于解决目前主变压器巡检主要依靠人员看、听、记录数据，效率低下而且很多设备故障诱因难以及时发现的技术问题。

2、基于蚁群算法优化bp神经网络的主变压器运行状态识别方法，包括以下步骤，并且以下步骤顺次进行：

3、步骤一、采集数量相同的主变压器及其辅助设备的历史故障数据和正常运行的数据，所述历史故障数据包括发生故障时的主变压器相关参数以及相应的故障类别标签，所述正常运行的数据包括正常运行的主变压器相关参数以及相应的正常运行标签，并对所有数据进行缺失值处理和数据归一化处理，形成数据集；

4、步骤二、建立bp神经网络，并通过蚁群算法优化寻找出bp神经网络最优的初始权重和阈值，获得优化后的bp神经网络；

5、步骤三、将步骤一中的数据集中主变压器相关参数作为输入，将相应的故障类别标签作为输出对步骤二优化后的bp神经网络进行训练，获得训练后的bp神经网络；

6、步骤四、将实时巡检中检测获得的主变压器相关参数进行归一化处理后输入训练后的bp神经网络，输出的类别标签与历史的故障类别标签一致，则发出故障报警，输出的类别标签与历史的正常运行标签一致，则继续进行巡检，

7、输出的类别标签与历史的故障类别标签以及正常运行标签均不一致，则报警提示进行人工判断，人工判断为故障，则将新的类别标签标记为故障类别标签，并连同实时检测的主变压器相关参数同时存储至数据集，人工判断为非故障，则将新的类别标签标记为正常运行标签，并连同实时检测的主变压器相关参数同时存储至数据集，实时检测的主变压器相关参数以及新的类别标签标记为故障数据存储至数据集，并继续进行巡检。

8、所述主变压器相关参数包括主变压器温度、主变压器绝缘油的油位、主变压器绝缘油的油压力、主变压器是否漏油、绝缘油中的气氛气体、变压器的输入电流、变压器的输出电压、主变压器的湿度、主变压器的绝缘阻抗、主变压器的噪音水平、主变压器的油温和线圈温度变化值、主变压器的外围环境的温度和主变压器的外围环境的湿度；其中，主变压器漏油记为1，主变压器不漏油记为0；绝缘油中的气氛气体中臭氧含量大于设定值则记为1，绝缘油中的气氛气体中臭氧含量不大于设定值则记为0；主变压器的噪音水平大于设定值则记为1，主变压器的噪音水平不大于设定值则记为0。

9、所述建立bp神经网络的具体步骤为：

10、第一步、网络初始化：

11、根据输入向量x＝(x1,x2,…,xn)和期望输出d＝(d1,d2,…,dl)来确定神经网络的输入层、隐含层和输出层神经元个数，其中，输入x为步骤一中获得的主变压器相关参数，其为多维度数据；输出d为主变压器的各种异常状态，使用离散的类别标签来表示各种异常状态，在这种情况下，神经网络的输出层会有多个神经元，每个神经元代表一种可能的异常状态，初始化各层神经元之间的连接权值，初始化各隐含层阈值a，输出层阈值b，设定学习速率和神经元传递函数；

12、所述神经元传递函数为：

13、

14、第二步、隐含层输出计算：

15、根据输入向量x、输入层和隐含层间的连接权值vij以及隐含层阈值a，计算隐含值输出：

16、

17、式中，m为隐含层节点数；vij为输入层和隐含层之间的连接权值，表示输入层的第i个神经元与隐含层的第j个神经元之间的权重，vi0＝-1；xi为输入层的第i个神经元的输入值，x0＝aj，aj为隐含层的第j个神经元的阈值，f(·)为隐含层传递函数；

18、第三步、输出层输出计算：

19、根据隐含层输出，隐含层和输出层间的连接权值wjk和阈值b，计算bp神经网络的实际输出o：

20、

21、式中，ok为bp神经网络输出层的第k个神经元的实际输出值；

22、第四步、误差计算：

23、根据bp神经网络的实际输出与期望输出d，计算网络的总体误差e：

24、

25、式中，dk为期望输出，代表主变压器的各种异常状态，使用离散的类别标签来表示；

26、第五步、权值更新：

27、根据网络的总体误差e，按照以下公式更新权值vij,wjk和阈值b：

28、vij＝vij+δvijwjk＝wjk+δwjk

29、其中，

30、

31、其中，η为学习速率；

32、第六步、判断算法迭代是否结束：

33、利用网络的总体误差e是否达到设定的精度来判断,达到设定的精度则结束迭代，若没有达到设定的精度,返回第二步继续进行，直到网络的总体误差e达到设定的精度。

34、所述通过蚁群算法优化寻找出bp神经网络最优的初始权重和阈值的具体步骤为：

35、步骤一：首先初始化bp神经网络的结构与aco蚁群算法的参数，取bp神经网络的权值矩阵和阈值向量的元素，构成蚂蚁种群的路径坐标，其中阈值向量为隐含层阈值和输出层阈值；

36、步骤二：构建解空间并计算解空间的维度，初始化蚂蚁位置与最高信息素，并开始开始迭代；

37、步骤三：根据蚂蚁的位置，计算并获得信息素含量；

38、步骤四：计算并获得最高信息素，更新最优的个体位置；

39、步骤五：按概率转移和更新蚂蚁位置；

40、步骤六：执行步骤三——五的循环体，达到终止代数；

41、步骤七：取出优化后的最佳蚂蚁位置坐标，赋给bp神经网络，bp神经网络得到最优的初始权值矩阵和阈值向量。

42、通过上述设计方案，本发明可以带来如下有益效果：

43、本发明采用基于蚁群算法优化的bp神经网络进行主变压器的故障识别。由于经典的bp神经网络训练初始权重vij,wjk和阈值b的选择会直接影响神经网络的收敛速度。如果初始权重和阈值不合适，网络容易陷入局部最优解，而无法找到全局最优解。这可能导致网络的性能不佳或无法收敛。权重和阈值的初始值也会影响网络中梯度的传播。本发明采用蚁群优化算法对bp神经网络的初始权值和阈值进行优化，找到一组最优的权值和阈值组合，从而让bp神经网络模型达到更好地收敛效果，能够实现主变压器故障的准确识别。