本發(fā)明屬于人工智能技術領域，涉及變壓器故障診斷方法。

背景技術：

電力變壓器是電力系統(tǒng)中的重要設備，變壓器運行時發(fā)生任何故障都可能終端電力供應，造成重大生產事故和經濟損失。因此，對變壓器故障的精確預測非常重要。

變壓器油中溶解氣體分析(dga)作為一種高效的變壓器故障診斷方法，在電力系統(tǒng)實際運行中被廣泛采用。通過對變壓器油中溶解的特定氣體含量的數(shù)據(jù)進行分析，可以找到變壓器運行狀態(tài)的模式。因此，研究者提出了大量的基于dga數(shù)據(jù)的診斷方法，主要分為兩類：傳統(tǒng)診斷方法和智能診斷方法。

傳統(tǒng)診斷方法有特征氣體法、羅杰斯比值法、改良三比值法，其中改良三比值法是電力系統(tǒng)操作中的推薦方法。然而，傳統(tǒng)的診斷方法局限性較大，難以準確反映故障和表現(xiàn)特征之間的規(guī)律，并且在很多情況下無法對變壓器故障狀態(tài)進行分析。

針對傳統(tǒng)診斷方法的不足之處，基于dga數(shù)據(jù)的人工智能方法開始運用到診斷中，比如人工神經網絡(ann)、遺傳算法(ga)、支持向量機(svm)等。因此，相較于傳統(tǒng)診斷方法，人工智能方法表現(xiàn)出較好的性能和較強的泛化能力。

本發(fā)明選擇從人工神經網絡入手進行改良?，F(xiàn)有的人工神經網絡方法存在以下缺點：首先，訓練步數(shù)和判斷正確性往往無法同時滿足，訓練結果往往不能令人滿意；其次，沒有成熟的技術手段確定網絡結構和調節(jié)參數(shù)，網絡性能的好壞很多時候只能靠人工經驗和運氣，得到優(yōu)秀的結果無法進行解釋，而且實驗結果存在不能付現(xiàn)的可能行，對參數(shù)的微小變動較敏感。

技術實現(xiàn)要素：

本發(fā)明的目的是針對現(xiàn)有的神經網絡方面的技術方案存在的明顯缺點，提出一種基于布谷鳥搜索優(yōu)化的神經網絡算法，并將其應用到基于dga數(shù)據(jù)的變壓器故障診斷中。用以解決基于變壓器油中溶解氣體分析(dga)數(shù)據(jù)的多分類問題。

本發(fā)明的技術方案是，采用人工智能方法中的神經網絡結構，結合一種布谷鳥搜索的元啟發(fā)式智能方法，用布谷鳥搜索方法去優(yōu)化神經網絡的結構參數(shù)，同過dga數(shù)據(jù)的訓練得到一種穩(wěn)定的基于布谷鳥搜索優(yōu)化的神經網絡結構，對新的數(shù)據(jù)進行預測，以解決這種對分類問題。

本發(fā)明所述的一種基于布谷鳥搜索優(yōu)化神經網絡的變壓器故障診斷方法，包括以下步驟：

(1)利用變壓器油中溶解氣體分析法(dga)對變壓器油中的必測溶解氣體ch4，c2h6，c2h4，c2h2，co，co2以及下面的變壓器中油氣體分析目的表中的推薦檢測氣體o2，n2，h2進行提取，通過分析提取得到的氣體組分的數(shù)據(jù)進行分類與處理，確定故障類型。

變壓器中油氣體分析目的表

(2)按變壓器故障和特征氣體含量關系表對步驟(1)得到的數(shù)據(jù)和故障類型進行正確的分類標記，并通過隨機抽樣方式按3﹕1(具體可按數(shù)據(jù)集規(guī)模調整)的比例分組，作為神經網絡的訓練集和測試集。

變壓器故障和特征氣體含量關系表

(3)使用基于布谷鳥搜索優(yōu)化的神經網絡算法對訓練集進行訓練，當預測誤差滿足要求時停止訓練。

(4)用已經訓練好的神經網絡對測試集進行測試，調試過程中通過不斷調整參數(shù)以保證測試結果理想。

(5)用訓練好的神經網絡模型對新的未加標簽的數(shù)據(jù)進行預測，預測結果即為故障類型，完成故障診斷。

本發(fā)明具有如下優(yōu)點：避免傳統(tǒng)診斷方法大多局限于閾值診斷的缺點，具有較強的通用性；該方法與基本神經網絡算法和基于其他元啟發(fā)式優(yōu)化神經網絡算法方法相比，收斂速度更快，模型敏感度低，魯棒性較強；并且，該方法采用布谷鳥搜索這種元智能算法對神經網絡結構進行優(yōu)化，改善了神經網絡限于局部最小的缺點，并且調參過程更具有通用的規(guī)律性。

附圖說明

圖1為本發(fā)明的一種基于布谷鳥搜索優(yōu)化神經網絡的算法流程圖。

圖中：本流程圖中的神經網絡算法采用bp神經網絡，左邊為基本bp神經網絡算法的算法流程圖，右邊為布谷鳥搜索算法的算法流程圖，中間判斷語句把兩部分結合在一起，整個流程為基于布谷鳥搜索優(yōu)化的神經網絡的算法流程圖。

圖2為本發(fā)明的待優(yōu)化的神經網絡結構圖。

具體實施方式

以下將結合圖1和圖2對本發(fā)明作進一步說明。

一種基于布谷鳥搜索優(yōu)化神經網絡的變壓器故障診斷方法的具體實施方式如下：

(1)使用變壓器油中溶解氣體分析方法(dga)，按分析目的分析油中氣體組分。

(2)對上一步得到的數(shù)據(jù)進行正確分類標記，并按合理的抽樣方式分成兩組，分別作為神經網絡的訓練集和測試集。

(3)使用本發(fā)明中的基于布谷鳥搜索優(yōu)化的神經網絡算法對訓練集進行訓練。

step1輸入訓練樣本；

step2初始化bp神經網絡；

step3初始化鳥巢數(shù)量n，目標函數(shù)f(x)，初始化解決方案，pa，精度；

step4計算目標函數(shù)值，記錄最優(yōu)解決方案fmin和鳥巢位置；

step5更新鳥巢，并獲得新一代鳥巢；

step6計算新一代鳥巢的目標函數(shù)值，并將其與上一代比較，記錄最佳解決方案fnew及其相應的鳥巢位置；

step7計算出生成概率k，判斷k＞pa是否成立。若k＞pa成立，則轉step8；否則，轉step9；

step8更新鳥巢，目標函數(shù)值,fnew及其相應的位置；

step9比較fnew和fmin,并用更佳的值替換fmin；

step10判斷是否滿足布谷鳥搜索的迭代停止條件。若滿足，則轉step11；否則，則轉step5；

step11獲得bp神經網絡的初始權值和閾值；

step12訓練神經網絡；

step13判斷是否達到神經網絡的最大訓練次數(shù)或滿足神經網絡停止迭代條件。若滿足，則轉到step14；否則，則轉step3；

step14得到擁有最佳參數(shù)的訓練完成的神經網絡。

(4)用已經訓練好的神經網絡對測試集進行測試，并保證測試結果理想。

(5)用訓練好的神經網絡模型對新的未加標簽的數(shù)據(jù)進行預測。

技術特征：

技術總結
一種基于布谷鳥搜索優(yōu)化神經網絡的變壓器故障診斷方法，采用人工智能方法中的神經網絡結構參數(shù)，結合一種布谷鳥搜索的元啟發(fā)式智能方法，用布谷鳥搜索方法去優(yōu)化神經網絡的結構參數(shù)，通過DGA數(shù)據(jù)的訓練得到一種穩(wěn)定的基于布谷鳥搜索優(yōu)化的神經網絡結構，對新的數(shù)據(jù)進行預測，以解決這種對分類問題。本發(fā)明避免傳統(tǒng)診斷方法大多局限于閾值診斷的缺點，具有較強的通用性；該方法與基本神經網絡算法和基于其他元啟發(fā)式優(yōu)化神經網絡算法方法相比，收斂速度更快，模型敏感度低，魯棒性較強；并且，該方法采用布谷鳥搜索這種元智能算法對神經網絡結構進行優(yōu)化，改善了神經網絡限于局部最小的缺點，并且調參過程更具有通用的規(guī)律性。

技術研發(fā)人員：楊曉輝;李岸一;彭志云;董桓毓;王靜
受保護的技術使用者：南昌大學
技術研發(fā)日：2017.03.29
技術公布日：2017.09.12