一種動態(tài)變異粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器狀態(tài)評估方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種變壓器狀態(tài)評估的方法，尤其是涉及一種動態(tài)變異粒子群優(yōu)化神 經(jīng)網(wǎng)絡(luò)的變壓器狀態(tài)評估方法。
【背景技術(shù)】
[0002] 變壓器是電網(wǎng)的重要設(shè)備，變壓器狀態(tài)不僅影響其本身的工作狀態(tài)，還會影響整 個電力系統(tǒng)的可靠性和穩(wěn)定性，變壓器發(fā)生故障，會影響電力系統(tǒng)的輸電能力，甚至導(dǎo)致局 部或全局設(shè)備的停運(yùn)，造成電網(wǎng)停電事故的發(fā)生，可能給企業(yè)和社會帶來巨大的損失。對變 壓器的健康狀態(tài)進(jìn)行正確的評估具有重要的研究意義。
[0003] 傳統(tǒng)的變壓器健康狀態(tài)評估的方法多采用非黑即白的判斷方法，界限過于明確， 如打分制的評估方法對狀態(tài)的劃分過于簡單、絕對，而引入灰色聚類函數(shù)的評估方法往往 主觀成分較多，缺乏理論指導(dǎo)和實際的物理意義，而引入多層灰色評估建立漸變狀態(tài)評估 的方法則存在評判指標(biāo)過多，系統(tǒng)繁雜的缺點，還有將多種證據(jù)理論和決策樹引入變壓器 狀態(tài)評估的方法，但對于故障情況下的多種故障同時發(fā)生時，無法進(jìn)行有效判斷。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種算法先進(jìn)、正確 率高的動態(tài)變異粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器狀態(tài)評估方法。
[0005] 本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：
[0006] -種動態(tài)變異粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器狀態(tài)評估方法，其特征在于，包括以 下步驟：
[0007] 1)根據(jù)變壓器特征氣體參數(shù)與變壓器健康狀態(tài)的關(guān)系，通過神經(jīng)網(wǎng)絡(luò)的非線性映 射，構(gòu)建變壓器的健康狀態(tài)與特征量之間的神經(jīng)網(wǎng)絡(luò)；
[0008] 2)通過L-M算法優(yōu)化變壓器的健康狀態(tài)與特征量之間的神經(jīng)網(wǎng)絡(luò)，得到優(yōu)化后的 連接權(quán)值修正公式；
[0009] 3)將神經(jīng)網(wǎng)絡(luò)中輸入層到隱含層和隱含層到輸出層的連接權(quán)值以及隱含層與輸 出層的閾值作為動態(tài)變異粒子群優(yōu)化算法的粒子，求解獲取神經(jīng)網(wǎng)絡(luò)的最優(yōu)連接權(quán)值和閾 值，并對變壓器狀態(tài)進(jìn)行評估。
[0010] 所述的步驟1)中的神經(jīng)網(wǎng)絡(luò)以變壓器的健康狀態(tài)作為神經(jīng)網(wǎng)絡(luò)的輸出參數(shù)，以 變壓器特征氣體參數(shù)作為特征量成為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，并將神經(jīng)網(wǎng)絡(luò)的實際輸出與期 望輸出的均方差作為適應(yīng)度函數(shù)進(jìn)行網(wǎng)絡(luò)評價。
[0011] 所述的適應(yīng)度函數(shù)E的表達(dá)式為：
[0012]
[0013] 其中，η為訓(xùn)練輸入樣本數(shù)目，1為輸出層神經(jīng)元數(shù)目，Tm為第q個樣本中的第p 個期望輸出，Ypiq為第q個樣本中的第P個實際輸出。
[0014] 所述的步驟2)中的優(yōu)化后的連接權(quán)值Δ w的修正公式為：
[0015] Aw= (JtJ+ λ I) 1 · Jte
[0016] 其中，J為雅可比矩陣，其元素為網(wǎng)絡(luò)誤差對網(wǎng)絡(luò)閾值和網(wǎng)絡(luò)權(quán)值的一階偏導(dǎo)數(shù)，e 為網(wǎng)絡(luò)的出差向量，λ為誤差的情況自動調(diào)整參數(shù)，I為單位陣。
[0017] 所述的步驟3)具體包括以下步驟：
[0018] 301)初始化神經(jīng)網(wǎng)絡(luò)，確定神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)；
[0019] 302)對神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值進(jìn)行編碼；
[0020] 303)確定粒子群的種群規(guī)模，并根據(jù)神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閾值的編碼確定粒子的 維度和編碼；
[0021] 304)確定粒子群的搜索空間，并隨機(jī)初始化種群中各粒子的位置以及速度；
[0022] 305)根據(jù)適應(yīng)度函數(shù)計算粒子適應(yīng)度值；
[0023] 306)根據(jù)尋找最優(yōu)粒子的原則，更新粒子的位置與速度；
[0024] 307)再次根據(jù)適應(yīng)度函數(shù)計算粒子適應(yīng)度值，并判斷粒子適應(yīng)度值是否優(yōu)于粒子 的個體極值與群體極值，若是，則進(jìn)行更新替代，若否，則進(jìn)行步驟308);
[0025] 308)判斷粒子適應(yīng)度值的精度是否達(dá)到要求或者迭代次數(shù)是否達(dá)到最大數(shù)目，若 是，則已經(jīng)得到最優(yōu)粒子，進(jìn)行步驟309)，若否則進(jìn)行動態(tài)變異操作后返回步驟306);
[0026] 309)將最優(yōu)粒子進(jìn)行解碼，得到最優(yōu)的連接權(quán)值和閾值并將其賦值給神經(jīng)網(wǎng)絡(luò)；
[0027] 310)獲取神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差；
[0028] 311)更新神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，并判斷是否滿足訓(xùn)練結(jié)束條件，若滿足則仿真 訓(xùn)練結(jié)束，若否，則跳返回步驟310)。
[0029] 所述的步驟306)中的更新粒子的位置與速度的方式為：
[0030] X1(k+1) = X1 (k) +V1(k+1)
[0031] V"k+1) = OVi (k)+C1IT1 [Pi QO-Xi (k)]+c2r2 [Pg GO-XiGO]
[0032] 其中，X1S在一個n維的搜索空間中由m個粒子組成種群X = (X ^X2,...，XJT* 的第i個粒子的位置向量，V1為速度向量，P i為個體極值，P g為種群全局極值，c p C2為學(xué)習(xí) 因子，A、^為0-1之間的隨機(jī)數(shù)，ω為慣性權(quán)重，k為當(dāng)前迭代代數(shù)。
[0033] 所述的粒子群優(yōu)化算法中的線性動態(tài)變異算子的公式為：
[0034]
[0035] 其中，η為當(dāng)前迭代次數(shù)，N為最大迭代次數(shù)，PnilJP P _分別為最小變異概率和最 大變異概率，P (η)是變異概率的當(dāng)前值。
[0036] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：
[0037] 本發(fā)明通過神經(jīng)網(wǎng)絡(luò)構(gòu)建了變壓器狀態(tài)與特征量之間的非線性映射關(guān)系，同時針 對神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間長、收斂速度慢、網(wǎng)絡(luò)容錯能力差等缺點引入L-M算法進(jìn)行優(yōu)化改進(jìn)， 為了加速收斂，更快更好的找到網(wǎng)絡(luò)的最佳權(quán)值和閾值，引入粒子群算法優(yōu)化網(wǎng)絡(luò)，同時針 對粒子群算法迭代后期易陷入局部極值的缺點，采用動態(tài)變異的方法進(jìn)行優(yōu)化。經(jīng)過以 上優(yōu)化，能有效加快網(wǎng)絡(luò)的收斂速度、提尚網(wǎng)絡(luò)的泛化能力，同時也能提尚網(wǎng)絡(luò)判斷的正確 率。
【附圖說明】
[0038] 圖1為本發(fā)明粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的算法流程圖；
[0039] 圖2為本發(fā)明三種網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練誤差圖。
【具體實施方式】
[0040] 下面結(jié)合附圖和具體實施例對本發(fā)明進(jìn)行詳細(xì)說明。
[0041] 實施例
[0042] 一、基于神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)建模
[0043] 人工神經(jīng)網(wǎng)絡(luò)（ANN)由20世紀(jì)中期發(fā)展起來，涉及電子、計算機(jī)、生物、物理等交 叉學(xué)科，擁有巨大的應(yīng)用潛力。ANN本質(zhì)上是以計算處理單元（即神經(jīng)元）為節(jié)點，采用某 種網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的靈活網(wǎng)絡(luò)，幾乎可逼近任意非線性系統(tǒng)。ANN能模擬人腦進(jìn)行信息的存 儲、檢索和處理等。
[0044] 通過研究變壓器的故障機(jī)理和故障特征，進(jìn)而確定了變壓器的健康狀態(tài)與特征量 之間的關(guān)系，本發(fā)明主要利用變壓器特征氣體（油中溶解氣體）與變壓器狀態(tài)的關(guān)系，利 用神經(jīng)網(wǎng)絡(luò)的非線性映射能力，構(gòu)建變壓器的健康狀態(tài)與特征量之間的非線性函數(shù)映射關(guān) 系，如圖1神經(jīng)網(wǎng)絡(luò)部分所示。將特征量作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，將變壓器的健康狀態(tài)作 為網(wǎng)絡(luò)的輸出，在構(gòu)建映射時，首先利用部分?jǐn)?shù)據(jù)訓(xùn)練獲得網(wǎng)絡(luò)的具體結(jié)構(gòu)，其中以網(wǎng)絡(luò)的 實際輸出與期望輸出的均方差，作為適應(yīng)度函數(shù)值，來進(jìn)行網(wǎng)絡(luò)評價；
[0045] ⑴
[0046] 式中，η為訓(xùn)練輸入樣本數(shù)目，1為輸出層神經(jīng)元數(shù)目，Tpiq為第q個樣本中的第p 個期望輸出，\q為第q個樣本中的第P個實際輸出，則E是以權(quán)值和閾值為自變量的函數(shù)。
[0047] 但同時神經(jīng)網(wǎng)絡(luò)往往存在有訓(xùn)練時間長，收斂速度慢；網(wǎng)絡(luò)容錯能力差；易陷入 局部極值等缺點。本發(fā)明引入L-M算法（Leveberg-Marquardt)來優(yōu)化神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)權(quán)值 修正公式為
[0048] Aw= (JtJ+ λ I) 1 · Jte (2)
[0049] 式中，J是雅可比矩陣，其元素是誤差函數(shù)對網(wǎng)絡(luò)閾值和網(wǎng)絡(luò)權(quán)值的一階偏導(dǎo)數(shù)，e 是網(wǎng)絡(luò)的出差向量，λ根據(jù)誤差的情況自動調(diào)整，網(wǎng)絡(luò)的誤差性能減小時，則減小λ的值， 反之，則增大λ值，以確保網(wǎng)絡(luò)誤差性能函數(shù)值始終在減小。該算法具有2階收斂速度，可 提高算法跳出極小點的可能性，并以誤差平方和最小為訓(xùn)練目標(biāo)。
[0050] 二、基于動態(tài)變異的粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器狀態(tài)評估
[0051] 粒子群優(yōu)化算法（PSO)最早由Kennedy和Eberhart提出，源于對鳥類捕食行為的 研究。根據(jù)種群行為的特征，PSO算法模仿生物進(jìn)行問題的優(yōu)化求解。利用速度、位置和適 應(yīng)度值表示粒子特征，每一個粒子都是問題的一個潛在解，在求解時首先對種群在解空間 中進(jìn)行初始化，并根據(jù)適應(yīng)度函數(shù)值對粒子進(jìn)行問題好壞解的評價，并確定個體極值和群 體極值。在此基礎(chǔ)上再加上考慮自身的歷史位置及其他粒子的位置和速度，進(jìn)而對粒子的 移動速度、方向和位置進(jìn)行動態(tài)優(yōu)化調(diào)整。每一次優(yōu)化后重新計算粒子的適應(yīng)度函數(shù)值，進(jìn) 而確定新的個體極值和群體極值，循環(huán)反復(fù)，最終找到解空間中的全局最優(yōu)解的位置。在本 發(fā)明中粒子表示神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，通過迭代尋找最優(yōu)的網(wǎng)絡(luò)權(quán)值和網(wǎng)絡(luò)閾值。
[0052] 假設(shè)在一個η維的搜索空間中，m個粒子組成種群X = (X1, X2, . . .，XJt，其中 第i個粒子的位置向量X1= (X u，xl2, ...，X1JtR表問題的一個潛在解，速度向量V 1 = Oil, vi2, · · ·，vin)T，個體極值 Pi= (p u，pi2, · · ·，pin)T，種群全局極值 Pg= (p gl，pg2, · · ·，Pgn) τ，按照尋找最優(yōu)粒子的原則，粒子位置與速度更新方式為：
[0053] X^k+l) = X1 (^+V1Ck+1) (3)
[0054] Vi(k+1) = CoViQO+C1IT1 [Pi QO-Xi (k)]+c2r2 [Pg GO-XiGO] (4)
[0055] 式中，Cl、(：2為學(xué)習(xí)因子也稱為加速度因子，是非負(fù)的常數(shù)；Γι、r 2為隨機(jī)數(shù)取0-1 之間，ω為慣性權(quán)重。
[0056] 雖然粒子群優(yōu)化算法具有收斂快，較強(qiáng)的通用性等優(yōu)點，但也存在有易早熟收斂、