神经网络已经成功地应用于电力变压器故障的诊断，但是它的缺点是容易陷入最优且局部收敛速度慢。
对这些缺点，基于蚁群算法的基本原理，将蚁群算法引入变压器故障的诊断中。立了适用于变压器故障诊断的神经网络形成的启发式信息计算公式，提出了一种蚁群算法在变压器故障诊断中的新方法。BP神经网络方法的诊断结果相比，该算法具有更高的缺陷识别率，收敛速度和诊断精度。者简介：彭宇（1979-），女，北京人，北京电力公司顺义供电公司华北电力大学经济管理学院研究生。工程师。为电源系统中最重要，最昂贵的设备，电源变压器在运行可靠性和电源可靠性之间有着直接的关系。此，用于电力变压器的故障发现技术一直是研究的主题。统的故障诊断方法主要基于变压器油中溶解气体的组成和含量与故障类型和故障严重程度密切相关的原理。俗称石油中的溶解气体分析（DGA方法）。于DGA方法最广泛使用的实用算法是三比率方法。方法计算C2H2 / C2H4，CH4 / H2，C2H4 / C2H6的三个比率，并根据已知的编码规则和故障类别，请参考下表确定故障类别。是，该方法存在“盲区编码”的问题，即有时会出现“无编码”的问题。于上述故障，一些研究人员已经开发了专家系统，模糊数学，人工神经网络和其他基于该方法识别变压器故障的方法。经获得了一些结果，但是或多或少存在差距。别变压器故障时，专家系统通常很复杂，不完整且模棱两可。进行故障诊断时，模糊数学很难确定隶属函数，容易引入过多的人为主观假设。工神经网络在学习过程中会慢慢收敛。对初始设置敏感，很容易陷入局部最佳状态。于DGA方法的知识，本文提出了一种蚁群神经网络作为诊断变压器故障的新方法。方法利用了人工神经网络映射非线性和强大泛化的能力，同时使用蚁群优化算法（ACO）来改善其现有的差距，从而改善了诊断变压器故障的准确性和速度。真实例验证了该方法的有效性和准确性。ACO算法是一种仿生随机搜索算法，可模拟蚂蚁在搜索食物时可以找到通往食物的最短路径。群中的每个人都不会直接交流，而是通过在其穿过的路径上留下称为“信息素”的分泌物来指导其他人的行为。着路径通过的蚂蚁越多，信息素越多，蚂蚁被吸引到路径上的可能性就越大。样，先验知识从前体到落后者的传递最终将导致最优路径选择的成功。本文中，鉴于BP神经网络形成的缺点，例如对设置初始值的敏感性，收敛速度慢和易于陷入局部最优的问题，全局优化功能和ACO算法的启发式优化用于找到BP神经网络的最佳权重。样神经网络可以具有更高的智能优化能力。寻找最佳权重组合集时，神经网络训练过程可以看作是一个优化问题。佳的权重集可以最大程度地减少离开BP神经网络与预期结果之间的误差。于TSP问题是通过蚁群算法成功解决的经典问题，因此将优化神经网络权重的问题与TSP问题进行比较，以说明优化TPS问题组合的过程。量。设网络中有n个参数，包括属性值和阈值。先，以一定的顺序排列这些参数，记为h1，h2，... hn，对于参数hi（1≤i≤n），将其设置为N个非零随机值以形成集合Shi （1≤i≤n）。时，让蚁群离开蚁巢去寻找食物，即每个蚂蚁从Shi集中选择一个权重，然后从Shi集中选择一组神经网络权重。起。里的权重等于TSP问题中的城市（以下称为“虚拟城市”）。蚂蚁参观所有虚拟城市时，即使他们找到了食物，他们也会从所有集合中选择一组权重。个蚂蚁找到的权重集用作计算神经网络的权重。获得的结果与实际值进行比较，得出计算误差。误差值等于TSP问题中的路径距离。径选择目标是所需路径距离是所有路径中的最小值，而神经网络权重选择目标是要使误差最小化的组所需要的误差值在神经网络权重的所有组合中。蚂蚁选择虚拟城市（权重）时，使用获得的误差值来调整信息素。复此过程，直到所有蚂蚁收敛于相同的权重集，或在达到给定的迭代次数时停止搜索。于具有n个参数的神经网络训练问题，请将蚂蚁数设置为m。始化。定替代权重：将神经网络属性值的值范围[Wmin，Wmax]均分为子区域μ，每个子区域边界上的点被视为替代权重。间t = 0和循环数NC = 0，将每个点定义为具有相同量的信息素τ0和信息素ρ的挥发系数，并定义最大循环数NCmax。中：pj（k）是蚂蚁k选择权重j的概率； τj（t）是在权重j到t上的信息素浓度； ηj（t）是权重j到t的启发式信息； α和β为常数。T（k）是第k个蚂蚁的禁忌列表，用于存储由蚂蚁k选择的所有候选权重。蚁k从权重最高的随机选择权重i并将其存储在T（k）中。蚂蚁为所有权重参数选择值时，它会完成一条路线，并且它选择的所有值都构成了神经网络的参数。于计算启发式信息ηj（t）的公式。
发式信息是链接到ACO中的问题的数量，用于指导蚂蚁的搜索。
决定了信息素的最佳选择。代表所有蚂蚁在所有先前迭代中选择候选集中的权重j的次数之和。到所有蚂蚁都完成穿越为止，也就是说，它们都已经到达了食物来源。节信息素。
了防止信息素的聚集，必须将先前留下的信息素随时间进行挥发处理。
息素ρ的挥发系数表示信息素的持久性。中：Q为常数，表示蚂蚁完成杂交后释放的信息素总量，用于调节信息素的调节率； ek是由第k个蚂蚁选择的一组权重作为神经网络的计算权重。出误差定义为ek = | os-oq |。中os和oq分别是神经网络的实际输出和预期输出。然，误差越小，相应信息素的增量越大。
是蚁群算法的正反馈机制的实施例。到满足最大迭代次数为止。BP算法用于进一步训练神经网络。复训练。工神经网络由于其强大的自适应功能，关联记忆和增强等优势而被广泛应用于自动控制，组合优化，模式识别和图像处理等领域。布式存储功能以及复杂的非线性映射功能。BP网络是应用最广泛的神经网络模型之一，已成功用于电力变压器故障的诊断。是，由于BP网络采用返回误差传播算法，收敛于误差函数的向下梯度，因此不可避免地存在学习收敛速度问题。慢且容易掉入最佳房间。群算法的使用具有全局优化和启发式优化的特点，并结合BP网络的权重和阈值来优化变压器故障诊断，这可以大大改善诊断特性。于潜油绝缘故障发生在油浸式电力变压器内部，因此许多特性反映了故障信息。此，代表性特征的选择成为识别缺陷的关键。量相关文献表明，五个特征气体H2，CH4，C2H6，C2H4和C2H2的体积含量有助于诊断变压器绝缘故障。络结构设计。论分析表明，具有单个隐藏层的直接动作网络可以映射所有连续功能。加隐藏层的数量可以提高BP网络的非线性映射能力，但是隐藏层的数量超过一定值，但是会降低网络性能。文档使用具有隐藏层的三层BP网络。中：m是隐藏层节点的数量，n是输入层节点的数量，l是输出节点的数量，α是1到10之间的整数。入节点为5，输出节点为4，因此隐藏层节点的数量必须在4到13之间。用该软件设计了具有可变隐藏层数量的BP网络。MATLAB，并通过比较确定了最佳的隐藏层数。BP网络结构的最终设计是三层：输入层中的节点数为5，它对应于五种特征气体在气体总体积中的相对比例；隐藏层中的节点数为7；输出层中的节点数为4，对应于变压器绝缘故障的四种类型的故障。了验证网络模型，收集了290份去除并过滤后的变压器油中的气体浓度数据，其中150份被选作训练样本，另外140份进行了测试。
种类型的数据包括正常条件下的数量和4种不同类型的绝缘故障操作条件。最大迭代次数NCmax设置为1000，将误差收敛因子设置为0.0001，隐藏层的激励函数和输出层使用非线性S型函数；权重区间为[-2，2]，区间分为50个部分，即μ= 50，蚁群数m = 40，α= 0.7和β = 2.3选择蚂蚁概率的启发式信息。差信息量ρ= 0.6，信息素总量Q =100。1的实验结果表明，本文提出的基于ACO算法的三层BP网络具有收敛速度比简单的BP网络更快，并且可以达到更小的均方误差值。此，该算法的收敛过程具有明显的优势。
2的诊断结果表明，本文提出的ACO-BP神经网络算法比简单的BP网络具有更高的诊断变压器绝缘故障的诊断精度。文利用ACO算法出色的启发式学习和全局优化能力来解决离散问题，试图将其应用于BP神经网络的训练中，以弥补神经网络学习的不足。BP和收敛速度较慢，并充分使用了这两种方法。点。验结果表明，与简单的BP神经网络方法相比，该方法在诊断变压器绝缘故障中具有更好的收敛速度和降低判断错误率的特点。
本文转载自
矿用橡套电缆 https://www.cledonin-cbles.com
上一篇：电气工程教学中电气绝缘的新探索下一篇：基于Cotexm3的直流绝缘监测模块的硬件设计
首页
微信