【技术实现步骤摘要】
基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法
[0001]本专利技术涉及变压器故障诊断
,尤其涉及一种基于混合核函数极限学习机的变压器故障辨识方法。
技术介绍
[0002]随着我国经济的不断发展,人民对电力的需求也变得越来越高,在此情况上,电网的等级和容量也随之提高,因此发展超高压的变压器显得尤为重要。变压器是电力系统输变电的重要组成成分,是实现远距离输送电能的关键,变压器是否能够安全稳定的运行关系着整个电力系统的安全。但是,变压器运行时往往会遇到各种各样的情况的影响,比如天气,气候条件等,所以有些故障是不可避免的。为了保证变压器的平稳运行,变压器的故障检测就显得十分必要。若发生故障并且不能及时排查出,引发的后果可能就是无法估量的,甚至导致整个电力系统的瘫痪,所以变压器的故障诊断一直受人们的密切关注。
[0003]油中气体分析法是变压器故障诊断的有效方法,是利用油中的溶解气体对变压器故障进行诊断。传统的阈值检测虽然操作简单,但是它的划分过于绝对,并且需要需要人为划定,因此这种方法在实际运用中,准确率偏低,局限性较大。近年来,随着人工智能的迅速发展,一些新型算法逐渐开始应用,如人工神经网络、支持向量机等,这些算法虽然相比传统的阈值检测方法有了较大的改进,但是依然有很多不足。人工神经网络运算所需数据量较大,运算时间较长,并且还很容易陷入局部最优的情况;而支持向量机的核函数选择比较困难。所以,还需要进一步的研究改进。
技术实现思路
[0004]在上述背景的基础上,本专利技术提出了一 ...
【技术保护点】
【技术特征摘要】
1.基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法,其特征在于,包括以下步骤:1)收集变压器在六种状态下运行的数据,在变压器油中溶解的气体包括氢气(H2)、甲烷(CH4)、乙炔(C2H2)、乙烯(C2H4)、乙烷(C2H6)五种,并对数据进行归一化处理,并将处理后的数据按比例划分为训练集和测试集;2)搭建混合核极限学习机预测模型;3)确定SSA种群规模、发现者比例、预警者比例和目标函数参数,并对种群进行初始化处理;4)选取argmin(TrainErrorRate)训练样本的错误率作为SSA的适应度函数;5)将种群状态信息传递给HKELM网络,获得不同的HKELM网络,比较待优化参数是否满足要求;6)训练HKELM网络,获得适应度值;7)比较适应度值,更新种群状态;8)判断更新过程是否满足要求,若满足,则执行下一步,若不满足,则返回步骤5);9)输出最优参数并带入HKELM网络中,用优化后的网络对变压器故障进行诊断。2.根据权利要求1所述的一种基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法,其特征在于,步骤1)的具体内容为:收集变压器故障相关数据,在变压器油中溶解的气体包括氢气(H2)、甲烷(CH4)、乙炔(C2H2)、乙烯(C2H4)、乙烷(C2H6)五种,对数据进行归一化处理,并将数据映射到[0,1]之间,具体处理公式如下:式中,为归一化处理后的特征气体含量;x
ij
为第i个样本j个特征气体的含量;x
i1
+x
i2
+x
i3
+x
i4
+x
i5
为第i个样本H2、CH4、C2H2、C2H4、C2H6五种气体的总含量。3.根据权利要求1所述的一种基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法,其特征在于,步骤2)中搭建混合核极限学习机的步骤为:单隐层前馈神经网络模型输出为:F(x)=h(x)
×
β=H
×
β式中,x为输入数据向量,F(x)为网络输出;h(x)、H为隐含层节点输出函数;β为连接隐含层和输出层的输出权值向量;将网络训练变为线性系统求解的问题,引入正则化系数C和单位矩阵I,则隐含层与输出的输出权值为:核函数极限学习机的核矩阵为:Ω
ELM
=HH
T
=h(x
i
)h(x
j
)=K(x
i
,x
j
)式中,K(x
i
,x
j
)表示核函数,为了获得较强的学习能力和泛化能力,我们使用径向基核函数和多项式核函数的加权作为核极限学习机的核函数,此时混合核函数为:
式中,λ、m、n、σ都是混合核函数的参数;此时,混合核极限学习机的输出为:4.根据权利要求1所述的一种基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法,其特征在于,步骤3)中,确定SSA中种群规模、发现者比例、预警者比例和目标函数参数具体内容为:种群规模可以根据计算机能力来确定种群的规模;发现者比例为20%,预警者比例为10%;目标函数参数有五个,即λ、m、n、σ、C。5.根据权利要求1所述的一种基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法,其特征在于,步骤4)中,选取的适应度函数表达式为:fitness=argmin(TrainErrorRa...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。