[发明专利]基于BP神经网络和人工鱼群的变电设备微观分析方法

说明书

技术领域

本发明涉及变电设备状态微观分析方法，尤其涉及一种基于BP神经网络和人工鱼群优化的变电设备状态微观分析方法。

背景技术

电网公司作为资产密集型企业，其核心竞争力是资产效率最大化和成本最低化。从早期的事后故障修理，到强调事先保养的预防性维护，电网设备资产精细化管理的意识正在逐步建立。变电设备状态微观分析是实现公司变电设备全寿命周期管理和精细化管理的重要基础。

变电设备精益管理是一个系统工程，涉及面广点多，技术性强，是实行变电设备科学管理的基础，是实现变电设备可靠运行的基石，是实现变电设备安全性最大化、经济性最优化的途径。变电设备状态微观情况是设备精益化管理的重要依据，状态微观分析的准确性直接影响设备管理的科学性。在充分获取设备状态信息的基础上，建立设备状态微观分析方法，提高状态微观分析的智能化，能有效提高设备健康状态微观分析的准确性和效率。

现今有很多故障诊断方法被提出如专家系统、支持向量机、贝叶斯网络等等，而BP神经网络以其高度的非线性映射及自组织、自学习能力，在电力系统模式识别、非线性优化及相关预测领域有着广泛的应用前景。神经网络是用大量简单的处理单元广泛连接的复杂网络，用以模拟人类大脑神经网络结构和行为，是一中“微观”行为研究，其实质就是用来模拟人脑的信息处理功能，它无需建立任何物理模型，具有自组织、自学习能力；通过现场大量的标准样本学习与训练，不断调整其的权值和阈值，使获取的知识隐式分布在整个网络上，并实现其模式记忆。当网络的输入接近训练样本时.网络的输出就接近样本输出；当输入和输出不匹配时可以在原有基础上增加新的样本继续学习，提高精度，以达到合乎要求的输入输出的映射关系。虽然神经网络有良好状态微观分析能力，但BP算法收敛速度慢，易陷入局部极值。

人工鱼群智能优化算法具有良好的克服局部极值和取得全局极值的能力，其最先被应用于鲁棒PID控制器参数的优化中，得到了令人满意的结果。

针对上述现有技术存在的问题，本发明利用人工鱼群优化算法确定BP神经网络的参数，然后利用变电设备故障范例库的状态微观分析结果训练BP神经网络；将新获取到的变电设备糠醛、微水、击穿电压、酸值、氢气、乙炔、甲烷、乙烯、乙炔、投运时间、最近三年故障发生次数、最近三年故障等级的数据信息输入到BP神经网络中进行变电设备状态微观分析，以确定变电设备状态，从而达到对变电设备状态微观情况进行智能分析的目的。本发明不仅可以降低盲目选择BP神经网络参数对状态微观分析结果的影响并提高变电设备状态微观分析的准确性。与此同时，本发明可实现不依赖电力专家对变电设备状态微观分析和判定的问题。

发明内容

为了提高智能、高效、可靠地分析变电设备状态微观情况，本发明提出了一种基于BP神经网络和人工鱼群优化的变电设备状态微观分析方法，包括如下步骤：

基于BP神经网络和人工鱼群的变电设备微观分析方法，本发明特征是，步骤为：

1)、分别获得变电设备糠醛、微水、击穿电压、酸值、氢气含量、乙炔含量、甲烷含量、乙烯含量、乙炔含量、投运时间、最近三年故障发生次数、最近三年故障等级的数据信息；

2)、利用人工鱼群优化AFSO算法对BP神经网络权值和阈值进行优化，确定权值和阈值的取值；

3)、提取变电设备故障范例库的状态微观分析结果训练BP神经网络；

4)、将新获取到的变电设备糠醛、微水、击穿电压、酸值、氢气含量、乙炔含量、甲烷含量、乙烯含量、投运时间、最近三年故障发生次数、最近三年故障等级的数据信息输入到BP神经网络中进行变电设备状态微观分析，以确定变电设备状态。

其中BP神经网络由输入节点、输出节点和隐节点构成，假定输入层的输入向量为X＝(x₁，x₂，…，x_m)，则输入层的输出向量等于隐层的输入向量，则隐层的输入向量表示为：