[发明专利]基于灰模糊萤火虫算法优化的变压器故障诊断方法有效
申请号: | 201310647912.3 | 申请日: | 2013-12-04 |
公开(公告)号: | CN103698627A | 公开(公告)日: | 2014-04-02 |
发明(设计)人: | 黄新波;宋桐;王娅娜;李文君子 | 申请(专利权)人: | 西安工程大学 |
主分类号: | G01R31/00 | 分类号: | G01R31/00;G01R31/12;G01N33/00;G06N3/02 |
代理公司: | 西安弘理专利事务所 61214 | 代理人: | 罗笛 |
地址: | 710048 陕*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 模糊 萤火虫 算法 优化 变压器 故障诊断 方法 | ||
1.基于灰模糊萤火虫算法优化的变压器故障诊断方法,其特征在于,具体按照以下步骤实施:
步骤1、先利用特征气体含量预测模块选取变压器五种特征气体含量有效数据序列,再利用单变量时间序列灰模型GM(1,1)得到原始变压器五种特征气体自变量序列下一个时刻的特征气体预测值;
步骤2、对数据进行预处理;
步骤3、将步骤2得到的变压器特征气体编码序列作为训练样本的输入,将各输入对应的变压器故障类型作为输出,构建IGSO-LM网络,利用IGSO算法对LM神经网络的权值和阈值进行优化;
步骤4、采用经过步骤2数据预处理后的变压器特征气体数据对网络进行训练,计算均方误差,当达到最小误差时获取IGSO算法优化后的最优神经网权值和阈值,构造出基于火虫优化算法神经网络(IGSO-LM神经网络)的变压器故障诊断模型;
步骤5、判断变压器故障类型。
2.根据权利要求1所述的基于灰模糊萤火虫算法优化的变压器故障诊断方法,其特征在于,所述步骤1具体按照以下步骤实施:
步骤1.1、利用特征气体含量预测模块选取出变压器五种特征气体,这五种特征气体分别为:甲烷、氢气、乙烷、乙烯、乙炔;
步骤1.2、根据步骤1.1选取出的变压器五种特征气体,利用单变量时间序列灰模型GM(1,1)计算得到五种变压器特征气体的有效序列;
步骤1.3、分别计算得到变压器五种特征气体有效数据序列的灰预测值。
3.根据权利要求2所述的基于灰模糊萤火虫算法优化的变压器故障诊断方法,其特征在于,所述步骤1.2具体按照以下步骤实施:
步骤1.2.1、根据步骤1.1中选取的变压器五种特征气体得到五种特征气体的有效序列,变压器五种特征气体的有效数据序列如下:
其中,先选取若干组氢气有效数据,利用单变量时间序列灰模型GM(1,1)进行灰预测,得到变压器特征气体有效数据中氢气的有效数据序列为:
再依次选取若干组甲烷、乙烷、乙烯、乙炔有效数据,利用单变量时间序列灰模型GM(1,1)进行灰预测,分别得到变压器特征气体有效数据中其它四种气体的有效数据序列:
甲烷的有效数据序列为:
乙烷的有效数据序列为:
乙烯的有效数据序列为:
乙炔的有效数据序列如下:
步骤1.2.2、分别计算经步骤1.2.1得到的变压器特征气体有效数据中甲烷、氢气、乙烷、乙烯、乙炔序列的级比,具体按照以下算法实施:
变压器特征气体有效数据中甲烷的有效数据序列的级比为:
变压器特征气体有效数据中氢气的有效数据序列的级比为:
变压器特征气体有效数据中乙烷的有效数据序列的级比为:
变压器特征气体有效数据中乙烯的有效数据序列的级比为:
变压器特征气体有效数据中乙炔的有效数据序列的级比为:
若n满足为12时,利用单变量时间序列灰模型GM(1,1)进行建模,得到氢气的1-AGO序列,具体按照以下算法实施:
上式中,
甲烷的1-AGO序列为:
上式中,
乙烷的1-AGO序列为:
上式中,
乙烯的1-AGO序列为:
上式中,
乙炔的1-AGO序列为:
上式中,
再分别计算得到变压器五种特征气体的紧邻均值生成序列:
甲烷紧邻均值生成序列为:
氢气的紧邻均值生成序列为:
乙烷的紧邻均值生成序列为:
乙烯的紧邻均值生成序列为:
乙炔的紧邻均值生成序列为:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安工程大学,未经西安工程大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201310647912.3/1.html,转载请声明来源钻瓜专利网。