[发明专利]一种基于CSO优化神经网络的变压器损耗计算方法

说明书

本发明涉及变压器技术领域，更具体的是涉及一种基于CSO优化神经网络的变压器损耗计算方法，包括以下步骤：S1：建立BP神经网络，确定训练样本；S2：初始化种群，设置纵横交叉算法基本参数及适应度函数；S3：对初始种群粒子计算其适应度，得到全局最优解，再进行横纵交叉计算；S4：进行BP神经网络训练；S5：输出损耗计算结果。本发明通过纵横交叉算法对BP神经网络进行优化，加快神经网络收敛速度，使其跳出局部最优解，应用于变压器损耗计算中，可以大大提高精确度。

技术领域

本发明涉及变压器技术领域，更具体地是涉及一种基于CSO优化神经网络的变压器损耗计算方法。

背景技术

变压器是配电网中最重要的元件之一，长期处于三相不平衡状态会使变压器局部大量发热、损耗增加、寿命减少，十分不利于配电网的经济、安全运行。

目前变压器的三相不平衡损耗计算主要是使用经验公式，及针对经验公其中的不同系数进行优化的改进公式，但绝大多数经验公式法都对于变压器内部结构参数需要较为精确的数值要求，往往最后计算出来的损耗结果精确度不够。

中国专利CN201910363556.X一种变压器损耗计算方法，通过绕组等效电路中一二次侧阻抗与流过的绕组电流的关系计算变压器绕组损耗，通过J-A模型计算得实时变压器铁心损耗。但是这种方法对变压器电压电流等各项数值要求较为精确，最后计算得到的结果精确度不够。

另一方面对变压器损耗的研究中很有人使用人工智能算法。然而实际电网中不同状态的三相不平衡对变压器损耗的影响是非线性的，神经网络算法其强大的自学习、自组织及自适应能力和非线性映射泛化能力可以得到较好的应用。但是常规的神经网络算法因为其本身的特性也有着不少缺点，例如权值与阈值随机产生导致网络结构稳定性差，收敛速度较慢，容易陷入局部最优解等。

发明内容

本发明为克服上述现有技术中计算精确度不够、神经网络结构稳定性差、收敛速度较慢、容易陷入局部最优解的不足，提供了一种可自学习、稳定性好、精度高的基于CSO(纵横交叉算法)优化神经网络的变压器损耗计算方法。

在本技术方案中，提供了一种基于CSO(纵横交叉算法)优化神经网络的变压器损耗计算方法，包括以下步骤：

S1：建立BP神经网络，确定训练样本；

S2：初始化种群，设置纵横交叉算法基本参数及适应度函数；

S3：对初始种群粒子计算其适应度，得到全局最优解，再进行横纵交叉计算；

S4：进行BP神经网络训练；

S5：输出损耗计算结果。

本发明通过将全局最优解作为BP神经网络的权值和阀值，避免随机产生的权值与阈值影响网络结构稳定性，从而提高BP神经网络的稳定性；另外通过纵横交叉算法对BP神经网络进行优化，加快神经网络收敛速度，使其跳出局部最优解，大大提高了变压器损耗计算的精确度。

优选地，上述的步骤S1具体包括以下步骤：

S11：获取各种工况下变压器输入数据和输出损耗数据；

S12：筛选变压器工况稳定后的稳态数据作为训练样本。

优选地，上述的步骤S2具体包括以下步骤：

S21：计算三相不平衡度和变压器负载率，将这两个特征量作为样本的输入值；

S22：输出变压器损耗实际值记为O_ki(i)；输出变压器损耗期望值，记为R_ki；；