[发明专利]一种基于遗传算法及BP神经网络的变压器油温预测方法

权利要求书

1.一种基于遗传算法及BP神经网络的变压器油温预测方法，其特征在于，至少包括：

S1.以△T为记录变压器历史数据的时间间隔，获取用于预测变压器油温的变压器历史数据，包括变压器油温、变压器负荷及变压器的环境温度；

S2.以时间t1为当前时刻，以时间t1-△T为前一时刻，利用前一时刻油温和前一时刻变压器的环境温度确定温差；

S3.记录前一时刻的变压器负荷、前一时刻的变压器油温、前一时刻变压器的环境温度；记录当前时刻的变压器负荷、当前时刻的变压器油温及当前时刻变压器的环境温度；

S4.将步骤S3记录的数据划分为训练集数据和测试集数据，并进行归一化处理；

S5.建立BP神经网络模型，并以温差、前一时刻的变压器负荷、前一时刻的变压器油温、前一时刻变压器的环境温度、当前时刻的变压器负荷、当前时刻变压器的环境温度作为BP神经网络模型输入量，以当前时刻的变压器油温作为BP神经网络模型输出量；

S6.利用遗传算法对已建立的BP神经网络模型的权值和阈值参数进行优化，得到最优的BP神经网络模型的权值和阈值参数；

S7.采用若干组经步骤S4归一化处理后的训练集数据训练BP神经网络模型；

S8.将测试集数据输入至训练好的BP神经网络模型，输出当前时刻变压器预测油温的归一化数值；

S9.将当前时刻变压器预测油温的归一化数值进行反归一化处理，得到当前时刻的变压器预测油温值。

2.根据权利要求1所述的基于遗传算法及BP神经网络的变压器油温预测方法，其特征在于，变压器历史数据从调度自动化系统中获取，以市内调度大楼的温度作为变压器的环境温度。

3.根据权利要求1所述的基于遗传算法及BP神经网络的变压器油温预测方法，其特征在于，训练集数据样本和测试集数据样本的数目比例为4:1。

4.根据权利要求3所述的基于遗传算法及BP神经网络的变压器油温预测方法，其特征在于，步骤S4所述的归一化处理方法为Min-Max法。

5.根据权利要求1所述的基于遗传算法及BP神经网络的变压器油温预测方法，其特征在于，步骤S5所述的BP神经网络模型包括：输入层、隐藏层及输出层，所述输入层包括6个神经元节点，隐藏层包括14个神经元节点，输出层包括1个神经元节点。

6.根据权利要求5所述的基于遗传算法及BP神经网络的变压器油温预测方法，其特征在于，BP神经网络模型的权值和阈值参数包括BP神经网络隐藏层的权值、阈值参数，输出层的权值、阈值参数，步骤S6所述的利用遗传算法对已建立的BP神经网络模型的权值和阈值进行优化的过程为：

S61.随机初始化种群；设置种群总个体数目为N，组成种群的个体为BP神经网络隐藏层的权值、阈值，输出层的权值、阈值组成的整体，种群中的每一个个体通过均匀分布法产生(0,1)之间的随机数,并进行个体编码；设置最大迭代次数为K及个体适应度函数f；

S62.计算个体适应度函数f；

S63.对种群进行选择操作、交叉操作及变异操作；

S64.判断是否达到最大迭代次数，若是，输出个体适应度函数值最优的个体，解码后得到最优的BP神经网络隐藏层的权值、阈值，输出层的权值、阈值；否则，返回步骤S62。

7.根据权利要求6所述的基于遗传算法及BP神经网络的变压器油温预测方法，其特征在于，步骤S61所述的个体适应度函数为BP神经网络预测输出y_i与期望输出的误差绝对值函数，BP神经网络实际输出y_i与期望输出的误差绝对值函数越小，个体适应度函数值越优良。

8.根据权利要求6所述的基于遗传算法及BP神经网络的变压器油温预测方法，其特征在于，每个个体i被选择的概率为P_i，满足：

其中，f_i表示个体i的个体适应度函数值。