[发明专利]一种自适应考虑无关特征干扰的变压器故障识别算法

权利要求书

1.一种自适应考虑无关特征干扰的变压器故障识别算法，其特征在于，它包括以下步骤：

步骤一：对变压器故障数据进行收集，并预处理收集来的变压器故障数据；

步骤二：训练RBM，并全局调整RBM间的连接权重，由此得出合适的DBN模型；

步骤三：用CS搜索算法对DBN整体结构参数进行寻优，以提高模型收敛性能、故障识别率和模型泛化性能；

步骤四：利用优化过的DBN模型对变压器故障进行识别。

2.根据权利要求1所述的自适应考虑无关特征干扰的变压器故障识别算法，其特征在于，在步骤一中，在进行数据的预处理时，包括以下步骤：

1)收集变压器油中溶解气体的历史故障数据，根据气体含量的特征，将变压器状态分成“健康”、“局部放电”、“低能放电”、“高能放电”、“中低温过热”、“高温过热”六种，并用众数填充的方式对数据集中的缺失值进行填补；

2)采用Min-Max标准化对缺失值填充后的数据进行处理。

3.根据权利要求2所述的自适应考虑无关特征干扰的变压器故障识别算法，其特征在于，对数据进行处理时，采用的公式如下：

式中，x为原始数据，x_norm为标准化后的数据，x_max和x_min分别为原始数据的最大值和最小值。

4.根据权利要求1所述的自适应考虑无关特征干扰的变压器故障识别算法，其特征在于，在步骤二中，在对DBN模型进行训练时，包括以下步骤：

1)根据给定的状态向量组(h,v)，表示出RBM当前的能量函数；

2)通过能量函数定义一个可视节点和一个隐藏节点的联合概率分布；

3)用联合概率分布的边界分布(似然函数)求解参数θ；

4)当已知显层中各神经元状态时，隐层某个神经元处于被激活(h_j＝1表示)状态的概率，可计算隐元激活概率，同理，可计算显元激活概率；

5)给定训练样本后，根据RBM目标函数，反复调整θ值，使得在此参数下RBM获得的输出概率分布尽可能与输入的训练样本数据相吻合。

5.根据权利要求4所述的自适应考虑无关特征干扰的变压器故障识别算法，其特征在于，

在步骤1)中，表示出RBM当前的能力函数为

式中，θ＝{ω_ij,a_i,b_j}是RBM三个结构参数集合，v_i表示第i个显层神经元的状态，h_j表示第j个隐层神经元的状态；

在步骤2)中，通过能量函数可以定义一个可视节点和一个隐藏节点的联合概率分布为：

其中Z(θ)为归一化因子，也称为配分函数，具体为：

在步骤3)中，用联合概率分布的边界分布(似然函数)求解参数θ，其中显层和隐层的边界分布分别如下：

在步骤4)中，当已知显层中各神经元状态时，隐层某个神经元处于被激活(h_j＝1表示)状态的概率，可由以下隐元激活概率式计算：

同理，可得显元激活概率为：

在步骤5)中，给定训练样本后，训练RBM需要反复调整θ值，使得在此参数下RBM获得的输出概率分布尽可能与输入的训练样本数据相吻合，训练RMB的目标函数为：

式中，S表示训练样本，n_s表示训练样本个数，至此，单个RBM的训练已完成。

6.根据权利要求1所述的自适应考虑无关特征干扰的变压器故障识别算法，其特征在于，在步骤三中，用布谷鸟搜索算法对DBN模型进行优化，包括以下步骤：

1)置迭代次数，以及DBN训练参数批尺寸bat_size和层神经单元数num的取值范围，考虑梯度下降学习率alpha，记训练参数组η＝{bat_size,[num1,num2],alpha}；

2)设置CS算法中寄主鸟发现外来卵的概率参数P_a，鸟巢总数n，随机初始巢位置为x_i＝[x₁,x₂,···,x_n]^T,i∈[1,n]，定义各鸟巢位置与对应训练集的适应度为F(x_i)＝[f₁,f₂,···,f_n]^T,i∈[1,n]；

3)计算并比较n个鸟巢位置对应的适应度值，得到当前的最优适应度值其对应当前最优的训练参数组η_best；

4)保留上一代最优鸟巢的位置x_best，并利用Levy飞行随机更新其他鸟巢的位置，得到一组新的鸟巢，重新计算他们的适应度值F；

5)据步骤4)中的适应度F，比较当前鸟巢x_i与上一代鸟巢位置x_i-1，用较优的鸟巢取代较劣的鸟巢，得到一组新的鸟巢位置，用随机数r和P_a进行比较，若r＞P_a则随机更新一次鸟巢位置，否则鸟巢位置不变，若满足迭代次数要求，则继续下一步，否则重新返回步骤4)；

6)输出最优鸟巢位置，即本次DBN训练的最优参数组η_best。