[发明专利]一种基于遗传算法与BP神经网络的变压器故障诊断方法

说明书

本发明属于电气设备故障诊断技术领域，具体涉及一种基于遗传算法与BP神经网络的变压器故障诊断方法。本发明方法设计的BP神经网络模型具有强大的自学能力，且网络的隐层数、各层的神经元均可视实际情况而定，而敏感性分析可以从大量不确定因素中筛选出主要影响因素。通过所需收集的数据信息及其影响因素，进行敏感性分析，计算变压器故障诊断全部影响因素对BP神经网络故障诊断模型的敏感数据。F和R检验是验证敏感性矩阵的拟合程度，R检验主要检验敏感性矩阵的相关性，F检验是对矩阵的显著性检验，辅助验证效果。最后使用遗传算法在全局空间的搜索范围，设计优化参数、约束条件和目标函数，寻找最优解。

技术领域

本发明属于电气设备故障诊断技术领域，具体涉及一种基于遗传算法与BP神经网络的变压器故障诊断方法。

背景技术

电力变压器作为整个电网的关键核心设备，其在电力系统中的作用与地位不容小觑。为保证电网安全稳定运行，需及时掌握变压器的运行状态、发现其内部潜伏性故障并做相应处理。目前，变压器故障诊断方法主要有气相色谱分析技术。该方法存在一定的缺陷，分析方法单一，花费时间长，易延长处理故障的时间。随着人工智能的发展，有的神经网络模型缺陷也显而易见，如收敛速度慢甚至不收敛、易陷入局部最优区域。

发明内容

为了解决上述问题，本发明提供了一种基于遗传算法与BP神经网络的变压器故障诊断方法，具体技术方案如下：

一种基于遗传算法与BP神经网络的变压器故障诊断方法，包括以下步骤：

步骤S1，根据变压器内部绝缘材料受电和热所分解出的故障气体种类，选取特征气体；

步骤S2，根据选取的特征气体构建用于变压器故障诊断的BP神经网络故障诊断模型，确定特征气体对应故障类型的取值范围；

步骤S3：对选取的特征气体的含量进行敏感性分析，判断其含量对BP神经网络故障诊断模型的敏感性程度，计算得到敏感性矩阵；

步骤S4，对步骤S3得到的BP神经网络故障诊断模型的敏感性矩阵进行F和R检验，验证敏感性矩阵的拟合程度；

步骤S5，对经过F和R检验的BP神经网络故障诊断模型设计目标函数和约束条件，采用遗传算法进行参数寻优，得到优化后的输入层、隐层与输出层神经节点个数。

优选地，所述步骤S1中选取的特征气体为H₂、CH₄、C₂H₆、C₂H₄、C₂H₂。

优选地，所述步骤S2中采用传统的三层BP神经网络作为BP神经网络故障诊断模型，所述三层BP神经网络包括输入层、隐层、输出层；

所述BP神经网络故障诊断模型数值P的计算公式为：

P＝XS₁k₁+S₁Tk₂+S₁k₃+Tk₄+k₅； (1)

P为BP神经网络故障诊断模型数值，X、S₁、T分别为输入层、隐层与输出层神经节点个数，k₁、k₂、k₃、k₄和k₅分别为H₂、CH₄、C₂H₆、C₂H₄、C₂H₂五种气体的含量。