[发明专利]基于CSO-ANN-EL算法的变压器故障诊断及状态预测方法

说明书

本发明为克服传统人工神经网络应用于变压器故障诊断时存在训练效果不理想、预测精度低的缺陷，提出基于CSO‑ANN‑EL算法的变压器故障诊断及状态预测方法，采集历史DGA样本数据，对其进行标准化预处理后进行自采样，创建训练子样本，利用训练子样本对多个基分类器进行训练，构造EL模型；获取具有时间序列的DGA数据集并进行标准化预处理；构建ANN模型，采用CSO算法对ANN模型的参数进行优化，得到CSO‑ANN算法模型；将DGA数据集输入CSO‑ANN算法模型中进行训练并输出DGA数据预测结果；将DGA数据预测结果及基分类器的输出结果输入完成训练的EL模型中进行变压器故障诊断，得到变压器故障诊断结果。

技术领域

本发明涉及变压器故障诊断技术领域，更具体地，涉及一种基于CSO-ANN-EL算法的变压器故障诊断及状态预测方法。

背景技术

变压器是输变电系统中重要的电气设备，其运行状态直接影响电力系统的安全性水平，变压器发生故障将可能导致大范围的停电，造成不可估量的经济损失。因此，研究变压器故障诊断技术，对提高变压器故障诊断的准确率，提高变压器的使用率，提高变压器运行维护水平具有重要意义。

目前用于变压器故障诊断的传统方法包括三比值法、改良三比值法等，用于变压器故障诊断的智能算法包括灰色模型、支持向量机和人工神经网络(ANN)及其相应的改进算法。然而，三比值法、改良三比值法方法在实践过程中逐渐显露出编码不全、判断标准过于绝对等缺点。灰色理论利用指数规律建立时间序列数据模型，适用于单调递增或单调递减的过程，但由于变压器故障及其在油中的相应气体含量的复杂性，采用指数规律进行数据拟合可能会产生误差。支持向量机利用了结构化风险最小化原则而不是经验性风险最小化原则，使其在小样本二值分类问题上具有出色的泛化能力，但其实用性和有效性因具体应用而有所不同。当训练样本足够时，使用人工神经网络(ANN)，例如BP神经网络，是最适合用于非线性预测的方法之一。然而，传统的人工神经网络在训练过程中存在收敛速度慢、容易陷入局部极小等缺点，极大地影响了预测精度。而且由于目前变压器的故障率低，故障DGA数据样本较少，对传统的人工神经网络训练效果不理想。

发明内容

本发明为克服上述现有技术所述的传统人工神经网络应用于变压器故障诊断时存在训练效果不理想、预测精度低的缺陷，提供一种基于CSO-ANN-EL算法的变压器故障诊断及状态预测方法。

为解决上述技术问题，本发明的技术方案如下：

基于CSO-ANN-EL算法的变压器故障诊断及状态预测方法，包括以下步骤：

采集历史DGA样本数据并进行标准化预处理；

对标准化预处理后的DGA样本数据进行自采样，创建训练子样本，利用所述训练子样本对多个基分类器进行训练，构造一个集成分类器，得到EL(Ensemble Learning，集成学习)模型；将所述标准化预处理后的DGA样本数据输入EL模型中通过集成学习进行训练；

通过DGA在线检测技术获取具有时间序列的DGA数据集并进行标准化预处理；

设置人工神经网络ANN的参数并构建ANN模型；采用CSO(CrisscrossOptimization，纵横交叉)算法对ANN模型的参数进行优化，得到CSO-ANN算法模型；将所述标准化预处理后的DGA数据集输入CSO-ANN算法模型中进行训练并输出DGA数据预测结果，该预测结果为变压器故障状态的短期预测结果；

将DGA数据预测结果及基分类器的输出结果输入完成训练的EL模型中进行变压器故障诊断，得到变压器故障诊断结果。

作为优选方案，对DGA样本数据或DGA数据集进行标准化预处理的步骤包括：计算数据中在变压器油中溶解的各种气体的体积浓度百分比X_i，其计算公式如下：