[发明专利]基于改进粒子群优化神经网络算法的变压器油温预测方法

权利要求书

1.一种基于改进粒子群优化神经网络算法的变压器油温预测方法，其特征在于，其步骤如下：

步骤一：从数据库服务器中读入变压器油温的相关影响因素，相关影响因素包括环境温度、负荷变化和冷却器组数三种变量；

步骤二：将相关影响因素中的一种变量或者多种变量作为输入变量，并对输入变量进行归一化处理，以变压器油面温度作为输出变量；

步骤三：确定网络拓扑结构，建立BP神经网络模型，对BP神经网络进行初始化；

步骤四：采用改进的粒子群算法优化BP神经网络模型的权值和阈值，使BP神经网络模型的全局误差达到预设精度；

步骤五：将归一化后的输入变量和输出变量输入优化后的BP神经网络模型中进行训练，得到基于优化BP神经网络的变压器油温预测模型；

步骤六：将采集的测试样本进行归一化后输入基于优化BP神经网络的变压器油温预测模型进行预测，输出预测的变压器油面温度，并对预测的变压器油面温度进行评估。

2.根据权利要求1所述的基于改进粒子群优化神经网络算法的变压器油温预测方法，其特征在于，所述采用改进的粒子群算法优化BP神经网络模型的权值和阈值的方法为：

S41、设置种群规模，初始化种群位置及速度；

S42、根据激活函数计算每个粒子的适应度，并分别与各个粒子的最优位置P_best和群体最优位置g_best作比较，若优，则替换，否则不变；

S43、调整粒子速度和位置；

S44、在范围(0,1)内产生一个随机数，如果随机数大于变异系数，则随机初始化种群，否则，进入步骤S45；

S45、判断是否满足终止条件，若是，输出粒子最优位置P_best和群体最优位置g_best；否则，返回步骤S42。

3.根据权利要求2所述的基于改进粒子群优化神经网络算法的变压器油温预测方法，其特征在于，所述粒子速度和位置的调整方法分别为：

其中，V_i^k+1表示第i个粒子在第k+1次迭代的速度，V_i^k表示第i个粒子在第k次迭代的速度，表示第i个粒子在第k次迭代的位置，表示第i个粒子在第k+1次迭代的位置，c₁(j)、c₂(j)均表示j次迭代时的学习因子；w表示权值系数；r₁、r₂均为(0,1)内的随机数；

学习因子的更新公式为：

c₁(j)＝c_1i-i×(c_1i-c_1n)/i_max；

c₂(j)＝c_2i+i×(c_2n-c_2i)/i_max；

其中，i表示当前迭代次数；c_1i为学习因子c₁(j)的初始值，c_2i为学习因子c₂(j)的初始值；c_1n为学习因子c₁(j)的最终值，c_2n为学习因子c₂(j)的最终值。

4.根据权利要求1-3任一项所述的基于改进粒子群优化神经网络算法的变压器油温预测方法，其特征在于，所述对预测的变压器油面温度进行评估的方法为：

其中，MAPE为平均绝对百分误差，MAE为平均绝对误差，RMSE为均方根误差，i'＝1,2,…,n'，n'表示测试样本的总数；Y_i'表示第i'个原始变压器油温数据；表示第i'个预测变压器油温数据。