改进PSO-BP神经网络在变压器故障检测中的研究和应用

论文摘要

电力变压器作为电力系统中最重要的输变电设备之一,它的性能直接影响到电力系统运行的安全和可靠。及时、准确地掌握其运行状态和故障情况,并采取相应的处理措施,对于提高电力系统运行的安全性、可靠性和经济性具有重要的意义。针对变压器的故障诊断,前人提出了很多的解决方法,但都有这样或那样的缺陷,不能迅速、准确的做出判断。本文针对目前变压器故障诊断技术在实际应用中所存在的主要问题,引入神经网络理论,将改进的粒子群优化算法和BP神经网络相结合,应用到基于油中溶解气体分析(DGA)的变压器故障诊断中,实现变压器运行状态的故障检测和诊断。BP神经网络权值的训练是一个非线性、复杂的过程,而标准粒子群算法往往不能反映非线性优化搜索过程,动态粒子群算法虽然能实现非线性搜索,但却更容易陷入局部最优。本文引入粒子变异的思想对算法进行改进,提出了变异动态粒子群算法。在粒子群收敛的过程中,当某一粒子被连续选为当前最优点时,整个粒子群就会快速收敛于该点而使算法陷入局部最优,丧失全局寻优能力。针对粒子群算法的这种问题,变异动态粒子群算法在迭代的过程中跟踪全局最优点,每次迭代前分析上次迭代后最优点的变化情况,如果最优点经常变化,则算法不会陷入局部最优,惯性权值就按照动态粒子群算法公式调整。否则,就随机的让一部分粒子变异,使其惯性权重以指数速度增长,增大粒子的移速度,跳出局部最小,继续全局寻优,其中指数的大小由粒子持续被选为最优点的次数决定。这样即使整个群体一直收敛于局部最优,则仍能保证部分粒子跳出局部最优。最后,本文把基于改进粒子群优化算法优化的BP神经网络应用于变压器故障诊断中,设计了完整的试验方案,通过对试验的结果分析,验证了本文提出的改进算法具有更好的全局寻优能力和稳定性,在变压器故障诊断的应用中具有更好的应用价值。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 论文的研究背景及选题意义
• 1.2 基于BP 神经网络的研究现状
• 1.3 论文的主要研究内容及组织
• 2 BP 神经网络模型与算法
• 2.1 人工神经网络
• 2.1.1 人工神经元
• 2.1.2 人工神经网络分类
• 2.1.3 人工神经网络的学习规则
• 2.2 BP 神经网络
• 2.3 BP 算法
• 2.4 BP 算法的实现步骤
• 2.5 BP 算法应用要点
• 2.6 人工神经网络的应用领域
• 3 粒子群优化算法的研究和改进
• 3.1 基本粒子群优化算法
• 3.1.1 粒子群优化算法的思想
• 3.1.2 粒子群优化算法的数学描述
• 3.1.3 参数的意义
• 3.2 粒子群算法的研究和改进
• 3.2.1 带有惯性权重的粒子群算法
• 3.2.2 带有收缩因子的粒子群算法
• 3.2.3 变异动态粒子群算法
• 3.3 粒子群算法优化BP 神经网络
• 3.4 本章小结
• 4 变压器故障检测技术及试验分析
• 4.1 基于DGA 的变压器故障诊断基本原理
• 4.1.1 DGA 技术
• 4.1.2 绝缘油中气体和故障的关系
• 4.2 故障类型的诊断方法
• 4.2.1 特征气体法
• 4.2.2 三比值判断法
• 4.2.3 人工智能技术
• 4.3 基于改进PSO-BP 的故障诊断
• 4.3.1 诊断故障的类型
• 4.3.2 训练数据的处理
• 4.3.3 网络结构的设定
• 4.3.4 算法参数的取值
• 4.3.5 试验的软件实现及结果分析
• 4.4 本章小结
• 5 总结与展望
• 5.1 论文的主要工作
• 5.2 进一步研究的方向
• 致谢
• 参考文献
• 附录
• A 攻读硕士期间发表的论文
• B 作者在攻读硕士期间参与的科研课题