變壓器是輸配電系統(tǒng)中的關鍵設備,及時而準確地檢測出變壓器早期潛伏性故障,對于保障電力系統(tǒng)的可靠運行具有重大意義。本文在分析電力變壓器故障機理和現(xiàn)有故障診斷方法的基礎上,研究了自組織抗體網(wǎng)絡、極限學習機和證據(jù)理論等人工智能方法,并用于解決電力變壓器故障診斷問題。論文的主要內(nèi)容如下。 自組織抗體網(wǎng)絡的學習算法中沒有網(wǎng)絡壓縮機制,訓練后的網(wǎng)絡中存在大量的冗余抗體。針對該問題,本文提出了改進的自組織抗體網(wǎng)絡。該方法將網(wǎng)絡壓縮機制引入自組織抗體網(wǎng)絡,利用親和度閾值調節(jié)免疫網(wǎng)絡的記憶抗體分布。仿真實驗表明,網(wǎng)絡壓縮機制可以加快網(wǎng)絡的收斂速度,優(yōu)化網(wǎng)絡結構,同時維持免疫網(wǎng)絡的穩(wěn)定性。 將自組織抗體網(wǎng)絡應用于變壓器故障診斷時,由于其初始抗體是隨機選取的,網(wǎng)絡性能并不穩(wěn)定。文中將免疫算子引入自組織抗體網(wǎng)絡,提出了基于混合免疫算法的變壓器故障診斷方法。該方法利用K-means最佳聚類算法獲取初始抗體,并通過粒子群優(yōu)化算法優(yōu)化親和度閾值。仿真實驗表明,混合免疫算法的性能比自組織抗體網(wǎng)絡更加穩(wěn)定,其診斷正確率高于單一診斷方法。 基于混合免疫算法的變壓器故障診斷方法中提取疫苗需要進行大量的計算,并且存在訓練速度慢和參數(shù)確定困難的問題。為此,文中將極限學習機和核極限學習機用于解決變壓器故障診斷問題,并利用粒子群優(yōu)化算法優(yōu)化核極限學習機的學習參數(shù)。仿真實驗表明,極限學習機比混合免疫算法的診斷正確率稍高,訓練時間遠遠少于后者,但其性能不太穩(wěn)定；和其他智能診斷方法相比,核極限學習機需要的訓練時間和測試時間最少,訓練正確率和測試正確率最高,并且性能更加穩(wěn)定。 由于變壓器氣體征兆與故障原因之間存在復雜性和模糊性,各種故障診斷方法的判斷結果容易出現(xiàn)分歧。文中提出了一種基于證據(jù)理論的變壓器故障診斷方法,利用沖突證據(jù)合成規(guī)則將混合免疫算法、核極限學習機和模糊理論的診斷結果進行融合,實現(xiàn)了多特征信息、多診斷方法的有效融合。實例分析表明,該融合方法可以提高故障診斷的可靠性。
【學位單位】：華北電力大學
【學位級別】：博士
【學位年份】：2014
【中圖分類】：TM411
【部分圖文】：

每類別樣本的初始抗體數(shù)為t從每類訓練樣本中隨始抗體濃度設為0。 Fourclass數(shù)據(jù)集rclass數(shù)據(jù)集的樣本分布如圖2-3所7K。圖2-3可以直觀地看出Fourclass數(shù)據(jù)集中兩類樣本的分布情況。在自絡中，每一類樣本的初始抗體個數(shù)設定為/t=5。為了對比網(wǎng)絡壓縮小節(jié)屮改進算法的初始抗體和自組織抗體網(wǎng)絡相同，親和度閾值C7經(jīng)過訓練學習后，兩種免疫算法在測試樣本集上的分類正確率記憶抗體分布情況如圖2-4、圖2-5所示。對比分析圖2-4和圖2-5可以發(fā)現(xiàn)，在初始抗體相同的情況下，法與自組織抗體網(wǎng)絡相比，以較少的記憶抗體完成了對測試樣本時保持了同樣高的分類]H確率。本章改進免疫網(wǎng)絡的記憶抗體分布容易分類的區(qū)域記憶抗體個數(shù)相對較少，在兩類數(shù)據(jù)交叉的區(qū)域抗體數(shù)目。這正是由于網(wǎng)絡壓縮機制根據(jù)親和度閾值a對記憶抗體，優(yōu)化了抗體分布。

的訓練樣本集和測試樣本集上分別進行10次變壓器故障珍斷仿真實驗并對比實驗結果。10次仿真實驗的記憶抗體個數(shù)對比如圖3-10所示，診斷正確率對比如圖3-11所示。200? 捉合免疫算法-一‘一 soAbNet160丨載 ,<一 120 t , 一拉 . -r -斗一-?k—一NJ 80 ■fjU ? 毋 ? -+ ? ? 參 -?40Q 1 —I 1 123456789 10實驗序號圖3-10記憶抗體個數(shù)對比Fig. 3-10 Comparisons of memory antibody numbers-51 -

共進行5X300次訓練和測試，從訓練集診斷正確率和測試診斷正確率兩個方面進行對比分析。實驗結果見圖4-3和圖4-4。----sig -0.5 f =:--0 4 i tribas 一I ‘ - - radbas I 1 1 I I 0 50 100 150 200 250 300隱含層節(jié)點數(shù)目圖4-3采用不同激活函數(shù)的訓練:?診斷正確率對比Fig. 4-3 Correct diagnosis rate on training dataset using different active function-60-
【參考文獻】

相關期刊論文 前10條

1 楊啟平,薛五德,藍之達;基于人工神經(jīng)網(wǎng)絡的變壓器故障診斷[J];變壓器;2000年03期

2 宋紹民;王耀南;孫煒;胡新晚;;基于免疫聚類算法的變壓器DGA數(shù)據(jù)故障診斷方法[J];變壓器;2008年08期

3 廖瑞金,姚陳果,孫才新,顧樂觀;多專家合作診斷變壓器絕緣故障的黑板型專家系統(tǒng)[J];電工技術學報;2002年01期

4 劉娜,高文勝,談克雄;基于組合神經(jīng)網(wǎng)絡模型的電力變壓器故障診斷方法[J];電工技術學報;2003年02期

5 李中;苑津莎;張利偉;;基于自組織抗體網(wǎng)絡的電力變壓器故障診斷[J];電工技術學報;2010年10期

6 張鳴柳,孫才新;變壓器油中氣體色譜分析中以模糊綜合評判進行故障診斷的研究[J];電工技術學報;1998年01期

7 熊浩;孫才新;陳偉根;杜林;廖玉祥;;電力變壓器故障診斷的人工免疫網(wǎng)絡分類算法[J];電力系統(tǒng)自動化;2006年06期

8 魏星;舒乃秋;崔鵬程;吳波;;基于改進PSO-BP神經(jīng)網(wǎng)絡和D-S證據(jù)理論的大型變壓器故障綜合診斷[J];電力系統(tǒng)自動化;2006年07期

9 丁曉群，林鐘云;神經(jīng)網(wǎng)絡應用于電力變壓器故障診斷[J];電力系統(tǒng)自動化;1996年02期

10 王平;基于模糊綜合評判的變壓器故障模糊診斷法[J];電力系統(tǒng)自動化;1996年12期

相關博士學位論文 前2條

1 周世兵;聚類分析中的最佳聚類數(shù)確定方法研究及應用[D];江南大學;2011年

2 李中;基于人工免疫系統(tǒng)的電力變壓器故障診斷技術研究[D];華北電力大學（河北）;2010年

本文編號：2873859