基于粒子群优化的变压器故障诊断与预测研究

• 作 者: 付宝英
• 发表日期: 2012年期
• 关键词: 油中溶解气体 故障诊断 故障预测 粒子群算法 神经网络

变压器的运行状态直接影响着电力系统的安全，对变压器故障进行及时、准确的诊断和预测，可以有效减少故障隐患所带来的安全事故。本文在分析油中溶解气体的基础上，先后建立了改良IEC三比值法故障诊断系统、BP神经网络故障诊断系统和自适应粒子群优化神经网络故障诊断系统。IEC三比值法作为发展历史最悠久的变压器故障诊断方法，易判断出故障类型，但是诊断的准确率较低；BP神经网络具有良好的自学习能力和强大的非线性映射能力，在变压器的故障诊断中，可以在一定程度上提高变压器故障诊断的准确率，但是BP网络容易陷入局部极小点，且较难选取合适的学习速率。为此本文在深入分析粒子群算法原理和深刻探讨粒子群主要参数对算法性能影响的基础上，提出了自适应粒子群算法用于优化BP神经网络，在粒子适应度值优于当前最优值时，加大惯性因子，以激励这些较好粒子在粒子更新中的作用，反之，则减小惯性因子，以削弱较差粒子在粒子更新中的作用，并在整个迭代过程中，对惯性权重和加速因子使用非线性动态调整策略，达到平衡粒子群全局搜索和局部搜索的目的。在此基础上建立的自适应粒子群优化BP神经网络的变压器故障诊断系统，与其它两种系统相比，较大程度地提高了故障诊断的准确率。为了对变压器故障气体做出较准确的预测，文中在分析径向基神经网络结构特征的基础上，对粒子群中的位置向量实行分段限制策略，同时非线性动态调整粒子的惯性权重和加速因子，建立了一个基于改进粒子群优化径向基神经网络的预测模型，并对两种类型的预测样本进行了仿真研究，结果表明：该模型与其它方法相比可以显著提高变压器故障预测的精度，缩小预测误差。