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与流程

1.本发明涉及变压器油面温度预测技术领域，特别是指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。


背景技术：

2.变压器作为电能变换和分配的核心设备，其健康水平决定了电力系统运行的稳定程度，而随着电力系统规模的日益扩大，变压器数量也逐渐增多。在变压器运行参数中，油面温度是其运行状态判断的一个重要参数，因此，变压器油面温度的准确预测，为变压器运行工况的判断提供了一定的参考意义。
3.目前，针对变压器油面温度预测国内外学者已经建立了一些预测模型。文献[徐名,方洋洋,杨鹏.基于灰色模型算法的电力变压器油温预测[j].电力学报,2018,33(05):359～364 382.]在灰色模型的基础上，通过改进模型离散方程，建立了电力变压器油温预测动态估计模型，为变压器油温的短期预测构建了更为实用的预测方程。文献[王永强,岳国良,何杰等.基于kalman滤波算法的电力变压器顶层油温预测研究[j].高压电器,2014,50(08):74～79 86]基于kalman滤波的顶层油温状态，建立了顶层油温实时最优估计模型，提高了变压器顶层油温预测精度。文献[张磊,杨廷方,李炜等.基于lstsvr模型的边缘计算预测变压器平均油温及绕组热点温度[j].电力自动化设备,2020,40(08):197
‑
203.]以lstsvr作为边缘计算模型，构建监测系统架构来预测变压器平均油温值，提高了就地端响应的实时性。文献[袁兴起,杨双艳.变压器油温监控系统研究与实现[j].河南理工大学学报(自然科学版),2014,33(05):626～629.]以灰色模型gm(1,1)为基础，建立了变压器油温变化的数学模型，有效解决了在负荷急增情况下变压器顶层油温失控的现象。另外，部分学者通过热力学、电学之间的关系，将变压器内部等效为电路模型，建立了变压器油温的等效热路模型，或者通过对变压器绕组热点温度预测来达到变压器油面温度预测的目的。文献[刘刚,靳艳娇,马永强等.油浸式变压器流体场和温度场的数值分析[j].变压器,2017,54(05):22
‑
26.]基于有限体积法分析了油浸式变压器的流体—温度场，建立了变压器温度场数学模型，仿真得到了变压器内部温度的分布，为多物理场耦合分析变压器的温度场提供基础。文献[骆小满,阮江军,邓永清等.基于多物理场计算和模糊神经网络算法的变压器热点温度反演[j].高电压技术,2020,46(03):860
‑
866.]提出一种基于多物理场计算和模糊神经网络算法相结合的模型对变压器绕组热点温度进行预测。文献中采用的方法，对变压器的状态监测都有不错的效果，但绕组温度和数学模型很难确定、计算量大，所以对变压器状态的监测可以从变压器油温入手。文献[何宁辉,沙伟燕,胡伟等.基于qia
‑
bp神经网络算法的变压器故障诊断[j].变压器,2021,58(03):50
‑
56.]、文献[陈明.matlab神经网络原理与实例精解[m].北京:清华大学出版社,2013.03.]和文献[muhammad yaqub,seung hwan lee.experimental and neural network modeling of micellar enhanced ultrafiltration for arsenic removal from aqueous solution[j].environmental engineering research,2021,26(1):31～37.]均表明bp神经网络在很多方面表现较好，如
bp神经网络的泛化能力非常强，对数据的处理也有一个全面的学习过程，可以满足对变压器油面温度的预测，却容易陷入局部极值，对分析结果会有一定的影响，学习收敛速度也较慢。粒子群算法是优化算法的一种，通过群体信息共享和自身历史位置不断的更新搜索方向来寻找最适合实际情况的解。在寻求数据优化问题时，该方法参数简单，易于实现，广泛应用于多个研究领域。


技术实现要素：

[0004]
针对现有变压器油面温度的预测方法存在预测精度低的技术问题，本发明将bp神经网络与粒子群算法相结合，提出了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，考虑环境温度、负荷变化、冷却器组数三种因素单独或相互作用的不同工况，分别采用bp神经网络、遗传算法优化神经网络和改进粒子群优化神经网络对算例变压器油面温度进行预测和分析，其分析结果表明改进算法的变压器油面温度预测误差相对较小，为变压器运行状态的判断提供了可靠的依据。
[0005]
本发明的技术方案是这样实现的：
[0006]
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，其步骤如下：
[0007]
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；
[0008]
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；
[0009]
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；
[0010]
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；
[0011]
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；
[0012]
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。
[0013]
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：
[0014]
s41、设置种群规模，初始化种群位置及速度；
[0015]
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；
[0016]
s43、调整粒子速度和位置；
[0017]
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；
[0018]
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。
[0019]
所述粒子速度和位置的调整方法分别为：
[0020][0021]
[0022]
其中，v
ik 1
表示第i个粒子在第k 1次迭代的速度，v
ik
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；
[0023]
学习因子的更新公式为：
[0024]
c1(j)＝c
1i
‑
i
×
(c
1i
‑
c
1n
)/i
max
；
[0025]
c2(j)＝c
2i
i
×
(c
2n
‑
c
2i
)/i
max
；
[0026]
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。
[0027]
所述对预测的变压器油面温度进行评估的方法为：
[0028][0029][0030][0031]
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。
[0032]
与现有技术相比，本发明产生的有益效果为：
[0033]
1)本发明利用改进粒子群优化神经网络算法以进行变压器油面温度预测，其预测准确性高，在一定程度上能更好地反映变压器油面温度正常值，从而可以为工作人员判断变压器的运行状态提供数据依据，对促进变压器甚至电力系统更加安全、稳定的运行具有重要现实意义。
[0034]
2)通过不同工况的预测结果对比表明，本发明的预测结果误差较小，因此，权值和阈值设置的合理性在神经网络算法起着关键性的作用。
[0035]
3)改进粒子群优化神经网络算法相比于传统粒子群算法的搜索性能有所改善，同时增加种群的多样性，避免陷入局部最优。
附图说明
[0036]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]
图1为bp神经网络拓扑图。
[0038]
图2为本发明的改进粒子群优化的神经网络算法流程图。
[0039]
图3为本发明在三种工况下具体训练次数与误差曲线图；其中，(a)工况i：以环境温度为输入变量；(b)工况ii：以环境温度和负荷为输入变量；(c)工况iii：以环境温度、负
荷及冷却器组数为输入变量。
[0040]
图4为bp神经网络、遗传算法优化神经网络和改进粒子群优化神经网络三种算法对变压器油温的预测值与真实值对比结果；其中，(a)工况i；(b)工况ii；(c)工况iii。
具体实施方式
[0041]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042]
本发明实施例提供了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，具体步骤如下：
[0043]
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；
[0044]
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；为使输入变量的数据能适应传递函数，提高计算过程的收敛速度，需要对训练数据进行归一化处理，处理后的变量取值范围在[
‑
1,1]之间，计算方法为：
[0045][0046]
其中，x
i
为输入变量t
i
归一化后的值；t
max
为输入变量t
i
的最大值，t
min
为输入变量t
i
的最小值。
[0047]
步骤三：确定网络拓扑结构，建立bp神经网络模型；bp神经网络属于一种多层前馈神经网络，具有输入、隐含和输出3层结构，通过不断调整各层权值和阈值，形成网络学习训练。bp神经网络的拓扑结构如图1所示。
[0048]
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；
[0049]
通过粒子群算法优化bp神经网络的权值和阈值，同时利用遗传算法的变异思想，在粒子群算法中加入变异算子和非对称学习因子以改进标准粒子群算法的不足，改进粒子群算法的优势在于：1)pso算法寻找最优权值和阈值的范围和深度较广，可避免传统bp神经网络单纯利用误差反向传播来调整权值和阈值，易陷入局部极值和收敛速度慢的问题。2)非对称调整学习因子可以使粒子在搜索之初加强粒子的局部搜索能力，在搜索后期加快粒子向全局最优点的收敛速度，从而改善pso算法的搜索性能，并添加变异算子，保证种群的多样性，避免局部最优。
[0050]
如图2所示，改进粒子群优化算法实施步骤为：
[0051]
s41、设置种群规模，初始化种群位置及速度；
[0052]
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；
[0053]
s43、调整粒子速度和位置；
[0054]
所述粒子速度和位置的调整方法分别为：
[0055][0056][0057]
其中，v
ik 1
表示第i个粒子在第k 1次迭代的速度，v
ik
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；
[0058]
学习因子的更新公式为：
[0059]
c1(j)＝c
1i
‑
i
×
(c
1i
‑
c
1n
)/i
max
；
[0060]
c2(j)＝c
2i
i
×
(c
2n
‑
c
2i
)/i
max
；
[0061]
其中，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。
[0062]
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；
[0063]
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。
[0064]
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；
[0065]
变压器油温主要受环境温度、负荷变化以及冷却器组数变化的影响，因此在算例中将这些影响条件中的一种或者多种作为不同的影响因素。
[0066]
(1)对样本输入输出变量数据进行选择，以环境温度、负荷变化以及冷却器组数等影响因素中的一种或者多种作为输入变量，以变压器油面温度作为输出变量，确立神经网络模型的影响因素之后，再根据改进粒子群优化神经网络算法对权值和阈值进行不断地迭代，最终确定大致的模型进行训练。
[0067]
(2)在神经网络训练之后，可以观察到模型共进行的训练次数以及神经网络达到训练所需目标值的训练次数，三种工况具体训练次数与误差如图3所示。
[0068]
由图3可以看出，工况i共进行10次训练，第4次达到训练所需要的目标值，工况ii和工况iii则分别在第5次、第1次达到训练所需要的目标值，因此3种工况所建立的模型也各不相同。
[0069]
(3)在确定神经网络模型之后，根据预测要求将输入变量与构建好的神经网络模型相结合，对实际算例进行预测。
[0070]
步骤六：将采集的测试样本的输入变量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。
[0071]
为评估bp神经网络优化模型预测变压器油温的性能，以一台0.2mw的正常运行的油浸式变压器为分析对象，分别采用bp神经网络、遗传算法优化神经网络和改进粒子群优化神经网络算法等三种算法对工况i(仅考虑环境温度)、工况ii(考虑环境温度和负荷两种因素)和工况iii(考虑环境温度、负荷以及冷却器组数三种因素)的变压器油面温度的变化情况进行预测。为了使不同算法具备公平性，在神经网络的关键参数设置中均保持相同工况i的输入层、隐含层、输出层节点分别为1、3、1；工况ii的的输入层、隐含层、输出层节点分
别为2、3、1；工况iii的输入层、隐含层、输出层节点分别为3、4、1。训练代数为200代，学习速率为0.08。遗传算法的参数选择为：进化代数为15代，种群规模为30，变异概率为0.1，交叉概率为0.5。改进粒子群算法的参数选择为：迭代次数为200，种群规模为40，权值系数为0.8，c1、c2的初始值分别为2.5、1；c1、c2的最终值分别为0.5、2.25。变异系数为0.95。本算例变压器正常运行下的三种不同工况的测试数据如表1所示，三种工况的训练数据如表2
‑
5所示。
[0072]
表1变压器三种运行工况的测试数据
[0073][0074]
表2变压器运行工况i的训练数据
[0075][0076]
表3变压器运行工况ii的训练数据
[0077][0078]
表4变压器运行工况iii的训练数据
[0079][0080]
表5变压器运行工况iii的训练数据
[0081][0082]
图4为bp神经网络、遗传算法优化神经网络和改进粒子群优化神经网络三种算法对变压器油温的预测值与真实值对比。由图4可以看出，工况ii中bp神经网络和遗传算法优化的神经网络油温预测值与真实值相差较大，最大误差分别达到6.2％和4.9％，而改进粒子群优化神经网络的油温预测值与真实值相对接近，最大误差约为2.7％。其他不同工况中，改进粒子群优化神经网络对变压器的油温预测较其他两种算法的准确性也有较大提升，在经过优化后，变压器油温预测结果与真实值曲线明显接近，预测精度得到提高。除此之外，也不难发现改进后的粒子群优化神经网络预测较真实值更为稳定，而神经网络随着条件的改变，预测结果也会出现明显的波动。同时在影响因素和问题中给出的数据组数不同时，不同算法预测的误差都有差异，随着影响因素和数据组数增多，三种算法的预测误差整体都会呈现降低的趋势，在实际应用中，对变压器油温的预测应综合考虑多方面的因素，以使其更接近于实际工况，预测值更接近于真实值，起到对变压器油面温度预测的目的。
[0083]
为了进一步评估预测的准确性，本发明采用平均绝对百分误差(mape)、平均绝对误差(mae)、均方根误差(rmse)3个指标对预测结果进行分析对比。
[0084][0085][0086][0087]
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。
[0088]
表6
‑
8为算例变压器在bp神经网络、遗传算法优化神经网络和改进粒子群优化神经网络等三种算法在不同工况下的变压器油温预测误差比较。由表6
‑
8可以看出，遗传算法优化神经网络较bp神经网络的误差优势不大，而改进后的粒子群优化神经网络算法明显优于另两种算法。因此，虽然神经网络也可以对变压器油面进行预测，但误差较大，预测精度不够，而改进后的粒子群优化神经网络模型预测精度得到了提高，与真实值拟合的更好，有效降低了误差百分比，表明了改进粒子群优化神经网络的性能优于bp神经网络和ga
‑
bp神经网络，因此改进粒子群优化神经网络可以更好的解决变压器油温预测问题。
[0089]
表6三种预测模型的平均绝对百分误差对比
[0090][0091]
表7三种预测模型的平均绝对误差对比
[0092][0093]
表8三种预测模型的均方根误差对比
[0094][0095]
随着智能电网的快速发展，对电气设备的状态检测与故障诊断提出了更高的要求，而运行参数的准确预测是电气设备运行状态判断的基础，基于此，本发明采用粒子群算法与bp神经网络相结合，并添加了变异算子和非对称调整学习因子，对变压器的油面温度进行了预测，得到了以下结论：
[0096]
(1)基于改进粒子群优化神经网络算法变压器油面温度预测算法，其预测准确性高，在一定程度上能更好地反映变压器油面温度正常值，从而可以为工作人员判断变压器的运行状态提供数据依据，对促进变压器甚至电力系统更加安全、稳定的运行具有重要现实意义。
[0097]
(2)不同工况的预测结果对比表明，改进粒子群优化神经网络算法相比其他算法，其预测结果误差较小，因此，权值和阈值设置的合理性在神经网络算法起着关键性的作用，在实际工程应用中应对其进行优化。随着越来越多的学者建立不同的模型，对于变压器油面温度的预测也会日益成熟。
[0098]
(3)改进粒子群优化神经网络算法相比于传统粒子群算法的搜索性能有所改善，同时增加种群的多样性，避免陷入局部最优，要进一步改进优化效果，还要综合考虑惯性权重等方法相结合的粒子群算法，使所提改进算法更为完善。
[0099]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。