基于PSO-BP神经网络的换流变压器缩比模型振动参数预测方法与流程

基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法
技术领域
1.本发明属于换流变压器缩比模型振动参数预测技术领域，尤其涉及基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.换流变压器缩比模型与此同时，换流变压器的体积巨大、对地绝缘要求严苛、造价高等问题使得研究人员在一些问题上难以方便有效地对其开展研究，特别涉及到其内部器件的结构力学等非线性问题。倘若能将其按比例缩放为实验室可容纳的体积，同时又能保证其运行特性，则可以为上述问题找到可靠的解决方法。相似理论是对各类事物之间相似规律的描述，同时也是研究事物之间相似规律应用的理论，为这一问题的解决5提供了思路。然而换流变压器缩比准则的推导，必须严格的遵守电磁学及结构力学的相关经验公式，这可能会导致推导的缩比准则难以满足实际换流变压器运行及设计要求，如绕组匝数及运行电源频率问题。目前而言，还未有一台在电磁学及固体力学方面均能与原机相匹配的换流变压器缩比模型。


技术实现要素：

4.为克服上述现有技术的不足，本发明提供了基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法，能够实现对换流变压器振动输出信息进行预测，从而为换流变压器缩比模型的设计提供指导和依据。
5.为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
6.第一方面，公开了基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法，包括：
7.构建换流变压器缩比模型，基于此缩比模型给定任意输入参数得到换流变压器对应的振动输出信息，作为训练数据；
8.构建适用于换流变压器缩比模型训练的pso-bp神经网络，取神经网络数据的输入为换流变压器的电压、尺寸与匝数，输出为铁芯加速度、铁芯形变位移、铁芯受力，基于上述训练数据完成对神经网络的训练；
9.利用训练后的神经网络输入待预测的换流变压器尺寸、电压以及匝数，预测其铁芯加速度、铁芯形变位移及铁芯受力。
10.作为进一步的技术方案，构建换流变压器缩比模型时，将多台组合运行的换流变压器等效为一台三相变压器，在有限元仿真软件中建立两种不同铁芯形式的换流变压器有限元仿真模型。
11.作为进一步的技术方案，在建模过程中，对换流变压器部分部件进行简化：省略起
固定作用的部件，改用“固定约束”边界条件替代；对模型各部分域进行材料定义，铁芯选择软铁材料，绕组选择铜材料，箱体内部其他域选择变压器油材料。
12.作为进一步的技术方案，将换流变压器缩比模型的输入电压、几何尺寸及绕组匝数作为三组随机变量，记录多组在不同组合条件下的模型铁芯及绕组受应力幅值以及铁芯及绕组的位移幅值情况；
13.对多组数据组进行数据分割处理，将输入电压、几何尺寸及绕组匝数作为输入数据，将与之对应的模型铁芯及绕组受应力幅值以及铁芯及绕组的位移幅值作为输出数据，以用作神经网络训练数据。
14.作为进一步的技术方案，pso-bp神经网络模型的建立是先用粒子群算法全局搜索最优解，将其作为神经网络的初始参数，再对bp神经网络进行训练：即用粒子群优化算法寻找bp神经网络的最优阈值和权值，然后将其作为网络的初始参数，再进行网络训练。
15.作为进一步的技术方案，pso-bp神经网络为粒子群优化bp神经网络，建立详细步骤如下：
16.(1)随机产生初始微粒群，并初始化pi和pg；
17.(2)将每个微粒看作一组参数值，组成参数网络；
18.(3)将训练数据中的训练样本数据输入参数网络进行训练；
19.(4)通过对每个微粒适应度值的计算进行pi和pg的确定；
20.(5)若此时不满足程序的终止条件则转到(6)，若满足了终止条件则转到(7)；
21.(6)根据公式更新魏立群中的每个微粒，并转到(2)；
22.(7)将最优微粒作为一组最优参数，最优微粒即为优化结果，算法结束。
23.作为进一步的技术方案，构建pso-bp神经网络的具体步骤为：
24.确定网络层数；
25.训练输入数据为换流变压器的电压、尺寸与匝数，输出数据为铁芯及绕组的形变位移、铁芯受力，划分为训练和测试数据，分别对分别对训练和测试数据进行归一化处理；
26.确定隐含层神经元数目；
27.通过设置训练参数，网络进行训练学习，达到设定误差值为目标
28.测试样本进行预测：用测试样本的换流变压器尺寸、电压以及匝数进行预测，并与仿真结果中的输出特征及绕组位移形变、受力进行比较，检验网络的准确性。
29.第二方面，公开了基于pso-bp神经网络的换流变压器缩比模型振动参数预测系统，包括：
30.缩比模型构建模块，被配置为：构建换流变压器缩比模型，基于此缩比模型给定任意输入参数得到换流变压器对应的振动输出信息，作为训练数据；
31.神经网络构建模块，被配置为：构建适用于换流变压器缩比模型训练的pso-bp神经网络，取神经网络数据的输入为换流变压器的电压、尺寸与匝数，输出为铁芯加速度、铁芯形变位移、铁芯受力，基于上述训练数据完成对神经网络的训练；
32.预测模块，被配置为：利用训练后的神经网络输入待预测的换流变压器尺寸、电压以及匝数，预测其铁芯加速度、铁芯形变位移及铁芯受力。
33.以上一个或多个技术方案存在以下有益效果：
34.本发明将预先设计的换流变压器缩比模型的电压、尺寸比例及绕组匝数输入至该
网络的输入端，即可精准预估未来制备的缩比模型的振动参数。本发明涉及的基于粒子群优化bp神经网络为换流变压器的振动缩比模型的可靠性提供了支撑，可以避免大量不必要的试错。
35.基于粒子群优化bp神经网络在换流变压器缩比模型振动参数预测上的应用可行性及精确性得到了验证。经过优化算法及大量数据训练后的bp神经网络，可以为预制备的换流变压器缩比模型的振动参数提供预测。
36.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
37.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
38.图1为本发明实施例换流变压器模型示意图；
39.图2为bp神经网络结构图；
40.图3为粒子群优化bp神经网络算法流程示意图。
具体实施方式
41.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
42.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
43.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
44.实施例一
45.本实施例公开了基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法，该方法基于有限元仿真软件，参考一台在运换流变压器的运行及设计参数，建立换流变压器三维多场耦合物理模型有限元仿真模型。根据仿真模型改变输入得到大量训练数据，取神经网络数据的输入为换流变压器的电压、尺寸与匝数，输出为铁芯加速度、铁芯形变位移、铁芯受力。经过算法训练，建立bp网络组合模型对换流变压器振动输出信息进行预测，并通过换流变实测数据进行验证。最后使用粒子群优化算法对bp网络进行优化，减小了预测误差。
46.人工智能算法可以通过对数据的训练得到一个网络组合模型，给定输入对输出进行预测。本发明将粒子群优化反向传播网络(pso-bp)应用于换流变压器缩比模型的研究当中，对换流变压器三维多场耦合物理模型改变输入得到多组训练数据，其输入为换流变压器的电压、尺寸与匝数，输出为铁芯及绕组的形变位移、铁芯受力。
47.经过算法训练所建立的模型中电源电压、尺寸及绕组匝数作为输入，换流变压器的振动信息作为输出，此模型可以视为基于粒子群优化bp网络建立的一种换流变压器振动缩比模型。基于此缩比模型给定任意输入参数可以得到换流变压器对应的振动输出信息，可以用于换流变压器振动相关的研究当中。
48.具体实施例子中，关于多场耦合换流变压器三维物理模型：依据某型号变压器图纸及数据，将三台组合运行的换流变压器等效为一台三相变压器，在有限元仿真软件中建立换流变压器有限元仿真模型。圆筒式铁芯是变压器仿真建模中常见的一种铁芯结构形式。叠片式铁芯可以显著地减小涡流损耗，根据现有的叠片式变压器结构图，建立了20叠片等效铁芯换流变压器振动模型，充分利用线圈内圆形空间，合理选择各级阶梯矩形尺寸，使得铁芯柱截面积尽量大长度逐渐变小，顶端贴近绕组。如图1所示，换流变压器理想化模型有4个铁芯柱，它们之间由铁芯轭相连，中间两个铁芯柱上各套有纠结-连续-纠结式一次侧绕组和螺旋式二次侧绕组。
49.在建模过程中，考虑到要提高模型仿真计算的收敛速度，对部分换流变压器部件进行了简化。省略了铁芯夹件、螺栓等起固定作用的部件，改用“固定约束”边界条件替代。对模型各部分域进行了材料定义，铁芯选择软铁材料，绕组选择铜材料，箱体内部其他域选择变压器油材料。各部分材料属性参数如下面表1所示。
50.表1材料属性
[0051][0052]
在合理的数值范围内，将模型的输入电压、几何尺寸及绕组匝数作为三组随机变量，记录100组在不同组合条件下的模型铁芯及绕组受应力幅值以及铁芯及绕组的位移幅值情况。对100组数据组进行数据分割处理，将输入电压、几何尺寸及绕组匝数作为输入数据，将与之对应的模型铁芯及绕组受应力幅值以及铁芯及绕组的位移幅值作为输出数据，以用作下一步的神经网络训练数据。表2显示了100组数据中的20组。
[0053]
表2 20组训练数据
[0054]
[0055][0056]
适用于换流变缩比模型训练的pso-bp神经网络构建：
[0057]
bp神经网络对权值的调整采用反向传播算法，可以实现任意非线性映射，其实质是对误差函数的最小值进行计算，以实现对多层前馈神经网络权值的调整。bp神经网络的结构包括输入层、隐含层和输出层。信号流从输入层经隐含层逐层向后传播，最终由输出层输出信息的处理结果；若未达到预期结果，则误差从输出层经过中间各层逐层向前进行反向传播，不断修正网络的连接权值；最终使得网络的误差越来越小，得到最优输出结果。其网络结构如图2所示。
[0058]
bp学习算法是以lms算法为基础，假设pi为样本的输出，ti为期望输出，yi为各样本的网络输出，经过计算使得网络性能指数均方误差最小，即：
[0059]
mine(e
t
e)＝mine[(t-y)
t
(t-y)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0060]
同lms算法，使用来近似计算均方误差：
[0061][0062]
定义敏感性为：
[0063][0064]
式中，w为网络权值，m为网络层数。使用链法则将敏感性反向传播：
[0065][0066][0067]
最后得到权值调整公式为：
[0068]
wm(k 1)＝wm(k)-αsm(y
m-1
)
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0069]bm
(k 1)＝bm(k)-αsmꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0070]
式中，α为学习速率。
[0071]
bp网络对非线性关系有很好的映射能力，但同时也存在一些难以克服的局限性，表现在bp神经网络采用梯度下降算法，bp算法的主要缺陷是全局搜索能力较差，主要优势是局部搜索能力较强，而粒子群算法的主要优势是全局搜索能力较强。
[0072]
本实施例子将结合这两种算法各自的优势，弥补这两种算法各自的缺陷，从而达到两种算法优势互补的目的。粒子群优化bp神经网络模型的建立是先用粒子群算法全局搜索最优解，将其作为神经网络的初始参数，再对bp神经网络进行训练。即用粒子群优化算法寻找bp神经网络的最优阈值和权值，然后将其作为网络的初始参数，再进行网络训练，以至提高模型的分类能力和速度。
[0073]
设在d维搜索空间中，由n个粒子组成的种群x＝(x1,x2,...,xn)，其中第i个粒子为d维中的一个向量xi＝(x
i1
,x
i2
,...,x
id
)
t
，代表了求解问题的一个潜在解，根据目标函数即可计算出每个粒子位置xi对应的适应度值。训练误差被用来计算适应度值f(x)，公式如下：
[0074][0075]
式中，p是样本量，y
p
是实际的输出值，t
p
是样本中的输出。
[0076]
第i个粒子的速度是vi＝(v
i1
,v
i2
,...,v
id
)
t
，个体的极值为pi＝(p
i1
,p
i2
,...,p
id
)
t
，全局极值为pg＝(p
g1
,p
g2
,...,p
gd
)
t
。每次迭代更新公式为：
[0077][0078][0079]
式中，ω为惯性权重；d＝1,2,...,d；i＝1,2,...,n；k为当前迭代次数；v
id
是粒子的速度；c1与c2是加速度因子，为非负的常数；r1与r2是分布于0到1之间的随机数。
[0080]
通过上述粒子群公式，来优化bp神经网络初始权重。粒子代表初始权重，通过训练效果动态更新网络的初始权重。
[0081]
粒子群优化bp神经网络模型的建立详细步骤如下：
[0082]
(1)随机产生初始微粒群，并初始化pi和pgpi为个体极值，pg是全局极值；
[0083]
(2)将每个微粒看作一组参数值，组成参数网络；
[0084]
(3)将训练样本数据输入参数网络进行训练；
[0085]
(4)通过对每个微粒适应度值的计算进行pi和pg的确定；
[0086]
(5)若此时不满足程序的终止条件则转到(6)，若满足了终止条件则转到(7)；
[0087]
(6)根据公式更新魏立群中的每个微粒，并转到(2)；
[0088]
(7)将最优微粒作为一组最优参数，最优微粒即为优化结果，算法结束。
[0089]
图3所示为粒子群优化bp神经网络算法的流程示意：
[0090]
缩比参数预测值的得到：训练样本通过pso-bp神经网络按梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。
[0091]
残差：pso-bp网络缩比参数预测值与测试样本中的输出参数之间的差值。
[0092]
缩比参数预测结果：即测试样本输入对应的缩比模型输出，包括铁芯和绕组的受
力、位移。
[0093]
pso算法所需的参数：群体规模、惯性权重、加速常数、最大代数、解空间。通过对所需参数进行网格搜索确定。
[0094]
该流程主要分为三个部分：神经网络的构建、训练和预测。首先对系统进行建模，确定网络层数及各层的节点数，构建出一个合适的神经网络；然后初始化网络的权值和阈值，设置网络训练参数，并选择合适的训练算法和传递函数，若训练结束达到目标值则进行下一步，若训练未达到期望值则返回重新训练；最后利用训练好的网络得到最终的预测结果。构建网络主要采取了以下几个步骤：
[0095]
(1)确定网络层数。由于数据均为一维数值，采用三层bp网络，即只含一个隐含层，可以不失准确度的同时大幅缩减运算量。
[0096]
(2)准备样本数据，并进行归一化处理。对数据进行归一化处理主要是为了取消各变量数量级的差别，便于后续数据的统一处理和提高神经网络的训练效率。本文准备的训练输入数据是换流变压器的电压、尺寸与匝数，输出数据是铁芯及绕组的形变位移、铁芯受力，共100组。测试数据为改变仿真模型中输入参数情况下的换流变压器的20组振动数据。分别对训练和测试数据进行归一化处理，将数据归一化到[0,1]之间。所有输入与输出参数均采用如下归一化方法：
[0097][0098]
式中，x
gi
代表第i个样本归一化后的参数值，xi代表第i个样本的参数值，x
min
代表参数的最小值，x
max
代表参数的最大值。
[0099]
(3)确定隐含层神经元数目，这是构建神经网络过程中关键的一步。神经元个数设定太多或太少，都会使网络的容错性和泛化能力降低，导致网络预测能力下降。而目前对隐含层神经元数目的确定并没有统一标准，根据前人的经验总结出一个公式：
[0100][0101]
式中，l为隐含层节点数，m为输入层节点数，n为输出层节点数，a为1到10之间的常数。根据这个公式，采用试凑法来确定隐含层节点数。经多次试验，本例取为6。
[0102]
(4)通过设置训练参数，网络进行训练学习，达到设定误差值为目标。本例训练函数采用trainlm，学习率取0.01，期望误差为0.02，隐含层和输出层传递函数分别为logsig和purelin。
[0103]
(5)用测试样本进行预测。用测试样本的换流变压器尺寸、电压以及匝数进行预测，并与仿真结果中的输出特征及绕组位移形变、受力进行比较，检验网络的准确性。
[0104]
关于pso-bp神经网络预测可靠性分析：
[0105]
使用粒子群算法对bp神经网络的结构进行优化时，主要对bp神经网络的权值和阈值进行优化，利用粒子群优化算法搜索到bp神经网络的最优初始权值和阈值。首先对粒子群优化算法进行参数设置：粒子数设置为10，粒子长度为输入变量个数4，粒子最大速度v
max
＝0.5，学习因子c1＝c2＝2，允许最小误差为0.001。惯性权重ω的范围为(0.3,0.9)，迭代次数设置为200。迭代次数在80次以后趋于稳定，为了减小随机误差的干扰提高迭代速度，将迭代次数设置为100次。
[0106]
训练和测试粒子群优化神经网络：有120组输入输出数据作为样本进入研究。训练
集和测试集分别为100组与20组，比例为5:1。剩余20组输入输出数据用于评价和测试粒子群优化神经网络模型的预测性能。数据训练后可以得到一个模型，任意输入一组换流变压器的电压、尺寸及绕组匝数即可得到换流变压器的振动参数。
[0107]
经过测试数据的预测对比可以得到此缩比模型的准确性，对模型误差分析评价十分必要，常用的两种误差指标如下所示：
[0108]
平均绝对误差(mean absolute error，mae)
[0109][0110]
均方根误差(root mean square error,rmse)
[0111][0112]
用测试数据的换流变压器尺寸、电压以及阻抗进行预测，并与仿真结果中的输出加速度、位移形变、受力以进行比较，检验网络的准确性。由式(13)与(14)计算得到两种误差指标，比较粒子群优化前后指标大小得到的数据如下表所示：
[0113]
表3优化前后两种误差指标
[0114][0115]
从上述结果可以看出，粒子群优化算法对bp神经网络的预测结果确实有一定的优化作用，使得预测误差变得更小，精度更高，可以更精确的得到不同输入量下换流变压器振动信息。
[0116]
实施例二
[0117]
本实施例的目的是提供一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
[0118]
实施例三
[0119]
本实施例的目的是提供一种计算机可读存储介质。
[0120]
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。
[0121]
实施例四
[0122]
本实施例的目的是提供基于pso-bp神经网络的换流变压器缩比模型振动参数预测系统，包括：
[0123]
缩比模型构建模块，被配置为：构建换流变压器缩比模型，基于此缩比模型给定任意输入参数得到换流变压器对应的振动输出信息，作为训练数据；
[0124]
神经网络构建模块，被配置为：构建适用于换流变压器缩比模型训练的pso-bp神经网络，取神经网络数据的输入为换流变压器的电压、尺寸与匝数，输出为铁芯加速度、铁芯形变位移、铁芯受力，基于上述训练数据完成对神经网络的训练；
[0125]
预测模块，被配置为：利用训练后的神经网络输入待预测的换流变压器尺寸、电压以及匝数，预测其铁芯加速度、铁芯形变位移及铁芯受力。
[0126]
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
[0127]
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
[0128]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。