论文部分内容阅读
在电力系统中,电力变压器是最主要的核心元件之一,它在电网的输变电过程中起着非常重要的作用。为了实现电网安全、稳定和经济的运行,对电力变压器进行故障诊断变得尤为重要,进而对变压器故障诊断方法的研究具有一定的理论意义和实践价值。变压器的内部故障一般采用的是油中溶解气体分析法,本文选择BP神经网络作为变压器故障诊断的基本算法。BP神经网络具有并行分布式计算、自适应、记忆及聚类等诸多优点,能准确表达变压器油中溶解气体与变压器内部故障之间存在的映射关系。但是BP算法存在收敛速度慢,易陷入局部极小点的缺陷,所以选择粒子群优化BP神经网络,粒子群算法具有全局寻优的能力,可以有效提升BP神经网络的收敛速度,提高故障诊断的准确率;但是标准的粒子群算法在寻优过程中容易出现“早熟”现象,而陷入局部最优,因此将APSO-BP算法引入粒子自适应函数对粒子计算进行调整,可改善标准粒子群算法易陷入局部最优的现象。本文针对变压器油箱内部故障气体特征和故障类型,建立了以5-10-5为神经元结构的BP神经网络变压器故障诊断系统;并用粒子群算法优化BP神经网络,建立了 PSO-BP神经网络变压器故障诊断系统;通过对标准粒子群算法进行优化,建立了 APSO-BP神经网络变压器故障诊断系统。其训练结果显示:未优化的BP神经网络故障诊断模型对变压器故障的分类准确率为82.5%,PSO-BP神经网络故障诊断模型为90%,APSO-BP神经网络故障诊断模型为95%。对比可知,APSO-BP变压器故障诊断系统能够更为精确地诊断出故障类型。