申请/专利权人：云南电网有限责任公司保山供电局

申请日：2021-07-29

公开（公告）日：2024-06-21

公开（公告）号：CN113588777B

主分类号：G01N29/02

分类号：G01N29/02;G01N29/024;G01N29/036;G01N29/44;G06F18/2135;G06N3/045;G06N3/084;G06N3/086

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2021.11.19#实质审查的生效;2021.11.02#公开

摘要：本发明涉及一种基于PCA‑IA‑BPNN的变压器油酸值检测方法，属于变压器检测技术领域。该方法包括以下步骤：S1：多频超声波检测；S2：主成分分析PCA；S3：建立反向传播神经网络BPNN；S4：免疫算法IA；S5：建立基于PCA‑IA‑BPNN的变压器油介损预测模型。本发明通过建立超声波特征值与变压器油酸值之间的关系，实现多频超声波对变压器油品质状态的监测，解决了传统检测系统统构成庞大复杂，操作繁琐，实现对运行故障的在线监测。

主权项：1.一种基于PCA-IA-BPNN的变压器油酸值检测方法，其特征在于：该方法包括以下步骤：S1：多频超声波检测；S2：主成分分析PCA；S3：建立反向传播神经网络BPNN；S4：免疫算法IA；S5：建立基于PCA-IA-BPNN的变压器油介损预测模型；所述S1具体为：在由多频超声控制单元、多频超声传感器和数据分析单元组成的多频超声检测系统中，超声控制单元内安装多频超声波发射装置，控制着超声波的发射频率以及发射时间间隔；超声波发射装置内部连接至超声控制单元的多频超声信号输出接口，输出接口与多频超声传感器连接，传感器内部安装有超声发生器，用于产生超声束组；多频超声传感器内部还安装有两个用来接收超声信号的超声接收器，并由DSP信号处理电路传输到上位机的测量软件，最后测量软件计算出信号的原始参数，包括振幅、相位以及声速；多频超声检测系统的信号频率为600kHz-1000kHz，中心频率为750kHz；T1和T2是两个超声接收器；系统工作时，超声发射器发出超声波信号；信号首先在基准介质和测量室之间的接口处反射，反射回的信号由接收器T1接收，另一部分超声信号通过接口继续传输到接收器T2，最后经由T2传输的信号再次反射并传回T1；所述超声发射器的发射时间间隔为20s，每次发出20个不同频率的超声波信号，接收器接收到的L1、L2和L3分别包含主频率对应的幅值20维、偏移频率对应的幅值20维、主频率对应的相位20维、偏移频率对应的相位20维，加上飞行时间与飞行速度，每组样本共得到一个242维的超声波数据；所述S2具体为：S21：将检测得到的多频超声波信号按频率分为N个样本数据，N100，每个样本数据中含有M个数据，包含每次接收超声波的幅值、相位、频率以及飞行时间特征信息；利用下式对这些数据进行标准化，标准化后数据均值为0，方差为1； 其中，XR为X经变换矩阵Q计算后的矩阵，Q变换矩阵，Qi为权重系数；S22：计算相对化矩阵XR的协方差矩阵 S23：求解协方差矩阵的特征值λi与相对应的特征值ρi，λi是的第i个特征值，满足： 式中I为单位矩阵；S24：由累计贡献率求出相对主元个数j，具体公式如下： S25：计算矩阵TT＝XPNj＝NMMj矩阵T中包含的数据为将超声波主要参数经相对主元算法转换后数据，之后将通过人工智能算法进行模式识别及回归处理；所述S3具体为：使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和不断减小；BPNN由输出层、隐层和输出层构成的多层神经网络，且同一层的神经元不存在相互连接，相邻两层的神经元两两相连；所述S4具体为：S41：定义抗原：将需要解决的问题抽象成符合免疫系统处理的抗原形式，抗原识别则对应为问题的求解；S42：产生初始抗体群体：将抗体的群体定义为问题的解，抗体与抗原之间的亲和力对应问题解的评估，亲和力越高，说明解越好；产生初始抗体群体，对应问题的一个随机解；S43：计算亲和力：计算抗原与抗体之间的亲和力；S44：抗体产生的促进和抑制：与抗原有较大亲和力的抗体优先得到繁殖，抑制浓度过高的抗体，淘汰低亲和力的抗体；采用类似遗传算法中的交叉、变异操作繁殖新的抗体并随机产生新的抗体来代替被淘汰的抗体；S45：评估新的抗体群体：计算亲和力，若满足终止条件，则当前抗体群体则为问题的最佳解；若不满足终止条件，则重新更新抗体直到满足条件为止；所述S5具体为：首先对数据样本进行z-score标准化处理，在Matlab仿真编译环境下对建立基于PCA-IA-BPNN的变压器油中酸值预测模型，基于PCA算法对超声波的242维数据进行PCA降维处理，得到对原始数据累积贡献率为99％的23维主元数据矩阵；再将该主元数据矩阵作为训练集训练BPNN；同时编写免疫算法IA参数优化程序，得到BPNN的最优参数；基于IA算法对训练数据进行BPNN最优参数寻优；基于PCA-IA-BPNN的变压器油中酸值预测模型的最优隐层神经元个数为3，对应模型的回检诊断均方差达到最小，为0.036457，PCA-IA-BPNN变压器油中酸值预测模型迭代18次后，达到最优收敛精度10-4.1；变压器油中酸值BPNN预测模型的隐含层各神经元的阈值向量为：[1.88421102061644，-0.220326447756798，-1.18911130032834]，输出层神经元的阈值向量为：[30.3236209235620]。

全文数据：

权利要求：

百度查询： 云南电网有限责任公司保山供电局 一种基于PCA-IA-BPNN的变压器油酸值检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD