基于正交实验法改进的蝠鲼算法优化BP在变压器故障诊断上的研究

摘要：

油浸式变压器在运行老化过程中难免会出现各种潜伏性故障,及时正确诊断出变压器的状态至关重要,传统利用基于油中溶解气体分析法(dissolved gas analysis,DGA)数据的三比值法因存在编码不足的缺陷,限制了故障的诊断效果.为此提出了一种改进的蝠鲼算法(manta ray foraging optimization,MRFO)优化反向传播(back propagation,BP)网络的故障诊断模型.首先利用逻辑映射与反向学习(opposition based learning,OBL)融合的多阶段算法为MRFO提供初始位置,加强算法全局寻优能力;同时提出利用正交实验法优化蝠鲼算法的3种觅食策略,调节蝠鲼个体的探索与开发,以加强该算法在特定问题上的寻优能力;最后将改进的蝠鲼算法寻得的最优解赋予BP网络的权值和偏置,建立变压器故障诊断系统.利用IEC TC 10故障数据进行了实验,并与其他算法进行了结果对比分析.结果表明,所提方法与BPNN、未改进的MRFO-BP、三比值法的结果相比,分别高出16％、8％、24％,是一种积极有效的方法.

关键词：油浸式变压器、DGA数据、蝠鲼算法、BP网络、混沌映射、反向学习、正交实验法

所属期刊栏目：16

分类号：TM46(变压器、变流器及电抗器)

资助基金：国家自然科学基金52107144

在线出版日期：2022-09-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：46-54