氫氣、甲烷、乙烷、 乙烯和乙炔；各指定類型參數分別為含量、特征和成分比值；所述步驟003中，N = 3,所述 預設數量N比值法為三比值法，其中，各指定類型參數數據分別按照甲烷/氫氣、乙烯/乙 烷、乙炔/乙烯劃分進行比值處理，即各指定類型參數分別對應三個矢量數據。
[0030] 作為本發(fā)明的一種優(yōu)選技術方案：所述變壓器內部故障類型分別為無故障、中低 溫過熱故障、高溫過熱故障、低能量放電故障和高能量放電故障。
[0031] 本發(fā)明所述一種基于神經網絡的變壓器故障診斷方法采用以上技術方案與現(xiàn)有 技術相比，具有以下技術效果：本發(fā)明所設計基于神經網絡的變壓器故障診斷方法，通過布 谷鳥優(yōu)化算法優(yōu)化神經網絡，解決了神經網絡的局部收斂問題，加快了神經網絡的收斂速 度，提高了變壓器故障診斷的能力和準確率；并且布谷鳥優(yōu)化算法具有模型簡單、參數少、 易于實現(xiàn)等優(yōu)點，使得在優(yōu)化神經網絡的情況下，縮短了訓練時間，提高了結果的準確性， 除此之外，布谷鳥優(yōu)化算法所獲得的全局最優(yōu)解要優(yōu)于粒子群算法和遺傳算法；還有本發(fā) 明設計中，采用BP神經網絡模型，它是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，由于 具有自學習自適應的功能，以及學習規(guī)則簡單，同時還具有較強的記憶能力和魯棒性，非常 適用于變壓器的故障診斷中；不僅如此，本發(fā)明通過改進型布谷鳥算法訓練神經網絡的權 值和閾值，再利用訓練后的神經網絡，針對變壓器進行故障檢測，解決了變壓器的安全性和 可靠性問題，其中，通過訓練好的神經網絡可以實時監(jiān)測變壓器的內部故障情況，解決了傳 統(tǒng)拆裝檢測的方法而二次影響變壓器壽命的問題。
【附圖說明】
[0032] 圖1是本發(fā)明設計一種基于神經網絡的變壓器故障診斷方法的流程示意圖；
[0033] 圖2是神經網絡的架構示意圖；
[0034] 圖3是柯西分布示意圖；
[0035] 圖4是高斯分布示意圖；
[0036] 圖5是萊維分布示意圖。
【具體實施方式】
[0037] 下面結合說明書附圖針對本發(fā)明的【具體實施方式】作進一步詳細的說明。
[0038] 如圖1所示，本發(fā)明所設計基于神經網絡的變壓器故障診斷方法在實際應用過程 當中，包括如下步驟：
[0039] 步驟001.提取變壓器發(fā)生故障時、預設組數V組的變壓器油中溶解氣體樣本數 據，作為各組訓練樣本數據，即V組訓練樣本數據，各組訓練樣本數據分別包括各指定溶解 氣體的各指定類型參數數據；并且獲得各組訓練樣本數據分別所對應的變壓器內部故障類 型；同時，提取變壓器發(fā)生故障時、預設組數的變壓器油中溶解氣體樣本數據，作為各組測 試樣本數據，其中各組測試樣本數據的數據結構與所述訓練樣本數據的數據結構相同；并 且獲得各組測試樣本數據分別所對應的變壓器內部故障類型；其中，變壓器內部故障類型 的種類數量為M，然后進入步驟002。
[0040] 在這里的實際應用中，我們針對各指定溶解氣體設計分別為氫氣H2、甲烷CH 4、乙 烷C2H6、乙烯C2H4和乙炔(：2氏;針對各指定類型參數設計分別為含量、特征和成分比值；針對 變壓器內部故障類型，我們這里設計分別為無故障、中低溫過熱故障、高溫過熱故障、低能 量放電故障和高能量放電故障五種變壓器內部故障類型。
[0041] 步驟002.分別針對各組訓練樣本數據，針對各指定溶解氣體的各指定類型參數 數據，進行歸一化處理，獲得各組訓練樣本歸一化數據，同時，分別針對各組測試樣本數據， 針對各指定溶解氣體的各指定類型參數數據，進行歸一化處理，獲得各組測試樣本歸一化 數據，然后進入步驟003。
[0042] 其中，歸一化處理操作采用如下公式進行：
[0044] 其中，i = 1，2,…，I，I表示指定溶解氣體的種類數量，q = 1，2,…，Q，Q表示指定 類型參數種類的數量；^表示第i種指定溶解氣體第q種類型參數的歸一化數據結果；zlq 表示4所在樣本數據組中第i種指定溶解氣體第q種類型參數的提取數據；Zq _表示^所 在樣本數據組中各指定溶解氣體對應第q種類型參數提取數據的最小值；zq _表示^.所在 樣本數據組中各指定溶解氣體對應第q種類型參數提取數據的最大值。
[0045] 步驟003.分別針對各組訓練樣本歸一化數據，采用預設數量N比值法，基于各指 定溶解氣體劃分，分別按各指定類型參數進行比值處理；獲得各組訓練樣本矢量數據，各組 訓練樣本矢量數據分別包括各指定類型參數所對應的N個矢量數據；并且根據各組訓練樣 本數據分別所對應的變壓器內部故障類型，獲得各組訓練樣本矢量數據分別所對應的變壓 器內部故障類型；同時，分別針對各組測試樣本歸一化數據，采用預設數量N比值法，基于 各指定溶解氣體劃分，分別按各指定類型參數進行比值處理；獲得各組測試樣本矢量數據， 各組測試樣本矢量數據分別包括各指定類型參數所對應的N個矢量數據；并且根據各組測 試樣本數據分別所對應的變壓器內部故障類型，獲得各組測試樣本矢量數據分別所對應的 變壓器內部故障類型；然后進入步驟004。
[0046] 這里，相對我們所設計采用氫氣H2、甲烷CH4、乙烷C2H6、乙烯C 2H4和乙炔C 2H2五種 指定溶解氣體而言，我們這里設計N = 3,即所述預設數量N比值法為三比值法，其中，各指 定類型參數數據分別按照甲烷CH4/氫氣H2、乙烯C2H4/乙烷C 2H6、乙炔C2H2/乙烯C2H 4劃分進 行比值處理，即各指定類型參數分別對應三個矢量數據，這里，我們針對氫氣H2、甲烷CH4、 乙烷C2H6、乙烯C2H4和乙炔C 2H2五種指定溶解氣體進行三比值法處理時，可參照如下表1規(guī) 則。
[0048] 表 1
[0049] 還有根據各組訓練樣本數據分別所對應的變壓器內部故障類型，獲得各組訓練樣 本矢量數據分別所對應的變壓器內部故障類型，以及根據各組測試樣本數據分別所對應的 變壓器內部故障類型，獲得各組測試樣本矢量數據分別所對應的變壓器內部故障類型，可 以參照下表2所述對應關系。

[0052] 步驟004.根據各組訓練樣本矢量數據分別包括各指定類型參數所對應的N個矢 量數據，即獲得待構建神經網絡輸入層神經元數目N，由于在這里的實際應用中，我們針對 氫氣H2、甲烷CH4、乙烷C2H6、乙烯C 2H4和乙炔C 2H2五種指定溶解氣體，設計采用三比值法進 行比值處理，因此，這里實際應用中，待構建神經網絡輸入層神經元數目N = 3 ;同時，根據 變壓器內部故障類型的種類數量M，即獲得待構建神經網絡輸出層神經元數目M，這里由于 在實際應用中，我們設計設定變壓器內部故障類型分別為無故障、中低溫過熱故障、高溫過 熱故障、低能量放電故障和高能量放電故障，因此待構建神經網絡輸出層神經元數目Μ = 5,即待構建神經網絡輸出層各個神經元分別對應一種故障的輸出；然后根據待構建神經網 絡輸入層神經元數目Ν和待構建神經網絡輸出層神經元數目Μ，獲得待構建神經網絡隱含 層的神經元數目Κ，然后進入步驟005。
[0053] 其中，根據待構建神經網絡輸入層神經元數目Ν，以及待構建神經網絡輸出層神經 元數目Μ，通過如下步驟操作，獲得待構建神經網絡隱含層的神經元數目Κ。
[0054] 步驟 00401.根據尾=4ν + Μ+&、: K2= log 2Ν 和 Κ3= 2Ν+1，分別獲得 Κ !、1(2和 Κ3，并進入步驟00402,其中，a為[1，10]之間的預設常數。
[0055] 步驟00402.獲得VKjP K 3中的最小值K _，以及最大值K_，然后由K_開始，逐 個增加神經元的個數直至Κ_，分別進行訓練驗證，獲得各個驗證結果，并進入步驟00403。
[0056] 步驟00403.獲得各個驗證結果中的最優(yōu)驗證結果，則該最優(yōu)驗證結果所對應的 神經元個數即為待構建神經網絡隱含層的神經元數目Κ。
[0057] 這里基于上述實際應用中，待構建神經網絡輸入層神經元數目Ν = 3,待構建神經 網絡輸出層神經元數目