(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210661243.4 (22)申请日 2022.06.13 (71)申请人 山东大学 地址 250061 山东省济南市历下区经十路 17923号 申请人 国网河南省电力公司电力科 学研究 院 (72)发明人 张黎　王栋　王昊　王东晖　 王磊磊　张嵩阳　孙优良　邹亮　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 李圣梅 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/25(2020.01)G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/04(2020.01) (54)发明名称 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 (57)摘要 本发明提出了基于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： 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； 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； 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。 权利要求书2页 说明书9页 附图2页 CN 114896852 A 2022.08.12 CN 114896852 A 1.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， 其特 征是， 包括： 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； 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； 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。 2.如权利要求1所述的基于PSO ‑BP神经网络的换流变压器缩比模型振动参数预测方 法， 其特征是， 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。 3.如权利要求1所述的基于PSO ‑BP神经网络的换流变压器缩比模型振动参数预测方 法， 其特征是， 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。 4.如权利要求1所述的基于PSO ‑BP神经网络的换流变压器缩比模型振动参数预测方 法， 其特征是， 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； 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。 5.如权利要求1所述的基于PSO ‑BP神经网络的换流变压器缩比模型振动参数预测方 法， 其特征是， 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。 6.如权利要求1所述的基于PSO ‑BP神经网络的换流变压器缩比模型振动参数预测方 法， 其特征是， 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： (1)随机产生初始微粒群， 并初始化Pi和Pg； (2)将每个微粒看作一组参数值， 组成参数网络； (3)将训练数据中的训练样本数据输入参数网络进行训练； (4)通过对每 个微粒适应度值的计算进行Pi和Pg的确定； (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)； (6)根据公式更新魏立群中的每 个微粒， 并转到(2)； (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。 7.如权利要求1所述的基于PSO ‑BP神经网络的换流变压器缩比模型振动参数预测方 法， 其特征是， 构建P SO‑BP神经网络的具体步骤为： 确定网络层数； 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、权　利　要　求　书 1/2 页 2 CN 114896852 A 2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； 确定隐含层神经 元数目； 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 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。 8.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， 其特 征是， 包括： 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； 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； 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。 9.一种计算机装置,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， 其特征是， 所述处理器执行所述程序时实现上述权利要求 1‑7任一所述的方法的 步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征是， 该程序被处理器执 行时执行上述权利要求1 ‑7任一所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 114896852 A 3