基于概率神经网络与海市蜃楼搜索优化方法的对电力变压器直流磁偏置程度分类诊断研究

《Scientific Reports》：Research on classification diagnosis of DC magnetic bias degree of power transformers based on probabilistic neural network by mirage search optimization

　　

摘要

作为电力系统中最关键的设备，变压器的运行状态直接影响电网的稳定性与安全性。一旦变压器出现直流磁偏故障，就会导致温度过高、振动加剧以及励磁电流失真等问题。为能够定量评估电力变压器的直流磁偏程度，本文提出了一种基于概率神经网络的分类方法，并采用Mirage搜索优化算法对该网络进行优化。首先在PSCAD中建立三相双绕组变压器仿真模型，生成不同直流磁偏条件下的样本，将磁偏程度划分为正常、轻微、中等和严重四类。研究选取中性点直流电流和励磁电流总谐波失真作为激励响应输入特征，通过特征相关性分析及消融实验验证了这些特征的适用性。进而利用MSO算法优化概率神经网络的平滑因子，从而提升模型的分类边界清晰度与泛化能力。实验结果显示，在30次独立测试中，所提出的MSO-PNN模型平均准确率为98.15%，最高准确率可达99.01%，性能优于其他经过优化的概率神经网络模型。在模拟的高斯噪声环境下，当信噪比为15 dB时，该模型的准确率仍可保持在96.4%，而信噪比为10 dB时则为91.0%。这些结果表明，所提出的方法为变压器直流磁偏程度的精准诊断提供了可靠的解决方案。