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

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。