神经网络与蜣螂优化器的交互作用在表征大型电力变压器性能中的应用——同时考虑了故障穿越保护能力

《Electric Power Systems Research》：Interaction of neural network and dung beetle optimizer for characterization of large power transformers considering through-fault protection capability

本文提出一种结合 dung beetle 优化算法（DBO）和人工神经网络（ANN）的混合方法，用于精确估计电力变压器在正常和故障条件下的未知参数。通过对比多种元启发式算法，验证了 DBO 在参数优化中的高效性，并利用 ANN 预测变压器故障保护能力曲线。该方法成功应用于40MVA和4kVA变压器，揭示了机械和电气损伤故障的临界电流特性。

　　

阿卜杜勒莫奈姆·德拉兹（Abdelmonem Draz）|霍萨姆·阿什拉夫（Hossam Ashraf）|艾哈迈德·R·埃尔·沙米（Ahmed R. El Shamy）|阿提亚·A·埃尔-费尔加尼（Attia A. El-Fergany）

埃及扎加齐格大学（Zagazig University）电气与机械系，扎加齐格 44519

摘要

多种计算方法旨在通过适当的目标函数准确识别变压器（XFMRs）的未知参数，但对于大功率XFMRs在正常和故障条件下的建模仍需更精确的模型。本文提出了一种新的方法，结合元启发式优化（metaheuristic optimization）和人工神经网络（ANN）来估计XFMRs的未知参数。使用蜣螂优化器（Dung Beetle Optimizer, DBO）确定了六个未知参数，并通过与其他具有挑战性的优化器进行对比验证了其有效性。这些算法能够捕捉在不同负载条件下的测试案例的稳态特征，包括电压调节和效率特性。此外，ANN还用于评估故障情况下XFMR的运行情况，通过预测故障穿越保护能力来实现这一点。这包括分析由于机械损坏和罕见电气退化故障导致的频繁故障特征，方法是基于XFMR参数的实际测量结果。该方法应用于一个40 MVA的实际XFMR和一个4 kVA的基准XFMR，结果表明40 MVA XFMR的频繁故障特征始于额定电流的4.06倍。研究结果展示了ANN和DBO在表征XFMR关键参数和性能方面的协同作用。

引言

变压器（XFMRs）通过升压或降压来在电力系统中高效传输和分配电能[1]，因此确保其可靠运行和最佳性能对于维持电力系统的稳定性至关重要[2]。这可以通过开发XFMRs的稳态和动态模型来主动评估[3]。然而，大多数模型依赖于一些未在制造商数据表中明确给出的参数[4]。这些参数控制着模型数值结果与实际记录值的准确性。因此，准确估计这些参数可以确保模型能够反映XFMR在各种运行条件下的真实行为[5]。 许多研究人员越来越多地依赖元启发式优化技术（MOTs）来解决复杂的工程优化问题，包括基于XFMR损坏曲线的继电器协调[6]。绘制XFMR的故障穿越保护曲线非常重要，因为这些曲线定义了在故障条件下不得超过的热和机械限制，以确保XFMR的完整性和延长其使用寿命[7]。由于MOTs能够探索更广泛的搜索空间，即使在存在不确定性和噪声的情况下，它们也能提供更灵活和准确的参数估计[8]。此外，它们能够无缝适应XFMR多样化的运行条件和结构复杂性，非常适合在现代电力系统中应用[9]。 在这方面，已经有许多尝试利用MOTs来最优估计XFMR等效电路参数，以考虑实际测量数据与计算结果之间的最高相关性[10]。这种相关性的准确性是通过使用适当的目标函数（OF）来评估的，其中最小化该函数的值反映了算法的效率。根据文献，已经应用了多种MOTs来解决参数识别任务，例如人工蜂群优化器（Artificial Bee Colony, ABC）[10]、人工蜂鸟优化器（Artificial Hummingbird Optimizer, AHO）[11]、黑洞优化算法（Blackhole Optimization Algorithm, BOA）[12]、郊狼优化算法（Coyote Optimization Algorithm, COA）[9]、混沌优化技术（Chaotic Optimization Technique, COT）[13]和乌鸦搜索优化器（Crow Search Optimizer, CSO）[14]。 此外，还采用了蒲公英优化算法（Dandelion Optimization Algorithm, DOA）[15]、基于法医的调查优化器（Forensic-Based Investigation Optimizer, FIO）[16]、广义正态分布优化器（Generalized Normal Distribution Optimizer, GNDO）[17]、遗传算法（Genetic Algorithm, GA）[18]、引力搜索算法（Gravitational Search Algorithm, GSA）[19]和飓风优化算法（Hurricane Optimization Algorithm, HOA）[20]来最优指定等效电路模型参数。另外，帝国主义竞争优化器（Imperialistic Competitive Optimizer, ICO）[19]、改进的塔斯马尼亚恶魔优化器（Improved Tasmanian Devil Optimizer, ITDO）[21]、水母搜索优化器（Jellyfish Search Optimizer, JSO）[22]、粒子群优化器（Particle Swarm Optimization, PSO）[18]和黏菌优化器（Slime Mould Optimizer, SMO）[23]也用于相同目的。 表1提供了文献中报告的上述MOTs的优化、仿真和技术特性（CCs）的全面概述。从表1可以看出，已经使用了多种OF来评估MOTs在将实际数据与计算结果对齐方面的计算性能。例如，平均平方偏差（Average Mean Quadratic Deviation, AMQD）、平方偏差（Mean Quadratic Deviation, MQD）、百分比偏差（Percentage Deviation, PD）、绝对偏差之和（Sum of Absolute Deviation, SAD）、平方绝对百分比偏差之和（Sum of Quadratic Absolute Percentage Deviation, SQAPD）、平方偏差之和（Sum of Quadratic Deviation, SQD）和平方相对偏差之和（Sum of Quadratic Relative Deviation, SQRD）是文献中最常用的OFs。 此外，“没有免费的午餐定理”（No Free Lunch Theorem）指出，没有一种优化算法对所有可能的问题都能表现出最佳性能[15,21]。因此，这些原理促使作者应用了一种新的MOT，即蜣螂优化器（DBO），用于XFMR参数估计，因为不同的MOTs可能在处理特定复杂性（如非线性或多样化的运行条件）时更有效。值得一提的是，DBO已经成功应用于各种电力系统问题。 DBO已被用于使用逆变器测量单元电压数据进行精确的负载建模参数识别[24]。在预测应用中，DBO显示出了令人鼓舞的结果。该算法的改进版本已成功应用于准确的风速预测[25]和光伏发电预测[26]。此外，修改后的DBO算法还被用于微电网调度优化，有效管理分布式电源的变异性和间歇性问题[27]。一种先进的DBO算法与机器学习技术结合使用，在健康状态（State of Health, SOH）预测中表现出高精度[28,29]。 多年来，人工神经网络（ANNs）已成为电力系统不同领域中非常重要的工具[30]。ANNs处理大型数据集并近似复杂的非线性函数，以解决不同问题[31]。例如，在负载预测中，ANN使用历史使用情况、天气和其他相关数据来预测电力需求，从而实现电网规划[32]。此外，ANN网络通过检测电网上的潜在电气故障模式来协助故障检测和诊断[33]。ANN网络在经济调度中也很有用，它们帮助优化设计，以最优方式利用发电资源，最小化成本和排放[34]。它们还能预测电压崩溃，并使用ANN网络建议控制电压稳定性的措施[35]。ANN网络在性能改进方面也很突出，因为它们在设计更可靠的可持续电力系统方面具有多功能性和灵活性[36]。 在实际的电力系统环境中，获取详细的故障穿越保护特性（let-through fault protection characteristics, CCs）本质上很困难。这样的信息很少在制造商的技术文档中提供，而且进行专门的现场测试来推导这些CCs通常是不切实际的，因为这需要将XFMR从服务中移除，并带来重大的运行限制。因此，本研究的主要贡献在于制定了一种优化方法，能够通过全面的仿真分析来估计故障穿越保护CCs。这种方法有效地缓解了制造商数据的缺乏以及进行现场实验验证的局限性。 这项工作提出了一种强大的方法，通过将新颖的元启发式优化方法DBO与ANN集成，来估计XFMRs的未知参数。这种组合能够精确模拟XFMR在正常和故障条件下的行为，而这在大多数已发表的研究中并未涉及。DBO通过最小化估计电流和电压测量值之间的绝对差异来确定关键的XFMR参数，其有效性通过与其他优化器的比较得到了验证。然后使用ANN来预测故障条件下的XFMR响应，重点关注常见的机械故障和罕见的电气退化事件。在40 MVA XFMR和4 kVA基准XFMR上的测试表明，结合DBO和ANN能够准确表征XFMR在不同条件下的性能。具体来说，本研究的主要贡献可以定义为：

1. 应用基于DBO-ANN的混合方法来捕捉不同类别的XFMR的稳态和故障特征。
2. 用其他元启发式方法验证所提出的技术在定义最优结果方面的有效性。
3. 提取XFMR在各种负载条件下的全负载技术参数，以识别其运行情况。
4. 考虑电气和机械损坏，分配大功率XFMR的故障穿越保护特性。

变压器的数学建模

XFMRs由通过铁芯磁耦合的初级绕组和次级绕组组成。初级侧连接到供电电压$\backslash math\{V\_p\}$，而次级侧$\backslash math\{V\_s\}$向负载供电。XFMR的等效电路包括初级和次级电阻$R\_p$和$R\_s$、初级和次级漏感$X\_p$和$X\_s$、铁芯损耗电阻$R\_c$以及磁化电抗$M$。

优化模型构建

目标函数（OF）作为性能指标，用于量化实际测量数据与模型生成值之间的差异。通过最小化这个函数，算法优化XFMR参数，确保模型尽可能接近实际情况[20]。一个选择合适的OF不仅可以引导MOT获得更准确的结果，还可以确定其在处理XFMR模型中的复杂非线性行为时的效率。

应用结果与验证

DBO的性能在两个测试案例中进行了检验：4 kVA单相XFMR [11,41]和40 MVA实际三相电力XFMR [42,43]。此外，它还与文献中发布的三种优化器以及各种元启发式算法进行了比较。在本文中，人类进化优化算法（Human Evolutionary Optimization Algorithm, HEOA）[44]、灰狼优化器（Grey Wolf Optimizer, GWO）和ABC优化器[10]也与主要DBO机制一起执行。此外，还评估了...

结论与未来展望

本研究全面评估了DBO在参数识别方面的性能，无论是小功率还是大功率XFMR。在提出的框架中集成ANN使得故障穿越损坏能力曲线的可靠估计成为可能，从而准确捕捉XFMR在频繁故障条件下的响应。这种组合方法展示了高精度推断未知XFMR参数的强大能力，从而允许进行全面的...

CRediT作者贡献声明

阿卜杜勒莫奈姆·德拉兹（Abdelmonem Draz）：撰写——原始草稿、软件开发、方法论、数据管理、概念化。 霍萨姆·阿什拉夫（Hossam Ashraf）：撰写——原始草稿、软件开发、资源获取、数据管理、概念化。 艾哈迈德·R·埃尔·沙米（Ahmed R. El Shamy）：可视化、软件开发、项目管理、形式分析。 阿提亚·A·埃尔-费尔加尼（Attia A. El-Fergany）：撰写——审稿与编辑、验证、监督、软件开发。