量子遗传神经网络在变压器油中溶解气体分析中的应用

常规的神经网络存在容易陷入局部极小点、收敛速度慢、泛化能力差的问题。为了解决这些问题,使用量子遗传算法来获得神经网络初始变量。由于其具有量子态和量子门操作,可有效提高寻优的性能,大大提高初始值的质量,为后续算法逼近全局最优奠定基础。在用该算法获得网络可变参数初值后,选择计算速度快的Levenberg-Marquardt算法对多层前馈神经网络的权值和阈值进行优化得到最优解,很好地解决了网络训练易收敛于局部极小点的问题。根据气体浓度和产气速率判断变压器是否故障,将无故障和有故障情况分别用各自的神经网络进行评估/诊断,分别给出变压器的健康水平和故障类型,有效减少了网络的复杂性,提高了训练和应用效果。将提出的方法应用于现场变压器的油中溶解气体分析,评估/诊断准确性达95%以上。