简介：本资源为电力变压器油纸绝缘老化预测方向的学术论文PDF，面向电气工程、高电压与绝缘技术领域的研究生、科研人员及电力设备运维工程师，聚焦极化/去极化电流与油纸老化状态的内在联系这一核心问题。资源包共1个PDF文件，约1.1MB，内容为期刊论文全文，含摘要、扩展Debye模型推导、鸡群算法优化BP神经网络的建模过程及仿真验证章节。论文提出以聚合度与扩展Debye模型参数关系为基础，训练BP神经网络拟合去极化电流与油纸聚合度间映射，消除环境温度变化带来的误差，并采用鸡群算法优化网络权值与阈值，改善BP网络收敛慢、易陷入局部最优的缺陷，最终实现不同温度下的油纸绝缘老化预测。目前已有151人学习，适合需要借鉴智能算法与数据建模思路、开展变压器在线检测与状态评估研究的读者参考。
1. 变压器油纸绝缘老化预测：为什么鸡群优化能让BP神经网络少走弯路
变压器油纸绝缘老化预测这件事，很多一线运维和科研人员都踩过同一个坑：用BP神经网络建模，训练集上拟合得漂漂亮亮，一到验证集就翻车，误差大得没法看。原因不复杂——BP网络对初始权值和阈值极其敏感，随机初始化就像闭着眼睛调参数，运气好收敛到不错的解，运气差直接陷进局部极小值。鸡群优化算法的价值就在这里：它模拟鸡群觅食时的等级制度和协作行为，用公鸡、母鸡、小鸡三种角色分工搜索，能在BP网络训练之前先把初始权值和阈值搜到一个靠谱的起点，再让BP去做精细梯度下降。这套组合拳解决的核心问题是：在油纸绝缘老化特征量（比如糠醛含量、聚合度、介损、击穿电压等）与老化程度之间建立高精度非线性映射，让预测结果稳定、可复现。适合正在做变压器状态评估、寿命预测方向的研究生和现场试验工程师，尤其是手头有油纸绝缘老化试验数据、想用智能算法提升预测精度的人。
2. 鸡群优化BP神经网络：从生物行为到变压器老化预测的映射逻辑
2.1 鸡群优化算法到底在优化什么
鸡群优化（Chicken Swarm Optimization, CSO）的核心思想不复杂：一个鸡群里有公鸡、母鸡和小鸡，公鸡的适应度最好，母鸡次之，小鸡最差。每只鸡的位置就是一个候选解，在变压器油纸绝缘老化预测这个场景里，一个“位置”就是一组BP神经网络的初始权值和阈值。公鸡负责大范围搜索，母鸡跟随自己所在子群的公鸡觅食，小鸡跟着母亲鸡做局部精细搜索。角色不是固定的，每隔若干代根据适应度重新分配，适应度好的母鸡可以变成公鸡，小鸡可以长大成母鸡。
这个机制为什么适合优化BP初始参数？因为BP的误差曲面往往有大量局部极小值，纯梯度下降容易卡住。CSO的种群多样性和角色更新机制，让搜索过程既有全局探索又有局部开发，比粒子群（PSO）和遗传算法（GA）在部分基准函数上表现更稳。我一般会关注三个参数：种群规模N、公鸡比例rG、母鸡比例rH，小鸡比例就是剩下的。常见做法是N取100左右，公鸡占20%，母鸡占60%，小鸡占20%。迭代次数取100到500之间，看数据规模。
2.2 把油纸绝缘老化数据整理成BP能吃的格式
变压器油纸绝缘老化试验数据通常包含多个特征量：糠醛浓度、纸板聚合度、油中溶解气体（CO、CO₂）、介损因数、绝缘电阻等。这些量纲差异大，直接喂给网络会导致训练震荡。必须先做归一化，映射到[0,1]或[-1,1]。标签可以是老化程度分级（比如良好、一般、老化、严重老化）或者聚合度数值。如果是分类问题，输出层用softmax；如果是回归预测聚合度，输出层一个神经元即可。
import numpy as np from sklearn.preprocessing import MinMaxScaler # 假设原始数据：每行一个样本，前6列是特征，最后一列是老化程度标签 # 特征：糠醛、聚合度、CO、CO2、介损、绝缘电阻 data = np.loadtxt('oilpaper_aging.csv', delimiter=',', skiprows=1) X_raw = data[:, :-1] y_raw = data[:, -1].reshape(-1, 1) # 归一化：特征和标签都缩放到[0,1] scaler_X = MinMaxScaler() scaler_y = MinMaxScaler() X = scaler_X.fit_transform(X_raw) y = scaler_y.fit_transform(y_raw) # 划分训练集和测试集，7:3 idx = np.random.permutation(len(X)) split = int(0.7 * len(X)) X_train, X_test = X[idx[:split]], X[idx[split:]] y_train, y_test = y[idx[:split]], y[idx[split:]] print('训练集形状:', X_train.shape, y_train.shape) print('测试集形状:', X_test.shape, y_test.shape)这段代码做了三件事：加载CSV数据、对特征和标签分别做最小最大归一化、按7:3随机划分。注意标签也要归一化，否则BP输出层反归一化时容易出错。MinMaxScaler的fit_transform只在训练集上拟合，测试集要用transform，但这里为了简洁先整体归一化，严格做法应该分开。实际项目中我建议先划分再分别归一化，避免数据泄露。
2.3 BP网络结构怎么定：层数、神经元和激活函数
油纸绝缘老化预测的BP网络不需要太深。常见做法是三层：输入层、一个隐含层、输出层。输入层神经元数等于特征数，比如6个特征就是6。隐含层神经元数用经验公式 ( h = \sqrt{m+n} + a )，其中m是输入维数，n是输出维数，a取1到10之间的常数。对于6输入1输出的回归问题，隐含层取8到15之间比较合适。激活函数隐含层用tansig或relu，输出层用purelin（回归）或softmax（分类）。
import tensorflow as tf from tensorflow.keras import layers, models def build_bp(input_dim, hidden_units=10): model = models.Sequential([ layers.Dense(hidden_units, activation='tanh', input_shape=(input_dim,)), layers.Dense(1, activation='linear') # 回归预测聚合度 ]) model.compile(optimizer=tf.keras.optimizers.Adam(0.01), loss='mse', metrics=['mae']) return model # 但CSO优化的是初始权值和阈值，所以需要能手动设置权重的版本 def build_bp_with_weights(input_dim, hidden_units, weights_vector): model = models.Sequential([ layers.Dense(hidden_units, activation='tanh', input_shape=(input_dim,)), layers.Dense(1, activation='linear') ]) # weights_vector长度 = input_dim*hidden_units + hidden_units + hidden_units*1 + 1 w1 = weights_vector[:input_dim*hidden_units].reshape(input_dim, hidden_units) b1 = weights_vector[input_dim*hidden_units:input_dim*hidden_units+hidden_units] w2 = weights_vector[input_dim*hidden_units+hidden_units:input_dim*hidden_units+hidden_units+hidden_units].reshape(hidden_units, 1) b2 = weights_vector[-1:] model.layers[0].set_weights([w1, b1]) model.layers[1].set_weights([w2, b2]) model.compile(optimizer=tf.keras.optimizers.Adam(0.01), loss='mse') return model这里的关键是weights_vector的长度计算：输入层到隐含层的权重矩阵是input_dim × hidden_units，隐含层偏置是hidden_units，隐含层到输出层权重是hidden_units × 1，输出层偏置是1。CSO的每个粒子就是这样一个向量。build_bp_with_weights函数把CSO搜出来的向量塞回网络，再跑少量epoch做精细调优。注意Adam学习率不要太大，0.01或0.001都行，CSO已经给了好起点，BP只需要微调。
3. 鸡群优化BP的完整实现：从CSO主循环到预测输出
3.1 CSO主循环的Python实现
下面是一个可直接跑的CSO优化BP初始权重的代码框架。适应度函数用BP在验证集上的MSE，MSE越小适应度越好。种群初始化时，每个个体的位置在[-1,1]之间随机生成，长度等于BP所有权重和阈值的总数。
import numpy as np from tensorflow.keras import backend as K # 抑制tensorflow日志 import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' def fitness_function(position, X_train, y_train, X_val, y_val, input_dim, hidden_units): """用BP在验证集上的MSE作为适应度，MSE越小越好""" model = build_bp_with_weights(input_dim, hidden_units, position) model.fit(X_train, y_train, epochs=50, batch_size=16, verbose=0) y_pred = model.predict(X_val, verbose=0) mse = np.mean((y_val - y_pred) ** 2) K.clear_session() # 防止内存泄漏 return mse def cso_optimize(X_train, y_train, X_val, y_val, input_dim, hidden_units, pop_size=100, max_iter=200, rG=0.2, rH=0.6): # 权重向量总长度 dim = input_dim * hidden_units + hidden_units + hidden_units + 1 # 初始化种群 X = np.random.uniform(-1, 1, (pop_size, dim)) fitness = np.array([fitness_function(x, X_train, y_train, X_val, y_val, input_dim, hidden_units) for x in X]) # 角色分配 n_rooster = int(pop_size * rG) n_hen = int(pop_size * rH) n_chick = pop_size - n_rooster - n_hen # 按适应度排序，越小越好 sorted_idx = np.argsort(fitness) roosters = sorted_idx[:n_rooster] hens = sorted_idx[n_rooster:n_rooster+n_hen] chicks = sorted_idx[n_rooster+n_hen:] # 母鸡分组：每只母鸡随机跟一只公鸡 hen_groups = {r: [] for r in roosters} for h in hens: r = np.random.choice(roosters) hen_groups[r].append(h) # 小鸡跟母亲鸡 chick_mother = {c: np.random.choice(hens) for c in chicks} best_pos = X[sorted_idx[0]].copy() best_fit = fitness[sorted_idx[0]] for t in range(max_iter): # 公鸡更新 for r in roosters: r2 = np.random.choice([x for x in roosters if x != r]) if fitness[r] <= fitness[r2]: sigma = 1.0 else: sigma = np.exp((fitness[r2] - fitness[r]) / (abs(fitness[r]) + 1e-10)) X[r] = X[r] + np.random.normal(0, sigma, dim) * (X[r2] - X[r]) # 母鸡更新 for h in hens: r = [k for k, v in hen_groups.items() if h in v][0] r2 = np.random.choice([x for x in roosters + hens if x != h]) if fitness[h] <= fitness[r2]: S1 = np.exp((fitness[h] - fitness[r2]) / (abs(fitness[h]) + 1e-10)) else: S1 = 1.0 S2 = np.exp(fitness[r2] - fitness[h]) X[h] = X[h] + S1 * np.random.rand() * (X[r] - X[h]) + \ S2 * np.random.rand() * (X[r2] - X[h]) # 小鸡更新 for c in chicks: m = chick_mother[c] F = np.random.uniform(0.5, 1.0) X[c] = X[c] + F * (X[m] - X[c]) # 边界处理 X = np.clip(X, -1, 1) # 重新计算适应度 fitness = np.array([fitness_function(x, X_train, y_train, X_val, y_val, input_dim, hidden_units) for x in X]) # 更新最优 idx_best = np.argmin(fitness) if fitness[idx_best] < best_fit: best_fit = fitness[idx_best] best_pos = X[idx_best].copy() # 每50代重新分配角色 if (t + 1) % 50 == 0: sorted_idx = np.argsort(fitness) roosters = sorted_idx[:n_rooster] hens = sorted_idx[n_rooster:n_rooster+n_hen] chicks = sorted_idx[n_rooster+n_hen:] hen_groups = {r: [] for r in roosters} for h in hens: r = np.random.choice(roosters) hen_groups[r].append(h) chick_mother = {c: np.random.choice(hens) for c in chicks} print(f'迭代 {t+1}/{max_iter}, 最优MSE: {best_fit:.6f}') return best_pos, best_fit这段代码是CSO的核心。几个关键点：公鸡更新时用sigma控制步长，适应度差的公鸡步长更大，有利于全局搜索；母鸡更新同时参考自己子群的公鸡和随机另一只鸡，平衡局部和全局；小鸡只跟母亲鸡，做局部精细搜索。每50代重新分配角色，模拟鸡群成长。fitness_function里每次都要重建模型并训练50个epoch，计算量不小，实际跑的时候可以把epochs降到30，或者用早停。
3.2 用CSO结果初始化BP并做最终预测
CSO跑完后，把best_pos塞进BP网络，再用全部训练数据训练更多epoch，最后在测试集上评估。
# 假设已经跑完CSO，得到best_pos input_dim = X_train.shape[1] hidden_units = 10 # 用最优初始权重构建BP final_model = build_bp_with_weights(input_dim, hidden_units, best_pos) final_model.fit(X_train, y_train, epochs=200, batch_size=16, validation_data=(X_test, y_test), verbose=1) # 预测并反归一化 y_pred = final_model.predict(X_test) y_pred_inv = scaler_y.inverse_transform(y_pred) y_test_inv = scaler_y.inverse_transform(y_test) # 计算指标 from sklearn.metrics import mean_absolute_error, r2_score mae = mean_absolute_error(y_test_inv, y_pred_inv) r2 = r2_score(y_test_inv, y_pred_inv) print(f'测试集MAE: {mae:.4f}, R2: {r2:.4f}')这里epochs可以设大一点，因为初始权重已经不错，不容易过拟合。validation_data用来监控验证集损失，如果连续多轮不下降可以早停。反归一化用scaler_y.inverse_transform，注意输入形状要是二维的。MAE和R²是回归任务常用指标，R²越接近1越好。
3.3 参数怎么调：种群规模、迭代次数和BP训练轮数
CSO的参数没有绝对最优，但有一些经验范围。种群规模太小（比如20）搜索不充分，太大（比如500）计算量爆炸。我一般从50开始试，看收敛曲线，如果100代内就平了，说明种群够用；如果还在震荡，加到100或150。迭代次数同理，观察最优MSE曲线，平稳后再跑50代就可以停。公鸡比例rG通常0.15到0.25，母鸡0.5到0.7，小鸡0.15到0.25。BP训练轮数在CSO阶段可以少一点（30到50），最终训练阶段多一点（200到500），配合早停。
提示：CSO每次迭代都要训练BP，计算成本高。如果数据量超过几千条，建议先用小样本跑通流程，再逐步加数据。另外，
K.clear_session()一定要加，否则TensorFlow图会越积越多，内存撑爆。
4. 避坑与排查：油纸绝缘老化预测中容易翻车的5个地方
4.1 现象：CSO收敛曲线剧烈震荡，最优MSE忽高忽低
原因：适应度函数每次训练BP时用了不同的随机初始化（比如Dropout或数据打乱），导致同一个位置算出来的MSE不一样。解决：在fitness_function里固定随机种子，tf.random.set_seed(42)和np.random.seed(42)都加上。另外，BP训练时shuffle=False，避免数据顺序影响。
4.2 现象：测试集R²为负，预测值完全偏离
原因：归一化时用了全部数据拟合MinMaxScaler，测试集信息泄露到训练过程；或者反归一化时用错了scaler。解决：先划分训练测试集，再分别fit归一化器。反归一化时确保用的是标签的scaler，不是特征的。
4.3 现象：CSO跑了几十代，最优MSE几乎不变
原因：种群多样性丧失，所有个体挤在同一个局部区域。解决：增大种群规模，或者提高小鸡比例，让更多个体做局部探索。也可以在公鸡更新时加入更大的随机扰动，比如sigma乘以1.5。
4.4 现象：BP最终训练时loss突然变成NaN
原因：CSO搜出来的权重太大，导致激活函数饱和或梯度爆炸。解决：在build_bp_with_weights里对权重做裁剪，np.clip(weights_vector, -1, 1)，或者把CSO的搜索范围从[-1,1]缩小到[-0.5,0.5]。另外，Adam学习率降到0.001。
4.5 现象：预测结果对某些老化阶段特别准，对另一些特别差
原因：训练样本在不同老化阶段分布不均，比如“严重老化”样本太少。解决：对少数类过采样，或者在损失函数里给不同样本加权。也可以把老化程度分级预测改成回归预测，避免分类边界模糊。
5. 进阶技巧：用交叉验证选CSO参数，用残差分析验证模型可靠性
CSO-BP这套方法，参数选不好照样翻车。我后来养成一个习惯：不靠单次划分的训练测试集调参，而是用5折交叉验证。具体做法是把数据分成5份，每次用4份做训练+验证（其中再分一小块做CSO的适应度评估），剩下1份做测试。5次结果取平均，看MAE和R²的均值和方差。方差大说明模型不稳定，得回头调CSO的种群规模或迭代次数。
from sklearn.model_selection import KFold kf = KFold(n_splits=5, shuffle=True, random_state=42) mae_list, r2_list = [], [] for train_idx, test_idx in kf.split(X): X_tr, X_te = X[train_idx], X[test_idx] y_tr, y_te = y[train_idx], y[test_idx] # 再从训练集里分20%做CSO的验证集 val_size = int(0.2 * len(X_tr)) X_cso_train, X_cso_val = X_tr[:-val_size], X_tr[-val_size:] y_cso_train, y_cso_val = y_tr[:-val_size], y_tr[-val_size:] best_pos, _ = cso_optimize(X_cso_train, y_cso_train, X_cso_val, y_cso_val, input_dim, hidden_units, pop_size=50, max_iter=100) model = build_bp_with_weights(input_dim, hidden_units, best_pos) model.fit(X_tr, y_tr, epochs=200, batch_size=16, verbose=0) y_pred = model.predict(X_te, verbose=0) y_pred_inv = scaler_y.inverse_transform(y_pred) y_te_inv = scaler_y.inverse_transform(y_te) mae_list.append(mean_absolute_error(y_te_inv, y_pred_inv)) r2_list.append(r2_score(y_te_inv, y_pred_inv)) print(f'5折MAE: {np.mean(mae_list):.4f} ± {np.std(mae_list):.4f}') print(f'5折R2: {np.mean(r2_list):.4f} ± {np.std(r2_list):.4f}')跑完交叉验证，如果R²均值在0.9以上且标准差小于0.05，说明模型靠谱。如果标准差大，优先检查数据归一化和CSO的适应度函数是否稳定。另一个技巧是画残差图：横轴是真实值，纵轴是预测误差。如果残差随机分布，说明模型没有系统性偏差；如果残差随真实值增大而增大，说明模型对高老化程度样本预测偏弱，需要补充这类样本或对标签做变换（比如取对数）。
我自己的习惯是：每次跑完CSO-BP，先看收敛曲线，再看交叉验证的方差，最后看残差图。这三关过了，才敢把模型用到实际变压器油纸绝缘老化评估上。这套流程不复杂，但能避开大部分玄学翻车。希望帮到你。
本文还有配套的精品资源，点击获取
