李艷平,吳為民,郭虎奎

(新疆大學(xué)電氣工程學(xué)院,新疆烏魯木齊市830008)

變壓器運(yùn)行一旦出現(xiàn)故障就會(huì)產(chǎn)生局部過(guò)熱、電弧放電、內(nèi)部絕緣油分解等現(xiàn)象,同時(shí)會(huì)釋放各種特征氣體[1]。變壓器運(yùn)行時(shí)所釋放氣體的組成和濃度與變壓器運(yùn)行中故障的種類有著密切的關(guān)系[2]。本文將結(jié)合特征氣體成分和濃度與變壓器故障類型的關(guān)系,在神經(jīng)網(wǎng)絡(luò)對(duì)變壓器故障診斷的基礎(chǔ)上,采用相應(yīng)的遺傳算法,結(jié)合兩者的優(yōu)點(diǎn),形成一種綜合訓(xùn)練算法(GA-BP算法),來(lái)實(shí)現(xiàn)變壓器故障的診斷。

1 GA-BP的診斷模型

1.1 遺傳算法

遺傳算法是一種仿生算法,它從一個(gè)初始種群出發(fā),不斷重復(fù)執(zhí)行選擇、雜交和變異的過(guò)程,使種群進(jìn)化越來(lái)越接近某一目標(biāo)[3]。

遺傳算法的應(yīng)用步驟包括[4]:①確定決策變量及其各種約束條件,即確定出個(gè)體的表現(xiàn)型X和問(wèn)題的解空間;②建立優(yōu)化模型,即確定出目標(biāo)函數(shù)的類型及其數(shù)學(xué)描述形式或量化方法;③確定表示可行解的染色體編碼方法,也即確定出個(gè)體的基因型X及遺傳算法的搜索空間;④確定解碼方法,即確定出個(gè)體基因型X到個(gè)體表現(xiàn)型X的對(duì)應(yīng)關(guān)系或轉(zhuǎn)換方法;⑤確定個(gè)體適應(yīng)度的量化評(píng)價(jià)方法,即確定出由目標(biāo)函數(shù)f(X)到個(gè)體適應(yīng)度F(X)的轉(zhuǎn)換規(guī)則;⑥設(shè)計(jì)遺傳算子,即確定出選擇運(yùn)算、交叉運(yùn)算、變異運(yùn)算等遺傳算子的具體操作方法;⑦確定遺傳算法的有關(guān)運(yùn)行參數(shù),即確定出遺傳算法的M和T等參數(shù)。

1.2 神經(jīng)網(wǎng)絡(luò)的模型[5]

本文采取函數(shù)型小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 如圖1所示,設(shè)系統(tǒng)的輸入為:

設(shè)小波函數(shù)ψa,b(x)為第一層激活函數(shù),ak和bk分別為其中的伸縮平移系數(shù),第二、三層的激活函數(shù)為σ(x)函數(shù);網(wǎng)絡(luò)各層的神經(jīng)元個(gè)數(shù)為k,m和s, ω1k,n,ω2m,k,ω3s,m分別為各層網(wǎng)絡(luò)的權(quán)值,則網(wǎng)絡(luò)的輸出如下:

式中:σ(*)為sigmoid函數(shù)。

圖1 神經(jīng)網(wǎng)絡(luò)圖

1.3 基于GA-BP的優(yōu)化

GA-BP算法就是在BP算法之前,先用GA在隨機(jī)點(diǎn)集中遺傳確定優(yōu)化初值,以此作為BP算法的初始權(quán)值,再由BP算法進(jìn)行訓(xùn)練,這就是GA-BP算法的原理。遺傳算法的學(xué)習(xí)和BP網(wǎng)絡(luò)評(píng)價(jià)的步驟如下[6]。

(1)編碼 對(duì)于染色體采取二進(jìn)制和實(shí)值混合編碼形式,對(duì)每個(gè)網(wǎng)絡(luò)結(jié)構(gòu)采取二進(jìn)制編碼,表示該隱層單元的有效性,隨機(jī)產(chǎn)生N(根據(jù)經(jīng)驗(yàn)確定)個(gè)結(jié)構(gòu),每個(gè)個(gè)體對(duì)應(yīng)一個(gè)結(jié)構(gòu),由于小波網(wǎng)絡(luò)輸入輸出節(jié)點(diǎn)個(gè)數(shù)已由能反映陽(yáng)極效應(yīng)特征參數(shù)的個(gè)數(shù)的實(shí)際情況所決定,編碼時(shí)可以只對(duì)隱含層小波基個(gè)數(shù)進(jìn)行編碼,0代表連接無(wú)效,l代表連接有效[7]。

(2)初始化種群 包括交叉規(guī)模、交叉概率、突變概率;種群采用實(shí)數(shù)進(jìn)行編碼,初始種群取60個(gè)。

(3)個(gè)體適應(yīng)度計(jì)算 根據(jù)適應(yīng)度函數(shù)評(píng)價(jià)訓(xùn)練結(jié)果。評(píng)價(jià)依據(jù)為:

式中:fi為個(gè)體i的適配值,可用誤差平方和E來(lái)衡量;i=1,…,N為染色體數(shù);k=1,…,4為輸出層節(jié)點(diǎn)數(shù);p=1,…,5為學(xué)習(xí)樣本數(shù);T k為教師信號(hào)。

(4)產(chǎn)生新個(gè)體 以概率P c對(duì)個(gè)體Gi和Gi+1交叉操作產(chǎn)生新個(gè)體G′i和G′i+1,對(duì)沒(méi)有進(jìn)行交叉操作的個(gè)體進(jìn)行直接復(fù)制。

(5)突變 利用概率P m突變產(chǎn)生Gj的新個(gè)體G′i+1。

(6)評(píng)價(jià)函數(shù) 將新個(gè)體插入到種群P中,并計(jì)算新個(gè)體的評(píng)價(jià)函數(shù);

(7)終結(jié) 如果找到了滿意的個(gè)體,則結(jié)束,否則轉(zhuǎn)④。

該方法可以利用遺傳算法全局搜索的特點(diǎn)去尋找最合適的網(wǎng)絡(luò)連接權(quán),同時(shí)利用神經(jīng)網(wǎng)絡(luò)減小遺傳算法的搜索空間,提高搜索效率。GA-BP算法故障診斷流程圖如圖2所示[8]。

圖2 故障診斷過(guò)程流程圖

2 在變壓器故障診斷中的應(yīng)用

變壓器運(yùn)行中出現(xiàn)故障時(shí)釋放各種特征氣體主要包括 H 2,C2 H 2,CH 4,C2 H 4,C2 H 6和CO,CO2等[1],釋放氣體的組成和濃度與變壓器運(yùn)行中故障種類有關(guān),如表1[2]。

表1 故障與特征氣體的關(guān)系

2.1 故障分析及樣本采集

(1)輸入特征向量的確定 變壓器運(yùn)行時(shí)的故障類型與故障時(shí)變壓器所產(chǎn)生的特征氣體種類和濃度有關(guān)。因此分析時(shí)GA-BP網(wǎng)絡(luò)所采用的特征輸入向量由變壓器特征氣體的種類H2,C2 H 2,CH 4和總烴CI與C2的濃度來(lái)確定。

(2)輸出特征向量的確定 在故障診斷中,模型輸出的特征向量代表可能的故障類型。變壓器的典型故障類型有一般過(guò)熱故障、嚴(yán)重過(guò)熱故障、局部放電、火花放電和電弧放電5種類型[9],因此這里選擇這5個(gè)特征向量作為輸出向量。根據(jù)Sigmoid函數(shù)輸出值在0～1之間的特點(diǎn),這里設(shè)定0～1大小表示故障程度,大于等于0.5時(shí)表示存在相應(yīng)的故障[10]。

(3)訓(xùn)練樣本的收集 輸入輸出特征向量確定好以后就可以進(jìn)行樣本的收集,本文共收集12組數(shù)據(jù)如表2,其中Y1,Y2,,Y3,Y4,和Y5分別代表一般過(guò)熱,嚴(yán)重過(guò)熱,局部放電,電弧放電和火花放電。

表2 輸入樣本數(shù)據(jù)

2.2 仿真結(jié)果與分析

用MATLAB編程并進(jìn)行算例仿真,從圖3可以看出,通過(guò)遺傳算法改進(jìn)后的神經(jīng)網(wǎng)絡(luò),并行搜索全局最優(yōu),得到的權(quán)值具有遍歷性,從而訓(xùn)練誤差曲線穩(wěn)步下降,而且在訓(xùn)練速度和精度上得到了提高[11]。從圖中可以看出GA-BP算法經(jīng)過(guò)大約76代的搜索后染色體的平均適應(yīng)度趨于穩(wěn)定。

圖4為GA-BP算法的誤差平方和曲線,從圖中可以看出,目標(biāo)的誤差曲線收斂也較好,結(jié)果誤差在0.001附件,達(dá)到了要求,說(shuō)明網(wǎng)絡(luò)可以使用。

圖3 GA-BP算法適應(yīng)度曲線

圖4 GA-BP算法訓(xùn)練誤差曲線

為了驗(yàn)證模型的準(zhǔn)確性,再次輸入表2的樣本數(shù)據(jù),網(wǎng)絡(luò)的仿真結(jié)果如表3所示,可以看到采用GA-BP算法可以較好的診斷變壓器故障。

表3 變壓器故障診斷的實(shí)際輸出與期望輸出

3 結(jié)論

將電力變壓器油中氣體分析法作為檢測(cè)數(shù)據(jù)的來(lái)源。利用遺傳神經(jīng)網(wǎng)絡(luò)可有效的分析變壓器油中特征氣體的成分和濃度,來(lái)診斷電力變壓器的故障。論文結(jié)合遺傳算法和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn),提高了識(shí)別故障類型的能力,改善了故障診斷的精度、速度。實(shí)例仿真結(jié)果表明該方法對(duì)變壓器進(jìn)行故障診斷,具有較快的收斂速度和較高的診斷精度。

[1] D I/T 722-2000.變壓器油中溶解氣體分析和判斷導(dǎo)則[S].

[2] 楊海馬,劉瑾等.BP神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].控制理論與應(yīng)用,2009,1(6):12-16.

[3] 張文修,梁怡.遺傳算法的數(shù)學(xué)基礎(chǔ)[M].西安:西安交通大學(xué)出版社,1999:12-13.

[4] 周明,孫樹棟.遺傳算法原理及應(yīng)用[M].北京:國(guó)防工業(yè)出版社,2005:24-25.

[5] 韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京:北京郵電大學(xué)出版社,2006:4-5.

[6] 原清,賀新鋒,劉湘崇.遺傳算法和神經(jīng)網(wǎng)絡(luò)在導(dǎo)彈測(cè)試設(shè)備故障診斷中的應(yīng)用研究[J].測(cè)試技術(shù)學(xué)報(bào), 2002(12):12-23.

[7] 李劍敏,盧敦治.神經(jīng)網(wǎng)絡(luò)在電力變壓器故障診斷中的應(yīng)用[J].浙江工程學(xué)院學(xué)報(bào),2002,17(1):25-29.

[8] 高文勝,嚴(yán)璋,談克雄.基于油中溶解氣體分析的電力變壓器絕緣故障診斷方法[J].電工電能新技術(shù),2000, 19(1):22-26.

[9] 楊啟平,薛五德.高新技術(shù)在變壓器故障診斷中的應(yīng)用[J].上海電力學(xué)院學(xué)報(bào),2002,18(4):36-38.

[10] 楊凡,米根.鎖.BP網(wǎng)絡(luò)結(jié)合遺傳算法在故障診斷中的應(yīng)用[J].控制理論與應(yīng)用,2006(15):11-16.

[11] 原清,賀新鋒,劉湘崇.遺傳算法和神經(jīng)網(wǎng)絡(luò)在導(dǎo)彈測(cè)試設(shè)備故障診斷中的應(yīng)用研究[J].測(cè)試技術(shù)學(xué)報(bào), 2002(12):26-31.