王雅娟，張湧濤

（河北聯(lián)合大學(xué) 電氣工程學(xué)院，河北 唐山 063000）

近年來(lái)，各國(guó)專家都致力于變壓器故障診斷的人工智能方法的研究。人工神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的容錯(cuò)、聯(lián)想、推測(cè)、記憶、自適應(yīng)、自學(xué)習(xí)和處理復(fù)雜模式等優(yōu)點(diǎn)，在電力變壓器故障診斷中得到了應(yīng)用，效果較好[1]。本文利用MATLAB環(huán)境構(gòu)造了一個(gè)用于變壓器故障診斷的BP網(wǎng)絡(luò)模型，利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，然后采用LM（Levenberg-Marquardt）優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；仿真結(jié)果證明，此網(wǎng)絡(luò)模型精確度較高，可用于變壓器的故障診斷。

1 理論基礎(chǔ)

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種采用了誤差反向傳播 （Error Back Propagation，簡(jiǎn)稱BP）算法的單向傳播的多層前饋網(wǎng)絡(luò)，它分為輸入層 （Input Layer）、 隱含層 （Hidden Layer） 和輸出層（Output Layer）。網(wǎng)絡(luò)除輸入層節(jié)點(diǎn)外，有一層或多層的隱含層節(jié)點(diǎn)，同層節(jié)點(diǎn)之間沒(méi)有任何連接[2]。輸入信號(hào)從輸入層節(jié)點(diǎn)依次傳過(guò)各隱含層節(jié)點(diǎn)，然后傳到輸出節(jié)點(diǎn)，每一層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出。BP網(wǎng)絡(luò)可以看作是一個(gè)從輸入空間到輸出空間的高度非線性映射。在多層前饋網(wǎng)的應(yīng)用中，單隱含層BP網(wǎng)絡(luò)的應(yīng)用最為廣泛，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 BP neural network structure

在 3 層的 BP 神經(jīng)網(wǎng)絡(luò)中，輸入向量為X=（x1，x2，…，xi，…，xn）T，如果加入xo=-1，可為隱含層神經(jīng)元引入閾值。隱含層輸出向量為Y= （y1，y2...，yj..，ym）T，如果加入y0=-1，可為輸出層神經(jīng)元引入閾值。輸出層的實(shí)際輸出向量為O=（o1，o2，...，ok，...，ol）T，期望輸出向量為d=（d1，d2...，dk...，dl）T。 輸入層到隱含層之間的權(quán)值矩陣用V表示，V=（v1，v2...，vj..，vm）T，其中列向量Vj稱為隱含層第j個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量；隱含層到輸出層之間的權(quán)值矩陣用W表示，W=（w1，w2...，wk..，wl）T其中列向量wk稱為隱含層第k個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量。各層信號(hào)之間的關(guān)系可用如下的表達(dá)式表示：

對(duì)于輸出層，有：

對(duì)于隱含層，有：

以上4式共同構(gòu)成了BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型。

基于BP算法的神經(jīng)網(wǎng)絡(luò)通過(guò)多個(gè)具有簡(jiǎn)單處理功能的神經(jīng)元的復(fù)合作用，使網(wǎng)絡(luò)具有非線性映射能力，由于BP算法的訓(xùn)練是基于誤差梯度下降的權(quán)重修改原則，其結(jié)果不可避免的存在局部極小，收斂速度慢和引起振蕩效應(yīng)等問(wèn)題[3]，因此用于變壓器故障診斷中尚存在一定缺陷。

1.2 遺傳算法

遺傳算法是根據(jù)生物進(jìn)化思想而得到的一種全局優(yōu)化算法[4]，在本質(zhì)上是一種不依賴具體問(wèn)題的直接搜索方法，僅需給出目標(biāo)函數(shù)的描述，便可從一組隨機(jī)產(chǎn)生的稱為 “種群（population）”的初始解開(kāi)始搜索，通過(guò)個(gè)體的“適應(yīng)值”來(lái)評(píng)價(jià)個(gè)體的好壞，被選擇的下一代染色體經(jīng)過(guò)交叉和變異等操作產(chǎn)生新的個(gè)體。經(jīng)過(guò)上述的反復(fù)迭代計(jì)算，最終會(huì)收斂到最好的個(gè)體，即問(wèn)題的解。由于遺傳算法善于全局搜索，且能以較大的概率找到全局最優(yōu)解，故用它來(lái)完成前期搜索能較好的克服BP算法的局部極小的缺陷[5]。遺傳算法優(yōu)化BP網(wǎng)絡(luò)流程圖如圖2所示。

圖2 遺傳算法優(yōu)化BP網(wǎng)絡(luò)流程圖Fig.2 Flow chart of BP network optimization by genetic algorithm

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始值的步驟如下：

1）編碼，遺傳算法先將解空間的解數(shù)據(jù)表示成遺傳空間的基因型串結(jié)構(gòu)數(shù)據(jù)，他們的不同組合就構(gòu)成了不同的點(diǎn)，編碼方式有二進(jìn)制編碼和浮點(diǎn)編碼，因?yàn)楦↑c(diǎn)編碼計(jì)算精度較高故本文采用浮點(diǎn)編碼。

2）隨機(jī)產(chǎn)生初始種群。采用隨機(jī)的方式產(chǎn)生若干個(gè)初始串結(jié)構(gòu)數(shù)據(jù)，每個(gè)串結(jié)構(gòu)數(shù)據(jù)代表一個(gè)個(gè)體，全體初始串結(jié)構(gòu)數(shù)據(jù)構(gòu)成了初始種群。種群的大小一般是20～100，這樣既可以提高遺傳算法的穩(wěn)定性，又能夠保證種群的多樣性，容易獲得全局最優(yōu)解。

3）確定適應(yīng)度函數(shù)。一般以誤差函數(shù)的倒數(shù)作為染色體的評(píng)價(jià)函數(shù)，計(jì)算每條染色體的適應(yīng)度，誤差越大，適應(yīng)度值越小。誤差為式（5）所示：

適應(yīng)度取誤差的倒數(shù)，即：

4）選擇若干適應(yīng)度函數(shù)值大的個(gè)體直接進(jìn)入下一代，適應(yīng)度值小的個(gè)體被淘汰。

5）利用交叉算子（pc）、變異算子（pm）等遺傳算子對(duì)當(dāng)前一代群體進(jìn)行處理，并產(chǎn)生下一代群體。

6）重復(fù)步驟 3）4）5），對(duì)新一代群體進(jìn)行新一輪迭代，直到訓(xùn)練目標(biāo)滿足終止條件為止。

1.3 L-M算法

由于標(biāo)準(zhǔn)BP算法的收斂速度慢，會(huì)浪費(fèi)大量時(shí)間并且神經(jīng)網(wǎng)絡(luò)極易陷入局部極小，因此本文采用Levenberg-Marquardt算法，它是一種樹(shù)枝優(yōu)化算法，是高斯-牛頓法的改進(jìn)，它可以提高BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，加快網(wǎng)絡(luò)的收斂，避免陷入局部極小[6]。對(duì)于3層前饋網(wǎng)絡(luò)，假定r維向量x是包含所有權(quán)值w和偏差b的列向量，即：

式中：N、H、M分別為網(wǎng)絡(luò)輸入層、中間層和輸出層的神經(jīng)元數(shù)。若J為誤差對(duì)權(quán)值微分的Jacobin矩陣，則網(wǎng)絡(luò)對(duì)權(quán)值的修正率滿足式（8）：

式中：u為自適應(yīng)調(diào)整參數(shù)，是個(gè)常數(shù)；I為單位陣。

2 建模與仿真

2.1 變壓器故障診斷的BP建模

神經(jīng)網(wǎng)絡(luò)工具箱是以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，在MATLAB環(huán)境下開(kāi)發(fā)出來(lái)的眾多工具箱中的一種，神經(jīng)網(wǎng)絡(luò)工具箱提供了很多經(jīng)典的學(xué)習(xí)算法，調(diào)用工具箱能夠快速實(shí)現(xiàn)對(duì)實(shí)際問(wèn)題的建模，網(wǎng)絡(luò)設(shè)計(jì)，網(wǎng)絡(luò)優(yōu)化和結(jié)果仿真等工作[7]。文中的BP建模過(guò)程如下：變壓器油中溶解氣體分析數(shù)據(jù)在一定程度上能反映故障的類型，文中將5種特征氣體 （氫氣H2，甲烷 CH4、乙烷 C2H6、乙烯 C2H4、乙炔 C2H2）在變壓器油中的實(shí)際含量作為神經(jīng)網(wǎng)絡(luò)的輸入向量，即神經(jīng)網(wǎng)絡(luò)輸入層包括5個(gè)神經(jīng)元；筆者對(duì)變壓器故障類型進(jìn)行分析以后，將輸出向量確定為5種：無(wú)故障，中低溫過(guò)熱（150～700℃），高溫過(guò)熱（一般高于700℃），低能量放電和高能量放電。對(duì)于有教師學(xué)習(xí)的BP網(wǎng)絡(luò)，故障編碼如表1所示，若輸出為1，則表示有該類故障，若輸出為0，則表示沒(méi)有該類故障。若為低溫過(guò)熱高能量放電，則輸出為01001。

表1 故障類型編碼Tab.1 Encode of fault type

2.2 BP網(wǎng)絡(luò)的訓(xùn)練及仿真

作者收集了已明確故障類型的樣本數(shù)據(jù)72組，隨機(jī)選取57組作為訓(xùn)練樣本集，剩下的15組作為檢測(cè)樣本集。在BP神經(jīng)網(wǎng)絡(luò)變壓器故障診斷中，一般要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。如果直接用原始數(shù)據(jù)作為網(wǎng)絡(luò)的輸入向量，則可能導(dǎo)致因數(shù)據(jù)誤差較大而導(dǎo)致收斂性下降，甚至不收斂。數(shù)據(jù)預(yù)處理是指通過(guò)變換處理將網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)限制在（0，1）或（-1，1）區(qū)間內(nèi)。本文MATLAB仿真中就是利用mapminmax（）函數(shù)對(duì)所有數(shù)據(jù)樣本做了歸一化處理，使其變換到（0，1）區(qū)間內(nèi)，其MATLAB編碼如下：

其中，p為原始輸入向量，P為數(shù)據(jù)歸一化后的輸入向量，規(guī)范化的映射記錄在結(jié)構(gòu)體PS中。

文中的BP網(wǎng)絡(luò)輸入層取5個(gè)節(jié)點(diǎn)，輸出層取5個(gè)節(jié)點(diǎn)，對(duì)于如何確定BP網(wǎng)絡(luò)隱含層中神經(jīng)元的個(gè)數(shù)，往往需要根據(jù)設(shè)計(jì)者的經(jīng)驗(yàn)和多次試驗(yàn)來(lái)確定，因而不存在一個(gè)理想的解析式來(lái)表示。本研究中，筆者經(jīng)過(guò)多次嘗試，最后確定隱含層神經(jīng)元個(gè)數(shù)為11，即構(gòu)成了一個(gè)5-11-5的BP神經(jīng)網(wǎng)絡(luò)。將GA和BP結(jié)合起來(lái)，形成BP-GA混合算法，以GA優(yōu)化BP網(wǎng)絡(luò)的初始權(quán)值和閾值，再由BP算法按負(fù)梯度方向修正網(wǎng)絡(luò)權(quán)值和閾值，進(jìn)行網(wǎng)絡(luò)訓(xùn)練[8-9]。用遺傳算法對(duì)BP網(wǎng)絡(luò)的初始權(quán)值閾值進(jìn)行優(yōu)化的過(guò)程：過(guò)程中采用浮點(diǎn)型編碼，遺傳算法的種群中的個(gè)體數(shù)目為50，遺傳代數(shù)為100。采用遺傳算法工具箱函數(shù)編程如下：

[x，endPop，bPop，trace]=ga（aa，‘gabpEval’，[]，initPpp，[1e-6 1 0]，‘maxGenTerm’，gen，...

表2 不同訓(xùn)練函數(shù)訓(xùn)練效果比較Tab.2 The training effect comparison of different training function

圖3 采用不同訓(xùn)練函數(shù)的訓(xùn)練過(guò)程圖Fig.3 Chart of neural network training process for different training functions

遺傳編碼的長(zhǎng)度為S=R×S1+S1×S2+S1+S2，其中R為輸入向量個(gè)數(shù)，即R=5；S2為輸出向量個(gè)數(shù)，即 S2=5；S1為隱含層節(jié)點(diǎn)數(shù)，即S1=11。將S按此式做分配后分別成為BP網(wǎng)絡(luò)的輸入層和隱含層的初始權(quán)值與閾值。變壓器故障診斷的BP網(wǎng)絡(luò)的生成調(diào)用的主要函數(shù)如下：

[0 1；0 1；0 1；0 1；0 1] 分別定義了輸入層各神經(jīng)元的最小輸出值（為0）和最大輸出值（為1）。由于輸出模式為0-1，因此本網(wǎng)絡(luò)隱含層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)tansig（），輸出層神經(jīng)元的傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)logsig（），這樣正好滿足了網(wǎng)絡(luò)的輸出要求[9]。由于標(biāo)準(zhǔn)BP算法的收斂速度慢，會(huì)浪費(fèi)大量時(shí)間并且神經(jīng)網(wǎng)絡(luò)極易陷入局部極小，梯度下降算法（（））、動(dòng)量及自適應(yīng)梯度遞減算法（（））、梯度下降動(dòng)量算法（（））和算法（（））分別對(duì)同一訓(xùn)練樣本進(jìn)行訓(xùn)練。訓(xùn)練結(jié)束后記錄訓(xùn)練時(shí)間（）和訓(xùn)練誤差（），比較結(jié)果如表2所示。不同訓(xùn)練函數(shù)的網(wǎng)絡(luò)訓(xùn)練的過(guò)程圖如圖3所示。

網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置如下：

設(shè)置好網(wǎng)絡(luò)訓(xùn)練參數(shù)以后，開(kāi)始調(diào)用神經(jīng)網(wǎng)絡(luò)工具箱中的train（）函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，調(diào)用格式如下：

其中P為輸入向量，T為輸出向量。

將檢驗(yàn)樣本數(shù)據(jù)進(jìn)行歸一化處理后開(kāi)始做仿真處理，MATLAB代碼如下：

式中：P_test[]為待檢驗(yàn)數(shù)據(jù)樣本集。最后，此遺傳神經(jīng)網(wǎng)絡(luò)的訓(xùn)練圖如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖Fig.4 Chart of neural network training process

檢驗(yàn)樣本的診斷結(jié)果如表3所示。

表3 檢驗(yàn)樣本的診斷結(jié)果Tab.3 Diagnostic test results of samples

從上表可以看出，對(duì)于BP神經(jīng)網(wǎng)絡(luò)第7和12組數(shù)據(jù)同期望輸出之間出現(xiàn)了偏差，故障診斷率為73.3%；對(duì)于遺傳神經(jīng)網(wǎng)絡(luò)只有第7組數(shù)據(jù)統(tǒng)期望輸出之間出現(xiàn)了偏差，故障診斷率為93.3%。利用遺傳算法優(yōu)化避免了BP網(wǎng)絡(luò)易陷入局部極小的問(wèn)題，達(dá)到了優(yōu)化網(wǎng)絡(luò)的目的，優(yōu)化后的BP網(wǎng)絡(luò)診斷模型故障診斷準(zhǔn)確率得到了很大的提高。

3 結(jié) 論

提出了一種基于遺傳神經(jīng)網(wǎng)絡(luò)的變壓器[10]故障診斷的方法。它采用3層BP神經(jīng)網(wǎng)絡(luò)作為診斷模型，利用遺傳算法優(yōu)化該神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，并采用L-M優(yōu)化方法對(duì)該神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終加快了收斂速度，并提高了診斷識(shí)別的精度。從以上數(shù)據(jù)結(jié)果分析，該網(wǎng)絡(luò)模型能夠比較精確地達(dá)到目標(biāo)結(jié)果，使變壓器故障診斷準(zhǔn)確率提高到了93.3%，從而證實(shí)了此方法的正確性和有效性，證明利用遺傳神經(jīng)網(wǎng)絡(luò)與L-M算法的結(jié)合可以較好地解決變壓器故障診斷問(wèn)題。

[1]飛思科技產(chǎn)品研發(fā)中心.Matlab6.5輔助神經(jīng)網(wǎng)絡(luò)分析與設(shè)計(jì)[M].北京：電子工業(yè)出版社，2003.

[2]楊海馬，劉瑾，張菁.BP神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].變壓器，2009，46（1）：67-70.

YANG Hai-ma，LIU Jin，ZHANG Jing.BP neural network for transformer fault diagnosis[J].Transformer，2009，46（1）：67-70.

[3]魏本征，田質(zhì)廣.基于遺傳優(yōu)化BP網(wǎng)絡(luò)的汽輪發(fā)電機(jī)故障診斷[J].控制工程，2007，14：175-177.

WEI Ben-zheng，TIAN Zhi-guang.Diagnosis of steam turbine generatorbased on genetic BP network [J].Control Engineering，2007，14：175-177.

[4]符楊，藍(lán)之達(dá).遺傳算法與人工神經(jīng)網(wǎng)絡(luò)結(jié)合在變壓器故障診斷中的應(yīng)用[J].變壓器，2003，40（10）：32-37.

YU Yang，LAN Zhi-da.Transformer fault diagnosis based on genetic algorithm and artificial neural network[J].Transformer，2003，40（10）：32-37.

[5]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，2006，25（11）：4-6.

YANG Fan，MI Gen-suo.BP network and genetic algorithm in fault diagnosis[J].Control Theory and Applications， 2006，25（11）：4-6.

[6]韋灼彬，吳森，高屹.應(yīng)用遺傳算法和L-M優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)機(jī)場(chǎng)道面使用性能[J].空軍工程大學(xué)學(xué)報(bào)：自然科版，2009，10（4）：11-16.

WEI Zhuo-bian，WU Sen，GAO Yi.BP neural network prediction model for airport pavement performance based on L-M optimization and genetic algorithm[J].Air Force Engine-ering University：Natural Science Edition，2009，10（4）：11-16.

[7]陳龍，于盛林.遺傳神經(jīng)網(wǎng)絡(luò)在模擬電路故障診斷中的應(yīng)用[J].計(jì)算機(jī)仿真，2007，24（9）：293-296.

CHEN Long，YU Sheng-lin.Genetic neural network in analog circuit fault diagnosis[J].Computer Simulation，2007，24（9）：293-296.

[8]儲(chǔ)誠(chéng)山，張宏偉，郭軍.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的用水量預(yù)測(cè)[J].中國(guó)農(nóng)村水利水電，2006（4）：36-39.

CHU Cheng-shan，ZHANG Hong-wei，GUO Jun.Water demand based on ggenetic algorithm and BP neural network[J].China Rural Water and Hydropower，2006（4）：36-39.

[9]梁科，夏定純.MATLAB環(huán)境下的遺傳算法程序設(shè)計(jì)及優(yōu)化問(wèn)題求解[J].開(kāi)發(fā)研究與設(shè)計(jì)技術(shù)，2010（1）：1048-1050.

LIANG Ke，XIA Ding-chun.Genetic algorithm optimization program design and problem ssolving in matlab environment[J].Development and Design Techniques，2010（1）：1048-1050.

[10]趙永雷，黃家棟，李配配.基于加權(quán)模糊C均值聚類算法的變壓器故障診斷[J].陜西電力，2011（9）：39-41.

ZHAO Yong-lei，HUANG Jia-dong，LI Pei-pei.Fault diagnosis on transformer based on weighted fuzzy C-means clustering algorithm[J].Shaanxi Electric Power,2011（9）：39-41.