周愛國 ，余漢華 ，，何怡剛

(1.中國國能電力工程有限公司，上海200061；2.湖南大學(xué)，湖南 長沙410082)

在達(dá)爾文生物進(jìn)化論的基礎(chǔ)上，學(xué)者相繼進(jìn)行了遺傳算法、PSO算法、蟻群算法、魚群算法、果蠅算法等智能群體算法的研究[1-3]，在神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，學(xué)者提出了優(yōu)于BP網(wǎng)絡(luò)和Hopfield網(wǎng)絡(luò)的Boltzmann機(jī)[4]。其中，由潘文超提出的果蠅算法通過嗅覺和視覺兩方面實(shí)現(xiàn)搜尋，加快了搜尋速度，提高了搜尋精度[5]；Boltzmann機(jī)結(jié)合了兩種網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)算法的優(yōu)點(diǎn)?；诖?，本文采用果蠅算法搜尋Boltzmann機(jī)結(jié)構(gòu)，實(shí)現(xiàn)對發(fā)電機(jī)機(jī)端電流檢測研究。將此方法與傳統(tǒng)網(wǎng)絡(luò)濾波及濾波器濾波對比，更體現(xiàn)了本文方法的優(yōu)越性。

1 果蠅算法

果蠅算法（FOA）是繼遺傳算法、蟻群算法、粒子群算法等智能群體算法之后，由潘文超提出的一種全新的演化式算法。通過對果蠅搜尋食物的研究，分析出果蠅是通過嗅覺尋找食物的大概位置，再用視覺確定食物的準(zhǔn)確位置的覓食規(guī)律，提出了果蠅優(yōu)化算法。

果蠅群體同以往群體算法一樣，也是通過迭代搜尋得到最優(yōu)值，果蠅群體演化式搜索算法流程如圖1所示。

圖1 算法流程

2 果蠅算法尋優(yōu)Boltzmann機(jī)網(wǎng)絡(luò)

Boltzmann機(jī)網(wǎng)絡(luò)結(jié)構(gòu)沒有明顯的層次，通過神經(jīng)元的互聯(lián)實(shí)現(xiàn)網(wǎng)絡(luò)狀態(tài)按概率分布進(jìn)行變化。神經(jīng)元之間通過正向、逆向?qū)崿F(xiàn)信息雙向傳遞，即 ωij=ωji、ωii=0，中間部分隱見神經(jīng)元不受外部環(huán)境的約束。Boltzmann機(jī)的每個神經(jīng)元都具有隨機(jī)的興奮和抑制狀態(tài)，其概率取決于神經(jīng)元輸入，圖2表述了Boltzmann機(jī)網(wǎng)絡(luò)結(jié)構(gòu)形式。

i神經(jīng)元的數(shù)學(xué)模型為：

果蠅算法尋優(yōu)Boltzmann機(jī)通過果蠅算法對網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值和閾值進(jìn)行優(yōu)化，具體過程分為網(wǎng)絡(luò)結(jié)構(gòu)的確定、果蠅算法的優(yōu)化和網(wǎng)絡(luò)預(yù)測。算法流程如圖3所示。

圖3 果蠅算法尋優(yōu)Boltzmann機(jī)網(wǎng)絡(luò)結(jié)構(gòu)

3 仿真實(shí)現(xiàn)

通過對燃機(jī)發(fā)電機(jī)機(jī)端電流諧波檢測，與傳統(tǒng)網(wǎng)絡(luò)搜尋結(jié)果相比，驗(yàn)證本文算法的優(yōu)越性。通常，發(fā)電機(jī)機(jī)端短路都是采用低通濾波器實(shí)現(xiàn)Matlab的仿真，本文采用Simlink與Matlab語言的交互平臺，用Create Bubsystem實(shí)現(xiàn)代碼模塊化，模塊分別為傳統(tǒng)Boltzmann機(jī)網(wǎng)絡(luò)模塊和果蠅算法優(yōu)化Boltzmann機(jī)網(wǎng)絡(luò)模塊。圖4為實(shí)驗(yàn)仿真原理圖，原理還涉及圖5～圖7所示關(guān)于C23變換、C32變換、Cpq變換。

圖4 檢測電流原理圖

從圖8、圖9能明顯看出，果蠅算法搜索相比傳統(tǒng)智能搜索算法優(yōu)化過程和迭代步驟都得到了簡化，說明從嗅覺和視覺兩方面搜尋的高效性。從圖10～圖12可以看出，在同樣的原始輸入波情況下，果蠅算法尋優(yōu)后的基波效果明顯優(yōu)于傳統(tǒng)濾波效果。

傳統(tǒng)網(wǎng)絡(luò)算法都是對合適的樣本集，尋求一個參數(shù)集使其能量函數(shù)最小，其缺陷是使網(wǎng)絡(luò)容易陷入局部極小問題。果蠅算法通過嗅覺、視覺兩方面的非線性尋優(yōu)Boltzmann機(jī)結(jié)構(gòu)并配合Boltzmann機(jī)的動態(tài)濾波優(yōu)點(diǎn)，通過對燃機(jī)發(fā)電機(jī)機(jī)端諧波檢測，說明本文方法可以明顯改善諧波檢測效果，提高濾波性能。

圖5 三相/二相變換模塊C32

圖6 二相三相變換模塊C23

圖7 ip、iq運(yùn)算模塊 Cpq

圖8 果蠅算法的優(yōu)化過程

圖9 果蠅算法的搜尋迭代路徑

圖10 原始輸入波

圖11 果蠅算法尋優(yōu)后的基波

圖12 傳統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)濾波的基波

[1]KENNEDY J，EBERHART R C.Particle swarm optimization[C].Proceedings of IEEE International Conference on Neural Networks，1995：1942-1948.

[2]謝宏，何怡剛.離散Hopfied神經(jīng)網(wǎng)絡(luò)在混燒控制系統(tǒng)故障診斷中的應(yīng)用[J].湖南大學(xué)學(xué)報（自然科學(xué)版），2007，34（3）：33-35.

[3]譚陽紅，何怡剛.模擬電路故障診斷的小波方法[J].電工技術(shù)學(xué)報，2005，20(8)：89-93.

[4]陳潔，劉希玉，姚樹魁.用遺傳算法優(yōu)化 Boltzmann機(jī)[J].計(jì)算機(jī)工程與應(yīng)用，2011，47(7)：65-69.

[5]潘文超.果蠅最佳化演算法[M].臺灣：滄海書局出版社，2011：10-134.