馬桂雨，王雪丹，萬 丹

(黑龍江科技學院，黑龍江哈爾濱 150027)

基于遺傳小波神經(jīng)網(wǎng)絡的變壓器故障診斷*

馬桂雨，王雪丹，萬 丹

(黑龍江科技學院，黑龍江哈爾濱 150027)

電力變壓器油中溶解氣體的色譜分析是變壓器故障診斷的重要方法，通過該方法可以間接了解變壓器的運行狀態(tài)和內(nèi)部潛在故障.人工神經(jīng)網(wǎng)絡已經(jīng)成功地應用于電力變壓器故障診斷，但學習樣本數(shù)多和輸入輸出關系復雜性減慢了網(wǎng)絡的收斂速度.為解決此問題，將用遺傳算法改進的小波神經(jīng)網(wǎng)絡應用于電力變壓器故障診斷，克服小波算法易于陷入局部極小、收斂速度慢等缺點.

小波神經(jīng)網(wǎng)絡;遺傳算法;變壓器故障診斷

基于人工神經(jīng)網(wǎng)絡的變壓器故障診斷將人工智能應用于電力系統(tǒng)已經(jīng)成功研發(fā)出故障診斷設備并投入使用.由于故障征兆到故障類型的映射，呈現(xiàn)出非線性和不確定性，所以難以用一種確定的邏輯或算法進行建模.神經(jīng)網(wǎng)絡能夠自我學習，擅于處理非線性關系的數(shù)據(jù)，使神經(jīng)網(wǎng)絡成功地應用于變壓器故障診斷.小波神經(jīng)網(wǎng)絡是神經(jīng)網(wǎng)絡的一種，已經(jīng)應用于電力變壓器故障診斷，但由于小波算法易陷入局部極小和收斂速度慢等狀態(tài)中，影響電力變壓器故障診斷的準確率和速度.［1］

筆者將遺傳算法的優(yōu)點應用于小波神經(jīng)網(wǎng)絡，達到優(yōu)化小波神經(jīng)網(wǎng)絡的目的，將基于遺傳小波神經(jīng)網(wǎng)絡方法應用于電力變壓器的故障診斷.

1 小波神經(jīng)網(wǎng)絡結(jié)構

圖1 小波神經(jīng)網(wǎng)絡的結(jié)構

小波神經(jīng)網(wǎng)絡(Wavelet Neural Network，簡稱WNN)是小波分析與神經(jīng)網(wǎng)絡有機結(jié)合的算法，繼承了小波變換的時域局部特性、變焦特性與神經(jīng)網(wǎng)絡的自學習、字適應、魯棒性、容錯性等功能，存在多種形式和多種學習方法［2］.實際上，小波神經(jīng)網(wǎng)絡用非線性小波基代替常用的非線性Sigmoid函數(shù)，是1種分層、多分辨率的人工神經(jīng)網(wǎng)絡［3］，本設計將小波理論與BP神經(jīng)網(wǎng)絡結(jié)合.小波神經(jīng)網(wǎng)絡的結(jié)構如圖1所示.

設該系統(tǒng)的輸入X=［X1，X2，…，XN］，輸出Y=［Y1，Y2，…，YS］，隱藏層為小波函數(shù):

設誤差能量函數(shù)、凈輸入量分別為

其中:S為輸出神經(jīng)元個數(shù);P為輸入樣本總數(shù);^Yk為輸出期望值;Yk為實際輸值;neti為凈輸入量;w1ij為輸入層到隱藏層的權值;σ(*)為Sigmoid函數(shù).

將neti代入小波函數(shù)得

其中ai為伸縮系數(shù)，bi為平移系數(shù);φab為第2層激活函數(shù).用原線性小波基代替常用的非線性Sigmoid函數(shù)，則網(wǎng)絡第k個節(jié)點的輸出為

其中M為隱藏層節(jié)點數(shù);w2ki為隱藏層到輸出層權值.

2 基于遺傳算法的小波神經(jīng)網(wǎng)絡

2.1 遺傳算法

遺傳算法(GA)［4］根據(jù)進化論中的遺傳選擇而提出的一種自適應啟發(fā)式全局搜索算法，通過作用在染色體上的基因來尋找好的染色體進而求解問題，對所求解的問題本身并不了解.遺傳算法中染色體(Chromosome)是隨機產(chǎn)生待求解問題的編碼，染色體形成初始種群.用適應度函數(shù)(Fitness)給個體評價，留下適應度高的個體去參加遺傳操作，遺傳操作后的個體集合組成新的種群，用作下一輪進行進化選擇，［5］其流程圖如圖2所示.該算法包括5個基本步驟:參數(shù)編碼，初始種群的設定，適應度函數(shù)的設計，遺傳操作設計;控制參數(shù)的設定.

圖2 遺傳算法流程圖

2.2 基于遺傳算法的小波神經(jīng)網(wǎng)絡的設計

2.2.1 多值編碼方式 本設計采用了二進制與實值編碼結(jié)合的多值編碼方式，這種1維編碼把搜索空間的參數(shù)轉(zhuǎn)換到遺傳空間后，其相應的基因呈1維排列構成基因鏈碼.將每個染色體分為2段，第1段為構成小波神經(jīng)網(wǎng)絡參數(shù)基因段，包括權值、伸縮系數(shù)、平移系數(shù)，采用實數(shù)編碼基因位;第2段為小波神經(jīng)網(wǎng)絡結(jié)構基因段，用二進制編碼，編碼表示該單元的有效性，“0”為無效，“1”為有效［6］，其中Q=M×N+S×M，“0”和“1”總共有M個，表示小波神經(jīng)網(wǎng)絡參數(shù)和結(jié)構的一個染色體如圖3所示.

2.2.3交叉 按一定的概率Pc從群體中隨機選擇1個截斷點，將2個個體的基因在截斷點處切開，并交換其后半部分，從而組合成2個新的個體.由于本設計采用的多值編碼方式編碼，在進行交叉運算時，首先需要判斷交叉基因位的編碼方式，不同的編碼方式所用的交叉方式也不同.

2.2.4變異 按一定的概率Pm對群體的某些部位進行變異，在變異操作時，也需要首先判斷該基因的編碼方式，不同的編碼方式所用的變異方式也不同.如果變異位采用二進制編碼時，以1個確定的概率對其進行求反運算來進行變異操作.如果是實值編碼，則采用進行變異操作.［7］其中:t為進化代數(shù);分別表示被選擇變異的父代和子代;δ∈［0，1］為均勻分布的隨機數(shù).

2.2.6動態(tài)網(wǎng)絡參數(shù) 染色體經(jīng)進行交叉變異后，根據(jù)第1段基因的有效性，不斷調(diào)整隱層節(jié)點數(shù)及連接權個數(shù).

3 變壓器故障診斷的仿真

3.1 輸入輸出矢量的確定

本文將故障分為無故障、中低溫過熱、高溫過熱、低能量放電和高能量放電4種類型，以H2，CH4，C2H2，C2H4，C2H6這5種特征氣體在油中的實際含量作為神經(jīng)網(wǎng)絡的輸入向量，以5種故障類型為網(wǎng)絡輸出，則輸出節(jié)點數(shù)為5，［9］故障類型對應輸出神經(jīng)元的輸出結(jié)果編碼如表1所示.

表1 故障類型對應的期望輸出

3.2 樣本數(shù)據(jù)的選擇與處理

3.3 網(wǎng)絡的訓練和仿真結(jié)果

本文仿真通過美國MsthWork公司推出的Matlab7.0軟件實現(xiàn)［10］其實踐仿真，選取收集到的30 000組數(shù)據(jù)作為學習樣本，將其中25 000組數(shù)據(jù)作為網(wǎng)絡訓練樣本，剩下的5 000組數(shù)據(jù)作為測試樣本.其程序步驟如下:

(1)初始種群的設定.設定種群的規(guī)模和控制參數(shù)，種群的規(guī)模不能太小也不能太大，本設計種群規(guī)模取值為100，最大隱單元數(shù)、交叉概率和變異概率分別選為15，0.7，0.01;

(2)使用隨機的方法產(chǎn)生初始的群體，初始種群在相應的基因范圍內(nèi).本文設a∈［0.001，10］，b∈［-10，10］，w∈［-10，10］;

(3)計算網(wǎng)絡模型輸出和誤差;

(4)確定染色體的適應度，保存最優(yōu)，之后進行選擇計算，最后生成新一代群體;

(5)進行交叉和變異;

(6)計算交叉和變異之后染色體的適應度，若滿足收斂條件迭代結(jié)束，則轉(zhuǎn)步驟(7)，不滿足需要重復迭代;

(7)解碼操作，輸出獲得的結(jié)構;

(8)根據(jù)網(wǎng)絡對測試樣本進行測試，并根據(jù)結(jié)果繪制測試的仿真曲線.

網(wǎng)絡經(jīng)過訓練后收斂，獲到染色體的結(jié)構基因段為1.000 1.000 0 0 1.000 1.000 0 0 1.000 1.000 0 1.000 1.000 1.000 1.000，從中可知:選取隱藏層神經(jīng)元個數(shù)為10，得到所需網(wǎng)絡的結(jié)構參數(shù)如下:

隱藏層神經(jīng)元的閾值向量為

輸出單元的閾值向量為

輸入層與隱藏層的權值矩陣為

輸出層與隱藏層的權值矩陣為

網(wǎng)絡訓練過程誤差曲線如圖4所示.

圖4 網(wǎng)絡訓練過程誤差曲線

4 變壓器故障診斷實驗

25 000 組學習樣本訓練網(wǎng)絡后，用5 000組數(shù)據(jù)進行檢驗，最后采用遺傳算法改進的小波神經(jīng)網(wǎng)絡進行仿真.將檢測用的5 000組數(shù)據(jù)分別加入不同比例的隨機噪聲，再對它的診斷能力進行檢測，網(wǎng)絡診斷結(jié)果統(tǒng)計如圖5.由圖5可見，由于遺傳算法的全局優(yōu)化的特性，用遺傳算法改進的小波神經(jīng)網(wǎng)絡用在電力變壓器故障診斷時比小波神經(jīng)網(wǎng)絡、普通BP神經(jīng)網(wǎng)絡、IEC三比值診斷法的準確率高;當噪聲分別為5%、10%、15%和20%時，遺傳改進的小波神經(jīng)網(wǎng)絡的變壓器故障誤診率明顯低于后三者;但當15%和20%噪聲時遺傳小波神經(jīng)網(wǎng)絡的診斷正確率低于小波神經(jīng)網(wǎng)絡，說明遺傳小波神經(jīng)網(wǎng)絡在抗強度噪音能力不強.

圖5 故障診斷正確率統(tǒng)計圖

5 結(jié)語

闡述了小波神經(jīng)網(wǎng)絡和遺傳算法以及它們之間的結(jié)合方式，針對目前使用廣泛的IEC三比值法和基于神經(jīng)網(wǎng)絡模型診斷變壓器普遍存在的不足，提出一種用遺傳算法改進小波神經(jīng)網(wǎng)絡的模型，并通過Matlab實現(xiàn).用采集來的數(shù)據(jù)樣本進行網(wǎng)絡訓練，進而得到一個優(yōu)化了的網(wǎng)絡，與IEC三比值法、BP神經(jīng)網(wǎng)絡和小波神經(jīng)網(wǎng)絡進行比較，發(fā)現(xiàn)遺傳小波神經(jīng)網(wǎng)絡的故障診斷率較高，并且彌補了IEC三比值法在編碼和臨界值缺損時不能進行診斷故障的不足，為保證電力變壓器安全運行提供了一種行之有效的方法.

［1］ 陳 健.電力變壓器的智能故障診斷研究［D］.長沙:湖南大學，2010.

［2］ 李曉利.基于小波神經(jīng)網(wǎng)絡的化工安全評價研究［D］.太原:太原理工大學，2007.

［3］ 羅德江.小波神經(jīng)網(wǎng)絡在致密砂巖儲層參數(shù)預測中的應用［J］.內(nèi)蒙古石油化工，2007(12):23-26.

［4］ 潘 翀，陳偉根，云玉新，等.基于遺傳算法進化小波神經(jīng)網(wǎng)絡的電力變壓器故障診斷［J］.電力系統(tǒng)自動化，2007 (13):88-92.

［5］ 徐朝勝.離散變量優(yōu)化方法的研究及其在管棒類型材下料中的應用［D］.合肥:合肥工業(yè)大學，2004.

［6］ 王南蘭.基于多值編碼混合遺傳算法的變壓器故障診斷［J］.電氣應用，2006(6):35-40.

［7］ 黃 敏.基于多值編碼的混合遺傳算法的小波神經(jīng)網(wǎng)絡優(yōu)化［J］.系統(tǒng)仿真學報，2004(9):21-24.

［8］ 孫維志.用進化策略方法反演二維彈性波動方程的參數(shù)［J］.計算物理，2002(6):41-43.

［9］ 烏聰敏.電力變壓器故障診斷及電力技術監(jiān)督系統(tǒng)的研究［D］.天津:天津大學，2009.

［10］ 涂雪平.求解置換流水車間調(diào)度問題的改進遺傳算法［J］.計算機工程與應用，2009(36):18-22.

(責任編輯 陳炳權)

Power Transformer Fault Diagnosis Based on Genetic Wavelet Neural Network

MA Gui-yu，WANG Xue-dan，WAN Dan
(Heilongjiang University of Science and Technology，Harbin 150027，China)

The chromatographic analysis of the power transformer oil dissolved gas is an important method for transformer fault diagnosis by which the operating state of the transformer and the potential transformer internal fault can be grasped indirectly.Artificial neural network has been applied in the power transformer fault diagnosis successfully，but the large number of learning samples and the complicated input-output relationship will lead to a slow network convergence.To resolve the problem，this paper employ the wavelet neural network improved by using genetic algorithms in power transformer fault diagnosis，thus overcoming the shortcomings of local minima and slow convergence speed.

wavelet neural network;genetic algorithms;power transformer fault diagnosis

TM407;TP18

A

10.3969/j.issn.1007-2985.2013.01.013

1007-2985(2013)01-0051-05

2012-10-12

馬桂雨(1987-)，男，山西大同人，黑龍江科技學院碩士研究生，主要從事人工智能在電力系統(tǒng)自動化中的應用研究

王雪丹(1956-)，女，黑龍江哈爾濱人，黑龍江科技學院教授，碩士生導師，博士，主要從事交直流電力拖動系統(tǒng)與控制、諧波抑制和無功功率補償?shù)妊芯?E-mail:wxd06@163.com.