曾　裕，陳　瑛，楊玉文

(南昌大學信息工程學院 自動化系，江西南昌330031)

?

基于果蠅算法的BP神經(jīng)網(wǎng)絡對雙饋異步發(fā)電機絕緣壽命預測研究

曾裕，陳瑛，楊玉文

(南昌大學信息工程學院 自動化系，江西南昌330031)

摘要：針對雙饋異步發(fā)電機絕緣壽命預測的效率和精度有待提高的問題，提出一種基于果蠅算法(Fruit fly optimization algorithm，F(xiàn)OA)優(yōu)化BP神經(jīng)網(wǎng)絡的預測方法，有效提升了BP神經(jīng)網(wǎng)絡尋優(yōu)的快速性和準確性。利用果蠅算法多點全局的快速搜索能力來優(yōu)化BP神經(jīng)網(wǎng)絡模型的權值和閾值，對比發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡經(jīng)優(yōu)化后尋優(yōu)效率和預測精度明顯提高。試驗結果表明：通過果蠅算法優(yōu)化BP神經(jīng)網(wǎng)絡來預測電機絕緣剩余壽命是正確和有效的，為電機絕緣剩余壽命預測提供了一種新途徑。

關鍵詞：雙饋異步發(fā)電機；果蠅算法；BP神經(jīng)網(wǎng)絡；絕緣剩余壽命預測

0引言

近年來，我國的風力發(fā)電產(chǎn)業(yè)正處于一個高速發(fā)展的階段，大規(guī)模的風電場相繼投入建設和運行[1，2]。在當前風力發(fā)電機組中，雙饋異步發(fā)電機應用最為廣泛，作為風電場的核心設備，它的健康狀態(tài)直接影響著風電場的運行穩(wěn)定性和供電可靠性[3]。判定發(fā)電機絕緣狀態(tài)和預測剩余壽命能夠在發(fā)生故障之前進行必要的處理，避免運行中發(fā)生故障帶來損失和危害。所以，發(fā)電機絕緣剩余壽命的預測具有十分重要的實用價值。

當前，在電機運行可靠性研究領域，絕緣剩余壽命預測已成為一大熱點，專家學者們研究了多種預測方法。原理簡單、結果精確的阿倫尼斯方程，被稱作壽命預測經(jīng)典模型，在壽命預測領域應用相當廣泛[4]?；诖?，有人在評估風力發(fā)電機絕緣系統(tǒng)壽命時，成功將阿倫尼斯加速模型與最小二乘法相結合[5]。在預測發(fā)電機絕緣壽命上，日本學者金神雅樹大量研究了剩余擊穿電壓與定子線圈的非破壞參量的關系[6]。文獻[7]將Miner準則與熱損傷累加準則相結合，提出一種發(fā)電機絕緣壽命前期預測方法，為風力發(fā)電機壽命預測以及優(yōu)化提供參考。文獻[8]采用測試光譜、電、聲等方法，能夠?qū)崿F(xiàn)較小誤差地評估電機絕緣剩余壽命。預測方法多種多樣，但預測效率和精度都還有待提高。

為提高對雙饋異步風力發(fā)電機剩余壽命預測的快速性和準確性，果蠅算法作為一種演化式智能算法，在優(yōu)化算法模型方面被廣泛應用，具有實際應用價值。因此，本文提出一種將果蠅優(yōu)化算法與BP神經(jīng)網(wǎng)絡相結合的發(fā)電機剩余壽命預測方法，利用果蠅算法多點全局的快速搜索能力，優(yōu)化BP神經(jīng)網(wǎng)絡的連接權值和閾值，從結構上改善BP神經(jīng)網(wǎng)絡模型，能有效克服BP神經(jīng)網(wǎng)絡易陷入局部最優(yōu)和收斂速度慢缺點，實現(xiàn)對發(fā)電機剩余壽命快速而精準的預測，為雙饋異步風力發(fā)電機絕緣剩余壽命預測提供一種新方法。

1FOA優(yōu)化BP神經(jīng)網(wǎng)絡

1.1BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡采用誤差反向傳播，是一種單向傳播的多層前向神經(jīng)網(wǎng)絡，包括輸入層、中間層和輸出層三層。其典型的網(wǎng)絡結構如圖1所示。在中間層和節(jié)點數(shù)夠多的情況下，任何的非線性映射關系都可以逼近。梯度下降法是反向傳播誤差學習算法的基本思想，采用梯度搜索技術，不停的調(diào)整神經(jīng)網(wǎng)絡中的連接權值和閾值，最終使網(wǎng)絡的誤差均方值最小。其網(wǎng)絡權值的修正公式為

(1)

(2)

圖1　三層BP神經(jīng)網(wǎng)絡結構

在眾多人工神經(jīng)網(wǎng)絡模型中，BP神經(jīng)網(wǎng)憑借其結構簡單、復雜非線性函數(shù)逼近、泛化能力強等優(yōu)點，廣泛應用在電機故障診斷與剩余壽命預測領域。但BP神經(jīng)網(wǎng)絡也有需要改進的地方，待尋優(yōu)參數(shù)多，收斂速度慢；易陷入局部極小值；尚無很好的方法來確定具體的網(wǎng)絡結構，仍需根據(jù)經(jīng)驗公式或認為調(diào)試[9]。這些都限制了它的應用和推廣。

1.2果蠅算法

中國臺灣學者潘文超于2011年正式提出果蠅算法，這是一種根據(jù)果蠅的覓食行為推演出的全局尋優(yōu)的演化式算法，基于粒子群等群智能算法發(fā)展而來。果蠅的嗅覺十分靈敏，40 km以外的食物源都能嗅到，利用嗅覺飛近食物位置后，再運用犀利的視覺尋找食物和同伴的位置，然后飛往該方向[10]。

自提出以來，其應用領域相當廣泛，特別是在函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡、等方面有著重要的應用價值。雖然它提出時間不長，但已有眾多學者在理論和應用方面做了大量研究，總結出果蠅算法的具體優(yōu)點。果蠅算法具有原理簡單、全局尋優(yōu)能力強、收斂速度快、魯棒性和辨識精度高等優(yōu)點。因此，本文將果蠅算法與BP神經(jīng)網(wǎng)絡相結合，能有效提高BP神經(jīng)網(wǎng)絡的尋優(yōu)效率和精度。

1.3FOA優(yōu)化BP神經(jīng)網(wǎng)絡

FOA算法與BP神經(jīng)網(wǎng)絡結合后，第一步是確立網(wǎng)絡結構。連接BP神經(jīng)網(wǎng)絡中的權值和閾值視作果蠅個體處理，給一只果蠅一個隨機的尋優(yōu)方向和距離，然后根據(jù)算法步驟開始尋優(yōu)，迭代過程中以尋求適應度函數(shù)最優(yōu)值為目標，迭代完畢后，更新果蠅個體位置。更新網(wǎng)絡所有權值和閾值，選取合適的隱層激活函數(shù)。然后，把訓練數(shù)據(jù)帶入BP神經(jīng)網(wǎng)絡訓練網(wǎng)絡。最后，通過采集的樣本測試數(shù)據(jù)對訓練后網(wǎng)絡進行測試，檢驗優(yōu)化后BP神經(jīng)網(wǎng)絡的尋優(yōu)性能。

FOA與BP神經(jīng)網(wǎng)絡相結合后算法流程如圖2所示。具體步驟如下：

圖2　FOA-BP神經(jīng)網(wǎng)絡流程

(1) 創(chuàng)建BP神經(jīng)網(wǎng)絡結構，確定各層節(jié)點個數(shù)，把網(wǎng)絡的權值和閾值初始化。

(2) 將所有網(wǎng)絡權值視作果蠅處理，并把果蠅群體位置初始化Xi=Xa;Yi=Ya。

(3) 給一只果蠅一個隨機的尋優(yōu)方向和距離，即Xi=Xa+R;Yi=Ya+R，式中，Xa、Ya、R為隨機方向和距離。

(5) 把S帶入味道濃度判定函數(shù)，求出當前味道濃度并保存該值。

(6) 求出味道濃度判定函數(shù)的最優(yōu)值，此時應選取最小值，保存當前網(wǎng)絡權值。

(7) 更新適應度函數(shù)最優(yōu)值時果蠅位置，此時權值坐標為：Xo=Xb;Yo=Yb。

(8) 迭代開始，判斷適應度函數(shù)值是否優(yōu)于前一代，若是轉到第7步，否則轉到第3步。

(9) 帶入最優(yōu)權值用于BP神經(jīng)網(wǎng)絡訓練。

(10) BP網(wǎng)絡訓練后用測試數(shù)據(jù)測試性能。

2發(fā)電機絕緣特性分析

發(fā)電機在運行中，電氣、機械、熱和環(huán)境等因素都會影響發(fā)電機絕緣系統(tǒng)老化。發(fā)電機絕緣壽命通常通過實驗來確定，主要包括極化指數(shù)及吸收比、絕緣電阻、局部放電等測試，相關參數(shù)有絕緣電阻R、極化指數(shù)PI、最大局部放電量Qmax等[11]。

2.1極化指數(shù)

直流電壓作用于線圈絕緣會隨之產(chǎn)生主絕緣表面電流和電導電流，空氣潮濕、碳化物等或存在缺陷是引發(fā)這一現(xiàn)象主要原因，兩電流在時間作用下并無變化。不考慮表面電流時，總電流的變化量與電導電流大小成反比，這說明極化指數(shù)越小，絕緣老化越嚴重。

2.2局部放電

導致電機絕緣老化的重要原因之一就是局部放電。絕緣材料中若存在氣隙，受到高壓作用時將會引發(fā)局部放電現(xiàn)象。局部放電會嚴重損壞電機絕緣系統(tǒng)。通過實驗判定絕緣體中的局放量可掌握電機絕緣狀態(tài)，從而評估發(fā)電機絕緣壽命。當絕緣系統(tǒng)老化或浸漬工藝出問題時，局放量將與測試電壓成正比例關系。目前，絕緣體局放性能主要通過最大局部放電量Qmax來評估，是判別發(fā)電機絕緣老化的重要因素之一[12]。

2.3環(huán)境應力

所有會引發(fā)風電機組絕緣故障的環(huán)境因素統(tǒng)稱為環(huán)境應力。風力發(fā)電機暴露在野外，長時間承受風吹、日曬、雨淋和鹽霧，這些都會對發(fā)電機絕緣起到破壞作用。同時，由于輻射的存在，也會造成發(fā)電機絕緣系統(tǒng)的加速老化。電機絕緣承受著各種環(huán)境應力的共同作用。有時候，單個環(huán)境應力并不會破壞絕緣系統(tǒng)，但多個因素疊加后，危害將十分嚴重。環(huán)境因素要破壞發(fā)電機絕緣要經(jīng)過一個長久的過程。

3網(wǎng)絡構建與訓練

3.1數(shù)據(jù)采集與處理

發(fā)電機的壽命，主要取決于繞組絕緣的壽命，并與設計制造、使用維護和環(huán)境條件等有密切關系。根據(jù)上述對發(fā)電機絕緣特性的分析，由選取相關測試數(shù)據(jù)作為樣本數(shù)據(jù)。

文中所選數(shù)據(jù)是某風電場2 MW雙饋異步發(fā)電機在多年不同試驗條件下得到110組樣本值，將100組作為BP神經(jīng)網(wǎng)絡訓練樣本，剩下10組作為實驗測試樣本。訓練樣本越大越好，由于篇幅所限，表1列出了訓練樣本集的12組數(shù)據(jù)，包括繞組的絕緣電阻、極化指數(shù)、最大放電量、電機的工作環(huán)境等參。因三相數(shù)據(jù)較多，其中C相絕緣狀態(tài)最差，故表中絕緣電阻、極化指數(shù)皆為C相數(shù)據(jù)。

表1部分訓練樣本集數(shù)據(jù)

序號輸入輸出Qmax/pCRts/MΩRtr/MΩtg/℃kPIT/kh14987801.34500.0320.30.473.240.0325001799.86503.7617.60.613.847.1434937802.31501.5216.60.524.155.9945123804.16498.9620.10.213.547.7054897798.89503.0118.70.172.932.6765323799.36504.8914.30.285.241.8575120803.18499.0718.50.363.333.2985011798.76498.1319.90.546.176.1294957800.11505.50-5.20.324.456.86105310802.25504.00-4.90.354.230.45114856801.47501.44-6.70.243.648.14125017805.23501.21-2.10.274.353.60

表1中，Qmax為最大局部放電量；Rts為溫度t℃時，發(fā)電機定子繞組絕緣電阻；Rtr為發(fā)電機轉子繞組絕緣電阻值，t取25℃；tg為發(fā)電機運行時平均溫度；k為環(huán)境系數(shù)，表示發(fā)電機運行的環(huán)境因素，如空氣濕度、腐蝕性以及塵埃等，數(shù)值越大表示工作環(huán)境越惡劣，取0～1；PI是極化指數(shù)；T為發(fā)電機絕緣剩余壽命。

由于各樣本數(shù)據(jù)單位不同且數(shù)量級差別較大，為便于分析，需要歸一化處理樣本數(shù)據(jù)，把它們都轉變成[0，1]之間的數(shù)，處理后的數(shù)據(jù)可直接作為神經(jīng)網(wǎng)絡的輸入輸出數(shù)據(jù)，處理方法如下

(3)

3.2優(yōu)化模型參數(shù)設置

本文建立了一個3層BP神經(jīng)網(wǎng)絡，由樣本數(shù)據(jù)可知，Qmax，Rts，Rtr，tg，k和PI是影響絕緣壽命的6個關鍵因素，因此，把這6個參數(shù)輸入神經(jīng)網(wǎng)絡，網(wǎng)絡輸出為絕緣剩余壽命時間T。故神經(jīng)網(wǎng)絡輸入和輸出層節(jié)點數(shù)為6和1，中間層節(jié)點數(shù)選為18。中間層傳遞函數(shù)采用logsig，輸出層傳遞函數(shù)用 purelin，把trainlm作為訓練函數(shù)。網(wǎng)絡的訓練目標誤差為0.001，學習效率為0.2，訓練次數(shù)定為5 000。

果蠅群體個數(shù)將根據(jù)所設計BP神經(jīng)網(wǎng)絡結構確定，設為20，連續(xù)迭代100次，適應度函數(shù)選取期望結果和實際結果的誤差均方值，如下

(4)

4測試及結果分析

分別運用BP神經(jīng)網(wǎng)絡和經(jīng)果蠅算法優(yōu)化的BP神經(jīng)網(wǎng)絡對發(fā)電機樣本數(shù)據(jù)進行訓練，得到圖3所示訓練曲線對比，然后保存這兩個模型用于測試。

圖3　網(wǎng)絡誤差曲線

從圖3可以看出，BP神經(jīng)網(wǎng)絡收斂到期望誤差需要2 461代，而結合果蠅算法后只需275代即可，收斂速率顯著提高。

表2是測試數(shù)據(jù)和兩種模型測試結果對比，將表中測試數(shù)據(jù)處理后，帶入模型進行測試，然后將測試結果逆處理即可得發(fā)電機絕緣剩余壽命預測值，如表2、圖4。圖4所示分別為基于兩種模型的預測值與實際值對比。

圖4　T實際值與預測值曲線對比

結合表2和圖4可以看出，BP神經(jīng)網(wǎng)絡經(jīng)果蠅算法優(yōu)化后，絕緣壽命預測值與實際值相差甚小，誤差明顯小于果蠅算法優(yōu)化前的BP神經(jīng)網(wǎng)絡。綜合上述結果可知：基于果蠅算法優(yōu)化的BP神經(jīng)網(wǎng)絡具有較快的收斂速率，均方誤差小，說明BP神經(jīng)網(wǎng)絡的學習速度和辨識精度得到了有效提高。通過測試實驗證明，將其應用在雙饋異步風力發(fā)電機的絕緣壽命預測中，是正確和可行的。

表2測試數(shù)據(jù)及結果

序號輸入Qmax/pCRts/MΩRtr/MΩtg/℃kPIT實際值/khBP算法FOA-BP算法T預測值/kh相對誤差/%T預測值/kh相對誤差/%14887802.34501.0321.30.574.240.6343.116.10341.572.31325101799.16503.1618.60.613.837.1442.0113.11238.433.47334997802.61503.5212.60.523.645.9941.74-9.24147.342.93545023803.16499.9620.10.213.549.7053.026.68050.371.34854817799.89503.4124.70.572.930.6728.88-5.83629.7-3.16265223798.36504.8914.30.485.451.8548.14-7.15553.543.25975020803.58499.7718.50.563.733.2936.599.91233.911.86285111797.36497.13-5.90.245.166.1260.07-9.15067.391.92094977800.51504.50-4.20.324.756.8653.27-6.31355.85-1.776105210803.25503.00-2.60.353.926.4529.8212.7427.333.327

5結論

本文提出一種基于果蠅算法優(yōu)化的BP神經(jīng)網(wǎng)絡模型，結合果蠅算法的多點全局搜索能力，有效提高了BP神經(jīng)網(wǎng)絡的尋優(yōu)效率和精度。將該模型運用到雙饋異步風力發(fā)電機的絕緣剩余壽命預測中，通過實驗數(shù)據(jù)對其進行測試和對比分析，測試結果表明，BP神經(jīng)網(wǎng)絡經(jīng)果蠅算法優(yōu)化后具有更好的快速性和準確性，很好的克服了BP神經(jīng)網(wǎng)絡易陷入局部最優(yōu)、收斂速度慢等缺點，能有效預測雙饋異步風力發(fā)電機絕緣剩余壽命。然而，處理復雜問題時缺乏穩(wěn)定性是果蠅算法的一大缺點，基于此，改進果蠅算法與BP神經(jīng)網(wǎng)絡相結合，是未來電機絕緣壽命預測的一個方向。

參考文獻：

[1]許國東. 風力發(fā)電中雙饋異步電機的應用技術[J]. 電工技術， 2003(8)： 1- 2．

[2]樊小朝， 王維慶， 李鳳婷， 等. 雙饋風電機組風電場并網(wǎng)故障特性[J]. 水力發(fā)電， 2015， 41(6)： 113- 117．

[3]任文娥， 劉紅文， 于欽學， 等. 發(fā)電機定子線圈絕緣診斷與壽命預測[J]. 高壓電器， 2012， 48(11)： 7- 12．

[4]朱立群， 黃慧潔， 趙波. 丁腈橡膠硫化膠在乙二醇中的加速老化失效及壽命預測[J]. 航空材料學報， 2007， 27(3)： 69- 73．

[5]陳健， 王洪波， 馬賢好. 風力發(fā)電機主絕緣老化的診斷和壽命評估 [J]. 大電機技術， 2012(4)： 13- 16．

[6]金神雅樹. 水輪發(fā)電機絕緣剩余壽命的推斷[J]. 國外大電機， 1998(4)： 52- 56．

[7]丁亮， 徐蕊， 羅華利， 等. 基于熱損傷累加準則的風力發(fā)電機絕緣壽命預測 [J]. 可再生能源， 2013， 31(10)： 57- 61．

[8]李福興. 大型發(fā)電機定子絕緣診斷和剩余壽命預測 [J]. 華北電力， 2004， 32(2)： 54- 56．

[9]吳俊學. 基于PSO-EO算法優(yōu)化的BP神經(jīng)網(wǎng)絡研究[J]. 科學技術與工程， 2010， 24(10)： 6047- 6049．

[10]潘文超. 應用果蠅優(yōu)化算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡進行企業(yè)經(jīng)營績效評估[J]. 太原理工大學學報(社會科學版)， 2011， 29(4)： 1- 5．

[11]顧燕明. 發(fā)電機定子絕緣狀態(tài)的多參數(shù)診斷和剩余壽命預測[J]. 中國設備工程， 2009， (11)： 16- 19．

[12]EBERHART R C， SHI Y. Comparison between genetic algorithms and particle swarm optimization[C]∥Proc. of 7th Annal Conference on Evolutionary Computation. Berlin： Springer-Verlag， 1998： 611- 616．

(責任編輯高瑜)

雅礱江楊房溝水電站可行性研究報告順利通過審查

2015年11月28日～30日，水電水利規(guī)劃設計總院會同四川省發(fā)展和改革委員會、能源局在成都主持召開了《四川雅礱江楊房溝水電站可行性研究報告》審查會議。會議聽取了華東勘測設計研究院關于《楊房溝水電站可行性研究報告》主要勘測設計成果的匯報，并分專業(yè)組進行了認真的討論和審議。審查認為，報告達到了可行性研究階段勘測設計工作內(nèi)容和深度的要求，基本同意該報告。

楊房溝水電站位于四川省涼山彝族自治州木里縣境內(nèi)的雅礱江中游河段上，是規(guī)劃中該河段的第6級水電站，水庫總庫容5.124 8億m3，調(diào)節(jié)庫容0.538 5億m3，電站裝機容量1 500 MW。工程樞紐主要由混凝土雙曲拱壩、泄洪消能建筑物和引水發(fā)電系統(tǒng)等組成。

2008年3月，華東院完成楊房溝水電站工程預可行性研究報告并通過審查?？尚行匝芯侩A段，華東院開展了大量勘察試驗和設計研究工作，陸續(xù)完成了一系列專題研究報告，部分專題報告先后通過有關主管部門的審查。楊房溝水電站可行性研究報告順利通過審查，為項目的核準工作奠定了堅實的基礎，目前項目籌建工作已經(jīng)展開。

(中國電建集團華東勘測設計研究院有限公司)

Insulation Life Prediction of Doubly Fed Induction Generator by Using Optimized BP Neural Network Based on Fruit Fly Algorithm

ZENG Yu, CHEN Ying, YANG Yuwen

(Information Engineering School, Nanchang University, Nanchang 330031, Jiangxi, China)

Abstract:In order to improve the efficiency and accuracy of double-fed asynchronous generator insulation remaining life prediction, a prediction model based on the combination of BP neural network with fruit fly optimization algorithm is adopted, which can significantly improve the global search ability and convergence speed of BP neural network. By using the fast searching ability of fruit fly algorithm to optimize the weights and thresholds of BP neural network model, the optimized BP neural network has good accuracy and precision. The test result shows that the prediction model of BP neural network optimized by fruit fly algorithm is correct and effective on the prediction of generator insulation remaining life, which provides a new method for generator insulation remaining life prediction．

Key Words:doubly fed induction generator; fruit fly algorithm; BP neural network; insulation remaining life prediction

中圖分類號：TM343

文獻標識碼：A

文章編號：0559- 9342(2016)01- 0084- 05

作者簡介：曾裕(1990—)，男，江西撫州人，碩士研究生，主要從事電機本體優(yōu)化設計及優(yōu)化算法研究．

基金項目：江西省研究生創(chuàng)新專項資金資助(YC2014-S068)

收稿日期：2015- 09- 21