陳運蓬，趙 飛

（國網(wǎng)山西省電力公司大同供電公司，太原 030001）

改進的遺傳優(yōu)化BP－NN在變電站故障區(qū)域中的研究

陳運蓬，趙 飛

（國網(wǎng)山西省電力公司大同供電公司，太原 030001）

BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BP－NN）具有良好的自學習能力以及自適應和泛化能力，但運算過程中容易陷入局部極小值，同時隱含層節(jié)點數(shù)的選擇也影響著診斷的效果；文中根據(jù)經(jīng)驗公式縮小隱層節(jié)點數(shù)范圍，在小范圍里尋找最優(yōu)的隱層節(jié)點數(shù)；根據(jù)遺傳算法（Genetic Algorithm，GA）具有全局尋優(yōu)的特點，用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)訓練的初始權(quán)值閾值，可以避免BP神經(jīng)網(wǎng)絡(luò)陷入局部極小的問題；但是，傳統(tǒng)遺傳算法也有自身的缺點，其在全局尋優(yōu)的過程中，易陷入“早熟”的問題；為了解決傳統(tǒng)遺傳算法“早熟”現(xiàn)象，文中提出了一種協(xié)同進化的遺傳算法，即使用3個種群同時進化的遺傳算法，協(xié)同進化遺傳算法不但可以避免傳統(tǒng)遺傳算法的“早熟”問題，而且可以加強局部搜索提高運行效率；將協(xié)同進化遺傳算法應用到BP神經(jīng)網(wǎng)絡(luò)中，仿真結(jié)果表明，該方法可以準確有效地診斷出變電站故障元件，提高變電站故障診斷過程中的容錯性及效果。

BP神經(jīng)網(wǎng)絡(luò)；隱含層；遺傳算法；協(xié)同進化；容錯性

0 引言

隨著經(jīng)濟的蓬勃發(fā)展，我國電力行業(yè)的發(fā)展向著更大容量、自動化水平更高的方向轉(zhuǎn)變［1］。對于變電站運行穩(wěn)定性的要求越來越高，變電站運行中出現(xiàn)的故障給供電公司及用戶帶來巨大損失，變電站故障的有效診斷是保證電力系統(tǒng)安全可靠運行的重要手段［2］。由于以前受到一定條件的限制，傳統(tǒng)的變電站診斷手段依賴人工實現(xiàn)，人工診斷方式依靠是長期積累的經(jīng)驗來定位變電站故障的位置，準確性比較差，并且診斷速度也比較慢。隨著診斷技術(shù)的發(fā)展，自適應模糊神經(jīng)網(wǎng)絡(luò)［3］、模糊集［4］等方法被引入到變電站故障診斷中。但是，這些方法存在著局限性［5 6］。根據(jù)這些診斷方法的優(yōu)缺點，同時針對已有BP神經(jīng)網(wǎng)絡(luò)在變電站故障診斷中的不足［7］，本文在基于協(xié)同進化遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)中加入了確定隱層節(jié)點數(shù)的思想，能夠解決BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值的問題，提高電網(wǎng)故障診斷的容錯性，有效地定位故障位置。

1 BP-NN在變電站故障診斷中的應用

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)［8］。它的學習規(guī)則是使用最速下降法，在學習過程中，分為兩個部分，信號的正向傳播和誤差的反向傳播。信號的正向傳播是輸入樣本傳到輸入層再到各隱含層最后傳到輸出層，若正向傳播計算的輸出與期望的輸出之間存在誤差，則將誤差信號反向傳播，調(diào)整權(quán)值和閾值，直到輸出滿足要求。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層（input layer）、一個或多個隱層（hidden layer）和輸出層（output layer）。

BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)從輸入到輸出的映射，數(shù)學理論已經(jīng)證明，它具有實現(xiàn)任何復雜的非線性映射功能，不需要建立模型，了解其內(nèi)部流程，只需輸入獲得輸出［9］。因此，BP神經(jīng)網(wǎng)絡(luò)比較廣泛地應用在變電站故障診斷中。

文獻［10-11］說明了BP神經(jīng)網(wǎng)絡(luò)在變電站故障診斷中的具體應用，首先將保護器和斷路器的動作信息及電氣量信息作為網(wǎng)絡(luò)的輸入，將被診斷元件的狀態(tài)作為輸出，構(gòu)成相應的故障決策表，以此來建立診斷模型。利用故障樣本對神經(jīng)網(wǎng)絡(luò)進行訓練，訓練完畢后，神經(jīng)網(wǎng)絡(luò)就獲得了通用的診斷知識，變電站發(fā)生故障時，將故障模式輸入到訓練好的網(wǎng)絡(luò)中，即可得出診斷結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)是一種局部尋優(yōu)的算法，當網(wǎng)絡(luò)訓練故障決策表的時候可能會面臨局部極小化的問題，造成網(wǎng)絡(luò)訓練失敗。同時，網(wǎng)絡(luò)隱層節(jié)點數(shù)的選擇，影響網(wǎng)絡(luò)的收斂速度，容錯能力等。

2 優(yōu)化BP-NN算法設(shè)計

2.1 BP神經(jīng)網(wǎng)絡(luò)隱層節(jié)點數(shù)確定

神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)的確定是個復雜的問題［12］。隱含層節(jié)點數(shù)影響著故障診斷的效果。如果節(jié)點數(shù)太少，則在診斷過程中獲得的有效的診斷信息比較少，難達到準確的診斷。如果節(jié)點數(shù)太多，不僅使網(wǎng)絡(luò)學習訓練時間過長，而且會導致容錯性差、泛化能力下降等。所以隱含層節(jié)點數(shù)的選擇也很重要。文中根據(jù)以下2種經(jīng)驗公式［13］：

式中，S1為隱含層節(jié)點數(shù)；R為輸入層節(jié)點數(shù)；S2為輸出層節(jié)點數(shù)；a為區(qū)間［1 10］的某一整數(shù)?？s小隱層節(jié)點數(shù)的取值范圍，通過網(wǎng)絡(luò)訓練得出的訓練誤差來選擇隱層最佳節(jié)點數(shù)，算法設(shè)計如下：

1）由經(jīng)驗公式縮小隱層節(jié)點數(shù)范圍。

2）建立神經(jīng)網(wǎng)絡(luò)，將確定的隱層節(jié)點數(shù)區(qū)間內(nèi)的整數(shù)分別作為隱層節(jié)點個數(shù)，訓練樣本。

3）記錄每一次訓練結(jié)果的訓練誤差并繪制成曲線圖，曲線圖中最低點的誤差值所對應的區(qū)間內(nèi)的某一值，就是理想的隱含節(jié)點數(shù)。

2.2 協(xié)同進化遺傳算法優(yōu)化BP-NN

文中采用3個種群的協(xié)同進化遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值閾值，然后利用網(wǎng)絡(luò)的訓練算法在這個局部解空間里尋找最優(yōu)權(quán)值閾值。算法設(shè)計如下：

1）初始化BP神經(jīng)網(wǎng)絡(luò)，確定網(wǎng)絡(luò)的結(jié)構(gòu)和學習規(guī)則以及遺傳算法中染色體長度（隱層和輸出層的權(quán)值和閾值的個數(shù)）。

2）初始化遺傳算法中的參數(shù)（包括迭代次數(shù)、種群規(guī)模、交叉和變異概率的選擇等）以及種群1、種群2、種群3，選擇遺傳算法所需要的適應度函數(shù)。

3）選取每個種群的代表個體，形成完整解，計算適應度值，進行評價。

4）3個種群分別進行遺傳算法的選擇、交叉、變異操作，對父本進行處理，產(chǎn)生新一代種群。

5）判斷結(jié)束進化條件，如果滿足，則進化停止，輸出最優(yōu)結(jié)果，否則轉(zhuǎn)步驟3）繼續(xù)進化。

6）將輸出的最優(yōu)個體解碼為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值閾值。

7）訓練網(wǎng)絡(luò)。

遺傳算法適應度函數(shù)的選取是關(guān)鍵，文中主要是以協(xié)同進化遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，找出最佳的染色體使BP神經(jīng)網(wǎng)絡(luò)的誤差平方和最小，所以遺傳算法的適應度函數(shù)可以選取為BP神經(jīng)網(wǎng)絡(luò)誤差平方和，即遺傳算法的適應度函數(shù)如下所示：

3 診斷實例及分析

3.1 診斷過程

變電站內(nèi)的主要核心元件是變壓器、線路、母線，并且都配備保護裝置。為節(jié)約時間?？梢苑謩e建立變電站核心元件的神經(jīng)網(wǎng)絡(luò)故障診斷模型，形成子網(wǎng)絡(luò)，分區(qū)域診斷。本文為驗證協(xié)同進化的遺傳優(yōu)化BP－NN方法的有效性，分別與單純的BP神經(jīng)網(wǎng)絡(luò)和基于遺傳優(yōu)化BP－NN的方法進行對比分析。以圖1變電站中線路故障診斷為例。

圖1簡單變電站線路圖

圖1所示簡單變電站線路圖，分為5個故障區(qū)域（Secl－Sec5），均配有過流保護（CO1－CO5）以及斷路器保護開關(guān)（QF1－QF5），Secl和Sec3配有距離保護（RRl、RR3）。

針對圖1所示的變電站線路模型，選取相應的故障決策表，過流保護以及斷路器保護開關(guān)、距離保護為決策表的判斷條件，在神經(jīng)網(wǎng)絡(luò)中作為輸入量。故障區(qū)域（Secl－Sec5）為決策表的決策屬性，在神經(jīng)網(wǎng)絡(luò)中作為輸出量。故障決策表見表1共有13組訓練樣本，每一組有12個判斷條件，所以輸入節(jié)點為12個。輸出層節(jié)點數(shù)為6個，對應于5個故障區(qū)域和1個無故障區(qū)域。圖2是經(jīng)MATLAB用文中確定隱層節(jié)點數(shù)方法的仿真圖，由圖中可知開始均方差比較大，隨著節(jié)點數(shù)增加，均方差減小，當隱層節(jié)點數(shù)為13時，均方差最小為3.541 1×10－6。圖3表示的是遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的適應度曲線，經(jīng)過大約100代的搜索后，染色體的平均適應度和最佳適應度趨于穩(wěn)定。3種方法的網(wǎng)絡(luò)拓撲結(jié)構(gòu)采用典型的三層結(jié)構(gòu)，其他網(wǎng)絡(luò)參數(shù)設(shè)置相同。對于文中方法中的協(xié)同進化遺傳算法參數(shù)設(shè)置為種群規(guī)模為30，遺傳代數(shù)為100，交叉概率為0.5，變異概率為0.1。3種方法的訓練結(jié)果見表3。

表2給出了含有保護裝置誤動信息的6個故障樣本，對照故障決策表可知，樣本1和6是斷路器誤動，樣本2是過流保護裝置誤動，樣本3－5是斷路器拒動。表4為故障樣本診斷結(jié)果。

表1 故障決策表

圖2 均方差與隱層節(jié)點數(shù)關(guān)系仿真圖

圖3 適應度曲線仿真圖

表2 故障樣本對應的故障信息

表33 種算法訓練結(jié)果

續(xù)表

表43 種算法診斷結(jié)果

3.2 實驗結(jié)果分析

在相同的網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)下，從3種方法的訓練效果對比，3種方法都可以準確定位訓練樣本的故障位置，且在數(shù)據(jù)上相差不大，訓練效果都比較明顯。

對含有故障信息的故障樣本診斷的結(jié)果分析，CGA－BP的診斷效果優(yōu)于GA－BP和BP神經(jīng)網(wǎng)絡(luò)的診斷效果，GABP優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的診斷效果。前者在本例中可以達到100%的診斷效果，次者可以達到近90%的診斷效果，后者可達到50%的診斷效果。但是次者在診斷數(shù)據(jù)上較差于前者。后者診斷效果最差，但是所診斷出故障的數(shù)據(jù)稍好于次者。同時前者的診斷時間為8.124 1秒，次者診斷時間為8.337 2秒，后者診斷時間為8.031 1秒。

4 結(jié)束語

由仿真對比結(jié)果可以看出，文中方法在協(xié)同進化遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值閾值可以有效的定位變電站故障位置，提高了變電站故障診斷的容錯性，避免了單純的BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小的不足，同時發(fā)揮了遺傳算法和BP神經(jīng)網(wǎng)絡(luò)兩者各自的優(yōu)勢，有效地提升了變電站故障診斷的性能。下一步的工作重點是對規(guī)模更大、結(jié)構(gòu)更復雜的變電站進行故障診斷以及縮短文中方法網(wǎng)絡(luò)訓練過程的時間的研究。

［1］楊 兵，丁 輝，羅為民，等.基于知識庫的變壓器故障診斷專家系統(tǒng)［J］.中國電機工程學報，2002，20（10）：121-124.

［2］蘇宏升，李群湛.基于粗糙集理論和神經(jīng)網(wǎng)絡(luò)模型的變電站故障診斷方法［J］.電網(wǎng)技術(shù)，2005，29（16）：66-70.

［3］邊 莉，邊晨源.電網(wǎng)故障診斷的智能方法綜述［J］.電力系統(tǒng)保護與控制，2014，42（3）：146-153.

［4］張東英，鐘華兵，楊以涵，等.基于BP神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的變電站報警信息處理系統(tǒng)［J］.電力系統(tǒng)自動化，2001，25（9）：45-47.

［5］尹朝慶.人工智能與專家系統(tǒng)［M］.北京：中國水利水電出版社，2009.

［6］曾孝平，李勇明，王 靖，等.基于競爭策略的鏈式智能體遺傳算法用于特征選擇的研究［J］.系統(tǒng)仿真學報，2008，20（8）：1973 -1979.

［7］畢天姝，倪以信，吳復立.基于新型神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法 ［J］.中國電機工程學報，2002，22（2）：73-78.

［8］呂 霽.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)評估模型及實證研究 ［J］.計算機科學，2014，41（11A）：75-77，87.

［9］鄂加強.智能故障診斷及其應用［M］.長沙：湖南大學出版社，2006.

［10］郭創(chuàng)新，朱傳柏，曹一家.電力系統(tǒng)故障診斷的研究現(xiàn)狀與發(fā)展趨勢［J］.電力系統(tǒng)自動化，2006，30（8）：98-103.

［11］郭陽明，冉從寶，姬昕禹.基于組合優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷［J］.西北工業(yè)大學學報，2013，31（1）：44-48.

［12］劉 超，何正友，楊健維.基于量子神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷算法 ［J］.電網(wǎng)技術(shù)，2008，32（9）：56-60.

［13］嚴 鴻，管燕萍.BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)的確定方法及實例［J］.控制工程，2009，16（S1）：100-102.

Substation Fault Zone Research Based on Improved Genetic Algorithm Optimization BP－NN

Chen Yunpeng，Zhao Fei

（State Grid Shanxi Electric Power Company Datong Power Company，Taiyuan 030001，China）

BP neural network has a good self－learning and adaptive ability and generalization ability，but the operation process easy to fall into local minima.At the same time，the choice of hidden layer nodes number also affects the diagnosis effects.In this paper，according to the empirical formula，narrow down the range of hidden layer nodes and look for the optimal hidden layer nodes number in a small range.Based on genetic algorithm（GA）with the advantages of global optimization，adopting genetic algorithm to optimize initial weight and threshold value of BP neural network training can avoid falling into local minimum problem of BP neural network.However，the conventional genetic algorithm also has its own shortcomings，easy to fall into“premature”issue.In order to solve the traditional genetic algorithm“premature”phenomenon，the paper proposes a coevolutionary genetic algorithm，using three simultaneous evolution of population genetic algorithm，coevolutionary genetic algorithm not only avoid“premature”problem，but also strengthening local search to improve operating efficiency.The improved genetic algorithm applications to BP neural network.The simulation results show，the method can accurately and efficiently diagnose transformer substation fault location，and improve transformer substation fault diagnosis fault－tolerance and effect.

BP neural network，hidden layer；genetic algorithm；coevolution；fault－tolerance

1671-4598（2016）08-0044-05

10.16526／j.cnki.11－4762／tp.2016.08.012

：TP391

：A

2016-03-04；

：2016-03-29。

國網(wǎng)山西省電力公司科學技術(shù)項目（晉電發(fā)展（2015）184號）。

陳運蓬（1973-），男，吉林長春人，碩士，高級工程師，主要從事變電站故障診斷方向的研究。