智能算法優(yōu)化神經(jīng)網(wǎng)絡在變壓器故障診斷中的應用

要航，趙偉欽

(廣西大學電氣工程學院,廣西 南寧 530004)

智能算法優(yōu)化神經(jīng)網(wǎng)絡在變壓器故障診斷中的應用

要航，趙偉欽

(廣西大學電氣工程學院,廣西 南寧 530004)

傳統(tǒng)的電力變壓器故障診斷方法存在著識別精度低的局限性，不能有效地進行數(shù)據(jù)分析，導致無法正確診斷故障類型甚至誤診。為此，神經(jīng)網(wǎng)絡和人工群智能算法的提出，及其在電力變壓器故障診斷中的應用，大大提高了故障診斷的時效性和準確性。該類方法以傳統(tǒng)的變壓器溶解氣體分析(DGA)作為數(shù)據(jù)采集基礎(chǔ)，利用神經(jīng)網(wǎng)絡良好的非線性逼近能力，同時采用群智能算法的自組織、分布式和并行性等良好性能優(yōu)化神經(jīng)網(wǎng)絡參數(shù)(權(quán)值和閥值)，使得神經(jīng)網(wǎng)絡的快速收斂及精確程度大幅提高，進而用優(yōu)化過的神經(jīng)網(wǎng)絡對變壓器溶解氣體數(shù)據(jù)分析并故障分類。最后通過實例驗證表明：該類方法能夠有效地對故障氣體樣本進行離散和約簡化分析，與傳統(tǒng)方法相比，提高了故障診斷的效率和正確率。

變壓器；智能算法；神經(jīng)網(wǎng)絡；故障診斷

1 引言

電力系統(tǒng)作為國家重中之重的基礎(chǔ)性建設(shè)，正在朝著大電網(wǎng)、超高壓、自動化的方向加速發(fā)展。電力變壓器作為電力系統(tǒng)輸、變、配電環(huán)節(jié)中最重要的設(shè)備之一，其運行狀態(tài)的安全與否直接關(guān)系到整個電力系統(tǒng)的安全穩(wěn)定和經(jīng)濟效益。因此，研究電力變壓器安全可靠運行的故障檢測方法顯得尤為重要，同時對于確保電力網(wǎng)絡穩(wěn)定、快速、高效能地運作，具有長遠的意義。

2 群智能概述

1999年，Bonabeau，Dorigo和Theraulaz在《Swarm Intelligence： From Natural to Artificial Systems》中對群智能進行了詳細的論述和分析。群智能優(yōu)化算法在沒有集中控制并且不提供全局模型的前提下，利用群體的優(yōu)勢，分布搜索。比傳統(tǒng)的優(yōu)化方法更快地發(fā)現(xiàn)復雜優(yōu)化問題的最優(yōu)解，為尋找復雜問題的最佳方案提供了新的思路和新方法。

2.1 群智能優(yōu)化算法

目前已經(jīng)開發(fā)的群體智能優(yōu)化算法有人工免疫算法、粒子群算法、蜂群算法、蛙跳算法、人工魚群算法、貓群算法、蟻群算法、量子進化算法等。

2.1.1 粒子群算法(Particle Swarm Optimization，PSO)

粒子群算法是一種有效的全局尋優(yōu)算法，通過群體中粒子間的合作與競爭，實現(xiàn)復雜空間中最優(yōu)解的搜索。粒子群算法保留了基于種群的全局搜索策略，其采用速度—位移模型，避免了復雜的遺傳操作，具有記憶全局最優(yōu)解和個體自身所經(jīng)歷的最優(yōu)解功能，能夠動態(tài)跟蹤當前的搜索情況，調(diào)整搜索策略。

2.1.2 人工魚群算法(Artificial Fish School Algorithm，AFSA)

人工魚群算法主要模擬魚群在覓食過程中表現(xiàn)出來的覓食、聚群和追尾三種行為基礎(chǔ)，從構(gòu)造單條魚的底層行為做起，通過魚群中各個個體的局部優(yōu)化、個體之間的協(xié)作使群體達到最優(yōu)選擇的目的，從而達到群體全局尋優(yōu)目的。人工魚群算法具有良好的求取全局極值的能力，并具有對初值參數(shù)選擇不敏感、魯棒性強、簡單易實現(xiàn)等優(yōu)點。

2.1.3 蟻群算法(Ant Colony Algorithm，ACA)

蟻群算法受到自然界中螞蟻群集體在覓食過程中行為的啟發(fā)，利用真實蟻群通過個體間的信息傳遞、搜索從蟻群到食物間的最短路徑的集體尋優(yōu)特征，來解決一些離散系統(tǒng)優(yōu)化中的困難問題。研究表明，蟻群算法在求解復雜優(yōu)化問題，特別是離散優(yōu)化問題時有一定優(yōu)勢。

2.2 群智能優(yōu)化原理

群智能算法的計算原理通常由三個階段完成：初始化種群、更新個體、更新種群。

2.2.1 初始化種群

在運用每一種群智能算法時，首先都需要對種群初始化，就是對所求優(yōu)化問題的解空間進行全局分布，在空間產(chǎn)生若干個體，并假設(shè)該種群中的每一個個體為所求優(yōu)化問題的解。

2.2.2 更新個體

個體的更新是群體質(zhì)量提高的內(nèi)在驅(qū)動力。群智能算法中，采用簡單的編碼技術(shù)來表示一個個體所具有的復雜結(jié)構(gòu)，在尋優(yōu)搜索過程中，對一群用編碼表示的個體進行簡單的操作，個體依靠這些操作實現(xiàn)更新。

2.2.3 更新種群

在基于群體概念的仿生智能算法中，群體更新是種群中個體更新的宏觀表現(xiàn)，它對于算法的搜索和收斂性能具有重要作用。在不同的仿生群體優(yōu)化算法中，存在著不同的群體更新方式。

3 群智能算法優(yōu)化BP神經(jīng)網(wǎng)絡及其在變壓器故障診斷中的應用

利用群智能算法具備的優(yōu)勢來優(yōu)化神經(jīng)網(wǎng)絡的權(quán)值和閾值，將群智能算法良好的全局尋優(yōu)能力與BP算法的非線性映射能力相結(jié)合，以提高神經(jīng)網(wǎng)絡的泛化能力和訓練能力，從而改進神經(jīng)網(wǎng)絡的整體搜索效率。

3.1 群智能算法優(yōu)化BP神經(jīng)網(wǎng)絡

3.1.1 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡

第1步：初始化參數(shù)。設(shè)定粒子的最大速度Vmax和最小速度Vmin在區(qū)間[Vmin,Vmax]內(nèi)隨機產(chǎn)生每個粒子的速度，然后設(shè)置初始慣性權(quán)重ω，學習因子c1和c2，種群規(guī)模和迭代次數(shù)等。

第3步：更新每個粒子的速度和位置，并判斷更新后粒子的速度和位置是否在限定的范圍之內(nèi)。檢驗算法迭代停止條件，若符合，則停止迭代，輸出神經(jīng)網(wǎng)絡的權(quán)值和閥值，否則轉(zhuǎn)步驟2。

3.1.2 人工魚群算法優(yōu)化BP神經(jīng)網(wǎng)絡

第1步：初始化參數(shù)。種群大小pop_size；人工魚的感知距離Visual；人工魚移動的最大步長Step；擁擠度因子δ；最大迭代次數(shù)Max_Gen和誤差精度ε；設(shè)置初始迭代次數(shù)Gen=0，魚群個分量均為(-1，1)區(qū)間內(nèi)的隨機數(shù)。

第2步：各人工魚分別模擬改進后的追尾行為和改進后的聚群行為，選擇行動后Y值較大的行為實際執(zhí)行，缺省行為方式為改進后的覓食行為。每迭代一次都要更新公告板，如果有人工魚的Y優(yōu)于公告板的Y，則取代之；否則如果連續(xù)迭代K次公告板的值都不變，則模擬逃逸行為。

第3步：中止條件判斷：判斷Gen是否己達到最大迭代次數(shù)Max_Gen或者解的誤差精度是否達到ε，只要滿足其中一個條件就輸出公告板的Y值，否則Gen=Gen+1，轉(zhuǎn)第2步。

3.1.3 蟻群算法優(yōu)化BP神經(jīng)網(wǎng)絡

第1步：參數(shù)初始化。迭代次數(shù)Nc=0，設(shè)置信息素初始值const，信息素揮發(fā)系數(shù)e，信息素增量強度Q，迭代次數(shù)ε<ε0，算法結(jié)束條件ε，訓練誤差退出為ε0。

第2步：s只螞蟻依據(jù)選路原則進行尋路。同時，對各螞蟻的路徑進行信息素局部更新。

第3步：把每一只螞蟻選擇的初始路徑作為初始權(quán)值和閥值，對BP網(wǎng)絡進行訓練，得到相應的路徑輸出，計算誤差E。

第4步：所有螞蟻完成一次構(gòu)造解可以得到誤差最小的一組初始值，比較這個最小誤差和ε的大小，如果小于ε，則得到的最優(yōu)解作為BP神經(jīng)網(wǎng)絡的權(quán)值和閥值進行學習，直到滿足退出條件ε<ε0，退出程序；否則，對螞蟻路徑進行信息素全局更新。轉(zhuǎn)至第2步，直到最大迭代次數(shù)。

3.2 訓練結(jié)果對比

本文采用歷史220組變壓器故障數(shù)據(jù)作為訓練樣本，分別訓練上述不同網(wǎng)絡，爾后采用100組測試樣本對各網(wǎng)絡(單一BP神經(jīng)網(wǎng)絡、粒子群優(yōu)化BP網(wǎng)絡、魚群優(yōu)化BP網(wǎng)絡、蟻群優(yōu)化BP網(wǎng)絡)性能進行檢驗對比。

試驗中，選擇變壓器故障時產(chǎn)生的五種特征氣體H2,C2H4,C2H6,C2H2和CH4的特征量作為網(wǎng)絡的輸入(網(wǎng)絡輸入層為5層)；以變壓器的常見故障類型(高溫過熱，中低溫過熱，低能(火花)放電，局部放電，電弧放電。對應編號為1,2,3,4,5)作為網(wǎng)絡的輸出(網(wǎng)絡輸出層為5層)；網(wǎng)絡隱層為11層。同時設(shè)定網(wǎng)絡訓練的目標誤差goal：0.0001；最大迭代次數(shù)epochs：1000；學習率lr：0.1。

用經(jīng)過訓練的不同網(wǎng)絡對100組測試樣本進行檢驗，結(jié)果如下：

圖1 單一BP神經(jīng)網(wǎng)絡訓練結(jié)果

圖2 粒子群-BP神經(jīng)網(wǎng)絡訓練結(jié)果

圖3 魚群-BP神經(jīng)網(wǎng)絡訓練結(jié)果

通過數(shù)據(jù)比較網(wǎng)絡的準確率：單一BP神經(jīng)網(wǎng)絡80%；粒子群優(yōu)化BP網(wǎng)絡95%；魚群優(yōu)化BP網(wǎng)絡96%；蟻群優(yōu)化BP網(wǎng)絡94%。由此可見，在相同網(wǎng)絡配置參數(shù)和訓練樣本下對各個網(wǎng)絡進行訓練，使用訓練好的網(wǎng)絡對測試樣本進行檢驗，單從正確率這一方面討論，BP神經(jīng)網(wǎng)絡經(jīng)過群智能算法的優(yōu)化后，較單一BP神經(jīng)網(wǎng)絡，準確率大幅提高，輸出結(jié)果更為精準，對故障的預判能力明顯增強。

4 總結(jié)與討論

隨著群智能算法的出現(xiàn)和不斷成熟完善，其應用于神經(jīng)網(wǎng)絡的優(yōu)化水平愈加精湛。本文重點通過群智能算法對BP神經(jīng)網(wǎng)絡的權(quán)值和閥值的優(yōu)化以提高網(wǎng)絡的精準度，從而更好的應用到電力系統(tǒng)變壓器故障診斷技術(shù)中。

[1] 殷震.基于BP神經(jīng)網(wǎng)絡的電力變壓器內(nèi)部故障診斷的方法研究[D].天津:天津大學,2007.

[2] 郭清海,管曉峰.變壓器故障案例分析與檢測[M].北京:中國電力出版社,2010.

[3] 鄒剛.基于蟻群算法的電力負荷預測方法研究[D].重慶:重慶大學,2006.

[4] 王輝,錢鋒.群體智能優(yōu)化算法[J].化工自動化及儀表,2007,34(5):7-13.

[5] 高海兵,高亮,周馳,等.基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡訓練算法研究[J].電子學報,2004,132(9):1572-1574.

[6] 王聯(lián)國,施秋紅.人工魚群算法的參數(shù)分析[J].計算機工程,2010,36(24):169-171.

Application of Intelligent Algorithm to Optimize Neural Network in Transformer Fault Diagnosis

YAOHang，ZHAOWei-qin

(College of Electrical Engineering,Guangxi University,Nanning 530004,China)

Power transformer fault diagnosis method of traditional low identification precision limitations exist,which cannot effectively for data analysis,and correct diagnosis of fault types and even the misdiagnosis.For this purpose,neural network and artificial intelligent algorithm was put forward,and its application in power transformer fault diagnosis,greatly improving the timeliness and accuracy of fault diagnosis.The method basing on the traditional transformer dissolved gas analysis(DGA)as the data collection,using the good capability of nonlinear approximation about neural network,and at the same time the swarm intelligence algorithm is used as the self-organization,distributed and parallel performance optimization of neural network parameters(weights and threshold),and making the degree of accuracy and fast convergence of the neural network greatly increased,then the optimized neural network for transformer dissolved gas analysis data and fault classification.Finally,examples show that the method can effectively to discrete and simplify the analysis,fault gas samples are compared with the traditional methods,improving the efficiency and accuracy of fault diagnosis.

transformer;intelligent algorithm;neural network;fault diagnosis

1004-289X(2016)06-0072-04

TM41

B

2015-10-12