陳運(yùn)蓬，趙 飛

（國(guó)網(wǎng)山西省電力公司大同供電公司，太原 030001）

改進(jìn)的遺傳優(yōu)化BP－NN在變電站故障區(qū)域中的研究

陳運(yùn)蓬，趙 飛

（國(guó)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(xué)習(xí)能力以及自適應(yīng)和泛化能力，但運(yùn)算過(guò)程中容易陷入局部極小值，同時(shí)隱含層節(jié)點(diǎn)數(shù)的選擇也影響著診斷的效果；文中根據(jù)經(jīng)驗(yàn)公式縮小隱層節(jié)點(diǎn)數(shù)范圍，在小范圍里尋找最優(yōu)的隱層節(jié)點(diǎn)數(shù)；根據(jù)遺傳算法（Genetic Algorithm，GA）具有全局尋優(yōu)的特點(diǎn)，用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)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(wèn)題；但是，傳統(tǒng)遺傳算法也有自身的缺點(diǎn)，其在全局尋優(yōu)的過(guò)程中，易陷入“早熟”的問(wèn)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(jìn)化的遺傳算法，即使用3個(gè)種群同時(shí)進(jìn)化的遺傳算法，協(xié)同進(jìn)化遺傳算法不但可以避免傳統(tǒng)遺傳算法的“早熟”問(wèn)題，而且可以加強(qiáng)局部搜索提高運(yùn)行效率；將協(xié)同進(jìn)化遺傳算法應(yīng)用到BP神經(jīng)網(wǎng)絡(luò)中，仿真結(jié)果表明，該方法可以準(zhǔn)確有效地診斷出變電站故障元件，提高變電站故障診斷過(guò)程中的容錯(cuò)性及效果。

BP神經(jīng)網(wǎng)絡(luò)；隱含層；遺傳算法；協(xié)同進(jìn)化；容錯(cuò)性

0 引言

隨著經(jīng)濟(jì)的蓬勃發(fā)展，我國(guó)電力行業(yè)的發(fā)展向著更大容量、自動(dòng)化水平更高的方向轉(zhuǎn)變［1］。對(duì)于變電站運(yùn)行穩(wěn)定性的要求越來(lái)越高，變電站運(yùn)行中出現(xiàn)的故障給供電公司及用戶帶來(lái)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(yùn)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(shí)現(xiàn)，人工診斷方式依靠是長(zhǎng)期積累的經(jīng)驗(yàn)來(lái)定位變電站故障的位置，準(zhǔn)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(yīng)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(diǎn)，同時(shí)針對(duì)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(jìn)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(diǎn)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(wèn)題，提高電網(wǎng)故障診斷的容錯(cuò)性，有效地定位故障位置。

1 BP-NN在變電站故障診斷中的應(yīng)用

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)［8］。它的學(xué)習(xí)規(guī)則是使用最速下降法，在學(xué)習(xí)過(guò)程中，分為兩個(gè)部分，信號(hào)的正向傳播和誤差的反向傳播。信號(hào)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(jì)算的輸出與期望的輸出之間存在誤差，則將誤差信號(hào)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?fù)浣Y(jié)構(gòu)包括輸入層（input layer）、一個(gè)或多個(gè)隱層（hidden layer）和輸出層（output layer）。

BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)從輸入到輸出的映射，數(shù)學(xué)理論已經(jīng)證明，它具有實(shí)現(xiàn)任何復(fù)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(yīng)用在變電站故障診斷中。

文獻(xiàn)［10-11］說(shuō)明了BP神經(jīng)網(wǎng)絡(luò)在變電站故障診斷中的具體應(yīng)用，首先將保護(hù)器和斷路器的動(dòng)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(yīng)的故障決策表，以此來(lái)建立診斷模型。利用故障樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完畢后，神經(jīng)網(wǎng)絡(luò)就獲得了通用的診斷知識(shí)，變電站發(fā)生故障時(shí)，將故障模式輸入到訓(xùn)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(dāng)網(wǎng)絡(luò)訓(xùn)練故障決策表的時(shí)候可能會(huì)面臨局部極小化的問(wèn)題，造成網(wǎng)絡(luò)訓(xùn)練失敗。同時(shí)，網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)的選擇，影響網(wǎng)絡(luò)的收斂速度，容錯(cuò)能力等。

2 優(yōu)化BP-NN算法設(shè)計(jì)

2.1 BP神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)確定

神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的確定是個(gè)復(fù)雜的問(wèn)題［12］。隱含層節(jié)點(diǎn)數(shù)影響著故障診斷的效果。如果節(jié)點(diǎn)數(shù)太少，則在診斷過(guò)程中獲得的有效的診斷信息比較少，難達(dá)到準(zhǔn)確的診斷。如果節(jié)點(diǎn)數(shù)太多，不僅使網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練時(shí)間過(guò)長(zhǎng)，而且會(huì)導(dǎo)致容錯(cuò)性差、泛化能力下降等。所以隱含層節(jié)點(diǎn)數(shù)的選擇也很重要。文中根據(jù)以下2種經(jīng)驗(yàn)公式［13］：

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

1）由經(jīng)驗(yàn)公式縮小隱層節(jié)點(diǎn)數(shù)范圍。

2）建立神經(jīng)網(wǎng)絡(luò)，將確定的隱層節(jié)點(diǎn)數(shù)區(qū)間內(nèi)的整數(shù)分別作為隱層節(jié)點(diǎn)個(gè)數(shù)，訓(xùn)練樣本。

3）記錄每一次訓(xùn)練結(jié)果的訓(xùn)練誤差并繪制成曲線圖，曲線圖中最低點(diǎn)的誤差值所對(duì)應(yīng)的區(qū)間內(nèi)的某一值，就是理想的隱含節(jié)點(diǎn)數(shù)。

2.2 協(xié)同進(jìn)化遺傳算法優(yōu)化BP-NN

文中采用3個(gè)種群的協(xié)同進(jìn)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(xùn)練算法在這個(gè)局部解空間里尋找最優(yōu)權(quán)值閾值。算法設(shè)計(jì)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(xué)習(xí)規(guī)則以及遺傳算法中染色體長(zhǎng)度（隱層和輸出層的權(quán)值和閾值的個(gè)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(yīng)度函數(shù)。

3）選取每個(gè)種群的代表個(gè)體，形成完整解，計(jì)算適應(yīng)度值，進(jìn)行評(píng)價(jià)。

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

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

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

7）訓(xùn)練網(wǎng)絡(luò)。

遺傳算法適應(yīng)度函數(shù)的選取是關(guān)鍵，文中主要是以協(xié)同進(jìn)化遺傳算法來(lái)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(yīng)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(yīng)度函數(shù)如下所示：

3 診斷實(shí)例及分析

3.1 診斷過(guò)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(hù)裝置。為節(jié)約時(shí)間。可以分別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(yàn)證協(xié)同進(jìn)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(jìn)行對(duì)比分析。以圖1變電站中線路故障診斷為例。

圖1簡(jiǎn)單變電站線路圖

圖1所示簡(jiǎn)單變電站線路圖，分為5個(gè)故障區(qū)域（Secl－Sec5），均配有過(guò)流保護(hù)（CO1－CO5）以及斷路器保護(hù)開(kāi)關(guān)（QF1－QF5），Secl和Sec3配有距離保護(hù)（RRl、RR3）。

針對(duì)圖1所示的變電站線路模型，選取相應(yīng)的故障決策表，過(guò)流保護(hù)以及斷路器保護(hù)開(kāi)關(guān)、距離保護(hù)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(jiàn)表1共有13組訓(xùn)練樣本，每一組有12個(gè)判斷條件，所以輸入節(jié)點(diǎn)為12個(gè)。輸出層節(jié)點(diǎn)數(shù)為6個(gè)，對(duì)應(yīng)于5個(gè)故障區(qū)域和1個(gè)無(wú)故障區(qū)域。圖2是經(jīng)MATLAB用文中確定隱層節(jié)點(diǎn)數(shù)方法的仿真圖，由圖中可知開(kāi)始均方差比較大，隨著節(jié)點(diǎn)數(shù)增加，均方差減小，當(dāng)隱層節(jié)點(diǎn)數(shù)為13時(shí)，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(yīng)度曲線，經(jīng)過(guò)大約100代的搜索后，染色體的平均適應(yīng)度和最佳適應(yīng)度趨于穩(wěn)定。3種方法的網(wǎng)絡(luò)拓?fù)浣Y(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(duì)于文中方法中的協(xié)同進(jìn)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(xùn)練結(jié)果見(jiàn)表3。

表2給出了含有保護(hù)裝置誤動(dòng)信息的6個(gè)故障樣本，對(duì)照故障決策表可知，樣本1和6是斷路器誤動(dòng)，樣本2是過(guò)流保護(hù)裝置誤動(dòng)，樣本3－5是斷路器拒動(dòng)。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(diǎn)數(shù)關(guān)系仿真圖

圖3 適應(yīng)度曲線仿真圖

表2 故障樣本對(duì)應(yīng)的故障信息

表33 種算法訓(xùn)練結(jié)果

續(xù)表

表43 種算法診斷結(jié)果

3.2 實(shí)驗(yàn)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(xùn)練效果對(duì)比，3種方法都可以準(zhǔn)確定位訓(xùn)練樣本的故障位置，且在數(shù)據(jù)上相差不大，訓(xùn)練效果都比較明顯。

對(duì)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(dá)到100%的診斷效果，次者可以達(dá)到近90%的診斷效果，后者可達(dá)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(shí)前者的診斷時(shí)間為8.124 1秒，次者診斷時(shí)間為8.337 2秒，后者診斷時(shí)間為8.031 1秒。

4 結(jié)束語(yǔ)

由仿真對(duì)比結(jié)果可以看出，文中方法在協(xié)同進(jìn)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(cuò)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(shí)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(shì)，有效地提升了變電站故障診斷的性能。下一步的工作重點(diǎn)是對(duì)規(guī)模更大、結(jié)構(gòu)更復(fù)雜的變電站進(jìn)行故障診斷以及縮短文中方法網(wǎng)絡(luò)訓(xùn)練過(guò)程的時(shí)間的研究。

［1］楊 兵，丁 輝，羅為民，等.基于知識(shí)庫(kù)的變壓器故障診斷專家系統(tǒng)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，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(hù)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(bào)警信息處理系統(tǒng)［J］.電力系統(tǒng)自動(dòng)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(guó)水利水電出版社，2009.

［6］曾孝平，李勇明，王 靖，等.基于競(jìng)爭(zhēng)策略的鏈?zhǔn)街悄荏w遺傳算法用于特征選擇的研究［J］.系統(tǒng)仿真學(xué)報(bào)，2008，20（8）：1973 -1979.

［7］畢天姝，倪以信，吳復(fù)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(guó)電機(jī)工程學(xué)報(bào)，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(píng)估模型及實(shí)證研究 ［J］.計(jì)算機(jī)科學(xué)，2014，41（11A）：75-77，87.

［9］鄂加強(qiáng).智能故障診斷及其應(yīng)用［M］.長(zhǎng)沙：湖南大學(xué)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(shì)［J］.電力系統(tǒng)自動(dòng)化，2006，30（8）：98-103.

［11］郭陽(yáng)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(xué)學(xué)報(bào)，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(yán) 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(shí)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(guó)網(wǎng)山西省電力公司科學(xué)技術(shù)項(xiàng)目（晉電發(fā)展（2015）184號(hào)）。

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