基于GA-BP的變壓器故障診斷

李艷平,吳為民,郭虎奎

(新疆大學電氣工程學院,新疆烏魯木齊市830008)

變壓器運行一旦出現(xiàn)故障就會產生局部過熱、電弧放電、內部絕緣油分解等現(xiàn)象,同時會釋放各種特征氣體[1]。變壓器運行時所釋放氣體的組成和濃度與變壓器運行中故障的種類有著密切的關系[2]。本文將結合特征氣體成分和濃度與變壓器故障類型的關系,在神經網絡對變壓器故障診斷的基礎上,采用相應的遺傳算法,結合兩者的優(yōu)點,形成一種綜合訓練算法(GA-BP算法),來實現(xiàn)變壓器故障的診斷。

1 GA-BP的診斷模型

1.1 遺傳算法

遺傳算法是一種仿生算法,它從一個初始種群出發(fā),不斷重復執(zhí)行選擇、雜交和變異的過程,使種群進化越來越接近某一目標[3]。

遺傳算法的應用步驟包括[4]:①確定決策變量及其各種約束條件,即確定出個體的表現(xiàn)型X和問題的解空間;②建立優(yōu)化模型,即確定出目標函數的類型及其數學描述形式或量化方法;③確定表示可行解的染色體編碼方法,也即確定出個體的基因型X及遺傳算法的搜索空間;④確定解碼方法,即確定出個體基因型X到個體表現(xiàn)型X的對應關系或轉換方法;⑤確定個體適應度的量化評價方法,即確定出由目標函數f(X)到個體適應度F(X)的轉換規(guī)則;⑥設計遺傳算子,即確定出選擇運算、交叉運算、變異運算等遺傳算子的具體操作方法;⑦確定遺傳算法的有關運行參數,即確定出遺傳算法的M和T等參數。

1.2 神經網絡的模型[5]

本文采取函數型小波神經網絡的結構 如圖1所示,設系統(tǒng)的輸入為:

設小波函數ψa,b(x)為第一層激活函數,ak和bk分別為其中的伸縮平移系數,第二、三層的激活函數為σ(x)函數;網絡各層的神經元個數為k,m和s, ω1k,n,ω2m,k,ω3s,m分別為各層網絡的權值,則網絡的輸出如下:

式中:σ(*)為sigmoid函數。

圖1 神經網絡圖

1.3 基于GA-BP的優(yōu)化

GA-BP算法就是在BP算法之前,先用GA在隨機點集中遺傳確定優(yōu)化初值,以此作為BP算法的初始權值,再由BP算法進行訓練,這就是GA-BP算法的原理。遺傳算法的學習和BP網絡評價的步驟如下[6]。

(1)編碼 對于染色體采取二進制和實值混合編碼形式,對每個網絡結構采取二進制編碼,表示該隱層單元的有效性,隨機產生N(根據經驗確定)個結構,每個個體對應一個結構,由于小波網絡輸入輸出節(jié)點個數已由能反映陽極效應特征參數的個數的實際情況所決定,編碼時可以只對隱含層小波基個數進行編碼,0代表連接無效,l代表連接有效[7]。

(2)初始化種群 包括交叉規(guī)模、交叉概率、突變概率;種群采用實數進行編碼,初始種群取60個。

(3)個體適應度計算 根據適應度函數評價訓練結果。評價依據為:

式中:fi為個體i的適配值,可用誤差平方和E來衡量;i=1,…,N為染色體數;k=1,…,4為輸出層節(jié)點數;p=1,…,5為學習樣本數;T k為教師信號。

(4)產生新個體 以概率P c對個體Gi和Gi+1交叉操作產生新個體G′i和G′i+1,對沒有進行交叉操作的個體進行直接復制。

(5)突變 利用概率P m突變產生Gj的新個體G′i+1。

(6)評價函數 將新個體插入到種群P中,并計算新個體的評價函數;

(7)終結 如果找到了滿意的個體,則結束,否則轉④。

該方法可以利用遺傳算法全局搜索的特點去尋找最合適的網絡連接權,同時利用神經網絡減小遺傳算法的搜索空間,提高搜索效率。GA-BP算法故障診斷流程圖如圖2所示[8]。

圖2 故障診斷過程流程圖

2 在變壓器故障診斷中的應用

變壓器運行中出現(xiàn)故障時釋放各種特征氣體主要包括 H 2,C2 H 2,CH 4,C2 H 4,C2 H 6和CO,CO2等[1],釋放氣體的組成和濃度與變壓器運行中故障種類有關,如表1[2]。

表1 故障與特征氣體的關系

2.1 故障分析及樣本采集

(1)輸入特征向量的確定 變壓器運行時的故障類型與故障時變壓器所產生的特征氣體種類和濃度有關。因此分析時GA-BP網絡所采用的特征輸入向量由變壓器特征氣體的種類H2,C2 H 2,CH 4和總烴CI與C2的濃度來確定。

(2)輸出特征向量的確定 在故障診斷中,模型輸出的特征向量代表可能的故障類型。變壓器的典型故障類型有一般過熱故障、嚴重過熱故障、局部放電、火花放電和電弧放電5種類型[9],因此這里選擇這5個特征向量作為輸出向量。根據Sigmoid函數輸出值在0～1之間的特點,這里設定0～1大小表示故障程度,大于等于0.5時表示存在相應的故障[10]。

(3)訓練樣本的收集 輸入輸出特征向量確定好以后就可以進行樣本的收集,本文共收集12組數據如表2,其中Y1,Y2,,Y3,Y4,和Y5分別代表一般過熱,嚴重過熱,局部放電,電弧放電和火花放電。

表2 輸入樣本數據

2.2 仿真結果與分析

用MATLAB編程并進行算例仿真,從圖3可以看出,通過遺傳算法改進后的神經網絡,并行搜索全局最優(yōu),得到的權值具有遍歷性,從而訓練誤差曲線穩(wěn)步下降,而且在訓練速度和精度上得到了提高[11]。從圖中可以看出GA-BP算法經過大約76代的搜索后染色體的平均適應度趨于穩(wěn)定。

圖4為GA-BP算法的誤差平方和曲線,從圖中可以看出,目標的誤差曲線收斂也較好,結果誤差在0.001附件,達到了要求,說明網絡可以使用。

圖3 GA-BP算法適應度曲線

圖4 GA-BP算法訓練誤差曲線

為了驗證模型的準確性,再次輸入表2的樣本數據,網絡的仿真結果如表3所示,可以看到采用GA-BP算法可以較好的診斷變壓器故障。

表3 變壓器故障診斷的實際輸出與期望輸出

3 結論

將電力變壓器油中氣體分析法作為檢測數據的來源。利用遺傳神經網絡可有效的分析變壓器油中特征氣體的成分和濃度,來診斷電力變壓器的故障。論文結合遺傳算法和神經網絡的優(yōu)點,提高了識別故障類型的能力,改善了故障診斷的精度、速度。實例仿真結果表明該方法對變壓器進行故障診斷,具有較快的收斂速度和較高的診斷精度。

[1] D I/T 722-2000.變壓器油中溶解氣體分析和判斷導則[S].

[2] 楊海馬,劉瑾等.BP神經網絡在變壓器故障診斷中的應用[J].控制理論與應用,2009,1(6):12-16.

[3] 張文修,梁怡.遺傳算法的數學基礎[M].西安:西安交通大學出版社,1999:12-13.

[4] 周明,孫樹棟.遺傳算法原理及應用[M].北京:國防工業(yè)出版社,2005:24-25.

[5] 韓力群.人工神經網絡教程[M].北京:北京郵電大學出版社,2006:4-5.

[6] 原清,賀新鋒,劉湘崇.遺傳算法和神經網絡在導彈測試設備故障診斷中的應用研究[J].測試技術學報, 2002(12):12-23.

[7] 李劍敏,盧敦治.神經網絡在電力變壓器故障診斷中的應用[J].浙江工程學院學報,2002,17(1):25-29.

[8] 高文勝,嚴璋,談克雄.基于油中溶解氣體分析的電力變壓器絕緣故障診斷方法[J].電工電能新技術,2000, 19(1):22-26.

[9] 楊啟平,薛五德.高新技術在變壓器故障診斷中的應用[J].上海電力學院學報,2002,18(4):36-38.

[10] 楊凡,米根.鎖.BP網絡結合遺傳算法在故障診斷中的應用[J].控制理論與應用,2006(15):11-16.

[11] 原清,賀新鋒,劉湘崇.遺傳算法和神經網絡在導彈測試設備故障診斷中的應用研究[J].測試技術學報, 2002(12):26-31.