基于遺傳小波神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷*

馬桂雨，王雪丹，萬 丹

(黑龍江科技學(xué)院，黑龍江哈爾濱 150027)

基于遺傳小波神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷*

馬桂雨，王雪丹，萬 丹

(黑龍江科技學(xué)院，黑龍江哈爾濱 150027)

電力變壓器油中溶解氣體的色譜分析是變壓器故障診斷的重要方法，通過該方法可以間接了解變壓器的運(yùn)行狀態(tài)和內(nèi)部潛在故障.人工神經(jīng)網(wǎng)絡(luò)已經(jīng)成功地應(yīng)用于電力變壓器故障診斷，但學(xué)習(xí)樣本數(shù)多和輸入輸出關(guān)系復(fù)雜性減慢了網(wǎng)絡(luò)的收斂速度.為解決此問題，將用遺傳算法改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力變壓器故障診斷，克服小波算法易于陷入局部極小、收斂速度慢等缺點(diǎn).

小波神經(jīng)網(wǎng)絡(luò);遺傳算法;變壓器故障診斷

基于人工神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷將人工智能應(yīng)用于電力系統(tǒng)已經(jīng)成功研發(fā)出故障診斷設(shè)備并投入使用.由于故障征兆到故障類型的映射，呈現(xiàn)出非線性和不確定性，所以難以用一種確定的邏輯或算法進(jìn)行建模.神經(jīng)網(wǎng)絡(luò)能夠自我學(xué)習(xí)，擅于處理非線性關(guān)系的數(shù)據(jù)，使神經(jīng)網(wǎng)絡(luò)成功地應(yīng)用于變壓器故障診斷.小波神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的一種，已經(jīng)應(yīng)用于電力變壓器故障診斷，但由于小波算法易陷入局部極小和收斂速度慢等狀態(tài)中，影響電力變壓器故障診斷的準(zhǔn)確率和速度.［1］

筆者將遺傳算法的優(yōu)點(diǎn)應(yīng)用于小波神經(jīng)網(wǎng)絡(luò)，達(dá)到優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的目的，將基于遺傳小波神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于電力變壓器的故障診斷.

1 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖1 小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network，簡稱WNN)是小波分析與神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合的算法，繼承了小波變換的時(shí)域局部特性、變焦特性與神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、字適應(yīng)、魯棒性、容錯(cuò)性等功能，存在多種形式和多種學(xué)習(xí)方法［2］.實(shí)際上，小波神經(jīng)網(wǎng)絡(luò)用非線性小波基代替常用的非線性Sigmoid函數(shù)，是1種分層、多分辨率的人工神經(jīng)網(wǎng)絡(luò)［3］，本設(shè)計(jì)將小波理論與BP神經(jīng)網(wǎng)絡(luò)結(jié)合.小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示.

設(shè)該系統(tǒng)的輸入X=［X1，X2，…，XN］，輸出Y=［Y1，Y2，…，YS］，隱藏層為小波函數(shù):

設(shè)誤差能量函數(shù)、凈輸入量分別為

其中:S為輸出神經(jīng)元個(gè)數(shù);P為輸入樣本總數(shù);^Yk為輸出期望值;Yk為實(shí)際輸值;neti為凈輸入量;w1ij為輸入層到隱藏層的權(quán)值;σ(*)為Sigmoid函數(shù).

將neti代入小波函數(shù)得

其中ai為伸縮系數(shù)，bi為平移系數(shù);φab為第2層激活函數(shù).用原線性小波基代替常用的非線性Sigmoid函數(shù)，則網(wǎng)絡(luò)第k個(gè)節(jié)點(diǎn)的輸出為

其中M為隱藏層節(jié)點(diǎn)數(shù);w2ki為隱藏層到輸出層權(quán)值.

2 基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)

2.1 遺傳算法

遺傳算法(GA)［4］根據(jù)進(jìn)化論中的遺傳選擇而提出的一種自適應(yīng)啟發(fā)式全局搜索算法，通過作用在染色體上的基因來尋找好的染色體進(jìn)而求解問題，對所求解的問題本身并不了解.遺傳算法中染色體(Chromosome)是隨機(jī)產(chǎn)生待求解問題的編碼，染色體形成初始種群.用適應(yīng)度函數(shù)(Fitness)給個(gè)體評價(jià)，留下適應(yīng)度高的個(gè)體去參加遺傳操作，遺傳操作后的個(gè)體集合組成新的種群，用作下一輪進(jìn)行進(jìn)化選擇，［5］其流程圖如圖2所示.該算法包括5個(gè)基本步驟:參數(shù)編碼，初始種群的設(shè)定，適應(yīng)度函數(shù)的設(shè)計(jì)，遺傳操作設(shè)計(jì);控制參數(shù)的設(shè)定.

圖2 遺傳算法流程圖

2.2 基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

2.2.1 多值編碼方式 本設(shè)計(jì)采用了二進(jìn)制與實(shí)值編碼結(jié)合的多值編碼方式，這種1維編碼把搜索空間的參數(shù)轉(zhuǎn)換到遺傳空間后，其相應(yīng)的基因呈1維排列構(gòu)成基因鏈碼.將每個(gè)染色體分為2段，第1段為構(gòu)成小波神經(jīng)網(wǎng)絡(luò)參數(shù)基因段，包括權(quán)值、伸縮系數(shù)、平移系數(shù)，采用實(shí)數(shù)編碼基因位;第2段為小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)基因段，用二進(jìn)制編碼，編碼表示該單元的有效性，“0”為無效，“1”為有效［6］，其中Q=M×N+S×M，“0”和“1”總共有M個(gè)，表示小波神經(jīng)網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)的一個(gè)染色體如圖3所示.

2.2.3交叉 按一定的概率Pc從群體中隨機(jī)選擇1個(gè)截?cái)帱c(diǎn)，將2個(gè)個(gè)體的基因在截?cái)帱c(diǎn)處切開，并交換其后半部分，從而組合成2個(gè)新的個(gè)體.由于本設(shè)計(jì)采用的多值編碼方式編碼，在進(jìn)行交叉運(yùn)算時(shí)，首先需要判斷交叉基因位的編碼方式，不同的編碼方式所用的交叉方式也不同.

2.2.4變異 按一定的概率Pm對群體的某些部位進(jìn)行變異，在變異操作時(shí)，也需要首先判斷該基因的編碼方式，不同的編碼方式所用的變異方式也不同.如果變異位采用二進(jìn)制編碼時(shí)，以1個(gè)確定的概率對其進(jìn)行求反運(yùn)算來進(jìn)行變異操作.如果是實(shí)值編碼，則采用進(jìn)行變異操作.［7］其中:t為進(jìn)化代數(shù);分別表示被選擇變異的父代和子代;δ∈［0，1］為均勻分布的隨機(jī)數(shù).

2.2.6動態(tài)網(wǎng)絡(luò)參數(shù) 染色體經(jīng)進(jìn)行交叉變異后，根據(jù)第1段基因的有效性，不斷調(diào)整隱層節(jié)點(diǎn)數(shù)及連接權(quán)個(gè)數(shù).

3 變壓器故障診斷的仿真

3.1 輸入輸出矢量的確定

本文將故障分為無故障、中低溫過熱、高溫過熱、低能量放電和高能量放電4種類型，以H2，CH4，C2H2，C2H4，C2H6這5種特征氣體在油中的實(shí)際含量作為神經(jīng)網(wǎng)絡(luò)的輸入向量，以5種故障類型為網(wǎng)絡(luò)輸出，則輸出節(jié)點(diǎn)數(shù)為5，［9］故障類型對應(yīng)輸出神經(jīng)元的輸出結(jié)果編碼如表1所示.

表1 故障類型對應(yīng)的期望輸出

3.2 樣本數(shù)據(jù)的選擇與處理

3.3 網(wǎng)絡(luò)的訓(xùn)練和仿真結(jié)果

本文仿真通過美國MsthWork公司推出的Matlab7.0軟件實(shí)現(xiàn)［10］其實(shí)踐仿真，選取收集到的30 000組數(shù)據(jù)作為學(xué)習(xí)樣本，將其中25 000組數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練樣本，剩下的5 000組數(shù)據(jù)作為測試樣本.其程序步驟如下:

(1)初始種群的設(shè)定.設(shè)定種群的規(guī)模和控制參數(shù)，種群的規(guī)模不能太小也不能太大，本設(shè)計(jì)種群規(guī)模取值為100，最大隱單元數(shù)、交叉概率和變異概率分別選為15，0.7，0.01;

(2)使用隨機(jī)的方法產(chǎn)生初始的群體，初始種群在相應(yīng)的基因范圍內(nèi).本文設(shè)a∈［0.001，10］，b∈［-10，10］，w∈［-10，10］;

(3)計(jì)算網(wǎng)絡(luò)模型輸出和誤差;

(4)確定染色體的適應(yīng)度，保存最優(yōu)，之后進(jìn)行選擇計(jì)算，最后生成新一代群體;

(5)進(jìn)行交叉和變異;

(6)計(jì)算交叉和變異之后染色體的適應(yīng)度，若滿足收斂條件迭代結(jié)束，則轉(zhuǎn)步驟(7)，不滿足需要重復(fù)迭代;

(7)解碼操作，輸出獲得的結(jié)構(gòu);

(8)根據(jù)網(wǎng)絡(luò)對測試樣本進(jìn)行測試，并根據(jù)結(jié)果繪制測試的仿真曲線.

網(wǎng)絡(luò)經(jīng)過訓(xùn)練后收斂，獲到染色體的結(jié)構(gòu)基因段為1.000 1.000 0 0 1.000 1.000 0 0 1.000 1.000 0 1.000 1.000 1.000 1.000，從中可知:選取隱藏層神經(jīng)元個(gè)數(shù)為10，得到所需網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)如下:

隱藏層神經(jīng)元的閾值向量為

輸出單元的閾值向量為

輸入層與隱藏層的權(quán)值矩陣為

輸出層與隱藏層的權(quán)值矩陣為

網(wǎng)絡(luò)訓(xùn)練過程誤差曲線如圖4所示.

圖4 網(wǎng)絡(luò)訓(xùn)練過程誤差曲線

4 變壓器故障診斷實(shí)驗(yàn)

25 000 組學(xué)習(xí)樣本訓(xùn)練網(wǎng)絡(luò)后，用5 000組數(shù)據(jù)進(jìn)行檢驗(yàn)，最后采用遺傳算法改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真.將檢測用的5 000組數(shù)據(jù)分別加入不同比例的隨機(jī)噪聲，再對它的診斷能力進(jìn)行檢測，網(wǎng)絡(luò)診斷結(jié)果統(tǒng)計(jì)如圖5.由圖5可見，由于遺傳算法的全局優(yōu)化的特性，用遺傳算法改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)用在電力變壓器故障診斷時(shí)比小波神經(jīng)網(wǎng)絡(luò)、普通BP神經(jīng)網(wǎng)絡(luò)、IEC三比值診斷法的準(zhǔn)確率高;當(dāng)噪聲分別為5%、10%、15%和20%時(shí)，遺傳改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)的變壓器故障誤診率明顯低于后三者;但當(dāng)15%和20%噪聲時(shí)遺傳小波神經(jīng)網(wǎng)絡(luò)的診斷正確率低于小波神經(jīng)網(wǎng)絡(luò)，說明遺傳小波神經(jīng)網(wǎng)絡(luò)在抗強(qiáng)度噪音能力不強(qiáng).

圖5 故障診斷正確率統(tǒng)計(jì)圖

5 結(jié)語

闡述了小波神經(jīng)網(wǎng)絡(luò)和遺傳算法以及它們之間的結(jié)合方式，針對目前使用廣泛的IEC三比值法和基于神經(jīng)網(wǎng)絡(luò)模型診斷變壓器普遍存在的不足，提出一種用遺傳算法改進(jìn)小波神經(jīng)網(wǎng)絡(luò)的模型，并通過Matlab實(shí)現(xiàn).用采集來的數(shù)據(jù)樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練，進(jìn)而得到一個(gè)優(yōu)化了的網(wǎng)絡(luò)，與IEC三比值法、BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，發(fā)現(xiàn)遺傳小波神經(jīng)網(wǎng)絡(luò)的故障診斷率較高，并且彌補(bǔ)了IEC三比值法在編碼和臨界值缺損時(shí)不能進(jìn)行診斷故障的不足，為保證電力變壓器安全運(yùn)行提供了一種行之有效的方法.

［1］ 陳 健.電力變壓器的智能故障診斷研究［D］.長沙:湖南大學(xué)，2010.

［2］ 李曉利.基于小波神經(jīng)網(wǎng)絡(luò)的化工安全評價(jià)研究［D］.太原:太原理工大學(xué)，2007.

［3］ 羅德江.小波神經(jīng)網(wǎng)絡(luò)在致密砂巖儲層參數(shù)預(yù)測中的應(yīng)用［J］.內(nèi)蒙古石油化工，2007(12):23-26.

［4］ 潘 翀，陳偉根，云玉新，等.基于遺傳算法進(jìn)化小波神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷［J］.電力系統(tǒng)自動化，2007 (13):88-92.

［5］ 徐朝勝.離散變量優(yōu)化方法的研究及其在管棒類型材下料中的應(yīng)用［D］.合肥:合肥工業(yè)大學(xué)，2004.

［6］ 王南蘭.基于多值編碼混合遺傳算法的變壓器故障診斷［J］.電氣應(yīng)用，2006(6):35-40.

［7］ 黃 敏.基于多值編碼的混合遺傳算法的小波神經(jīng)網(wǎng)絡(luò)優(yōu)化［J］.系統(tǒng)仿真學(xué)報(bào)，2004(9):21-24.

［8］ 孫維志.用進(jìn)化策略方法反演二維彈性波動方程的參數(shù)［J］.計(jì)算物理，2002(6):41-43.

［9］ 烏聰敏.電力變壓器故障診斷及電力技術(shù)監(jiān)督系統(tǒng)的研究［D］.天津:天津大學(xué)，2009.

［10］ 涂雪平.求解置換流水車間調(diào)度問題的改進(jìn)遺傳算法［J］.計(jì)算機(jī)工程與應(yīng)用，2009(36):18-22.

(責(zé)任編輯 陳炳權(quán))

Power Transformer Fault Diagnosis Based on Genetic Wavelet Neural Network

MA Gui-yu，WANG Xue-dan，WAN Dan
(Heilongjiang University of Science and Technology，Harbin 150027，China)

The chromatographic analysis of the power transformer oil dissolved gas is an important method for transformer fault diagnosis by which the operating state of the transformer and the potential transformer internal fault can be grasped indirectly.Artificial neural network has been applied in the power transformer fault diagnosis successfully，but the large number of learning samples and the complicated input-output relationship will lead to a slow network convergence.To resolve the problem，this paper employ the wavelet neural network improved by using genetic algorithms in power transformer fault diagnosis，thus overcoming the shortcomings of local minima and slow convergence speed.

wavelet neural network;genetic algorithms;power transformer fault diagnosis

TM407;TP18

A

10.3969/j.issn.1007-2985.2013.01.013

1007-2985(2013)01-0051-05

2012-10-12

馬桂雨(1987-)，男，山西大同人，黑龍江科技學(xué)院碩士研究生，主要從事人工智能在電力系統(tǒng)自動化中的應(yīng)用研究

王雪丹(1956-)，女，黑龍江哈爾濱人，黑龍江科技學(xué)院教授，碩士生導(dǎo)師，博士，主要從事交直流電力拖動系統(tǒng)與控制、諧波抑制和無功功率補(bǔ)償?shù)妊芯?E-mail:wxd06@163.com.