混沌免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷

賈花萍,李堯龍,何小虎

(渭南師范學(xué)院 網(wǎng)絡(luò)安全與信息化學(xué)院，陜西 渭南 714099)

?

【現(xiàn)代應(yīng)用技術(shù)研究】

混沌免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷

賈花萍,李堯龍,何小虎

(渭南師范學(xué)院 網(wǎng)絡(luò)安全與信息化學(xué)院，陜西 渭南 714099)

對變壓器進(jìn)行故障診斷，在提高電力系統(tǒng)運行的安全性和可靠性方面具有重要意義。傳統(tǒng)的BP算法是一種局部搜索的優(yōu)化方法，在變壓器故障診斷的過程中很有可能陷入局部極值，使收斂速度較慢，算法效率較低。文章提出采用混沌免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)方法進(jìn)行變壓器故障診斷，在網(wǎng)絡(luò)權(quán)值調(diào)整過程中引入免疫算法的思想，采用免疫算法對網(wǎng)絡(luò)權(quán)值進(jìn)行全局優(yōu)化，最后用該算法對變壓器進(jìn)行故障診斷，并與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)診斷方法進(jìn)行比較。結(jié)果表明，將該方法用在變壓器故障診斷中，其正確率提高了5%，訓(xùn)練速度減少了182次，收斂速度更快，可靠性更高。

混沌免疫;神經(jīng)網(wǎng)絡(luò);變壓器;故障診斷

0 引言

變壓器作為電力系統(tǒng)的關(guān)鍵設(shè)備，主要用來實現(xiàn)電壓變換和電能的分配與傳輸。變壓器故障如果能夠及時被發(fā)現(xiàn)和消除，可以大幅提高電力系統(tǒng)運行的可靠性與安全性。目前，變壓器故障診斷方法較多，經(jīng)常采用的方法是溶解氣體分析法，采用這種方法進(jìn)行變壓器故障診斷，其可靠性高達(dá)85%[1-2]，但是這種方法耗時長且不能實時預(yù)測故障。在變壓器故障診斷的研究中，三比值法簡單易操作，但該方法的診斷正確率不高。人工智能方法在變壓器故障診斷中具有很大的優(yōu)勢，在解決不確定問題上的精度較高，傳統(tǒng)方法與人工智能方法相結(jié)合也是一個研究熱點。變壓器故障具有隨機性、模糊性和不確定性的特點,近年來，隨著人工智能的發(fā)展，用人工智能方法診斷變壓器故障也成為常用方法，如人工神經(jīng)網(wǎng)絡(luò)、動態(tài)聚類、模糊推理、粗糙集、遺傳算法、小波分析、灰關(guān)聯(lián)熵以及證據(jù)推理Petri網(wǎng)絡(luò)等。[3-4]王重云提出用神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)對變壓器故障進(jìn)行診斷,提高了診斷的可靠性[5]，但是神經(jīng)網(wǎng)絡(luò)方法存在隱含層節(jié)點個數(shù)依靠經(jīng)驗確定、收斂速度較慢、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程需要大量樣本等問題，直接影響故障診斷的可靠性及正確性。索紅軍提出變壓器故障診斷專家系統(tǒng)[6],雖然能夠完成故障診斷，但在知識獲取方面，存在瓶頸問題。鮑連承等人[7]提出用模糊遺傳神經(jīng)網(wǎng)絡(luò)的信息融合技術(shù)進(jìn)行故障診斷，其網(wǎng)絡(luò)結(jié)構(gòu)簡單，可得到較好的診斷效果。現(xiàn)在，利用各種智能診斷方法進(jìn)行信息融合實現(xiàn)變壓器故障診斷也成為研究熱點。

本文擬提出采用混沌免疫算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值來提高變壓器故障診斷的可靠性。該方法具體是將神經(jīng)元權(quán)值進(jìn)行編碼，編碼成的實數(shù)碼串用來表示個體，其初始群體用混沌算法產(chǎn)生，然后進(jìn)行免疫優(yōu)化計算，新神經(jīng)網(wǎng)絡(luò)是通過每進(jìn)行一代計算將碼串解碼為權(quán)值形式。神經(jīng)網(wǎng)絡(luò)的輸出誤差通過樣本進(jìn)化計算獲得，確定個體適應(yīng)度，經(jīng)過若干代的計算，使得其誤差達(dá)到全局最小。文中擬采用混沌免疫神經(jīng)網(wǎng)絡(luò)模型進(jìn)行變壓器故障診斷，利用混沌的遍歷性及隨機性產(chǎn)生初始權(quán)值和閾值，用免疫算法調(diào)整種群多樣性，提高診斷的可靠性。

1 材料與方法

1.1混沌神經(jīng)網(wǎng)絡(luò)

混沌是一種現(xiàn)象，也是一種非線性動力學(xué)行為,是指在確定性非線性系統(tǒng)中，存在的看似無規(guī)則而類似隨機的現(xiàn)象。1990年,Aihara提出混沌神經(jīng)元模型;1991年Inoue等人提出用耦合的混沌振蕩子作為單個神經(jīng)元,構(gòu)造混沌神經(jīng)網(wǎng)絡(luò)模型的方法?；煦缗c神經(jīng)網(wǎng)絡(luò)具有共同的非線性動力學(xué)特性，用混沌神經(jīng)網(wǎng)絡(luò)進(jìn)行決策可能會有較好的效果,也易獲得全局最優(yōu)。目前廣泛研究的混沌神經(jīng)網(wǎng)絡(luò)模型是在Hopfield神經(jīng)網(wǎng)絡(luò)中引入了一個具有混沌特性的負(fù)反饋項，進(jìn)而得到了混沌神經(jīng)網(wǎng)絡(luò)模型。對于混沌現(xiàn)象的不規(guī)則運動,就可以進(jìn)行短期的但較精確的預(yù)測，在智能信息處理中，混沌神經(jīng)網(wǎng)絡(luò)有著十分廣闊的應(yīng)用前景。

目前,混沌的應(yīng)用可分為綜合混沌(Synthetic Chaos)和分析混沌(Analytic Chaos)兩方面。 綜合混沌主要是利用簡單、確定性的規(guī)則，如聯(lián)想記憶、機器人的路徑規(guī)劃等，從混沌動力學(xué)系統(tǒng)中獲得。分析混沌是隱藏的確定性規(guī)則，包括時間序列預(yù)測以及對系統(tǒng)進(jìn)行診斷等。神經(jīng)網(wǎng)絡(luò)理論研究中引入混沌學(xué)思想有助于揭示人類形象思維等方面的奧秘,進(jìn)而為合理利用神經(jīng)網(wǎng)絡(luò)的混沌行為指明方向。

混沌神經(jīng)網(wǎng)絡(luò)是利用非線性函數(shù)構(gòu)造的一類可以產(chǎn)生混沌現(xiàn)象的神經(jīng)網(wǎng)絡(luò)。它能夠按照自身的“規(guī)律”并且在一定范圍內(nèi)毫不重復(fù)地遍歷所有狀態(tài)。因此,利用混沌變量進(jìn)行優(yōu)化搜索,該方法比隨機搜索更加優(yōu)越。進(jìn)行混沌尋優(yōu)，按照以下步驟進(jìn)行:

步驟1：由混沌網(wǎng)絡(luò)產(chǎn)生一組向量。

步驟2：將混沌網(wǎng)絡(luò)產(chǎn)生的向量作為神經(jīng)網(wǎng)絡(luò)輸入,然后對神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代直至最終收斂于某個值。

步驟3：記錄此值,與已搜索到的最低值比較,若該值較低,則用該值代替原值。

步驟4：若循環(huán)迭代的次數(shù)大于規(guī)定的最大迭代次數(shù),則退出，將找到的最低值作為最優(yōu)解輸出;否則返回步驟1繼續(xù)迭代。

混沌現(xiàn)象的雜亂表現(xiàn)與隨機變量相類似，這是其隨機性。而且混沌現(xiàn)象能在隨機性和確定性之間表現(xiàn)出非常豐富而多樣化的時空動態(tài)。[8]將混沌理論用于優(yōu)化神經(jīng)網(wǎng)絡(luò)，主要就是因為混沌的遍歷性以及隨機性這兩個特點能夠幫助神經(jīng)網(wǎng)絡(luò)克服自身的不足，讓神經(jīng)網(wǎng)絡(luò)能夠逃離局部極值而提高其自身的性能。如果利用混沌特性對神經(jīng)網(wǎng)絡(luò)隱含層部分神經(jīng)元的激勵函數(shù)進(jìn)行一定的優(yōu)化，則混沌的激勵函數(shù)和它的導(dǎo)數(shù)沒有飽和區(qū)這一特點能夠讓BP神經(jīng)網(wǎng)絡(luò)避免出現(xiàn)假飽和，減少網(wǎng)絡(luò)學(xué)習(xí)所需的迭代次數(shù)，從而使神經(jīng)網(wǎng)絡(luò)的泛化能力和學(xué)習(xí)速度得到提高。

1.2混沌免疫神經(jīng)網(wǎng)絡(luò)方法

編碼：編碼又稱計算機編程語言的代碼，指的是用少量而簡單的基本符號，采取一定的組合規(guī)則，來表示大量的、復(fù)雜的、多樣的信息。是將信息從一種形式轉(zhuǎn)換為另一種形式的方法。用實數(shù)表示網(wǎng)絡(luò)權(quán)值比較直觀，而且不會因為精度低而使訓(xùn)練失敗，網(wǎng)絡(luò)輸入層個數(shù)為Innum，隱含層個數(shù)為Midnum，輸出層個數(shù)為Outnum。

混沌隨機序列生成：混沌隨機序列的產(chǎn)生采用Logistic[9]映射，即yn+1=f(μ,yn)=μyn(1-yn)，n=1,2，…，當(dāng)y∈[0,1],μ∈[0,4]時，控制參數(shù)μ的值不斷增加，系統(tǒng)穩(wěn)定解會呈現(xiàn)不同性質(zhì)。

數(shù)據(jù)處理：采用標(biāo)準(zhǔn)化方法對數(shù)據(jù)進(jìn)行預(yù)處理，利用min-max方法進(jìn)行標(biāo)準(zhǔn)化處理，數(shù)據(jù)經(jīng)過標(biāo)準(zhǔn)化處理后，全部處于[0,1]的范圍內(nèi)，使神經(jīng)網(wǎng)絡(luò)更加容易進(jìn)行訓(xùn)練和學(xué)習(xí)。

1.3實驗方法

實驗采用Matlab(R2010b)軟件，采用神經(jīng)網(wǎng)絡(luò)方法對變壓器進(jìn)行故障診斷時，依據(jù)變壓器故障將特征氣體的數(shù)據(jù)樣本(經(jīng)過標(biāo)準(zhǔn)化之后的數(shù)據(jù))作為神經(jīng)網(wǎng)絡(luò)輸入進(jìn)行學(xué)習(xí)，輸出為變壓器的故障類型。目前采用較多的是BP神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)結(jié)構(gòu)簡單,在故障情況不復(fù)雜的情況下,處理結(jié)果較為準(zhǔn)確。采用混沌免疫神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)分別對變壓器故障類型進(jìn)行識別，對識別結(jié)果加以比較。

表1 數(shù)據(jù)樣本

1.3.1 實驗數(shù)據(jù)

變壓器故障診斷數(shù)據(jù)樣本取自表1，表1為部分?jǐn)?shù)據(jù)樣本，因樣本量過大，不能全部列出(樣本數(shù)據(jù)有300組)。從油浸式變壓器中提取H2、CH4、C2H6、C2H4、C2H2為特征氣體進(jìn)行故障診斷，樣本中有6種故障類型，即

故障類型1：低溫過熱(150 ℃～300 ℃)；

故障類型2：高溫過熱(大于700 ℃);

故障類型3：局部放電(指在外施加電壓下，在絕緣較弱的位置，靜電荷發(fā)生靜電游離的現(xiàn)象);

故障類型4：火花放電(指間斷性、低能量的放電故障);

故障類型5：電弧放電(當(dāng)變壓器絕緣油中C2H4含量達(dá)到20%～70%時產(chǎn)生);

故障類型6：受潮。

評價指標(biāo)的量綱及其量綱單位的不同，會對數(shù)據(jù)診斷的精度產(chǎn)生影響。對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，不僅可以消除這種由于量綱不同而產(chǎn)生的影響，而且可以解決指標(biāo)間的可比性。經(jīng)過對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化工作后，使得所有的數(shù)據(jù)指標(biāo)都保持在同一個數(shù)量級，這樣就適合對數(shù)據(jù)進(jìn)行綜合對比評價。

本文中的標(biāo)準(zhǔn)化工作采用min-max標(biāo)準(zhǔn)化(Min-Max Normalization)方法進(jìn)行，該方法又被稱為離差標(biāo)準(zhǔn)化方法，其工作原理是將數(shù)據(jù)通過線性變換后將結(jié)果映射到[0，1]，采取如下公式進(jìn)行標(biāo)準(zhǔn)化：x*=(x-min)/(max-min)，在該公式中，x*指經(jīng)過標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)，x指標(biāo)準(zhǔn)化前的樣本數(shù)據(jù)，max指樣本數(shù)據(jù)的最大值，min指樣本數(shù)據(jù)的最小值。該方法也有自身的不足，即如果有新的數(shù)據(jù)加入進(jìn)來，max和min值可能會發(fā)生變化，這時候就需要重新進(jìn)行定義。

1.3.2 免疫神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法

混沌免疫神經(jīng)網(wǎng)絡(luò)變壓器故障診斷流程如圖1所示。

圖1 混沌免疫神經(jīng)網(wǎng)絡(luò)變壓器故障診斷流程圖

步驟1：對控制參數(shù)μ進(jìn)行初始化，種群規(guī)模記為N，記憶庫種群規(guī)模記為M，T為免疫選擇閾值，對最大進(jìn)化代數(shù)進(jìn)行設(shè)定；初始化神經(jīng)網(wǎng)絡(luò)，數(shù)據(jù)歸一化，采用Kolmogorov定理設(shè)定隱含層節(jié)點數(shù)目。

步驟2：混沌隨機序列生成初始種群，產(chǎn)生N+M個抗體，計算神經(jīng)網(wǎng)絡(luò)誤差e及適應(yīng)度函數(shù)，將基因鏈碼解碼為權(quán)值。

步驟4：按期望繁殖率降序?qū)Ξ?dāng)前種群進(jìn)行排列，從中取N個群體作為父代群體，并進(jìn)行選擇、交叉、變異操作，取M個群體存入記憶庫。

步驟5：混沌變異，對期望繁殖率較大的個體進(jìn)行混沌細(xì)搜索。將較優(yōu)的個體x=(x1,x2,…,xk)映射到混沌空間得到βn=(1-α)β+αβn，其中：α是調(diào)節(jié)參數(shù)，0<α<1，βn=(βn,1,βn,2,…,βn,k)為混沌向量。βn,k由Logisic映射產(chǎn)生，若βn′優(yōu)于β，用βn′代替β并映射到優(yōu)化變量xi=ai+(bi-ai)βn,i′，ai≤xi≤bi，否則β不變，xi不變。

步驟6：更新種群，父代種群與記憶庫中的種群構(gòu)成新種群，選取一定比例的抗體(該部分抗體是期望繁殖率較低的抗體)進(jìn)行刷新，并進(jìn)行刪除。并以Logistic映射混沌序列重新生成的混沌序列替代。

步驟7：滿足結(jié)束條件，則用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行變壓器故障診斷，對結(jié)果反歸一化得到實際的診斷結(jié)果;不滿足條件，轉(zhuǎn)步驟2，達(dá)到預(yù)定的進(jìn)化代數(shù)或誤差小于給定值，結(jié)束。

1.3.3 變壓器故障診斷的BP神經(jīng)網(wǎng)絡(luò)設(shè)計

Rumelhant和McClelland于1986年提出BP神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣泛和較成功的神經(jīng)網(wǎng)絡(luò)之一。BP神經(jīng)網(wǎng)絡(luò)模型在模式識別、信號處理等方面得到了廣泛的應(yīng)用。但是，由于該算法是基于梯度的算法，易陷入局部極小點，存在收斂速度慢、網(wǎng)絡(luò)泛化能力差等缺點，其隱含層節(jié)點的確定也沒有確定的理論和方法。針對BP神經(jīng)網(wǎng)絡(luò)的缺點，人們提出了一些改進(jìn)算法，如模擬退火法、改進(jìn)梯度下降搜索法和遺傳等算法來優(yōu)化權(quán)值，取得了較好的效果。

根據(jù)BP神經(jīng)網(wǎng)絡(luò)原理，采用單隱含層的網(wǎng)絡(luò)結(jié)構(gòu)。多隱含層雖然可以提高精度，降低誤差，但會增加神經(jīng)網(wǎng)絡(luò)的復(fù)雜度和訓(xùn)練時間。從油浸式變壓器中提取CH4、C2H6、C2H4、C2H2和H2為特征氣體,將這5種特征氣體數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入，故神經(jīng)網(wǎng)絡(luò)輸入節(jié)點為5個，輸出層節(jié)點個數(shù)為故障類型，故節(jié)點個數(shù)為6，輸出1代表第1種故障類型，輸出6就代表第6種故障類型。隱含層利用Kolmogorov定理計算，其節(jié)點數(shù)目取9。選取前260組數(shù)據(jù)作為樣本數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，訓(xùn)練精度設(shè)為 0.01，取后40組樣本作為測試樣本測試網(wǎng)絡(luò)。

2 結(jié)果分析

表2 診斷結(jié)果

(1)由表2可以看出，利用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)對變壓器進(jìn)行故障診斷，經(jīng)過446次訓(xùn)練后，網(wǎng)絡(luò)性能達(dá)到要求，診斷正確率為87.5%，而采用混沌神經(jīng)網(wǎng)絡(luò)方法進(jìn)行變壓器故障診斷只需要264次就可以達(dá)到要求，訓(xùn)練速度大幅提高，并且診斷正確率達(dá)到92.5%。診斷正確率也提高了5%。

(2)以上兩種方法都能夠?qū)ψ儔浩鞴收献鞒鲚^為準(zhǔn)確的預(yù)測，但是，混沌免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)方法無論是速度、精度還是診斷結(jié)果的誤差，都明顯比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)效果好。

(3)采用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行變壓器故障診斷，算法很有可能陷入局部極值，使收斂速度較慢，算法效率較低，而混沌免疫優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法能夠避免陷入局部極小值的現(xiàn)象，并且在一定程度上加快了算法的運行速度,提高了故障診斷的正確率。

3 結(jié)語

采用任何一種單一的方法進(jìn)行故障診斷都存在優(yōu)點及缺點，為了提高變壓器的故障診斷效率，可以采用將幾種智能方法相結(jié)合進(jìn)行變壓器故障診斷，可有效地解決變壓器故障診斷中的問題。綜上，關(guān)于對變壓器進(jìn)行故障診斷的研究還在繼續(xù)，各種智能方法不斷涌現(xiàn)，但是考慮到變壓器故障的復(fù)雜性、多樣性、不確定性及數(shù)據(jù)量大與無規(guī)律性等特點，將神經(jīng)網(wǎng)絡(luò)方法與混沌免疫結(jié)合起來，取長補短，使兩者的組合能夠發(fā)揮分布存儲、并行處理的能力，具有較好處理紛繁復(fù)雜數(shù)據(jù)的優(yōu)勢。

[1] 孫祥玉,趙帥,賈宏杰.智能電網(wǎng)中的電力設(shè)備及其技術(shù)發(fā)展分析[J].電力系統(tǒng)及其自動化學(xué)報,2012,24(2):21-26.

[2] 朱德恒,談克雄.電氣設(shè)備狀態(tài)監(jiān)測與故障診斷技術(shù)的現(xiàn)狀及展望[J].電力設(shè)備,2003,(6):1-8.

[3] 宋斌,于萍,羅運柏，等.基于灰關(guān)聯(lián)熵的充油變壓器故障診斷方法[J].電力系統(tǒng)自動化，2005,29(18):76-79.

[4] 高金蘭,陶國彬,趙玉峰.思維進(jìn)化算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].科學(xué)技術(shù)與工程，2011,11(13),2957-2961.

[5] 王重云.基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷技術(shù)研究[D].大慶:東北石油大學(xué)碩士學(xué)位論文,2013.

[6] 索紅軍.一種變壓器故障診斷專家系統(tǒng)[D].西安:西安電子科技大學(xué)碩士學(xué)位論文,2009.

[7] 鮑連承,趙景波,趙海軍.基于模糊遺傳神經(jīng)網(wǎng)絡(luò)的信息融合故障診斷技術(shù)及應(yīng)用[J].電氣傳動自動化，2007,29(1):20-22.

[8] 張建宏.基于混沌神經(jīng)網(wǎng)絡(luò)的分類算法[J].計算機科學(xué),2010,37(8):251-252.

[9] 吳祥興,陳忠.混沌學(xué)導(dǎo)論[M].上海:上海科學(xué)技術(shù)文獻(xiàn)出版社,1996.

【責(zé)任編輯牛懷崗】

ChaosImmuneOptimizationNeuralNetworkTransformerFaultDiagnosis

JIA Hua-ping, LI Yao-long, HE Xiao-hu
(School of Network Security and Informatization, Weinan Normal University, Weinan 714099, China)

The fault diagnosis of transformer is of decisive significance to improve the safety and reliability of power system operation. As a result of the BP algorithm is a kind of local search optimization method, in the process of transformer fault diagnosis, the algorithm is likely to fall into the local extreme, making the convergence speed slow and the efficiency low. The fault diagnosis method of chaos immune optimization of neural network introduces the immune algorithm in the process of network weights of thought, using the immune algorithm of network weights for global optimization. Finally the algorithm for fault diagnosis of transformer with the traditional BP neural network diagnosis method is compared. The results show that the method is used in transformer fault diagnosis, which makes the accuracy rate increased by 5%, 182 times of the training speed reduced, and faster convergence speed and higher reliability achieved.

chaos immune; neural network; transformer; diagnosis

TP183

：A

：1009-5128(2017)16-0035-06

2017-03-04

陜西省自然科學(xué)基礎(chǔ)研究計劃項目：基于支持向量機和改進(jìn)粒子群算法相結(jié)合的網(wǎng)絡(luò)安全態(tài)勢預(yù)測方法(2017JM6110);陜西省軍民融合研究基金項目：SAR圖像邊緣檢測技術(shù)在關(guān)中城市群變化檢測中的應(yīng)用研究(17JMR28)；渭南市科技創(chuàng)新扶持資金項目：BCI-FES對腦卒中運動功能恢復(fù)的應(yīng)用研究(2016KYS-3-3)；渭南師范學(xué)院自然科學(xué)重點研究項目：(L，M)擬陣的模糊化與模糊擬陣的算法研究(17YKF01)

賈花萍(1979—)，女，陜西富平人，渭南師范學(xué)院網(wǎng)絡(luò)安全與信息化學(xué)院副教授，理學(xué)碩士，主要從事神經(jīng)網(wǎng)絡(luò)研究。