一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的電網(wǎng)故障診斷方法

章熙　郭翔　余云昊　陳佳捷　王金賀　彭伯莊

摘? 要：提出了一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的電網(wǎng)故障診斷方法，利用神經(jīng)網(wǎng)絡的非線性問題處理能力進行故障診斷。針對BP神經(jīng)網(wǎng)絡在運算過程中易陷入局部極小的問題，結(jié)合遺傳算法計算網(wǎng)絡參數(shù)初始值，尋找最優(yōu)的隱含層節(jié)點數(shù)，對網(wǎng)絡進行優(yōu)化。結(jié)合實例驗證，該方法相對于傳統(tǒng)BP神經(jīng)網(wǎng)絡在解決電網(wǎng)故障診斷問題上，收斂速度和準確率都有所提升。

關(guān)鍵詞：電網(wǎng)故障診斷;遺傳算法;BP神經(jīng)網(wǎng)絡

中圖分類號：TP183? ? ? ? 文獻標志碼：A? ? ? ? 文章編號：2095-2945（2019）29-0015-03

Abstract： A power network fault diagnosis method based on BP neural network optimized by genetic algorithm is proposed. The nonlinear problem processing ability of neural network is used for fault diagnosis. In order to solve the problem that BP neural network is easy to fall into local minimum in the process of operation， the initial value of network parameters is calculated by genetic algorithm， the optimal number of hidden layer nodes is found， and the network is optimized. Based on an example， it is verified that the convergence speed and accuracy by this method are improved， compared with the traditional BP neural network， in solving the problem of power network fault diagnosis.

Keywords： power network fault diagnosis; genetic algorithm; BP neural network

1 概述

電網(wǎng)故障診斷就是通過檢測和分析電網(wǎng)中各電氣量以及開關(guān)量變化信息，識別故障位置和原因的過程[1]。準確的故障診斷方法能夠縮短電網(wǎng)設備運維時間，對減少損失具有重要意義。電網(wǎng)出現(xiàn)故障時，工作人員會在短時間接收到電網(wǎng)系統(tǒng)上報的大量故障報警信息，隨著電網(wǎng)規(guī)模的不斷擴大，僅靠人工處理這些信息并快速做出故障判斷是十分困難的。而基于智能技術(shù)的診斷方法更加快速準確，為電網(wǎng)故障診斷領域開辟了新途徑，是未來研究的重點和熱點。

目前基于人工智能的電網(wǎng)故障診斷方法被廣泛研究和應用，包括專家系統(tǒng)[2]、人工神經(jīng)網(wǎng)絡[3]、Bayesian網(wǎng)絡[4]、模糊理論[5]、Petri網(wǎng)[6]等。本文提出一種利用BP神經(jīng)網(wǎng)絡的電網(wǎng)故障預測方法，針對BP神經(jīng)網(wǎng)絡在運算過程中會陷入局部極小值的缺點，結(jié)合遺傳算法的特點進行網(wǎng)絡結(jié)構(gòu)優(yōu)化。最后結(jié)合實例驗證，該算法相對于傳統(tǒng)BP神經(jīng)網(wǎng)絡在解決電網(wǎng)故障診斷問題上，收斂速度和準確率都有所提升。

2 基于BP神經(jīng)網(wǎng)絡的電網(wǎng)故障診斷方法

2.1 基于遺傳算法的BP神經(jīng)網(wǎng)絡優(yōu)化

典型的BP神經(jīng)網(wǎng)絡包含3層前饋網(wǎng)絡，分別為輸入層、隱藏層和輸出層，理論上可以表示任意的非線性關(guān)系。常規(guī)的BP神經(jīng)網(wǎng)絡的學習過程分為正向傳播和反向傳播。正向傳播時，將樣本通過隱藏層處理之后傳向輸出層，將實際輸出和期望輸出進行比較，若沒有得到期望輸出則進入反向傳播;反向傳播過程將誤差信號逆向傳回隱藏層， 并對隱藏層神經(jīng)元的權(quán)值和閾值進行修改，使誤差信號最小[7]。權(quán)值修正通常采用梯度下降法，因此迭代的搜索方向總是正交的，訓練易陷入局部最小，網(wǎng)絡的收斂速度較慢[8]。針對這個缺陷，本文利用遺傳算法的屬性來進行優(yōu)化，主要體現(xiàn)在利用其確定網(wǎng)絡初始權(quán)值、閾值和隱藏層節(jié)點數(shù)，從而提高診斷方法的收斂速度和精度。

遺傳算法優(yōu)化三層BP網(wǎng)絡連接權(quán)值和閾值的算法流程：將網(wǎng)絡權(quán)值、閾值按一定順序排列成實數(shù)數(shù)組，作為遺傳算法的染色體群。計算每個染色體的適應度，按適應度選擇個體。按一定的交叉和變異概率產(chǎn)生新的個體，并判斷是否符合優(yōu)化標準或循環(huán)次數(shù)。如果循環(huán)次數(shù)小于網(wǎng)絡個數(shù)則改變網(wǎng)絡的隱含層節(jié)點數(shù)目重新計算，若符合則保存并比較最佳個體， 選出最優(yōu)個體，將最優(yōu)個體按順序拆分得到BP網(wǎng)絡的初始權(quán)值和閾值。算法流程如圖1所示。

遺傳算法優(yōu)化三層BP網(wǎng)絡結(jié)構(gòu)的算法流程：首先根據(jù)具體問題確定神經(jīng)網(wǎng)絡的結(jié)構(gòu)，其中由經(jīng)驗公式得出隱藏層節(jié)點數(shù)目初值;對隱藏層節(jié)點數(shù)的初值進行編碼，產(chǎn)生初代種群;按照優(yōu)勝劣汰的原理，逐代演化，根據(jù)實際問題域中個體的適應度情況選擇更好的個體，接著進行交叉和變異的遺傳操作;以進化過程中所得到的具有最大適應度個體作為最優(yōu)個體，解碼后得到最優(yōu)隱層節(jié)點數(shù)目;網(wǎng)絡的目標函數(shù)可選均方差函數(shù)，對網(wǎng)絡的評價如果滿足條件，則輸出最優(yōu)隱層節(jié)點數(shù)目。

2.2 電網(wǎng)故障診斷過程

利用上述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的電網(wǎng)故障診斷模型進行訓練，得到最終故障診斷模型結(jié)構(gòu)，方法的具體流程如下。

Step1：根據(jù)具體電網(wǎng)系統(tǒng)結(jié)構(gòu)的電氣特征確定BP神經(jīng)網(wǎng)絡輸入層和輸出層節(jié)點數(shù)，根據(jù)經(jīng)驗公式確定隱藏層節(jié)點數(shù)，對網(wǎng)絡參數(shù)進行初始化。

Step2：利用遺傳算法確定網(wǎng)絡的參數(shù)初值和隱藏層節(jié)點數(shù)，得到優(yōu)化后的BP神經(jīng)網(wǎng)絡，具體方法見2.1節(jié)。

Step3：根據(jù)具體電網(wǎng)結(jié)構(gòu)得到故障決策表構(gòu)成模型的訓練集，選出故障樣本作為測試集。將測試集樣本輸入到BP神經(jīng)網(wǎng)絡模型，對BP神經(jīng)網(wǎng)絡進行誤差逆?zhèn)鞑ビ柧?將測試集樣本輸入到訓練好的模型中進行故障診斷效果驗證。

3 實例驗證與分析

為了驗證上述方法的有效性，本文以一個簡單配電系統(tǒng)[9]為例（如圖2），可以分為5個部分（Sec1～5），每個部分都配有過流保護部件（CO1～5）;Sec1和Sec3配有距離保護部件（RR1、RR3）。

圖2所示的配電系統(tǒng)模型，距離保護、過流保護和斷路器保護開關(guān)是電網(wǎng)故障判斷條件，是神經(jīng)網(wǎng)絡模型的輸入;故障部分作為決策屬性，在神經(jīng)網(wǎng)絡模型中是輸出量。故障決策表（見表1）共有12組樣本，每組有12個判斷條件，對應模型的輸入層節(jié)點數(shù)為12;輸出層節(jié)點數(shù)為6，對應于5個故障部分和沒有故障的情況。

將上述利用遺傳算法確定隱含層節(jié)點數(shù)方法進行仿真計算，當隱含層節(jié)點數(shù)為13時，均方差達到最小值，由此確定網(wǎng)絡的隱藏層節(jié)點數(shù)為13。表2給出了6個故障樣本，其中樣本1和樣本6屬于斷路器誤動故障，樣本2屬于過流保護誤動故障，樣本3～5屬于斷路器拒動故障。表3為兩種神經(jīng)網(wǎng)絡經(jīng)過訓練后對上述測試樣本的診斷結(jié)果。

從訓練效果來看，經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡在診斷結(jié)準確性上優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡。主要表現(xiàn)在：優(yōu)化后的方法對各類樣本都可以較好地識別，而傳統(tǒng)BP神經(jīng)網(wǎng)絡模型只能正確識別出3個故障樣本;同時優(yōu)化之后的BP神經(jīng)網(wǎng)絡的誤差精度和收斂穩(wěn)定性相比較傳統(tǒng)BP神經(jīng)網(wǎng)絡也有所提高。

4 結(jié)束語

本文提出的利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的初始權(quán)值、閾值和隱含層節(jié)點數(shù)的方法，模型能夠有效地判斷電網(wǎng)系統(tǒng)發(fā)生故障的位置，具有一定的容錯性，規(guī)避了傳統(tǒng)BP神經(jīng)網(wǎng)絡容易陷入局部極小值而不是全局最優(yōu)的缺陷。該算法能夠結(jié)合遺傳算法和BP神經(jīng)網(wǎng)絡的優(yōu)勢，在電網(wǎng)故障診斷問題上，速度和準確性方面都有所提升。

參考文獻：

[1]王磊，陳青，高湛軍.輸電網(wǎng)故障診斷的知識表示方法及其應用[J].中國電機工程學報，2012，32（4）：85-92.

[2]樂恩典，林曉春，范曉春.基于智能技術(shù)的電力變壓器故障診斷專家系統(tǒng)[J].科技創(chuàng)新與應用，2017（11）：204-204.

[3]郝春燕，魏海坤，張侃健，等.基于神經(jīng)網(wǎng)絡的模擬電路故障診斷方法[J].工業(yè)控制計算機，2018，31（6）：66-68.

[4]雍明超，呂俠，周鐘，等.基于樸素貝葉斯算法的電力變壓器故障診斷方法研究[J].電氣應用，2017（14）：36-39.

[5]程學珍，林曉曉，朱春華，等.基于時序信息的模糊Petri網(wǎng)電網(wǎng)故障診斷方法[J].電工技術(shù)學報，2017，32（14）：229-237.

[6]程學珍，林曉曉，朱春華，等.基于加權(quán)模糊Petri網(wǎng)的電網(wǎng)分層故障診斷方法[J].山東科技大學學報（自然科學版），2017，36（1）：86-93.

[7]潘昊，王曉勇，陳瓊，等.基于遺傳算法的BP神經(jīng)網(wǎng)絡技術(shù)的應用[J].計算機應用，2005，25（12）：2777-2779.

[8]楊金寶，張昌宏，陳平.基于改進BP神經(jīng)網(wǎng)絡的網(wǎng)絡故障診斷研究[J].計算機與數(shù)字工程，2012，40（2）：65-67.

[9]余貽鑫，馬世乾，徐臣.配電系統(tǒng)快速仿真與建模的研究框架[J].中國電機工程學報，2014，34（10）：1675-1681.