CN103177288A - 基于遗传算法优化神经网络的变压器故障诊断方法 - Google Patents

Abstract

本发明公开的基于遗传算法优化神经网络的变压器故障诊断方法，具体按照以下步骤实施：1）选取H₂、CH₄、C₂H₄、C₂H₆和C₂H₂作为故障的特征气体，将五种气体的组分含量作为神经网络的输入向量；2）将无故障、中低温过热、高温过热、低能量放电、高能量放电作为神经网络输出神经元，输出值为1表示属于上述五种状况之一，输出值越大表明属于上述五种状况的可能性越大；输出值为0表示不属于上述的五种状况；3）取C₂H₂/CH₄、CH₄/H₂、C₂H₆/C₂H₄的比值归一化后作为输入矢量；4）选择激活函数；5）确定神经网络的隐含层数和神经元数；6）训练神经网络。本发明的变压器故障诊断方法不仅可有效的改善神经网络的收敛速度和收敛精度，而且提高了故障诊断的成功率、故障诊断的速度及准确率。

Description

基于遗传算法优化神经网络的变压器故障诊断方法

技术领域

本发明属于变压器设备状态在线监测技术领域，具体涉及一种基于遗传算法优化神经网络的变压器故障诊断方法。

背景技术

电力变压器是电力系统中最重要的输变电设备，同时也是电力系统中发生事故最多的设备之一，其运行状态直接影响系统运行的安全与稳定，确保变压器的安全运行已受到了世界各国的广泛关注。通过对电力变压器定期进行预防性维护，实时检测高压设备的实际运行情况，检测与诊断其潜伏性故障或缺陷，提高诊断水平，做到有针对性的检修和维护，达到早期预报故障，避免恶性事故的发生，具有重要的实际意义。

据统计，近年来我国的电力系统规模巨大，变电站总数约3.5万座，主变压器约5.5万台。我国电力系统正在向超高压、大电网、大容量及自动化的方向发展。国内用电需求急剧增大，通过对电力变压器运行过程中的故障进行诊断并及时有效的判断其状态，可使变压器长期、安全可靠的运行。

如今，电力企业正面临着激烈的市场竞争，亟待解决提高供电可靠性、有效控制检修成本及合理延长设备使用寿命的问题。根据国内外许多资料表明，开展故障诊断能取得明显的经济效益，据日本统计，采用诊断技术后，事故率减少75%，维修费降低25%～50%，英国对2000个国营工程的调查表明：采用诊断技术后，每年节省维修费3亿英镑，而用于诊断技术的费用仅为0.5亿英镑，净获利2.5亿英镑。由此可见，通过对电力变压器运行过程中的故障诊断，及时有效的判断其状态，将使变压器长期、安全可靠的运行成为可能。无论是从重要性还是具有的经济效益来衡量，都将对电力系统的安全运行产生重要的意义。

发明内容

本发明的目的在于提供一种基于遗传算法优化神经网络的变压器故障诊断方法，不仅可有效的改善神经网络的收敛速度和收敛精度，而且提高了故障诊断的成功率、故障诊断的速度及准确率。

本发明所采用的技术方案是，基于遗传算法优化神经网络的变压器故障诊断方法，具体按照以下步骤实施：

步骤1，神经网络输入模式的确定：

选取H₂、CH₄、C₂H₄、C₂H₆和C₂H₂这五种气体作为故障的特征气体，将这五种气体的组分含量作为神经网络的输入向量；

步骤2，神经网络输出模式的确定：

将无故障、中低温过热、高温过热、低能量放电、高能量放电作为神经网络输出层的五个输出神经元，这五个输出神经元分别对应O₁、O₂、O₃、O₄、O₅，输出值最大为1，表示属于无故障、中低温过热、高温过热、低能量放电、高能量五种状况之一，输出值的数值越大表明属于上述五种状况的几率越大；输出值最小为0，输出值为0表示不属于上述的五种状况中的任何一种；

步骤3，对神经网络输入层的数据进行预处理：

经步骤1和步骤2确定好神经网络的输入层和输出层后，对步骤1中五种故障的特征气体作归一化处理，即取C₂H₂/CH₄、CH₄/H₂、C₂H₆/C₂H₄的比值归一化后作为神经网络的输入矢量；

步骤4，选择激活函数，其表达式为：

$f\left(x\right)=\frac{1}{1+\exp (-x)};$

步骤5，确定神经网络的隐含层数和隐含层神经元数：

选择一个隐含层，通过调整隐含层神经元数提高网络性能，若输出层的信号能达到网络误差的平方和的均值，则不考虑增加隐含层数；反之要增加隐含层数；

步骤6，训练神经网络。

本发明的特点还在于，

步骤5中隐含层神经元数有如下几种算法：

$S=\sqrt{m+n}+\mathrm{\σ};$

S＝2m+1；

S＝log2ⁿ；

$S=\sqrt{\mathrm{nm}};$

其中，S为隐含层神经元数，n为输入层神经元数，m为输出层神经元数，σ为1～10之间的常数。

步骤6具体按照以下步骤实施：

1）初始化种群P，包括对交叉规模、交叉概率Pc、突变概率Pm以及对任一W1（i，j）、B1（j）和W2（j，i）、B2（k）初始化，在编码中，采用实数进行编码；

2）计算每一个个体评价函数，并根据计算的结果将评价函数进行排序，再按以下算法计算概率值，根据计算出的概率值选择网络个体：

$P_i=f_i/\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{f}_j;$

其中f_i为个体i的适配值，用误差平方和E来衡量，即：

$f\left(i\right)=1/E\left(i\right),E\left(i\right)=\underset{p}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{(V_k-T_k)}^2;$

3）经步骤2），模糊动态调节交叉概率P_C，以交叉概率P_C对个体G_i和G_i+1进行交叉操作，产生新个体G'_i和G'_i+1，没有进行交叉操作的个体进行直接复制；

4）模糊动态调节变异概率P_m，利用变异概率P_m突变产生G_j的新个体G_j'；

5）将经步骤3）和步骤4）产生的新个体插入到步骤1）中的初始化种群P中，再计算新个体的评价函数；

6）判断算法是否结束：

计算神经网络的误差平方和E，若达到预定值ε_GA，则进入下一步骤7），否则返回步骤3）进行下一轮迭代；

7）以GA遗传出的优化初值作为初始权限值，用BP算法训练神经网络直至指定精度为ε_BP且达到ε_BP＜ε_GA。

本发明的有益效果在于，

（1）本发明的变压器故障诊断方法有效的提高了神经网络的收敛速度；

（2）本发明的变压器故障诊断方法具有高效、并行及全局搜索的能力；

（3）本发明的变压器故障诊断方法将神经网络的非线性映射和预测准确地应用于变压器的故障诊断；

（4）本发明的变压器故障诊断方法保证了较优的模式（遗传算法的较优解）的样本呈指数级增长，满足了寻找最优解的必要条件；

（5）本发明的变压器故障诊断方法在遗传算子作用下相互结合，能生成高阶、长距、高平均适应度的模式，生成全局最优解；

（6）本发明的变压器故障诊断方法为变压器设备的检修带来了很大的方便。

附图说明

图1是本发明的变压器故障诊断方法的流程示意图；

图2是本发明的变压器故障诊断方法中神经网络的结构图；

图3是本发明的变压器故障诊断方法中采用的遗传算法优化神经网络流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的基于遗传算法优化神经网络的变压器故障诊断方法，其流程如图1所示，具体按照以下步骤实施：

步骤1，神经网络输入模式的确定：

选取H₂、CH₄、C₂H₄、C₂H₆和C₂H₂这五种气体作为故障的特征气体，将这五种气体的组分含量作为神经网络的输入向量，完成神经网络输入模式的确定；

步骤2，神经网络输出模式的确定：

如图2所示，将无故障、中低温过热、高温过热、低能量放电、高能量放电作为神经网络输出层的五个输出神经元，这五个输出神经元分别对应O₁、O₂、O₃、O₄、O₅，输出值最大为1，表示属于无故障、中低温过热、高温过热、低能量放电、高能量五种状况之一，输出值的数值越大表明属于上述五种状况的可能性越大；输出值最小为0，输出值为0表示不属于上述的五种状况中的任何一种；

步骤3，对神经网络输入层的数据进行预处理：

经步骤1和步骤2确定好神经网络的输入层和输出层后，对步骤1中五种故障的特征气体作归一化处理，为了充分利用在线监测中的特征气体而又不使输入量过大，取C₂H₂/CH₄、CH₄/H₂、C₂H₆/C₂H₄的比值归一化后作为神经网络的输入矢量；

步骤4，选择激活函数，这在构建神经网络过程中是十分重要的，选取对数S形函数，其表达式为：

$f\left(x\right)=\frac{1}{1+\exp (-x)};$

步骤5，确定神经网络的隐含层数和隐含层神经元数：

选择一个隐含层，通过调整隐含层神经元数提高网络性能，如果输出层的信号能达到网络误差的平方和的均值，则不考虑增加隐含层数；反之则要增加隐含层数；

隐含层神经元数有如下四种算法：

$S=\sqrt{m+n}+\mathrm{\σ};$

S＝2m+1；

S＝log2ⁿ；

$S=\sqrt{\mathrm{nm}};$

其中，S为隐含层神经元数，n为输入层神经元数，m为输出层神经元数，σ为1～10之间的常数；

步骤6，训练神经网络：

如图2所示，对于三层神经网络：其中l（i）为神经网络输入层中第i个结点的输出；H（i）为神经网络隐含层中第i个结点的输出；O（k）为神经网络输出层中第k个结点的输出；W1（i，j）为神经网络输入层中第i个结点与隐含层第j个结点的连接权值，B1（j）为神经网络隐含层第j个结点的阈值；W2（j，i）为神经网络隐含层中第j个结点与输出层第k个结点的连接权值，B2（k）神经网络输出层第k个结点的阈值；

如图3所示，遗传算法学习网络的步骤如下：

1）初始化种群P，包括对交叉规模、交叉概率Pc、突变概率Pm以及对任一W1（i，j）、B1（j）和W2（j，i）、B2（k）初始化，在编码中，采用实数进行编码，初始种群取30；

2）计算每一个个体评价函数，并根据计算的结果将评价函数进行排序，再按以下算法计算概率值，根据计算出的概率值选择网络个体：

$P_i=f_i/\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{f}_j;$

其中f_i为个体i的适配值，用误差平方和E来衡量，即

$f\left(i\right)=1/E\left(i\right),E\left(i\right)=\underset{p}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{(V_k-T_k)}^2;$

3）经步骤2），模糊动态调节交叉概率P_C，以交叉概率P_C对个体G_i和G_i+1进行交叉操作，产生新个体G'_i和G'_i+1，没有进行交叉操作的个体进行直接复制；

4）模糊动态调节变异概率P_m，利用变异概率P_m突变产生G_j的新个体G_j'；

5）将经步骤3）和步骤4）产生的新个体插入到步骤1）中的初始化种群P中，再计算新个体的评价函数；

6）判断算法是否结束：

计算神经网络的误差平方和E，若达到预定值ε_GA，则进入下一步骤7），否则返回步骤3）进行下一轮迭代；

7）以GA遗传出的优化初值作为初始权限值，用BP算法训练神经网络直至指定精度为ε_BP且达到ε_BP＜ε_GA。

本发明构建了一种完全意义上的智能方法，用于基于油中溶解气体数据的变压器故障诊断方法，可有效的改善神经网络收敛速度和收敛精度，提从而提高了变压器的故障诊断成功率，还提高了变压器故障诊断的速度和准确率。

本发明的方法是在神经网络的基础上，对照遗传算法的特性，改进了原来的BP算法，由于BP算法是基于梯度的方法，这种方法的收敛速度慢且常受局部极小点的困扰，当学习样本数目多、输入输出关系较为复杂时，神经网络的收敛速度缓慢，收敛精度不理想，甚至不收敛；而遗传算法具有全局寻优的能力，运用遗传算法优化BP神经网络初始权重和闭值，用于变压器故障诊断模型的建立，通过该模型能快读获得其故障情况。

BP算法是人工神经网络应用最广泛的算法，具有简单性、可塑性和有效性的特点。但是也存在着一些缺陷，如学习收敛速率太慢、不能保证收敛到全局最小点，网络结构不易确定。

遗传算法的特点如下：

（l）对可行解表示的广泛性：遗传算法的处理对象不是参数本身，而是针对那些通过参数集进行编码得到的基因个体，此编码操作使得遗传算法可以直接对结构对象进行操作。这里所谓结构对象，泛指集合、序列、矩阵、树、图、链和表等各种一维霍尔维甚至多维结构形式的对象。这一特点使得遗传算法具有广泛的应用领域，比如:

①通过对连接矩阵的操作，遗传算法可用来对神经网络或自动机的结构或参数加以优化。

②通过对集合的操作，遗传算法可实现对规则集合和知识库的精炼而达到高质量的机器学习目的。

③通过对数结构的操作，用遗传算法可得到用于分类的最佳决策数。

④通过对任务序列的操作，遗传算法可用于任务规划，而通过对操作序列的处理，可自动构造顺序控制系统。

（2）群体搜索特性：许多传统的搜索方法都是单点搜索，这种点对点的搜索放法，对于多峰分布的搜索空间常常会陷于局部的某个单峰的极值点。相反，遗传算法采用的是同时处理群体中多个个体的方法，即同时对搜索空间中的多个解进行评估。这一特点使遗传算法具有较好的全局搜索性能，也使得遗传算法本身易于并行化。

（3）不需要辅助信息：遗传算法仅用适应度函数的数值来评估基因个体，并在此基础上进行遗传操作。更重要的是，遗传算法的适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。对适应度函数的唯一要求是，编码必须与可行解空间对应，不能有死码。由于限制条件的缩小，使得遗传算法的应用范围大大扩展。

（4）内在启发式随机搜索特性：遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导它的搜索方向。概率仅仅是作为一种工具来引导其搜索过程朝着搜索空间的更优化的解区域移动的。虽然看起来它是一种盲目搜索方法，实际遗传算法上它有明确的搜索方向，具有内在的并行搜索机制。

（5）遗传算法在搜索过程中不容易陷入局部最优，即使在所定义的适应度函数是不连续的、非规则的或有噪声的情况下，也能以很大的概率找到全局最优解。

（6）遗传算法采用自然进化机制来表现复杂的现象，能够快速可靠地解决求解非常困难的问题。

（7）遗传算法具有固有的并行性和并行计算的能力。

（8）遗传算法具有可扩展性，易于同别的技术混合使用

其中的开发工具选择MATLAB。它的一个重要优点就是有快速的矩阵运算能力，同时MATLAB有较强的可移植性，可以与C语言混合变成MATLAB又提供了很多函数，大大减少了用户的工作量。

实施例

用于变压器故障诊断的结构为3-13-7BP神经网络；

参数的选取为：种群规模：P为30；

GA的最大迭代次数：180；

进化误差平方和：0.5；

在建立GA-BP变压器故障诊断网络中输入10个样本进行训练，得到的输入层与隐含层连接的权重：

W1：

-6.1522	-23.6534	-0.7841
			-6.8474	-5.5802	-1.0999
-1.3293	4.8783	-3.2766
			-11.2541	4.6850	-0.2669
-0.1712	4.0790	-2.1670
			0.0114	2.7216	-4.9746
-1.3937	0.4124	4.3756
			2.0053	-18.7797	-7.3399
5.3246	-3.8868	0.8114
			0.2930	3.1897	-2.7551
-5.6009	-0.1658	-2.5381
			-5.9283	-3.2536	-0.0907

-12.2682

5.3740

0.3659

隐含层各节点的阈值：

B1：

隐含层与输出层连接的权重：

W2为：

Columns1through8

-0.5736	-0.2445	0.1074	0.0069	1.6242	0.0150	0.6619	-0.0077
								-0.0191	0.2329	-1.4482	4.5153	-0.0737	0.0963	-0.4733	1.1652
0.0199	1.4905	1.2068	-5.4868	-0.9347	-0.1064	-0.3013	-0.6025

-0.0201	0.0707	-0.2617	0.3201	-1.7549	0.0355	0.01510	-0.5521
								0.5867	0.1052	-0.2206	0.1137	-0.2357	-0.0005	0.0460	0.0065
0.0126	0.6894	-0.2883	0.1187	-0.8454	1.7571	-0.0097	-0.0429
								-0.0064	-2.3441	0.9046	0.4121	2.2202	-1.7970	0.0253	0.0335

Columns 1 through 13

-0.0927	-2.3105	-0.3627	0.3769	-0.0140
					-1.9817	1.1946	-1.3076	0.5728	-3.1054
2.7312	0.6465	2.8584	-2.2644	4.7247
					-0.0659	1.1394	0.0864	-0.0801	-0.2471
0.1192	-0.0088	0.4535	-0.3959	-0.0467
					1.5388	0.4318	0.9224	-0.7393	0.3182
-2.2489	-1.0930	-2.6505	2.5300	-1.6297

输出层各节点的阈值：

B2为：

-0.6298
	0.9145
-0.1692
	-0.0804
0.2764
	-0.9874
1.6776

回想结果：

TT值

Columns 1 through 8

1.0299	0.0060	-0.007	0.0115	0.0027	0.0003	0.0012	0.0004
								-0.0090	1.0031	0.9882	-0.0098	0.0166	-0.0008	-0.0021	0.0005
0.0034	-0.0004	0.0009	1.0081	0.0264	-0.0286	0.0002	0.0016
								-0.0087	0.0015	0.0131	-0.0094	0.9633	1.0271	0.0012	0.0026
0.0044	0.0006	-0.0008	-0.0004	0.0007	-0.0003	-0.0012	0.0041
								-0.0014	-0.0024	-0.0100	-0.0018	-0.0001	-0.0005	0.9997	0.9977
-0.0186	-0.0085	0.0093	0.0017	-0.0096	0.0029	0.0010	-0.0069

Columns 9 through 10

-0.0006	0.0004
		0.0030	-0.0032
0.0001	-0.0008
		-0.0008	0.0015
0.0012	-0.0015
		-0.0007	0.0025
0.9977	1.0011

回想结果与理想结果一致，训练结果符合要求。

Claims (3)

1.基于遗传算法优化神经网络的变压器故障诊断方法，其特征在于，具体按照以下步骤实施：

步骤1，神经网络输入模式的确定：

选取H₂、CH₄、C₂H₄、C₂H₆和C₂H₂这五种气体作为故障的特征气体，将这五种气体的组分含量作为神经网络的输入向量；

步骤2，神经网络输出模式的确定：

将无故障、中低温过热、高温过热、低能量放电、高能量放电作为神经网络输出层的五个输出神经元，这五个输出神经元分别对应O₁、O₂、O₃、O₄、O₅，输出值最大为1，表示属于无故障、中低温过热、高温过热、低能量放电、高能量五种状况之一，输出值的数值越大表明属于上述五种状况的几率越大；输出值最小为0，输出值为0表示不属于上述的五种状况中的任何一种；

步骤3，对神经网络输入层的数据进行预处理：

经步骤1和步骤2确定好神经网络的输入层和输出层后，对步骤1中五种故障的特征气体作归一化处理，即取C₂H₂/CH₄、CH₄/H₂、C₂H₆/C₂H₄的比值归一化后作为神经网络的输入矢量；

步骤4，选择激活函数，其表达式为：

$f\left(x\right)=\frac{1}{1+\exp (-x)};$

步骤5，确定神经网络的隐含层数和隐含层神经元数：

选择一个隐含层，通过调整隐含层神经元数提高网络性能，若输出层的信号能达到网络误差的平方和的均值，则不考虑增加隐含层数；反之要增加隐含层数；

步骤6，训练神经网络。

2.根据权利要求1所述的基于遗传算法优化BP神经网络的变压器油色谱故障诊断方法，其特征在于，所述步骤5中隐含层神经元数有如下几种算法：

$S=\sqrt{m+n}+\mathrm{\σ};$

S＝2m+1；

S＝log2ⁿ；

$S=\sqrt{\mathrm{nm}};$

其中，S为隐含层神经元数，n为输入层神经元数，m为输出层神经元数，σ为1～10之间的常数。

3.根据权利要求1所述的基于遗传算法优化BP神经网络的变压器油色谱故障诊断方法，其特征在于，所述步骤6具体按照以下步骤实施：

1）初始化种群P，包括对交叉规模、交叉概率Pc、突变概率Pm以及对任一W1（i，j）、B1（j）和W2（j，i）、B2（k）初始化，在编码中，采用实数进行编码；

2）计算每一个个体评价函数，并根据计算的结果将评价函数进行排序，再按以下算法计算概率值，根据计算出的概率值选择网络个体：

$P_i=f_i/\underset{J=1}{\overset{N}{\mathrm{\Σ}}}{f}_j;$

其中f_i为个体i的适配值，用误差平方和E来衡量，即：

$f\left(i\right)=1/E\left(i\right),E\left(i\right)=\underset{p}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{(V_k-T_k)}^2;$

3）经步骤2），模糊动态调节交叉概率P_C，以交叉概率P_C对个体G_i和G_i+1进行交叉操作，产生新个体G'_i和G'_i+1，没有进行交叉操作的个体进行直接复制；

4）模糊动态调节变异概率P_m，利用变异概率P_m突变产生G_j的新个体G_j'；

5）将经步骤3）和步骤4）产生的新个体插入到步骤1）中的初始化种群P中，再计算新个体的评价函数；

6）判断算法是否结束：

计算神经网络的误差平方和E，若达到预定值ε_GA，则进入下一步骤7），否则返回步骤3）进行下一轮迭代；

7）以GA遗传出的优化初值作为初始权限值，用BP算法训练神经网络直至指定精度为ε_BP且达到ε_BP＜ε_GA。

Images