基于量子相位的QNN在變壓器故障診斷中的應(yīng)用

孟慶梅,王洪生,劉 寧

(1.沈陽供電公司,遼寧 沈陽 110003;2.東北電網(wǎng)有限公司,遼寧 沈陽 110018;3.東北電力大學(xué),吉林 吉林 132012)

變壓器是電力系統(tǒng)的樞紐設(shè)備,其運(yùn)行可靠性直接關(guān)系到電力系統(tǒng)的安全與穩(wěn)定。國內(nèi)外在變壓器故障診斷方面提出了許多方法,其中油色譜分析(DGA)可發(fā)現(xiàn)變壓器潛伏性故障,因此得到了廣泛的應(yīng)用[1]?；贒GA的變壓器故障傳統(tǒng)診斷方法主要是三比值法及其改進(jìn)方法,根據(jù)特征氣體濃度通過簡單的計算比值判斷故障類型,優(yōu)點(diǎn)是直觀簡便,但存在故障編碼不全、容錯能力差、不能全面反映故障狀況等缺點(diǎn),不能滿足診斷的高可靠性要求。

目前,國內(nèi)外學(xué)者為實(shí)現(xiàn)變壓器及時、準(zhǔn)確診斷,先后提出了多種人工智能技術(shù)與DGA相結(jié)合的診斷方法,這些方法基于準(zhǔn)確的故障數(shù)據(jù)能得到令人滿意的結(jié)果,但在不確定數(shù)據(jù)處理、容錯能力方面仍存在一定的局限性[2]。文獻(xiàn) [3]將神經(jīng)網(wǎng)絡(luò)與證據(jù)理論相結(jié)合,提高了診斷精度,但其子網(wǎng)絡(luò)證據(jù)體輸出的可靠性將影響到融合后證據(jù)的置信區(qū)間和證據(jù)的不確定性。文獻(xiàn) [4]利用粗糙集尋找決策表中條件屬性與決策屬性間的關(guān)聯(lián)規(guī)則,由于未充分考慮各屬性間的關(guān)系,使形成的關(guān)聯(lián)規(guī)則與實(shí)際情況存在偏差。

本文將量子理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合,利用量子神經(jīng)網(wǎng)絡(luò) (QNN)對于不確定性信息較強(qiáng)的處理能力,對變壓器故障狀態(tài)進(jìn)行分類,通過量子相移參數(shù)的調(diào)整,對不同故障狀態(tài)聚類分析的輸出誤差實(shí)現(xiàn)平滑處理,并以激活態(tài)概率推理的方式將樣本參數(shù)信息與故障狀態(tài)間隱含聯(lián)系表示出來,從而有效提高模式識別的速度與準(zhǔn)確率。

1 量子相位思想的QNN模型

2005年,Kouda等人提出了用量子相位表示量子神經(jīng)元狀態(tài)的QNN模型[5-7],在3層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中,利用量子神經(jīng)元作為隱層神經(jīng)元,輸出層神經(jīng)元的激活函數(shù)采用線性函數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)。通過更新隱層量子神經(jīng)元的相位因子而改變網(wǎng)絡(luò)狀態(tài),模型憑借這種獨(dú)特的網(wǎng)絡(luò)狀態(tài)修正方式,能實(shí)現(xiàn)模式識別中樣本數(shù)據(jù)信息的快速與準(zhǔn)確處理。

1.1 模型原理

基于量子相位思想的QNN計算模型以相位形式描述隱層神經(jīng)元狀態(tài),模型的隱層量子神經(jīng)元模擬受控非門[8-10]的作用調(diào)整自身狀態(tài),隱層量子神經(jīng)元模型如圖1所示。

圖1 隱層量子神經(jīng)元模型

圖1 中w1,w2,…,wn是鄰近神經(jīng)元激活態(tài)時的概率,已知概率,就能了解神經(jīng)元的活動情況;S(∑)是綜合所收集到的概率值與權(quán)值,然后做簡單加法,S是Sigmoid函數(shù),將收集到的信息進(jìn)行綜合并轉(zhuǎn)換到 [0,1]的范圍,它是產(chǎn)生控制量子比特相位的第一階段;0.5 π U為通過宏觀信息而產(chǎn)生的控制量子比特相位;2π S(σ)為神經(jīng)元內(nèi)部狀態(tài)相位,σ是相位調(diào)節(jié)參數(shù) (相移參數(shù));M為觀測量,其輸出值是神經(jīng)元激活狀態(tài)時的概率,表示為(F(θ))(Im為求復(fù)數(shù)的虛部);F(θ)為根據(jù)控制量子比特的作用使神經(jīng)元狀態(tài)發(fā)生改變后的狀態(tài),論文采用文獻(xiàn) [7]中的復(fù)數(shù)表示法,用公式表示為

模型的隱層神經(jīng)元宏觀上通過外界輸入信息產(chǎn)生控制量子比特,微觀上根據(jù)該控制量子比特,改變工作量子比特,通過不斷修正其隱層量子神經(jīng)元相位因子不斷調(diào)整網(wǎng)絡(luò)狀態(tài),達(dá)到訓(xùn)練網(wǎng)絡(luò)的目的,然后對神經(jīng)元最新狀態(tài)進(jìn)行量測,將神經(jīng)元激活狀態(tài)時的概率值作為神經(jīng)元宏觀信息傳遞出去[11],模型工作原理如圖2所示。

圖2 模型工作原理

由于模型的隱層量子神經(jīng)元模擬受控非門通過調(diào)節(jié)量子相位的方式更新網(wǎng)絡(luò),而受控非門具有修正隱層神經(jīng)元輸出的特性,使模型的隱層量子神經(jīng)元與相移參數(shù)之間存在某種修正互補(bǔ)關(guān)系,能克服梯度法訓(xùn)練容易陷入局部最優(yōu)的弊端,比傳統(tǒng)神經(jīng)網(wǎng)絡(luò) (BP神經(jīng)網(wǎng)格)具有更好的擬合和泛化能力。訓(xùn)練過程中,傳統(tǒng)神經(jīng)網(wǎng)絡(luò)通過神經(jīng)元的輸出變化使訓(xùn)練誤差下降,該QNN計算模型所采用的相移參數(shù)能加強(qiáng)訓(xùn)練誤差的下降幅度,顯現(xiàn)出更快的學(xué)習(xí)速度。

1.2 模型的實(shí)現(xiàn)

基于量子相位思想的QNN模型,其隱層神經(jīng)元借鑒量子相位思想,模擬受控非門調(diào)節(jié)量子相移參數(shù)實(shí)現(xiàn)網(wǎng)絡(luò)更新,宏觀上收集數(shù)據(jù)信息,微觀上能夠較快地按一定比例將模糊交叉數(shù)據(jù)分配給所有相關(guān)聯(lián)的類別,提高模式識別的準(zhǔn)確性和快速性。

設(shè)QNN模型輸入層有n個節(jié)點(diǎn),輸出層有l(wèi)個節(jié)點(diǎn),隱含層有m個節(jié)點(diǎn)。輸入層綜合收集宏觀信息,通過Sigmoid函數(shù)將收集到的綜合信息轉(zhuǎn)換到 [0,1]范圍內(nèi),進(jìn)而產(chǎn)生控制量子比特相位 0.5 π Uj,其中 :

隱層第j個量子神經(jīng)元表達(dá)出的狀態(tài)為

隱層第j個神經(jīng)元實(shí)際輸出值為

第k個輸出層神經(jīng)元輸出為

式中 xi——第i個輸入;

ωij——輸入層第i個神經(jīng)元到隱層第j個神經(jīng)元的權(quán)值;

θj——隱層第j個神經(jīng)元閾值;

0.5 π Uj——隱層第j個神經(jīng)元控制量子比特相位;

2π S(σj) ——第 j個神經(jīng)元工作量子比特相位;

θk——輸出層第k個神經(jīng)元閾值;

Vjk——隱層第j個神經(jīng)元到輸出層第k個神經(jīng)元權(quán)值。

采用梯度訓(xùn)練法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練,此時網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)函數(shù)為

式中 dk——網(wǎng)絡(luò)理想輸出;

Ok——網(wǎng)絡(luò)實(shí)際輸出。

連接權(quán)值修正公式:

量子相移參數(shù)修正公式:

式中 ηw、ηv——相應(yīng)的學(xué)習(xí)率;

ησ——相移調(diào)節(jié)率。

量子相移參數(shù)修正的目的在于使量子神經(jīng)網(wǎng)絡(luò)中基于同一類樣本數(shù)據(jù)的隱層神經(jīng)元輸出變化最小,本質(zhì)也是基于梯度下降法的算法[12]。通過該算法對量子相移參數(shù)的調(diào)整使處于模糊邊界上不屬于同一類的樣本較快地映射到不同的故障模式上。

θk可以看作為增加了1個輸出為l的隱層神經(jīng)元與第k個輸出層神經(jīng)元之間的連接權(quán)值,θj也采用相似的更新方式。

2 變壓器故障診斷中的應(yīng)用

2.1 QNN診斷模型的建立

參照 《變壓器油中溶解氣體分析和判斷導(dǎo)則》和 《試驗(yàn)規(guī)程》[13、14],選取變壓器油色譜試驗(yàn)關(guān)鍵特征氣體H2、CH4、C2H6、C2H4、C2H25種氣體含量作為QNN模型的輸入,利用CO、CO22種特征氣體判斷故障是否涉及固體絕緣,為簡化網(wǎng)絡(luò)結(jié)構(gòu),僅用經(jīng)驗(yàn)知識表達(dá)。并將變壓器故障狀態(tài)劃為無故障、中低溫過熱、高溫過熱、低能量放電、高能量放電,作為網(wǎng)絡(luò)輸出。

根據(jù)變壓器故障診斷實(shí)際要求,QNN診斷模型采用3層量子神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu),5個輸入、5個輸出,并根據(jù)多次測試擇優(yōu),將隱含層神經(jīng)元個數(shù)定為8。

2.2 故障診斷實(shí)現(xiàn)過程

利用基于量子相位的QNN診斷模型實(shí)現(xiàn)變壓器故障診斷,實(shí)現(xiàn)過程示意簡圖如圖3所示。

圖3 QNN模型診斷過程示意圖

3 算例分析

3.1 實(shí)例及算法比較

結(jié)合變壓器故障類型及實(shí)際運(yùn)行情況,按一定比例選取50組變壓器故障油色譜分析數(shù)據(jù)組成訓(xùn)練樣本,作為量子相位思想QNN模型輸入進(jìn)行網(wǎng)絡(luò)訓(xùn)練,樣本訓(xùn)練結(jié)果均方差及運(yùn)行30次的迭代次數(shù)與同樣本輸入下BP神經(jīng)網(wǎng)絡(luò)對比如圖4、圖5所示。

表1給出了10個測試樣本,表2為QNN和BP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果比較。5種故障狀態(tài)分別由O={Ok}(1≤k≤5)表示,O1為無故障,O2為中低溫過熱(150℃＜O2≤700℃),O3為高溫過熱(O3＞700℃),O4為低能量放電,O5為高能量放電。

圖4 量子相位QNN與BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本均方誤差比較

圖5 量子相位QNN模型與BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練迭代次數(shù)比較

表1 測試樣本故障數(shù)據(jù) μ L/L

由圖5可見,二者運(yùn)算時間均較快,但QNN均方差總體上優(yōu)于 BP神經(jīng)網(wǎng)絡(luò);由圖4可見,QNN比BP網(wǎng)絡(luò)以更少的迭代次數(shù)實(shí)現(xiàn)收斂,體現(xiàn)出較快的學(xué)習(xí)速度。由表2診斷結(jié)果可見,量子神經(jīng)網(wǎng)絡(luò)對各個樣本都能較好地識別,而BP神經(jīng)網(wǎng)絡(luò)對樣本2、3、5、9未能作出判斷,這是由于QNN模型的隱層量子神經(jīng)元能夠通過量子相移參數(shù)的修正更好地將不確定的數(shù)據(jù)分配給相關(guān)聯(lián)的故障模式。

3.2 診斷實(shí)例

a. 案例1

某20 MVA、110 kV主變壓器 (SFSZL7-20000/110)自投運(yùn)以來總烴值偏高,而且產(chǎn)氣速率較快,色譜數(shù)據(jù)如表3所示。

根據(jù)三比值法判斷,編碼為021,屬中溫過熱故障,將色譜數(shù)據(jù)輸入 QNN,輸出值為 [0,0.999 978,0.000 367,0,0],診斷結(jié)果為中低溫過熱故障。由CO、CO2含量值超標(biāo)且呈現(xiàn)出增長的趨勢推測出故障可能涉及固體絕緣。經(jīng)檢查發(fā)現(xiàn),該主變存在制造缺陷,由于拉緊螺桿與夾件互相連接,夾件與油箱連接接地,拉近了螺桿與鐵軛的接觸,造成鐵心多點(diǎn)接地,鐵心上鐵軛兩主極板間靠C相端絕緣墊塊燒糊,與診斷結(jié)果一致。

表2 量子神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果

b. 案例2

某 360 MVA、363 kV的主變壓器 (SSP-360000/363)投運(yùn)后色譜分析反映出乙炔等氣體含量逐漸增大,并超過規(guī)程注意值,主變色譜數(shù)據(jù)如表4所示。

根據(jù)三比值法判斷編碼為102或122,判定內(nèi)部存在放電故障,將最近色譜試驗(yàn)數(shù)據(jù)輸入QNN,輸出值為[0,0,0,0.000452,0.999936],診斷結(jié)果為高能放電故障,由CO、CO2含量值超標(biāo)且呈現(xiàn)出增長趨勢推測出故障可能涉及固體絕緣,檢查發(fā)現(xiàn),高壓繞組與低壓繞組圍屏存在燒傷、穿孔、爬電等明顯樹枝放電痕跡,屬圍屏爬電絕緣燒傷故障,與診斷結(jié)果吻合。

表3 主變色譜分析數(shù)據(jù) μ L/L

表4 主變色譜分析數(shù)據(jù) μ L/L

4 結(jié)論

針對變壓器故障診斷中的故障狀態(tài)模式識別問題,利用基于量子相位的QNN較好分類效果,將其應(yīng)用到變壓器油色譜分析中,具有以下優(yōu)點(diǎn)。

a. 能夠吸收神經(jīng)網(wǎng)絡(luò)很強(qiáng)的自學(xué)習(xí)、自適應(yīng)和容錯能力,可以很好地應(yīng)用于變壓器故障模型的學(xué)習(xí)和訓(xùn)練。

b. 能夠通過量子相移參數(shù)調(diào)整,克服梯度法訓(xùn)練容易陷入局部最優(yōu)的弊端,體現(xiàn)出比傳統(tǒng)神經(jīng)網(wǎng)絡(luò) (BP神經(jīng)網(wǎng)絡(luò))具有更好的擬合和泛化能力,提高了診斷結(jié)果的準(zhǔn)確度與可信度。

c. 模型中的相移參數(shù)能夠加強(qiáng)訓(xùn)練誤差的下降幅度,體現(xiàn)出比BP神經(jīng)網(wǎng)絡(luò)更快的學(xué)習(xí)速度。

通過實(shí)際案例應(yīng)用,驗(yàn)證了基于量子相位QNN診斷模型在處理不確定、模糊交叉故障數(shù)據(jù)時具有良好的效果。

[1] 錢 政,嚴(yán) 樟.電力變壓器絕緣故障綜合診斷方法的研究 [J].電網(wǎng)技術(shù),2002,26(2):32-36.

[2] 王建元,紀(jì)延超.模糊Petri網(wǎng)絡(luò)知識表示方法及其在變壓器狀態(tài)診斷中的應(yīng)用 [J].中國電機(jī)工程學(xué)報,2003,23(1):121-125.

[3] 廖瑞金,廖玉祥,楊麗君,等.多神經(jīng)網(wǎng)絡(luò)與證據(jù)理論融合的變壓器綜合診斷方法研究 [J].中國電機(jī)工程學(xué)報,2006,26(3):119-124.

[4] 莫 娟,王 雪.基于粗糙集理論的電力變壓器狀態(tài)診斷方法 [J].中國電機(jī)工程學(xué)報,2004,24(7):162-167.

[5] Kouda,N.,Matsui,N.,Nishimura,H.and Peper,F.:Qubit neural network and its leaning efficiency,Neural Computing and Applications,2005,14(2):114-121.

[6] Kouda,N.,Matsui,N.,Nishimura,H.and Peper,F.:An examination of qubit neural network in controlling an inverted pendulum.Neural Processing Letters,2005,22(3):277-290.Springer 2005.

[7] Kouda,N.,Matsui,N.,Nishimura,H.:Image compression by layered quantum neural networks,Neural Processing Letters,16(1)(2002),67-80.

[8] Kak S C.On Quantum Neural Computing[J].Information Sciences,1995,83:143-160.

[9] Deutsch D. “Quantum Computational Networks”.Proceedings of the Royal Society,London A,1989,425:73-90.

[10] Deutsch D.et al. “Universality in Quantum Computation”.Proc.R.Soc.London A,1995,52:3 457-3 462.

[11] 呂 強(qiáng),俞金壽.量子神經(jīng)元結(jié)構(gòu)設(shè)計及其應(yīng)用 [J].控制與決策,2007,22(9):1 002-1 026.

[12] Ventura D.and Martinez T.R.Quantum Associative Memory[J].Information Sciences,2000,124:273-296.

[13] 中華人民共和國國家經(jīng)濟(jì)貿(mào)易委員會.DL/T7252—2000.變壓器油中溶解氣體分析和判斷導(dǎo)則 [S].北京:中國電力出版社,2001.

[14] 中華人民共和國電力工業(yè)部.DL/T596—1996.電力設(shè)備交接和預(yù)防性試驗(yàn)規(guī)程 [S].北京:中國電力出版社,2000.