基于優(yōu)化遺傳算法的變壓器故障診斷方法研究

黃水平

（廣東電網公司佛山供電局，廣東 佛山528000）

0 引言

變壓器故障診斷是通過綜合變壓器故障時各種溶解氣體因子對變壓器故障程度的反映，識別變壓器發(fā)生故障類型的一種科學方法。本文結合傳統(tǒng)遺傳算法和梯度下降BP神經網絡形成優(yōu)化遺傳算法，應用于變壓器故障類型的綜合診斷，給出了優(yōu)化遺傳算法的變壓器故障類型和變壓器實際故障診斷結果對比。變壓器故障的等級程度通過運用模糊理論對變壓器診斷輸出開展隸屬度分析來確定。應用不同診斷方法對現(xiàn)場實際變壓器故障進行診斷，試驗結果表明，基于優(yōu)化遺傳算法的故障診斷方法計算速度快、精度高、魯棒性強，可以有效直觀地對變壓器故障類型進行綜合診斷，具有較強的應用價值。

1 優(yōu)化遺傳算法原理說明

由于遺傳算法對局部信息的不靈敏性，因此需要較長時間才能收斂到最優(yōu)點。而基于梯度局部信息搜索的梯度法具有搜索速度較快、易陷入局部最優(yōu)的特點。把二者結合起來，結合傳統(tǒng)遺傳算法和梯度下降BP神經網絡形成優(yōu)化遺傳算法，可以較快地得到全局最優(yōu)解。這種優(yōu)化遺傳算法應用于系統(tǒng)歸類識別，可以較快較好地獲取參數(shù)估計值。

本文采用前向3層BP網絡梯度下降算法進行全局次優(yōu)點尋優(yōu)，對全局最優(yōu)點快速求解。輸入層神經元個數(shù)為a，隱含層神經元個數(shù)為b，則3層BP網絡輸出表示為：

式中，Xi＝［x0，…，xm－1］T，為3層BP網絡全局次優(yōu)輸入向量；W1為輸入層和隱含層的b×a維系數(shù)矩陣；W2為隱含層和輸出層的b×1維系數(shù)矩陣；b1為隱含層神經元偏差；b2為輸出神經元偏差；f為變換函數(shù)取為SIGMOID函數(shù)，即

用于訓練網絡權值的性能指數(shù)函數(shù)為：

；ξi＝＾Si－Yi，為

因此，性能指數(shù)函數(shù)的下降梯度為：

標準遞推算法調整BP網絡系數(shù)為［1］：

式中，μ為學習因子。

輸入訓練采集數(shù)據(jù)，利用傳統(tǒng)遺傳算法和梯度下降算法，通過前向3層BP網絡運算得出全局最優(yōu)值，形成優(yōu)化遺傳算法的綜合診斷模型。

2 基于優(yōu)化遺傳算法的變壓器故障診斷

應用優(yōu)化遺傳算法進行變壓器故障診斷，首先需要通過適當選取數(shù)學模型中未知參數(shù)，求取誤差函數(shù)值極小值?；谶z傳算法的變壓器故障診斷基本思路：利用遺傳算法快速并行搜索優(yōu)勢快速求解模型最優(yōu)解。但傳統(tǒng)遺傳算法全局尋優(yōu)耗時較長，如結合傳統(tǒng)遺傳算法和梯度下降BP神經網絡優(yōu)化遺傳算法，可以較快地得到全局最優(yōu)解。采用優(yōu)化遺傳算法在尋優(yōu)上比傳統(tǒng)遺傳算法快而且準確。圖1為基于優(yōu)化遺傳算法的變壓器故障診斷原理框圖。

圖1 基于優(yōu)化遺傳算法的變壓器故障診斷原理框圖

3 優(yōu)化GA模型變壓器故障診斷實例

選擇有代表性的重要影響因子作為變壓器故障診斷的信息源。目前國內外普遍關注的變壓器故障時變壓器油中氣體有 H2、CH4、C2H6、C2H4、C2H2等，這其中的每一種氣體都是變壓器故障的信息體現(xiàn)，反映變壓器故障的現(xiàn)狀。本文在診斷變壓器故障類型時，選取變壓器油中氣體 H2、CH4、C2H6、C2H4、C2H2作為診斷因子。

為明確變壓器故障診斷基準依據(jù)，按5個等級劃分變壓器故障類型：無故障、中低溫過熱、高溫過熱、低能量放電、高能量放電5個輸出向量。其中，局部和比較微弱的火花放電為低能量放電，電弧和比較強烈的火花放電為高能量放電。

結合試驗訓練對比，參考文獻［2］隱含層節(jié)點數(shù)的經驗公式，選取隱層節(jié)點數(shù)為5個、輸出層節(jié)點數(shù)為1個是較優(yōu)的。因此，BP神經網絡拓撲模式為5－5－1。設定變壓器故障等級Ⅰ～Ⅴ級分別對應0．1、0．3、0．5、0．7、0．9的輸出向量。

選出現(xiàn)場檢查確定故障類型的25組樣本數(shù)據(jù)［3］進行訓練，并對樣本數(shù)據(jù)執(zhí)行標準化預處理。轉化輸入量為變壓器油中氣體含量相對值的百分比，進行變壓器故障診斷網絡訓練。

均方差閾值定義為1E－5，當達到這個閾值時學習訓練結束。25組樣本數(shù)據(jù)的訓練輸出診斷結果如表1所示。

表1 樣本數(shù)據(jù)訓練結果

表2為現(xiàn)場實際測試中變壓器故障的氣體檢測數(shù)據(jù)。

表2 實際測試中變壓器故障時變壓器油中氣體數(shù)據(jù) 單位：μL·L－1

對優(yōu)化遺傳算法輸出結果進行隸屬度計算，依據(jù)隸屬度最大原則，以變壓器故障類型對應的隸屬度判斷變壓器故障類型。對表2中現(xiàn)場實際測試數(shù)據(jù)的變壓器故障診斷結果如表3所示。

表3 采用優(yōu)化GA神經網絡診斷的結果

為了驗證所提出方法的有效性，采用不同方法對變壓器故障實測數(shù)據(jù)開展故障診斷，結果如表4所示。

表4 不同算法診斷結果對比

通過收斂速度的對比，本文采用的優(yōu)化GA神經網絡模型收斂迭代129次就可收斂于誤差閾值1E－5，而采用傳統(tǒng)神經網絡訓練模型收斂則迭代515次才收斂于誤差閾值1E－4。采用的優(yōu)化GA神經網絡模型收斂快，并且不會導致局部極小的問題。

4 結語

本文提出通過建立變壓器故障診斷的遺傳神經網絡模型，利用優(yōu)化遺傳算法，較快同時又較好地綜合診斷出網絡輸出信息的變壓器故障類型。對現(xiàn)場變壓器故障實測數(shù)據(jù)應用不同診斷方法進行對比，結果表明，基于優(yōu)化遺傳算法的故障診斷方法收斂速度快，可以有效直觀地綜合診斷變壓器故障類型，具有較實用的現(xiàn)場應用價值。

［1］John G．Proakis．Digital Co mmunications［M］．第4版．張力軍，張宗橙，鄭寶玉，譯．電子工業(yè)出版社，2003

［2］高大啟．有教師的線性基本函數(shù)前向三層神經網絡結構研究［J］．計算機學報，1998（1）

［3］Wooldridge M J，Jennings N R．Intelligent Agents Theory And Practice［J］．Knowledge Engineering Review，1995（2）