基于果蠅算法的BP神經(jīng)網(wǎng)絡(luò)對(duì)雙饋異步發(fā)電機(jī)絕緣壽命預(yù)測(cè)研究

曾　裕，陳　瑛，楊玉文

(南昌大學(xué)信息工程學(xué)院 自動(dòng)化系，江西南昌330031)

?

基于果蠅算法的BP神經(jīng)網(wǎng)絡(luò)對(duì)雙饋異步發(fā)電機(jī)絕緣壽命預(yù)測(cè)研究

曾裕，陳瑛，楊玉文

(南昌大學(xué)信息工程學(xué)院 自動(dòng)化系，江西南昌330031)

摘要：針對(duì)雙饋異步發(fā)電機(jī)絕緣壽命預(yù)測(cè)的效率和精度有待提高的問(wèn)題，提出一種基于果蠅算法(Fruit fly optimization algorithm，F(xiàn)OA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法，有效提升了BP神經(jīng)網(wǎng)絡(luò)尋優(yōu)的快速性和準(zhǔn)確性。利用果蠅算法多點(diǎn)全局的快速搜索能力來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值和閾值，對(duì)比發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)經(jīng)優(yōu)化后尋優(yōu)效率和預(yù)測(cè)精度明顯提高。試驗(yàn)結(jié)果表明：通過(guò)果蠅算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)電機(jī)絕緣剩余壽命是正確和有效的，為電機(jī)絕緣剩余壽命預(yù)測(cè)提供了一種新途徑。

關(guān)鍵詞：雙饋異步發(fā)電機(jī)；果蠅算法；BP神經(jīng)網(wǎng)絡(luò)；絕緣剩余壽命預(yù)測(cè)

0引言

近年來(lái)，我國(guó)的風(fēng)力發(fā)電產(chǎn)業(yè)正處于一個(gè)高速發(fā)展的階段，大規(guī)模的風(fēng)電場(chǎng)相繼投入建設(shè)和運(yùn)行[1，2]。在當(dāng)前風(fēng)力發(fā)電機(jī)組中，雙饋異步發(fā)電機(jī)應(yīng)用最為廣泛，作為風(fēng)電場(chǎng)的核心設(shè)備，它的健康狀態(tài)直接影響著風(fēng)電場(chǎng)的運(yùn)行穩(wěn)定性和供電可靠性[3]。判定發(fā)電機(jī)絕緣狀態(tài)和預(yù)測(cè)剩余壽命能夠在發(fā)生故障之前進(jìn)行必要的處理，避免運(yùn)行中發(fā)生故障帶來(lái)?yè)p失和危害。所以，發(fā)電機(jī)絕緣剩余壽命的預(yù)測(cè)具有十分重要的實(shí)用價(jià)值。

當(dāng)前，在電機(jī)運(yùn)行可靠性研究領(lǐng)域，絕緣剩余壽命預(yù)測(cè)已成為一大熱點(diǎn)，專(zhuān)家學(xué)者們研究了多種預(yù)測(cè)方法。原理簡(jiǎn)單、結(jié)果精確的阿倫尼斯方程，被稱作壽命預(yù)測(cè)經(jīng)典模型，在壽命預(yù)測(cè)領(lǐng)域應(yīng)用相當(dāng)廣泛[4]。基于此，有人在評(píng)估風(fēng)力發(fā)電機(jī)絕緣系統(tǒng)壽命時(shí)，成功將阿倫尼斯加速模型與最小二乘法相結(jié)合[5]。在預(yù)測(cè)發(fā)電機(jī)絕緣壽命上，日本學(xué)者金神雅樹(shù)大量研究了剩余擊穿電壓與定子線圈的非破壞參量的關(guān)系[6]。文獻(xiàn)[7]將Miner準(zhǔn)則與熱損傷累加準(zhǔn)則相結(jié)合，提出一種發(fā)電機(jī)絕緣壽命前期預(yù)測(cè)方法，為風(fēng)力發(fā)電機(jī)壽命預(yù)測(cè)以及優(yōu)化提供參考。文獻(xiàn)[8]采用測(cè)試光譜、電、聲等方法，能夠?qū)崿F(xiàn)較小誤差地評(píng)估電機(jī)絕緣剩余壽命。預(yù)測(cè)方法多種多樣，但預(yù)測(cè)效率和精度都還有待提高。

為提高對(duì)雙饋異步風(fēng)力發(fā)電機(jī)剩余壽命預(yù)測(cè)的快速性和準(zhǔn)確性，果蠅算法作為一種演化式智能算法，在優(yōu)化算法模型方面被廣泛應(yīng)用，具有實(shí)際應(yīng)用價(jià)值。因此，本文提出一種將果蠅優(yōu)化算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的發(fā)電機(jī)剩余壽命預(yù)測(cè)方法，利用果蠅算法多點(diǎn)全局的快速搜索能力，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值，從結(jié)構(gòu)上改善BP神經(jīng)網(wǎng)絡(luò)模型，能有效克服BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)和收斂速度慢缺點(diǎn)，實(shí)現(xiàn)對(duì)發(fā)電機(jī)剩余壽命快速而精準(zhǔn)的預(yù)測(cè)，為雙饋異步風(fēng)力發(fā)電機(jī)絕緣剩余壽命預(yù)測(cè)提供一種新方法。

1FOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

1.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播，是一種單向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層和輸出層三層。其典型的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。在中間層和節(jié)點(diǎn)數(shù)夠多的情況下，任何的非線性映射關(guān)系都可以逼近。梯度下降法是反向傳播誤差學(xué)習(xí)算法的基本思想，采用梯度搜索技術(shù)，不停的調(diào)整神經(jīng)網(wǎng)絡(luò)中的連接權(quán)值和閾值，最終使網(wǎng)絡(luò)的誤差均方值最小。其網(wǎng)絡(luò)權(quán)值的修正公式為

(1)

(2)

圖1　三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在眾多人工神經(jīng)網(wǎng)絡(luò)模型中，BP神經(jīng)網(wǎng)憑借其結(jié)構(gòu)簡(jiǎn)單、復(fù)雜非線性函數(shù)逼近、泛化能力強(qiáng)等優(yōu)點(diǎn)，廣泛應(yīng)用在電機(jī)故障診斷與剩余壽命預(yù)測(cè)領(lǐng)域。但BP神經(jīng)網(wǎng)絡(luò)也有需要改進(jìn)的地方，待尋優(yōu)參數(shù)多，收斂速度慢；易陷入局部極小值；尚無(wú)很好的方法來(lái)確定具體的網(wǎng)絡(luò)結(jié)構(gòu)，仍需根據(jù)經(jīng)驗(yàn)公式或認(rèn)為調(diào)試[9]。這些都限制了它的應(yīng)用和推廣。

1.2果蠅算法

中國(guó)臺(tái)灣學(xué)者潘文超于2011年正式提出果蠅算法，這是一種根據(jù)果蠅的覓食行為推演出的全局尋優(yōu)的演化式算法，基于粒子群等群智能算法發(fā)展而來(lái)。果蠅的嗅覺(jué)十分靈敏，40 km以外的食物源都能嗅到，利用嗅覺(jué)飛近食物位置后，再運(yùn)用犀利的視覺(jué)尋找食物和同伴的位置，然后飛往該方向[10]。

自提出以來(lái)，其應(yīng)用領(lǐng)域相當(dāng)廣泛，特別是在函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)、等方面有著重要的應(yīng)用價(jià)值。雖然它提出時(shí)間不長(zhǎng)，但已有眾多學(xué)者在理論和應(yīng)用方面做了大量研究，總結(jié)出果蠅算法的具體優(yōu)點(diǎn)。果蠅算法具有原理簡(jiǎn)單、全局尋優(yōu)能力強(qiáng)、收斂速度快、魯棒性和辨識(shí)精度高等優(yōu)點(diǎn)。因此，本文將果蠅算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，能有效提高BP神經(jīng)網(wǎng)絡(luò)的尋優(yōu)效率和精度。

1.3FOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

FOA算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合后，第一步是確立網(wǎng)絡(luò)結(jié)構(gòu)。連接BP神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值視作果蠅個(gè)體處理，給一只果蠅一個(gè)隨機(jī)的尋優(yōu)方向和距離，然后根據(jù)算法步驟開(kāi)始尋優(yōu)，迭代過(guò)程中以尋求適應(yīng)度函數(shù)最優(yōu)值為目標(biāo)，迭代完畢后，更新果蠅個(gè)體位置。更新網(wǎng)絡(luò)所有權(quán)值和閾值，選取合適的隱層激活函數(shù)。然后，把訓(xùn)練數(shù)據(jù)帶入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練網(wǎng)絡(luò)。最后，通過(guò)采集的樣本測(cè)試數(shù)據(jù)對(duì)訓(xùn)練后網(wǎng)絡(luò)進(jìn)行測(cè)試，檢驗(yàn)優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)的尋優(yōu)性能。

FOA與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合后算法流程如圖2所示。具體步驟如下：

圖2　FOA-BP神經(jīng)網(wǎng)絡(luò)流程

(1) 創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，確定各層節(jié)點(diǎn)個(gè)數(shù)，把網(wǎng)絡(luò)的權(quán)值和閾值初始化。

(2) 將所有網(wǎng)絡(luò)權(quán)值視作果蠅處理，并把果蠅群體位置初始化Xi=Xa;Yi=Ya。

(3) 給一只果蠅一個(gè)隨機(jī)的尋優(yōu)方向和距離，即Xi=Xa+R;Yi=Ya+R，式中，Xa、Ya、R為隨機(jī)方向和距離。

(5) 把S帶入味道濃度判定函數(shù)，求出當(dāng)前味道濃度并保存該值。

(6) 求出味道濃度判定函數(shù)的最優(yōu)值，此時(shí)應(yīng)選取最小值，保存當(dāng)前網(wǎng)絡(luò)權(quán)值。

(7) 更新適應(yīng)度函數(shù)最優(yōu)值時(shí)果蠅位置，此時(shí)權(quán)值坐標(biāo)為：Xo=Xb;Yo=Yb。

(8) 迭代開(kāi)始，判斷適應(yīng)度函數(shù)值是否優(yōu)于前一代，若是轉(zhuǎn)到第7步，否則轉(zhuǎn)到第3步。

(9) 帶入最優(yōu)權(quán)值用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

(10) BP網(wǎng)絡(luò)訓(xùn)練后用測(cè)試數(shù)據(jù)測(cè)試性能。

2發(fā)電機(jī)絕緣特性分析

發(fā)電機(jī)在運(yùn)行中，電氣、機(jī)械、熱和環(huán)境等因素都會(huì)影響發(fā)電機(jī)絕緣系統(tǒng)老化。發(fā)電機(jī)絕緣壽命通常通過(guò)實(shí)驗(yàn)來(lái)確定，主要包括極化指數(shù)及吸收比、絕緣電阻、局部放電等測(cè)試，相關(guān)參數(shù)有絕緣電阻R、極化指數(shù)PI、最大局部放電量Qmax等[11]。

2.1極化指數(shù)

直流電壓作用于線圈絕緣會(huì)隨之產(chǎn)生主絕緣表面電流和電導(dǎo)電流，空氣潮濕、碳化物等或存在缺陷是引發(fā)這一現(xiàn)象主要原因，兩電流在時(shí)間作用下并無(wú)變化。不考慮表面電流時(shí)，總電流的變化量與電導(dǎo)電流大小成反比，這說(shuō)明極化指數(shù)越小，絕緣老化越嚴(yán)重。

2.2局部放電

導(dǎo)致電機(jī)絕緣老化的重要原因之一就是局部放電。絕緣材料中若存在氣隙，受到高壓作用時(shí)將會(huì)引發(fā)局部放電現(xiàn)象。局部放電會(huì)嚴(yán)重?fù)p壞電機(jī)絕緣系統(tǒng)。通過(guò)實(shí)驗(yàn)判定絕緣體中的局放量可掌握電機(jī)絕緣狀態(tài)，從而評(píng)估發(fā)電機(jī)絕緣壽命。當(dāng)絕緣系統(tǒng)老化或浸漬工藝出問(wèn)題時(shí)，局放量將與測(cè)試電壓成正比例關(guān)系。目前，絕緣體局放性能主要通過(guò)最大局部放電量Qmax來(lái)評(píng)估，是判別發(fā)電機(jī)絕緣老化的重要因素之一[12]。

2.3環(huán)境應(yīng)力

所有會(huì)引發(fā)風(fēng)電機(jī)組絕緣故障的環(huán)境因素統(tǒng)稱為環(huán)境應(yīng)力。風(fēng)力發(fā)電機(jī)暴露在野外，長(zhǎng)時(shí)間承受風(fēng)吹、日曬、雨淋和鹽霧，這些都會(huì)對(duì)發(fā)電機(jī)絕緣起到破壞作用。同時(shí)，由于輻射的存在，也會(huì)造成發(fā)電機(jī)絕緣系統(tǒng)的加速老化。電機(jī)絕緣承受著各種環(huán)境應(yīng)力的共同作用。有時(shí)候，單個(gè)環(huán)境應(yīng)力并不會(huì)破壞絕緣系統(tǒng)，但多個(gè)因素疊加后，危害將十分嚴(yán)重。環(huán)境因素要破壞發(fā)電機(jī)絕緣要經(jīng)過(guò)一個(gè)長(zhǎng)久的過(guò)程。

3網(wǎng)絡(luò)構(gòu)建與訓(xùn)練

3.1數(shù)據(jù)采集與處理

發(fā)電機(jī)的壽命，主要取決于繞組絕緣的壽命，并與設(shè)計(jì)制造、使用維護(hù)和環(huán)境條件等有密切關(guān)系。根據(jù)上述對(duì)發(fā)電機(jī)絕緣特性的分析，由選取相關(guān)測(cè)試數(shù)據(jù)作為樣本數(shù)據(jù)。

文中所選數(shù)據(jù)是某風(fēng)電場(chǎng)2 MW雙饋異步發(fā)電機(jī)在多年不同試驗(yàn)條件下得到110組樣本值，將100組作為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，剩下10組作為實(shí)驗(yàn)測(cè)試樣本。訓(xùn)練樣本越大越好，由于篇幅所限，表1列出了訓(xùn)練樣本集的12組數(shù)據(jù)，包括繞組的絕緣電阻、極化指數(shù)、最大放電量、電機(jī)的工作環(huán)境等參。因三相數(shù)據(jù)較多，其中C相絕緣狀態(tài)最差，故表中絕緣電阻、極化指數(shù)皆為C相數(shù)據(jù)。

表1部分訓(xùn)練樣本集數(shù)據(jù)

序號(hào)輸入輸出Qmax/pCRts/MΩRtr/MΩtg/℃kPIT/kh14987801.34500.0320.30.473.240.0325001799.86503.7617.60.613.847.1434937802.31501.5216.60.524.155.9945123804.16498.9620.10.213.547.7054897798.89503.0118.70.172.932.6765323799.36504.8914.30.285.241.8575120803.18499.0718.50.363.333.2985011798.76498.1319.90.546.176.1294957800.11505.50-5.20.324.456.86105310802.25504.00-4.90.354.230.45114856801.47501.44-6.70.243.648.14125017805.23501.21-2.10.274.353.60

表1中，Qmax為最大局部放電量；Rts為溫度t℃時(shí)，發(fā)電機(jī)定子繞組絕緣電阻；Rtr為發(fā)電機(jī)轉(zhuǎn)子繞組絕緣電阻值，t取25℃；tg為發(fā)電機(jī)運(yùn)行時(shí)平均溫度；k為環(huán)境系數(shù)，表示發(fā)電機(jī)運(yùn)行的環(huán)境因素，如空氣濕度、腐蝕性以及塵埃等，數(shù)值越大表示工作環(huán)境越惡劣，取0～1；PI是極化指數(shù)；T為發(fā)電機(jī)絕緣剩余壽命。

由于各樣本數(shù)據(jù)單位不同且數(shù)量級(jí)差別較大，為便于分析，需要?dú)w一化處理樣本數(shù)據(jù)，把它們都轉(zhuǎn)變成[0，1]之間的數(shù)，處理后的數(shù)據(jù)可直接作為神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)，處理方法如下

(3)

3.2優(yōu)化模型參數(shù)設(shè)置

本文建立了一個(gè)3層BP神經(jīng)網(wǎng)絡(luò)，由樣本數(shù)據(jù)可知，Qmax，Rts，Rtr，tg，k和PI是影響絕緣壽命的6個(gè)關(guān)鍵因素，因此，把這6個(gè)參數(shù)輸入神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)輸出為絕緣剩余壽命時(shí)間T。故神經(jīng)網(wǎng)絡(luò)輸入和輸出層節(jié)點(diǎn)數(shù)為6和1，中間層節(jié)點(diǎn)數(shù)選為18。中間層傳遞函數(shù)采用logsig，輸出層傳遞函數(shù)用 purelin，把trainlm作為訓(xùn)練函數(shù)。網(wǎng)絡(luò)的訓(xùn)練目標(biāo)誤差為0.001，學(xué)習(xí)效率為0.2，訓(xùn)練次數(shù)定為5 000。

果蠅群體個(gè)數(shù)將根據(jù)所設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定，設(shè)為20，連續(xù)迭代100次，適應(yīng)度函數(shù)選取期望結(jié)果和實(shí)際結(jié)果的誤差均方值，如下

(4)

4測(cè)試及結(jié)果分析

分別運(yùn)用BP神經(jīng)網(wǎng)絡(luò)和經(jīng)果蠅算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)發(fā)電機(jī)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，得到圖3所示訓(xùn)練曲線對(duì)比，然后保存這兩個(gè)模型用于測(cè)試。

圖3　網(wǎng)絡(luò)誤差曲線

從圖3可以看出，BP神經(jīng)網(wǎng)絡(luò)收斂到期望誤差需要2 461代，而結(jié)合果蠅算法后只需275代即可，收斂速率顯著提高。

表2是測(cè)試數(shù)據(jù)和兩種模型測(cè)試結(jié)果對(duì)比，將表中測(cè)試數(shù)據(jù)處理后，帶入模型進(jìn)行測(cè)試，然后將測(cè)試結(jié)果逆處理即可得發(fā)電機(jī)絕緣剩余壽命預(yù)測(cè)值，如表2、圖4。圖4所示分別為基于兩種模型的預(yù)測(cè)值與實(shí)際值對(duì)比。

圖4　T實(shí)際值與預(yù)測(cè)值曲線對(duì)比

結(jié)合表2和圖4可以看出，BP神經(jīng)網(wǎng)絡(luò)經(jīng)果蠅算法優(yōu)化后，絕緣壽命預(yù)測(cè)值與實(shí)際值相差甚小，誤差明顯小于果蠅算法優(yōu)化前的BP神經(jīng)網(wǎng)絡(luò)。綜合上述結(jié)果可知：基于果蠅算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)具有較快的收斂速率，均方誤差小，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度和辨識(shí)精度得到了有效提高。通過(guò)測(cè)試實(shí)驗(yàn)證明，將其應(yīng)用在雙饋異步風(fēng)力發(fā)電機(jī)的絕緣壽命預(yù)測(cè)中，是正確和可行的。

表2測(cè)試數(shù)據(jù)及結(jié)果

序號(hào)輸入Qmax/pCRts/MΩRtr/MΩtg/℃kPIT實(shí)際值/khBP算法FOA-BP算法T預(yù)測(cè)值/kh相對(duì)誤差/%T預(yù)測(cè)值/kh相對(duì)誤差/%14887802.34501.0321.30.574.240.6343.116.10341.572.31325101799.16503.1618.60.613.837.1442.0113.11238.433.47334997802.61503.5212.60.523.645.9941.74-9.24147.342.93545023803.16499.9620.10.213.549.7053.026.68050.371.34854817799.89503.4124.70.572.930.6728.88-5.83629.7-3.16265223798.36504.8914.30.485.451.8548.14-7.15553.543.25975020803.58499.7718.50.563.733.2936.599.91233.911.86285111797.36497.13-5.90.245.166.1260.07-9.15067.391.92094977800.51504.50-4.20.324.756.8653.27-6.31355.85-1.776105210803.25503.00-2.60.353.926.4529.8212.7427.333.327

5結(jié)論

本文提出一種基于果蠅算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)合果蠅算法的多點(diǎn)全局搜索能力，有效提高了BP神經(jīng)網(wǎng)絡(luò)的尋優(yōu)效率和精度。將該模型運(yùn)用到雙饋異步風(fēng)力發(fā)電機(jī)的絕緣剩余壽命預(yù)測(cè)中，通過(guò)實(shí)驗(yàn)數(shù)據(jù)對(duì)其進(jìn)行測(cè)試和對(duì)比分析，測(cè)試結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)經(jīng)果蠅算法優(yōu)化后具有更好的快速性和準(zhǔn)確性，很好的克服了BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)、收斂速度慢等缺點(diǎn)，能有效預(yù)測(cè)雙饋異步風(fēng)力發(fā)電機(jī)絕緣剩余壽命。然而，處理復(fù)雜問(wèn)題時(shí)缺乏穩(wěn)定性是果蠅算法的一大缺點(diǎn)，基于此，改進(jìn)果蠅算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，是未來(lái)電機(jī)絕緣壽命預(yù)測(cè)的一個(gè)方向。

參考文獻(xiàn)：

[1]許國(guó)東. 風(fēng)力發(fā)電中雙饋異步電機(jī)的應(yīng)用技術(shù)[J]. 電工技術(shù)， 2003(8)： 1- 2．

[2]樊小朝， 王維慶， 李鳳婷， 等. 雙饋風(fēng)電機(jī)組風(fēng)電場(chǎng)并網(wǎng)故障特性[J]. 水力發(fā)電， 2015， 41(6)： 113- 117．

[3]任文娥， 劉紅文， 于欽學(xué)， 等. 發(fā)電機(jī)定子線圈絕緣診斷與壽命預(yù)測(cè)[J]. 高壓電器， 2012， 48(11)： 7- 12．

[4]朱立群， 黃慧潔， 趙波. 丁腈橡膠硫化膠在乙二醇中的加速老化失效及壽命預(yù)測(cè)[J]. 航空材料學(xué)報(bào)， 2007， 27(3)： 69- 73．

[5]陳健， 王洪波， 馬賢好. 風(fēng)力發(fā)電機(jī)主絕緣老化的診斷和壽命評(píng)估 [J]. 大電機(jī)技術(shù)， 2012(4)： 13- 16．

[6]金神雅樹(shù). 水輪發(fā)電機(jī)絕緣剩余壽命的推斷[J]. 國(guó)外大電機(jī)， 1998(4)： 52- 56．

[7]丁亮， 徐蕊， 羅華利， 等. 基于熱損傷累加準(zhǔn)則的風(fēng)力發(fā)電機(jī)絕緣壽命預(yù)測(cè) [J]. 可再生能源， 2013， 31(10)： 57- 61．

[8]李福興. 大型發(fā)電機(jī)定子絕緣診斷和剩余壽命預(yù)測(cè) [J]. 華北電力， 2004， 32(2)： 54- 56．

[9]吳俊學(xué). 基于PSO-EO算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)研究[J]. 科學(xué)技術(shù)與工程， 2010， 24(10)： 6047- 6049．

[10]潘文超. 應(yīng)用果蠅優(yōu)化算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行企業(yè)經(jīng)營(yíng)績(jī)效評(píng)估[J]. 太原理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)， 2011， 29(4)： 1- 5．

[11]顧燕明. 發(fā)電機(jī)定子絕緣狀態(tài)的多參數(shù)診斷和剩余壽命預(yù)測(cè)[J]. 中國(guó)設(shè)備工程， 2009， (11)： 16- 19．

[12]EBERHART R C， SHI Y. Comparison between genetic algorithms and particle swarm optimization[C]∥Proc. of 7th Annal Conference on Evolutionary Computation. Berlin： Springer-Verlag， 1998： 611- 616．

(責(zé)任編輯高瑜)

雅礱江楊房溝水電站可行性研究報(bào)告順利通過(guò)審查

2015年11月28日～30日，水電水利規(guī)劃設(shè)計(jì)總院會(huì)同四川省發(fā)展和改革委員會(huì)、能源局在成都主持召開(kāi)了《四川雅礱江楊房溝水電站可行性研究報(bào)告》審查會(huì)議。會(huì)議聽(tīng)取了華東勘測(cè)設(shè)計(jì)研究院關(guān)于《楊房溝水電站可行性研究報(bào)告》主要勘測(cè)設(shè)計(jì)成果的匯報(bào)，并分專(zhuān)業(yè)組進(jìn)行了認(rèn)真的討論和審議。審查認(rèn)為，報(bào)告達(dá)到了可行性研究階段勘測(cè)設(shè)計(jì)工作內(nèi)容和深度的要求，基本同意該報(bào)告。

楊房溝水電站位于四川省涼山彝族自治州木里縣境內(nèi)的雅礱江中游河段上，是規(guī)劃中該河段的第6級(jí)水電站，水庫(kù)總庫(kù)容5.124 8億m3，調(diào)節(jié)庫(kù)容0.538 5億m3，電站裝機(jī)容量1 500 MW。工程樞紐主要由混凝土雙曲拱壩、泄洪消能建筑物和引水發(fā)電系統(tǒng)等組成。

2008年3月，華東院完成楊房溝水電站工程預(yù)可行性研究報(bào)告并通過(guò)審查。可行性研究階段，華東院開(kāi)展了大量勘察試驗(yàn)和設(shè)計(jì)研究工作，陸續(xù)完成了一系列專(zhuān)題研究報(bào)告，部分專(zhuān)題報(bào)告先后通過(guò)有關(guān)主管部門(mén)的審查。楊房溝水電站可行性研究報(bào)告順利通過(guò)審查，為項(xiàng)目的核準(zhǔn)工作奠定了堅(jiān)實(shí)的基礎(chǔ)，目前項(xiàng)目籌建工作已經(jīng)展開(kāi)。

(中國(guó)電建集團(tuán)華東勘測(cè)設(shè)計(jì)研究院有限公司)

Insulation Life Prediction of Doubly Fed Induction Generator by Using Optimized BP Neural Network Based on Fruit Fly Algorithm

ZENG Yu, CHEN Ying, YANG Yuwen

(Information Engineering School, Nanchang University, Nanchang 330031, Jiangxi, China)

Abstract:In order to improve the efficiency and accuracy of double-fed asynchronous generator insulation remaining life prediction, a prediction model based on the combination of BP neural network with fruit fly optimization algorithm is adopted, which can significantly improve the global search ability and convergence speed of BP neural network. By using the fast searching ability of fruit fly algorithm to optimize the weights and thresholds of BP neural network model, the optimized BP neural network has good accuracy and precision. The test result shows that the prediction model of BP neural network optimized by fruit fly algorithm is correct and effective on the prediction of generator insulation remaining life, which provides a new method for generator insulation remaining life prediction．

Key Words:doubly fed induction generator; fruit fly algorithm; BP neural network; insulation remaining life prediction

中圖分類(lèi)號(hào)：TM343

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0559- 9342(2016)01- 0084- 05

作者簡(jiǎn)介：曾裕(1990—)，男，江西撫州人，碩士研究生，主要從事電機(jī)本體優(yōu)化設(shè)計(jì)及優(yōu)化算法研究．

基金項(xiàng)目：江西省研究生創(chuàng)新專(zhuān)項(xiàng)資金資助(YC2014-S068)

收稿日期：2015- 09- 21