基于人工魚群-蛙跳神經(jīng)網(wǎng)絡的變壓器故障診斷

喬維德

（無錫開放大學，江蘇無錫214011）

基于人工魚群-蛙跳神經(jīng)網(wǎng)絡的變壓器故障診斷

喬維德

（無錫開放大學，江蘇無錫214011）

為提高電力變壓器故障診斷的準確率，提出一種基于人工魚群-蛙跳混合算法（AFSAFLA）優(yōu)化的神經(jīng)網(wǎng)絡模型，并用于電力變壓器的故障診斷.人工魚群-蛙跳混合算法融合了人工魚群算法前期全局收斂速度迅速以及蛙跳算法局部搜索能力強的優(yōu)勢，其運算速度和優(yōu)化精度有了極大提升.仿真實驗結果分析表明，該方法能對變壓器各種類型故障加以有效診斷，故障診斷正確率高、速度快，能滿足電力變壓器故障診斷的實際工程需要.

變壓器；人工魚群算法；蛙跳算法；故障診斷

電力變壓器為電網(wǎng)中極其重要的輸變電設備，其安全與可靠運行直接影響著整個電力系統(tǒng)的安全性.一旦電力變壓器在運行過程中發(fā)生故障，不僅可能造成電網(wǎng)的整體或局部癱瘓，而且還會帶來慘重的安全事故和巨大的經(jīng)濟損失.所以，對電力變壓器可能發(fā)生的故障類型進行預測診斷，可及時了解電力變壓器的運行狀態(tài)，并對變壓器的維護和檢修提供科學指導，及時排查并消除變壓器故障及其安全隱患，降低變壓器故障發(fā)生概率.電力變壓器結構一般較為復雜，如何在變壓器故障發(fā)生早期或潛伏期便能應用診斷技術加以診斷，一直是學者們關注和研究的課題.傳統(tǒng)的診斷變壓器故障方法有多種，其中的油中溶解氣體分析（DGA）法已被廣泛應用，DGA法比較適宜變壓器的早期故障檢測，并且受變壓器結構變化的影響不大，但是DGA法存在編碼不全、編碼邊界過于絕對等缺點，因此大大影響變壓器故障診斷結果的準確率.伴隨著人工智能及計算技術的迅速發(fā)展，電力變壓器的故障診斷技術也進入嶄新的智能化時代，智能技術為變壓器故障診斷開拓了新思路和新途徑，目前人們已將神經(jīng)網(wǎng)絡、遺傳算法、蟻群算法、粒子群算法等用于變壓器的智能故障診斷，但存在網(wǎng)絡收斂速度緩慢甚至不收斂、易早熟、陷入局部最小點等局限性問題，從而影響變壓器故障診斷準確率.鑒于上述問題，筆者提出將人工魚群算法（AFSA）與蛙跳算法（FLA）兩種仿生智能算法結合起來，組成人工魚群-蛙跳混合算法（即AFSA-FLA），運用AFSA-FLA優(yōu)化用于變壓器故障診斷的神經(jīng)網(wǎng)絡結構參數(shù)模型，充分利用人工魚群算法快速全局搜索和蛙跳算法較強局部搜索的能力，提高變壓器故障診斷的速度和精度.

1　人工魚群算法

人工魚群算法（AFSA）最先由李曉磊等學者于2002年提出，它是模仿魚群行為的一種隨機優(yōu)化算法，它是利用魚群的覓食、聚群、追尾和隨機等行為，通過魚群中各個體的局部尋優(yōu)實現(xiàn)對魚群全局尋優(yōu)的目標.該算法的數(shù)學模型為：如果一個n維水域搜尋空間中有N條人工魚組成魚群體，每條魚的位置狀態(tài)可設定為X=（x1，x2，…，xn），其中xi（i=1，2，…，n）為被優(yōu)化參數(shù).人工魚當前位置的食物濃度設定Y=f（X），Y為待求的目標函數(shù)值；各條人工魚位置間距設定為dij=|Xi—Xj|.用rang代表人工魚感知區(qū)域范圍，step表示人工魚每次向目標位置游動的最大步長，λ為魚群擁擠度因子；number為人工魚每次覓食的最大試探次數(shù)［1］.

1）覓食行為.覓食行為實質(zhì)上就是人工魚朝著食物濃度高的方向移動.假定第i條人工魚當前位置是Xi，在這條魚的可見范圍內(nèi)隨機選取另一個位置Xj，比較兩個位置的食物濃度即目標函數(shù)值Yi和Yj，當Yj＞Yi時，那么人工魚從當前位置Xi朝著食物量更多的位置Xj方向游動一步；如果Yj＜Yi時，就繼續(xù)隨機選擇下一個位置Xj，并按上述方法判別人工魚是否滿足向前游動的條件，假如連續(xù)經(jīng)過number次最大嘗試后還不能滿足游動的位置條件，那么就執(zhí)行人工魚的隨機行為.

2）隨機行為.人工魚在它的視野范圍內(nèi)隨機游動，當看見食物時，朝著食物越來越多的方向位置快速游動，從而更新人工魚的當前位置.其實隨機行為也屬于覓食行為的一種缺省和特殊行為.

3）聚群行為.假定當前人工魚Xi在dij＜rang的視野區(qū)域內(nèi)，擁有其它人工魚的數(shù)量為mf，可以測算人工魚群的中心位置Xo為：

設定魚群中第i條人工魚位置Xi上的食物濃度為Yi，rang范圍內(nèi)人工魚群中心位置Xo的食物濃度為Yo.如果Yi＜Yo，同時Yo/mf＞λYi，意味著此時rang區(qū)域中心位置Xo的食物量多、食物濃度大，而且中心位置附近不是很擁擠，此時人工魚便從當前Xi位置朝著人工魚群的中心位置Xo方向前進一步；如果Yo/mf＜λYi，人工魚便會采取覓食行為.

4）追尾行為.假定當前人工魚位置為Xi，在當前魚搜尋范圍dij＜rang的感知區(qū)域內(nèi)，食物量（食物濃度）Yj（最多）最高時的人工魚所處位置為Xj，如果Yi＜Yj，同時Yj/mf＞λYi，那么表示rang范圍內(nèi)人工魚所處的Xj位置食物濃度高，且位置Xj附近不擁擠，因此，當前第i條人工魚便朝著Xj位置方向游動一步；如果Yj/mf＜λYi，人工魚便會采取覓食行為.

5）公告板：將魚群中最優(yōu)的人工魚位置及其對應的食物（量）濃度記錄在公告板上.當人工魚每進行一次位置更新后，便及時用更新位置后的食物濃度與公告板中記載的最優(yōu)人工魚食物濃度進行比較，如果比公告板中的食物濃度高，則用自身的位置與食物濃度更新公告板中內(nèi)容，在算法迭代結束后，公告板中的輸出值便是待求最優(yōu)值.

對于人工魚群算法中經(jīng)過初始化的每條人工魚個體，首先嘗試進行聚群行為和追尾行為，而且選取最優(yōu)的一種行為指導其在空間中的實際移動，最終完成所有人工魚的一次位置更新［2］.算法中公告板中的記錄為人工魚的位置更新和個體尋優(yōu)提供參考指導.

人工魚群算法中，人工魚的聚群行為和追尾行為促進整個魚群快速朝著全局最優(yōu)的區(qū)域位置方向游動，所以，人工魚群算法在前期運行過程中，收斂速度較快，而在搜尋至最優(yōu)區(qū)域后［3］，該算法為避免過度擁擠現(xiàn)象的再現(xiàn)，增加了魚群的隨機搜索行為，但是人工魚的盲目隨機游動，又會延緩后期最優(yōu)區(qū)域內(nèi)搜索全局最優(yōu)解的過程，從而使后期收斂速度受到極大影響.

2　蛙跳算法

蛙跳算法（FLA）最早由Eusuff等學者于2003年首次提出，它是一種模擬青蛙群體尋找食物過程的優(yōu)化方法.同人工魚群算法相似，蛙跳算法將待優(yōu)化參數(shù)看成青蛙所在位置，青蛙位置好壞通過目標函數(shù)值來衡量和評價.在蛙跳算法中模仿青蛙尋食的過程，就是較劣位置青蛙不斷向著較優(yōu)位置跳躍的過程［4］.

1）在D維目標搜索空間內(nèi)，由n只青蛙組成初始種群，第i只青蛙位置為Xi=（x1，x2，x3，…，xn，），其中xi（i=1，2，…，n）為待優(yōu)化參數(shù).

2）由青蛙位置參數(shù)計算目標函數(shù)，并得到每個青蛙個體所處位置的適應度.將所有青蛙個體根據(jù)適應度從高到低排序，且將n只青蛙劃分成p個子群，每個子群又都有k只青蛙，即n=p×k.

3）在每個子群中，適應度最好時對應的最優(yōu)位置用Xb表示，適應度最差時對應的最差位置用Xw表示，整個蛙群中所有子群中適應度最優(yōu)青蛙用Xg表示.在蛙跳算法的進化進程中，適應度最差青蛙首先要向本子群中適應度最優(yōu)青蛙跳躍，當前適應度最差青蛙位置Xw按公式（2）、（3）規(guī)則進行更新.

上式中，R表示［0，1］區(qū)間上的隨機數(shù)，Dj記為第j維上青蛙移動距離，Dmax記為青蛙一次改變位置的最大值，Xw代表最差青蛙的當前位置，Xw（new）代表最差青蛙更新計算后的位置.

4）當Xw（new）位置的適應度高于Xw位置的適應度，那么完成一次位置更新，否則利用整個蛙群最優(yōu)個體Xg替換（2）式中Xb進行計算，如果新位置Xw（new）適應值仍然沒有變好或改善，那么青蛙隨機在目標搜索空間內(nèi)跳躍，產(chǎn)生一個新位置來替換原來的最差青蛙位置Xw.

5）將蛙群中各子群中的青蛙重新混合在一起，按要求重新按適應度排序并劃分各子群，不斷重復進行上述步驟中的更新操作，直至達到規(guī)定的迭代次數(shù)或者滿足設定的適應度值為止.

蛙跳算法在進化過程中，通過對蛙群內(nèi)青蛙排序及各子群劃分進行局部搜尋，并通過不斷改善蛙群中最差青蛙位置來實施對蛙群的整體尋優(yōu)，因此，蛙跳算法中采取的青蛙位置更新策略的方向性更強，對于某一較小區(qū)域空間內(nèi)的局部搜索尋優(yōu)能力非常強.

3　人工魚群—蛙跳混合算法及其神經(jīng)網(wǎng)絡優(yōu)化

人工魚群算法前期搜索速度快，能夠迅速搜索并鎖定待求的全局最優(yōu)區(qū)域，但是算法在后期運行中要搜尋到精準的最優(yōu)值，因計算復雜而導致收斂過程變得緩慢.蛙跳算法的局部搜尋能力強大，然而該算法在前期尋優(yōu)時具有計算量大、收斂速度慢等缺陷.為此，通過比較并結合兩者的優(yōu)勢與缺陷，有效融合人工魚群算法與蛙跳算法，形成人工魚群-蛙跳混合算法（AFSA-FLA），從而整體加快算法的收斂速度，提升算法的優(yōu)化精度［5］.筆者嘗試將人工魚群-蛙跳混合算法用于電力變壓器的神經(jīng)網(wǎng)絡故障診斷.在采用AFSA-FLA混合算法訓練優(yōu)化BP神經(jīng)網(wǎng)絡時，所有人工魚的位置Xi及其食物濃度Yi等狀態(tài)向量、青蛙位置參數(shù)均對應于網(wǎng)絡的連接權值和閾值.初始化時由隨機函數(shù)生成一定數(shù)目個體，便自動生成多組BP神經(jīng)網(wǎng)絡的權值及閾值，構成人工魚群或青蛙群體.AFSA-FLA混合算法優(yōu)化神經(jīng)網(wǎng)絡時，首先通過人工魚群算法的全局快速收斂優(yōu)勢，使魚群迅速搜尋到全局較優(yōu)值所處區(qū)域，然后再采取蛙跳算法迅速在較優(yōu)區(qū)域內(nèi)進行局部搜索，直至尋到最優(yōu)位置，最終使均方誤差（適應度）指標為最?。?］.此時最優(yōu)位置便是BP神經(jīng)網(wǎng)絡中最優(yōu)連接權值和閾值.均方誤差（適應度）指標J定義為：

式中，Qjk定義為第j個訓練樣本在第k個輸出節(jié)點處的期望網(wǎng)絡輸出值，Yjk定義為第j個訓練樣本在第k個輸出節(jié)點處的實際網(wǎng)絡輸出值，m為神經(jīng)網(wǎng)絡輸出節(jié)點數(shù)，n為學習訓練樣本數(shù).人工魚群-蛙跳混合算法優(yōu)化BP神經(jīng)網(wǎng)絡的流程如圖1所示［7］.

4　基于AFSA—FLA神經(jīng)網(wǎng)絡的變壓器故障診斷算例

4.1變壓器故障診斷網(wǎng)絡結構設計

當變壓器在運行過程中出現(xiàn)過熱和放電等各種熱、電故障時，一般生成H2（氫氣）、CH4（甲烷）、C2H2（乙炔）、C2H4（乙烷）、C2H6（乙烯）等主要故障特征氣體，變壓器故障類型與故障各特征氣體含量之間不存在準確的映射關系，而表現(xiàn)出較為復雜和嚴重的非線性關系，利用神經(jīng)網(wǎng)絡可以克服其非線性問題帶來的變壓器故障診斷瓶頸.首先求取H2、CH4、C2H2、C2H4、C2H6等五種氣體含量與所有氫烴氣體總量的比值，分別記為X1、X2、X3、X4、X5，并將X1～X5作為網(wǎng)絡的歸一化輸入量.其中，輸入數(shù)據(jù)經(jīng)過歸一化處理后，保證網(wǎng)絡輸入X1～X5值介于0和1之間，以防止學習樣本數(shù)據(jù)間因存在明顯差異性而制約網(wǎng)絡的收斂性能.神經(jīng)網(wǎng)絡輸出設定為高溫度過熱（Y1）、中低溫度過熱（Y2）、高能量放電（Y3）、低能量放電（Y4）、正常運行（Y5）等5種輸出狀態(tài).設定高溫度過熱的故障溫度≥700℃、中低溫度過熱＜700℃.高能量放電包括變壓器的電弧放電及較強火花放電，低能量放電包括變壓器的局部放電及較弱火花放電.假若網(wǎng)絡的輸出Y1～Y5越大，則說明對應輸出故障類型及狀態(tài)出現(xiàn)的概率越大.當變壓器出現(xiàn)高溫度過熱時，網(wǎng)絡輸出Y1期望值應為1，而此時Y2～Y5輸出期望值均應為0，網(wǎng)絡輸出編碼和變壓器故障之間的對應規(guī)則如表1所示.用于變壓器故障診斷的原理示意圖如圖2所示.

表1　故障類型與網(wǎng)絡輸出編碼關系

圖2　變壓器故障診斷原理示意圖

圖1　人工魚群—蛙跳混合算法優(yōu)化神經(jīng)網(wǎng)絡流程

4.2神經(jīng)網(wǎng)絡訓練與測試

利用AFSA-FLA混合算法優(yōu)化神經(jīng)網(wǎng)絡時，通過多次模擬實驗，選取的初始化參數(shù)取值如下：人工魚群數(shù)量為300，人工魚的感知范圍rang為0.85，人工魚的移動最大步長step為0.75，魚群的擁擠度因子λ為0.618，最大迭代次數(shù)為300，人工魚的試探最大次數(shù)number為30；蛙群全局最大迭代次數(shù)為200，蛙群中青蛙數(shù)目為100，子群體數(shù)目為20，子群內(nèi)最大迭代更新次數(shù)為10.BP神經(jīng)網(wǎng)絡采取5-14-5結構，網(wǎng)絡目標誤差精度為0.0001.筆者利用MATLAB7.0軟件，將經(jīng)過變壓器吊芯處理的60組故障數(shù)據(jù)用作學習樣本（此略），對上述設計的神經(jīng)網(wǎng)絡進行訓練，直至網(wǎng)絡訓練后的輸出誤差在設定的目標誤差范圍內(nèi)，并取得網(wǎng)絡最優(yōu)權值、閾值等參數(shù).通過對人工魚群算法、蛙跳算法、人工魚群-蛙跳混合算法的對比分析，采取本文設計的AFSA-FLA混合算法訓練優(yōu)化神經(jīng)網(wǎng)絡，速度快，精度高（見表2）.

表2　神經(jīng)網(wǎng)絡不同訓練算法比較

本文搜集并選擇某供電公司從現(xiàn)場監(jiān)測到的15組變壓器發(fā)生故障及正常運行數(shù)據(jù)，這些數(shù)據(jù)表示變壓器油中溶解的H2、CH4、C2H2、C2H4、C2H6等5種氣體濃度，對其首先作歸一化處理，即將5種氣體濃度值轉換為各氣體濃度含量所占總烴氣體的比值，接著以5種氣體濃度的歸一化值作為網(wǎng)絡的測試輸入樣本數(shù)據(jù)，并輸出對應的網(wǎng)絡診斷結果（表3）.由表3可見，網(wǎng)絡診斷結論和變壓器實際故障及狀態(tài)完全一致，進一步證明本設計診斷準確性好，可靠度高.

表3　變壓器故障測試樣本及診斷結果

5　結束語

為實現(xiàn)對電力變壓器故障的實時、快速及準確診斷，本文提出基于人工魚群-蛙跳混合算法優(yōu)化神經(jīng)網(wǎng)絡的變壓器故障診斷技術，仿真結果及算例表明，本文采用的人工魚群-蛙跳混合算法，比分別采用人工魚群、蛙跳算法的訓練精度高、收斂速度快，能提高變壓器故障診斷的準確度、快速性以及可靠性，該方法對于實際電力工程及工礦企業(yè)的變壓器運行維護具有一定的指導價值.

［1］苗強.基于人工魚群算法的變壓器故障診斷研究［J］.煤炭技術，2015，34（4）：291-292.

［2］魏立新，張峻林，劉青松.基于改進人工魚群算法的神經(jīng)網(wǎng)絡優(yōu)化［J］.控制工程，2014，21（1）：84-87.

［3］王敏，周樹道，段黎明，等.AFSA+PSO混合算法在BP網(wǎng)絡故障中的應用［J］，自動化技術與應用，2014，32（3）：62-65.［4］余華，黃程韋，張瀟丹，等.混合蛙跳算法神經(jīng)網(wǎng)絡及其在語音情感識別中的應用［J］，南京理工大學學報，2011，35（5）.

［5］耿超，王豐華，蘇磊，等.基于人工魚群與蛙跳混合算法的變壓器Jiles-Atherton模型參數(shù)辨識［J］.中國電機工程學報，2015，35（18）：4799-4807.

［6］孟杰，呂正兵.RBF神經(jīng)網(wǎng)絡在道路交通事故預測中的應用［J］.常熟理工學院學報，2012，26（2）：86-90.

［7］喬維德.改進粒子群優(yōu)化神經(jīng)網(wǎng)絡的高壓斷路器故障診斷［J］.常熟理工學院學報，2016，30（2）：51-55.

Transformer Fault Diagnosis Based on Neural Network with AFSA—FLA

QIAO Weide
（Wuxi Open University，Wuxi 214011，China）

In order to improve the accuracy of power transformer fault diagnosis，this paper proposes a neural network model，which is optimized by AFSA-FLA，and used in the fault diagnosis of power transformer.AFSAFLA combines the advantage of the rapidspeed of AFSA's convergence with prior global and FLA'sstrong localsearching ability.Its operationspeed and optimization accuracy have been greatly improved.Thesimulation resultsshow that this method can effectively diagnose various types of faults with transformer，that the fault diagnosis accuracy rate is high，that the fault diagnosisspeed is quick，and that the method cansatisfy actual engineering needs for transformer fault diagnosis.

transformer；AFSA；FLA；fault diagnosis

TM407

A

1008-2794（2015）04-0070-05

2016-04-25

無錫市社會事業(yè)領軍人才項目“電力變壓器故障參數(shù)檢測技術”（WX530/2015/006）

喬維德，教授，無錫市首批社會事業(yè)領軍人才，常州市“831工程”首批中青年科學技術帶頭人，江蘇開放大學學術帶頭人，研究方向：控制工程，E-mail：qiaowd@wxtvu.cn.