基于改進(jìn)粒子群優(yōu)化T-S ANFIS算法的診斷油浸式變壓器故障研究

樂效鵬，史 兵，李嘉誠

(常州大學(xué) 機(jī)械與軌道交通學(xué)院，江蘇 常州 213164)

0 引言

油浸式變壓器是電力系統(tǒng)中常用的重要設(shè)備，其安全運(yùn)行對(duì)于電網(wǎng)穩(wěn)定具有至關(guān)重要的作用[1-2]。然而，由于長期使用和各種外部因素的影響，油浸式變壓器容易出現(xiàn)各種故障，如低能放電、高溫過熱、繞組短路等[3-5]，這些故障若得不到及時(shí)準(zhǔn)確的診斷，將導(dǎo)致設(shè)備失效或嚴(yán)重事故。

文獻(xiàn)[6]通過在線實(shí)時(shí)監(jiān)測(cè)和分析油色譜，成功實(shí)現(xiàn)了對(duì)油浸式變壓器內(nèi)部故障的診斷和運(yùn)行狀態(tài)的評(píng)估。文獻(xiàn)[7]提出了一種反向傳播(BP，back propagation)神經(jīng)網(wǎng)絡(luò)綜合蜂群算法的方式，并構(gòu)建了基于BP的變壓器故障診斷模型，有效提高了故障診斷的精確度。文獻(xiàn)[8]應(yīng)用多層動(dòng)態(tài)自適應(yīng)優(yōu)化參數(shù)法對(duì)最小二乘支持向量機(jī)(LSSVM，least squares support vector machine)進(jìn)行參數(shù)優(yōu)化，并將其用于油浸式變壓器故障診斷中，成功證明了該算法的有效性。文獻(xiàn)[9]將BP神經(jīng)網(wǎng)絡(luò)與改進(jìn)的自適應(yīng)提升算法相結(jié)合，構(gòu)建了變壓器故障的串聯(lián)診斷模型，并通過實(shí)驗(yàn)證明該模型對(duì)變壓器故障診斷的準(zhǔn)確性有較好的提高。文獻(xiàn)[10]采用Pearson相關(guān)系數(shù)對(duì)特征氣體集進(jìn)行濾波和優(yōu)化，結(jié)合Lasso回歸建立特征的多維線性模型，并通過實(shí)例驗(yàn)證了動(dòng)態(tài)模型對(duì)變壓器故障診斷的可行性。文獻(xiàn)[11]使用Rdpid Miner服務(wù)器構(gòu)建數(shù)據(jù)挖掘分析工具并與光譜技術(shù)結(jié)合，通過連續(xù)迭代以確定變壓器故障診斷準(zhǔn)確性的最佳吸收波長組合。文獻(xiàn)[12]利用飛蛾火焰優(yōu)化算法(MFO，moth flame optimizer)對(duì)概率神經(jīng)網(wǎng)絡(luò)的平滑因子進(jìn)行優(yōu)化，通過實(shí)驗(yàn)數(shù)據(jù)仿真，證明了模型對(duì)變壓器故障診斷的準(zhǔn)確率有較好提升。文獻(xiàn)[13]采用KPCA算法對(duì)數(shù)據(jù)進(jìn)行降維處理，并利用DBSO算法對(duì)CatBoost模型進(jìn)行優(yōu)化和故障診斷，實(shí)驗(yàn)證明優(yōu)化后的模型與其他預(yù)處理方法相比，在變壓器故障診斷的準(zhǔn)確性及效率方面都有顯著的提高。文獻(xiàn)[14]使用公共向量方法對(duì)變壓器油中溶解氣體進(jìn)行數(shù)據(jù)分析，通過電氣測(cè)試實(shí)驗(yàn)證明了其在診斷精度和運(yùn)行時(shí)間方面的優(yōu)越性能。文獻(xiàn)[15]先采用粗糙集理論對(duì)故障數(shù)據(jù)進(jìn)行優(yōu)化處理，再利用天牛須算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行診斷研究，經(jīng)實(shí)驗(yàn)證明了方法的可行性和有效性。文獻(xiàn)[16]提出了一種基于改進(jìn)天鷹算法(MAO，modified aquila optimizer)優(yōu)化核極限學(xué)習(xí)機(jī)(KELM，Kemel based extreme learning machine)的診斷方法，有效提升了故障診斷的收斂速度。文獻(xiàn)[17]提出用MPC優(yōu)化貝葉斯網(wǎng)絡(luò)的變壓器故障診斷方法，實(shí)驗(yàn)表明改進(jìn)方法后的故障診斷正確率更高。

綜上所述，現(xiàn)階段國內(nèi)外均已研究出多種油浸式變壓器的故障診斷模型，提升故障診斷的精度及效率仍是目前研究的重點(diǎn)方向?；诖?，本文提出了一種改進(jìn)的粒子群算法，它能夠有效地解決自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)參數(shù)尋優(yōu)能力較弱、收斂速度較慢以及粒子群后期容易陷入局部最優(yōu)等問題。改進(jìn)算法應(yīng)用收斂域和歐式距離判別雷同粒子以一定的概率重新隨機(jī)初始化粒子，使粒子后期能夠跳出潛在的局部最優(yōu)位置，提高算法找到更優(yōu)解的可能性。此外，動(dòng)態(tài)慣性權(quán)重和學(xué)習(xí)因子線性調(diào)整策略的引入進(jìn)一步增強(qiáng)了算法的全局搜索能力和收斂速度。利用改進(jìn)粒子群算法(IPSO，improved particle swarm optimization)優(yōu)化T-S型自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)(T-S ANFIS，T-S adaptive neuro fuzzy inference system)的故障診斷模型對(duì)變壓器的穩(wěn)定運(yùn)行有重要的現(xiàn)實(shí)意義，同時(shí)也為其它相關(guān)領(lǐng)域提供了新的優(yōu)化思路。

1 粒子群算法及其改進(jìn)

1.1 粒子群算法

粒子群算法(PSO，particle swarm optimization)基于對(duì)鳥群的集體智能行為進(jìn)行研究，是一種重要的優(yōu)化方法[18]。PSO算法將優(yōu)化問題抽象為一組粒子在搜索空間中的運(yùn)動(dòng)，通過隨機(jī)賦值位置和速度來初始化種群。在探索空間深處時(shí)，粒子依靠經(jīng)歷和周圍環(huán)境的變化來調(diào)整位置和行進(jìn)速率。粒子通過跟蹤個(gè)體極值(Pbest，particle best)和全局極值(Gbest，global best)來更新自身狀態(tài)，從而更好地掌握最優(yōu)解的位置。該算法具有出色的全局搜索性、高效的收斂性以及簡(jiǎn)單的實(shí)施方式，已經(jīng)廣泛應(yīng)用于圖像處理、機(jī)器學(xué)習(xí)和參數(shù)優(yōu)化等多個(gè)領(lǐng)域[19]。

設(shè)一個(gè)D維搜索空間，由n個(gè)粒子組成種群X=(X1，X2，…，Xn)。種群中第i個(gè)粒子位置Xi=(Xi1，Xi2，…，XiD)，通過目標(biāo)函數(shù)計(jì)算每個(gè)粒子對(duì)應(yīng)的適應(yīng)度值。種群中第i個(gè)粒子速度Vi=(Vi1，Vi2，…，ViD)，粒子i的最優(yōu)位置為Pi=(Pi1，Pi2，…，PiD)，整個(gè)種群的歷史最優(yōu)位置為Gi=(Gi1，Gi2，…，GiD)。標(biāo)準(zhǔn)粒子群算法中，粒子速度和位置的更新是關(guān)鍵，其更新公式如下：

(1)

(2)

式中，d=1，2，…，D；i=1，2，…，n；Vid為粒子速度；w為慣性權(quán)重；c1、c2為區(qū)間范圍[0，2]內(nèi)的加速度常系數(shù)；r1、r2為區(qū)間范圍[0，1]內(nèi)的隨機(jī)數(shù)。

粒子群算法的性能受粒子行為和參數(shù)設(shè)置的影響。不當(dāng)?shù)膮?shù)設(shè)置可能使粒子速度過快或過慢，導(dǎo)致搜索效果變差。調(diào)節(jié)參數(shù)雖簡(jiǎn)單，但卻對(duì)算法性能至關(guān)重要。參數(shù)包括：種群規(guī)模n，慣性權(quán)重w，加速度常系數(shù)c1和c2，最大迭代次數(shù)T。合理的參數(shù)設(shè)置可以平衡全局和局部搜索，從而提高算法性能。

1.2 改進(jìn)粒子群算法

粒子群算法因易于理解和調(diào)節(jié)參數(shù)較少等優(yōu)點(diǎn)被廣泛應(yīng)用，但該算法也存在一些缺點(diǎn)。在優(yōu)化過程中，算法響應(yīng)速度快且有效，但當(dāng)粒子接近最優(yōu)點(diǎn)時(shí)，粒子的速度會(huì)變得很小，導(dǎo)致群體呈現(xiàn)出“趨同性”，使得算法易于陷入局部最優(yōu)解。此外，個(gè)體容易受到全局影響而離開當(dāng)前搜索區(qū)域，從而影響之前的局部搜索結(jié)果，降低搜索精度[20]。此外，由于迭代公式的簡(jiǎn)單，所以參數(shù)的調(diào)整對(duì)算法的收斂過程有著重要的影響。為了改善基本粒子群算法存在的問題，本文提出一種改進(jìn)粒子群算法，該算法引入動(dòng)態(tài)慣性權(quán)重w和學(xué)習(xí)因子c1、c2的線性變化公式，以及后期收斂域和雷同粒子判別，以提高種群的多樣性和算法的尋優(yōu)能力，避免陷入局部最優(yōu)解。

1.2.1 慣性權(quán)重w的動(dòng)態(tài)調(diào)整

在標(biāo)準(zhǔn)粒子群算法中，慣性權(quán)重w通常為固定值1，不易于迭代后期的局部收斂。然而，動(dòng)態(tài)調(diào)整慣性權(quán)重可以避免在搜索初期和搜索后期慣性權(quán)重取值單一不當(dāng)?shù)膯栴}。在探索初期采用較大的慣性權(quán)重，強(qiáng)化全局搜索能力，提高算法的收斂速度和搜索范圍；在搜索后期逐漸減小慣性權(quán)重，強(qiáng)化局部搜索能力。采用動(dòng)態(tài)非線性減小的方法可以更加精準(zhǔn)地調(diào)節(jié)慣性權(quán)重，避免算法過早陷入局部最優(yōu)解，提高算法的收斂精度。慣性權(quán)重w的動(dòng)態(tài)改進(jìn)公式如下：

(3)

式中，wmax為慣性權(quán)重的最大值，wmin為慣性權(quán)重的最小值；Fi為粒子i的適應(yīng)度值，F(xiàn)avg為當(dāng)前所有粒子的平均適應(yīng)度值，F(xiàn)min為當(dāng)前所有粒子的最小適應(yīng)度值；Rand為(0，1)間的隨機(jī)數(shù)，K為粒子在第t次迭代時(shí)與粒子總迭代次數(shù)T的比值：K=t/T。

1.2.2 學(xué)習(xí)因子c1、c2的線性變化

在標(biāo)準(zhǔn)粒子群算法中，固定學(xué)習(xí)因子c1和c2可能導(dǎo)致全局搜索和局部搜索能力的平衡存在問題，使得收斂速度過快或過慢。而隨著迭代次數(shù)的增加，線性調(diào)整學(xué)習(xí)因子c1和c2可以較好地解決這一問題。初試迭代階段，較大的c1和較小的c2有助于全局搜索和加快搜索速度。隨著迭代次數(shù)的增加，較小的c1和較大的c2有利于避免陷入局部極值點(diǎn)。學(xué)習(xí)因子c1、c2的線性改進(jìn)公式為：

(4)

(5)

式中，c1為自我學(xué)習(xí)因子，c2為群體學(xué)習(xí)因子；K為粒子在第t次迭代時(shí)與粒子總迭代次數(shù)T的比值：K=t/T。

1.2.3 收斂域及雷同粒子判別

為了保證粒子種群的豐富性，并防止在后期出現(xiàn)局部優(yōu)化，將粒子的個(gè)體最優(yōu)位置與種群的全局最優(yōu)位置進(jìn)行比較，當(dāng)滿足式(5)時(shí)即判定部分粒子進(jìn)入全局最優(yōu)的收斂域；此時(shí)，未進(jìn)入收斂域內(nèi)且適應(yīng)度函數(shù)值處于種群前5%的粒子的參數(shù)取種群后20%粒子參數(shù)的平均值。在收斂域內(nèi)，若其他粒子與最優(yōu)粒子間的歐式距離小于1則被認(rèn)定為雷同粒子，賦予雷同粒子隨機(jī)參數(shù)跳出收斂域，以保證種群的多樣性和后期跳出局部最優(yōu)。

(6)

式中，Gbest為種群的全局最優(yōu)位置，Pbest為粒子的個(gè)體最優(yōu)位置。

2 T-S型自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)

T-S型自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)是一種將T-S模糊推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)結(jié)合的自適應(yīng)推理網(wǎng)絡(luò)。該網(wǎng)絡(luò)能夠?qū)⑤斎肟臻g劃分成多個(gè)模糊子集，并對(duì)每個(gè)子集進(jìn)行建模，最終得到一個(gè)整體的模糊推理結(jié)果[21-22]。其學(xué)習(xí)算法包括前向傳播和反向傳播兩個(gè)部分，通過調(diào)整樣本量和網(wǎng)絡(luò)參數(shù)，可以實(shí)現(xiàn)前向傳播并獲取準(zhǔn)確的輸出結(jié)果。在T-S型自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)中，每個(gè)隸屬度函數(shù)都由若干個(gè)參數(shù)決定，這些參數(shù)需要通過學(xué)習(xí)來確定。采用梯度下降法雖然可以有效地減小誤差函數(shù)，但由于它不具有凸性，因此很容易導(dǎo)致局部最優(yōu)解的出現(xiàn)[23-24]。為了解決這一挑戰(zhàn)，研究人員提出了許多相關(guān)的解決方案，例如采用粒子群算法以達(dá)到更好的結(jié)果。

T-S型自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)是一種集成了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)優(yōu)勢(shì)的改良型結(jié)構(gòu)，分為前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)兩部分，結(jié)構(gòu)如圖1所示。

圖1 T-S型自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

系統(tǒng)的前件網(wǎng)絡(luò)由四層架構(gòu)組成，包括輸入層、模糊層、規(guī)則層以及去模糊層，這些層的結(jié)合使前件網(wǎng)絡(luò)能夠有效地運(yùn)行。

第一層為輸入層，用于處理輸入向量X=(X1，X2，…，Xn)，并將其傳遞到下一層。本文系統(tǒng)的輸入層的節(jié)點(diǎn)個(gè)數(shù)為5，分別對(duì)應(yīng)油浸式變壓器內(nèi)部五種氣體含量：氫氣、甲烷、乙烷、乙烯和乙炔。

第二層為模糊層，用于對(duì)輸入數(shù)據(jù)進(jìn)行模糊化，并計(jì)算不同輸入分量屬于各語言變量值模糊集合的隸屬度μmn。根據(jù)實(shí)驗(yàn)需求和仿真經(jīng)驗(yàn)，采用高斯函數(shù)作為隸屬度函數(shù)，通過改進(jìn)粒子群算法對(duì)高斯函數(shù)中的參數(shù)cmn和bmn進(jìn)行優(yōu)化。根據(jù)油浸式變壓器故障分類需求，將模糊分割數(shù)設(shè)定為7，則本層對(duì)應(yīng)的節(jié)點(diǎn)數(shù)量為35。

(7)

第三層為規(guī)則層，將各節(jié)點(diǎn)的隸屬度進(jìn)行模糊計(jì)算，并采用加權(quán)法求得每個(gè)規(guī)則的適應(yīng)度。在模糊網(wǎng)絡(luò)中，只有在靠近輸入點(diǎn)的語言變量值才具有較高的隸屬度值，因此只有少數(shù)節(jié)點(diǎn)會(huì)產(chǎn)生較高的輸出值，這點(diǎn)類似于局部逼近網(wǎng)絡(luò)。

(8)

系統(tǒng)的后件網(wǎng)絡(luò)由r個(gè)具有相同結(jié)構(gòu)的子網(wǎng)絡(luò)構(gòu)成，網(wǎng)絡(luò)間通過交互作用實(shí)現(xiàn)數(shù)據(jù)傳輸。

子網(wǎng)絡(luò)的第一層為輸入層，其中第0個(gè)節(jié)點(diǎn)X0的輸入值為1，用于在模糊規(guī)則后件中提供常數(shù)項(xiàng)。

子網(wǎng)絡(luò)的第二層共有m個(gè)結(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一條規(guī)則，該層的作用是計(jì)算每一條規(guī)則的后件，規(guī)則推理結(jié)果由yrm來表示：

(9)

(10)

比較推理結(jié)果中的最大值作為整個(gè)系統(tǒng)的輸出，即為油浸式變壓器故障類型對(duì)應(yīng)編號(hào)。

3 基于IPSO優(yōu)化T-S ANFIS的變壓器故障診斷模型

3.1 基于IPSO優(yōu)化T-S ANFIS的網(wǎng)絡(luò)訓(xùn)練過程

在T-S ANFIS網(wǎng)絡(luò)中，改進(jìn)粒子群算法被應(yīng)用于網(wǎng)絡(luò)的參數(shù)優(yōu)化。通過初始化種群粒子的參數(shù)集，并設(shè)定粒子的位置和速度，以及規(guī)定種群規(guī)模和迭代次數(shù)等參數(shù)，粒子群適應(yīng)度值可以被計(jì)算出來。通過比較當(dāng)前位置和歷史最佳位置的適應(yīng)度值，可以找到全局最佳位置。最后，利用改進(jìn)方法更新粒子群的位置和速度，循環(huán)迭代至滿足算法的終止條件。改進(jìn)算法可以有效地提高ANFIS網(wǎng)絡(luò)的訓(xùn)練效率，以便更好地對(duì)變壓器進(jìn)行故障診斷?；贗PSO優(yōu)化T-S ANFIS網(wǎng)絡(luò)的算法流程如圖2所示，網(wǎng)絡(luò)訓(xùn)練的具體過程步驟如下。

圖2 基于IPSO優(yōu)化T-S ANFIS網(wǎng)絡(luò)的算法流程圖

步驟2：粒子適應(yīng)度值計(jì)算。將ANFIS網(wǎng)絡(luò)不正確分類的樣本數(shù)作改進(jìn)為粒子群的適應(yīng)度函數(shù)，計(jì)算初始化粒子的適應(yīng)度值，從中尋找個(gè)體極值Pbest和Gbest群體極值。

步驟3：粒子評(píng)價(jià)。對(duì)于每個(gè)粒子，比較其當(dāng)前位置的適應(yīng)度值和其歷史最佳位置的適應(yīng)度值，如果當(dāng)前位置更優(yōu)，則更新其歷史最佳位置。將所有粒子的歷史最佳位置進(jìn)行比較，找到適應(yīng)度函數(shù)值最小的位置，并將其設(shè)為全局最佳位置。

步驟5：終止條件判斷。當(dāng)達(dá)到預(yù)設(shè)的最大迭代次數(shù)或最小誤差要求時(shí)，停止迭代，輸出最優(yōu)解作為網(wǎng)絡(luò)模型的前提參數(shù)，否則跳轉(zhuǎn)到步驟2。

步驟6：將粒子群優(yōu)化的前提參數(shù)代入T-S ANFIS進(jìn)行模型訓(xùn)練。訓(xùn)練完成后，輸入測(cè)試樣本對(duì)模型的故障診斷準(zhǔn)確度及速度進(jìn)行實(shí)驗(yàn)。

3.2 數(shù)據(jù)預(yù)處理

通過數(shù)據(jù)預(yù)處理，可以有效地剔除不必要的信息，并且通過優(yōu)化來提高原始數(shù)據(jù)的準(zhǔn)確性。通過這種方式，可以消除外部因素和測(cè)量過程中的不確定性，從而提升數(shù)據(jù)的準(zhǔn)確性和可靠性。本系統(tǒng)選取油浸式變壓器中的5種主要特征氣體：氫氣、甲烷、乙烷、乙烯和乙炔作為實(shí)驗(yàn)數(shù)據(jù)，并利用式(11)對(duì)特征氣體數(shù)據(jù)進(jìn)行歸一化處理，以此來提取出有助于變壓器故障診斷的有效參數(shù)。選取7組典型的油浸式變壓器故障測(cè)試樣本氣體歸一化體積分?jǐn)?shù)數(shù)據(jù)見表1。

表1 故障特征氣體歸一化體積分?jǐn)?shù)

(11)

式中，Xn表示歸一化后的變壓器故障氣體含量，n=1，2，…，5；Qn表示變壓器故障的特征氣體原始含量，Q1到Q5依次表示特征氣體中的氫氣、甲烷、乙烷、乙烯和乙炔。

3.3 模型評(píng)價(jià)標(biāo)準(zhǔn)

基于上述實(shí)現(xiàn)方式，歸一化的數(shù)據(jù)輸入粒子群優(yōu)化后的模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，輸出診斷的變壓器故障類型，并對(duì)模型診斷結(jié)果進(jìn)行評(píng)估。本文選取平均絕對(duì)誤差(MAE)作為算法優(yōu)化診斷模型的評(píng)價(jià)指標(biāo)，誤差表達(dá)式為：

(12)

式中，Ek和Rk分別表示故障診斷類型編號(hào)和實(shí)際診斷類型編號(hào)；若Ek與Rk的編號(hào)值一致，則兩者差值記為0，否則記為1；n表示測(cè)試樣本的數(shù)量。

4 仿真實(shí)驗(yàn)分析

本文使用IPSO優(yōu)化構(gòu)建T-S ANFIS神經(jīng)網(wǎng)絡(luò)模型，選取了油浸式變壓器中油色譜數(shù)據(jù)5種主要特征氣體：氫氣、甲烷、乙烷、乙烯、乙炔。氣體數(shù)據(jù)經(jīng)過歸一化處理后，作為神經(jīng)網(wǎng)絡(luò)的特征輸入量。神經(jīng)網(wǎng)絡(luò)的特征輸出為7種變壓器診斷類型，分別為：正常(輸出1)、低能放電(輸出2)、高能放電(輸出3)、低溫過熱(輸出4)、高溫過熱(輸出5)、中溫過熱(輸出6)和中低溫過熱(輸出7)。

從變壓器研究資料中收集500組油色譜數(shù)據(jù)，其中正常52組，占10.4%；低能放電82組，占16.3%；高能放電134組，占26.9%；低溫過熱17組，占3.4%；高溫過熱153組，占30.7%；中溫過熱13組，占2.5%；中低溫過熱49組，占9.8%；按比例選取400組作為訓(xùn)練樣本，100組作為測(cè)試樣本。實(shí)驗(yàn)中粒子群規(guī)模設(shè)置為50，最大迭代次數(shù)設(shè)置為500；慣性權(quán)重按公式(3)動(dòng)態(tài)調(diào)整，其中慣性權(quán)重的最大值和最小值分別設(shè)置為0.9和0.1；學(xué)習(xí)因子c1、c2按式(4)、式(5)線性變化，并引入收斂域和歐式距離判別雷同粒子以一定的概率重新隨機(jī)初始化粒子，使用Matlab進(jìn)行仿真測(cè)試。當(dāng)達(dá)到最大迭代次數(shù)500次或誤差達(dá)到預(yù)設(shè)閾值0.01時(shí)，輸出全局最優(yōu)位置作為對(duì)應(yīng)的T-S ANFIS網(wǎng)絡(luò)的前提參數(shù)。

在輸入、輸出相同的情況下，對(duì)改進(jìn)粒子群算法的策略進(jìn)行消融實(shí)驗(yàn)。對(duì)慣性權(quán)重動(dòng)態(tài)調(diào)整公式、學(xué)習(xí)因子線性調(diào)整公式以及算法引入的收斂域和歐式距離判別雷同粒子進(jìn)行改進(jìn)算法的控制變量實(shí)驗(yàn)，控制粒子群改進(jìn)策略優(yōu)化ANFIS進(jìn)行故障診斷的結(jié)果對(duì)比如表2所示。在測(cè)試條件相同的情況下，IPSO算法優(yōu)化的故障樣本診斷最優(yōu)率約為98%，高于標(biāo)準(zhǔn)ANFIS網(wǎng)絡(luò)和標(biāo)準(zhǔn)PSO優(yōu)化的ANFIS網(wǎng)絡(luò)，具體故障樣本診斷結(jié)果如表3所示；基于IPSO優(yōu)化T-S型ANFIS網(wǎng)絡(luò)、標(biāo)準(zhǔn)PSO優(yōu)化T-S型ANFIS網(wǎng)絡(luò)、標(biāo)準(zhǔn)T-S型ANFIS網(wǎng)絡(luò)對(duì)100組測(cè)試樣本的故障診斷最優(yōu)結(jié)果對(duì)比如表4所示；三種方法的仿真耗時(shí)如圖3所示，最優(yōu)故障診斷分類分別如圖4～6所示。

表3 IPSO優(yōu)化算法訓(xùn)練故障樣本診斷最優(yōu)結(jié)果

表4 IPSO-ANFIS、PSO-ANFIS、ANFIS故障診斷最優(yōu)結(jié)果對(duì)比

圖3 網(wǎng)絡(luò)仿真耗時(shí)對(duì)比圖

圖4 ANFIS最優(yōu)故障診斷分類圖

圖5 PSO-ANFIS最優(yōu)故障診斷分類圖

圖6 IPSO-ANFIS最優(yōu)故障診斷分類圖

綜合以上仿真結(jié)果，可作如下分析：

1)根據(jù)表2的數(shù)據(jù)可知，IPSO算法引入收斂域和歐式距離判別雷同粒子，對(duì)雷同粒子賦予隨機(jī)參數(shù)，使粒子后期跳出可局部最優(yōu)位置，增強(qiáng)了種群的多樣性，降低了故障診斷的誤差率，同時(shí)提高算法找到更優(yōu)解的可能性。為了提高算法的收斂性和精度，迭代過程中對(duì)慣性權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整，并令學(xué)習(xí)因子進(jìn)行線性變化，這樣粒子在迭代初期能進(jìn)行較好的全局搜索，而到迭代后期則能更加精確的進(jìn)行局部搜索。對(duì)慣性權(quán)重和學(xué)習(xí)因子的公式改進(jìn)，減少了模型診斷的耗時(shí)，提高了算法的搜索能力。

2)根據(jù)表3和表4的數(shù)據(jù)可知，在優(yōu)化ANFIS網(wǎng)絡(luò)的前提參數(shù)時(shí)，需要結(jié)合理論依據(jù)和人工經(jīng)驗(yàn)，經(jīng)過反復(fù)測(cè)試，才能找出合適的參數(shù)值。標(biāo)準(zhǔn)PSO算法雖然在一定程度上解決了最優(yōu)前提參數(shù)匹配的問題，但其存在迭代效率低和易于陷入局部最優(yōu)的缺點(diǎn)。而IPSO優(yōu)化網(wǎng)絡(luò)參數(shù)訓(xùn)練故障樣本診斷的最優(yōu)正確率約為98%，優(yōu)化網(wǎng)絡(luò)的耗時(shí)較短，診斷的故障分析匹配度高于另外兩種標(biāo)準(zhǔn)網(wǎng)絡(luò)。

3)IPSO算法在最優(yōu)故障診斷分類的識(shí)別效果明顯優(yōu)于標(biāo)準(zhǔn)PSO，所以在油浸式變壓器故障診斷方面，基于IPSO優(yōu)化T-S型ANFIS網(wǎng)絡(luò)診斷故障樣本具有較好地運(yùn)行效率與精度。

5 結(jié)束語

本文提出了一種改進(jìn)的粒子群算法，它能夠有效地解決自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)參數(shù)尋優(yōu)能力較弱、收斂速度較慢以及粒子群后期容易陷入局部最優(yōu)等問題，該算法結(jié)合了動(dòng)態(tài)慣性權(quán)重和學(xué)習(xí)因子線性調(diào)整策略，并引入收斂域和歐式距離判別雷同粒子，以增加種群的多樣性，讓粒子群可以更快地跳出局部最優(yōu)，從而較好地提高了算法的全局搜索能力與收斂速度。采取參數(shù)調(diào)整，可以有效避免陷入局部最優(yōu)，提高了變壓器故障診斷的精度及效率，對(duì)變壓器及電力系統(tǒng)的安全穩(wěn)定運(yùn)行有重要的現(xiàn)實(shí)意義，同時(shí)也為其它相關(guān)領(lǐng)域提供了一種新的優(yōu)化方法和思路。因此，IPSO算法在ANFIS網(wǎng)絡(luò)參數(shù)優(yōu)化方面具有明顯優(yōu)勢(shì)，特別是在故障樣本診斷方面的應(yīng)用效果非常顯著。然而，要注意IPSO算法中的參數(shù)設(shè)置問題和不同問題領(lǐng)域中的適用性問題。未來研究可以探索更先進(jìn)的優(yōu)化算法，進(jìn)一步提高網(wǎng)絡(luò)的診斷準(zhǔn)確性和魯棒性。