基于GA-BP的变压器故障诊断

2010-04-13 00:23李艳平吴为民郭虎奎

电力与能源 2010年3期

李艳平,吴为民,郭虎奎

(新疆大学电气工程学院,新疆乌鲁木齐市830008)

变压器运行一旦出现故障就会产生局部过热、电弧放电、内部绝缘油分解等现象,同时会释放各种特征气体[1]。变压器运行时所释放气体的组成和浓度与变压器运行中故障的种类有着密切的关系[2]。本文将结合特征气体成分和浓度与变压器故障类型的关系,在神经网络对变压器故障诊断的基础上,采用相应的遗传算法,结合两者的优点,形成一种综合训练算法(GA-BP算法),来实现变压器故障的诊断。

1 GA-BP的诊断模型

1.1 遗传算法

遗传算法是一种仿生算法,它从一个初始种群出发,不断重复执行选择、杂交和变异的过程,使种群进化越来越接近某一目标[3]。

遗传算法的应用步骤包括[4]:①确定决策变量及其各种约束条件,即确定出个体的表现型X和问题的解空间;②建立优化模型,即确定出目标函数的类型及其数学描述形式或量化方法;③确定表示可行解的染色体编码方法,也即确定出个体的基因型X及遗传算法的搜索空间;④确定解码方法,即确定出个体基因型X到个体表现型X的对应关系或转换方法;⑤确定个体适应度的量化评价方法,即确定出由目标函数f(X)到个体适应度F(X)的转换规则;⑥设计遗传算子,即确定出选择运算、交叉运算、变异运算等遗传算子的具体操作方法;⑦确定遗传算法的有关运行参数,即确定出遗传算法的M和T等参数。

1.2 神经网络的模型[5]

本文采取函数型小波神经网络的结构如图1所示,设系统的输入为:

设小波函数ψa,b(x)为第一层激活函数,ak和bk分别为其中的伸缩平移系数,第二、三层的激活函数为σ(x)函数;网络各层的神经元个数为k,m和s, ω1k,n,ω2m,k,ω3s,m分别为各层网络的权值,则网络的输出如下:

式中:σ(*)为sigmoid函数。

图1 神经网络图

1.3 基于GA-BP的优化

GA-BP算法就是在BP算法之前,先用GA在随机点集中遗传确定优化初值,以此作为BP算法的初始权值,再由BP算法进行训练,这就是GA-BP算法的原理。遗传算法的学习和BP网络评价的步骤如下[6]。

(1)编码对于染色体采取二进制和实值混合编码形式,对每个网络结构采取二进制编码,表示该隐层单元的有效性,随机产生N(根据经验确定)个结构,每个个体对应一个结构,由于小波网络输入输出节点个数已由能反映阳极效应特征参数的个数的实际情况所决定,编码时可以只对隐含层小波基个数进行编码,0代表连接无效,l代表连接有效[7]。

(2)初始化种群包括交叉规模、交叉概率、突变概率;种群采用实数进行编码,初始种群取60个。

(3)个体适应度计算根据适应度函数评价训练结果。评价依据为:

式中:fi为个体i的适配值,可用误差平方和E来衡量;i=1,…,N为染色体数;k=1,…,4为输出层节点数;p=1,…,5为学习样本数;T k为教师信号。

(4)产生新个体以概率P c对个体Gi和Gi+1交叉操作产生新个体G′i和G′i+1,对没有进行交叉操作的个体进行直接复制。

(5)突变利用概率P m突变产生Gj的新个体G′i+1。

(6)评价函数将新个体插入到种群P中,并计算新个体的评价函数;

(7)终结如果找到了满意的个体,则结束,否则转④。

该方法可以利用遗传算法全局搜索的特点去寻找最合适的网络连接权,同时利用神经网络减小遗传算法的搜索空间,提高搜索效率。GA-BP算法故障诊断流程图如图2所示[8]。

图2 故障诊断过程流程图

2 在变压器故障诊断中的应用

变压器运行中出现故障时释放各种特征气体主要包括 H 2,C2 H 2,CH 4,C2 H 4,C2 H 6和CO,CO2等[1],释放气体的组成和浓度与变压器运行中故障种类有关,如表1[2]。

表1 故障与特征气体的关系

2.1 故障分析及样本采集

(1)输入特征向量的确定变压器运行时的故障类型与故障时变压器所产生的特征气体种类和浓度有关。因此分析时GA-BP网络所采用的特征输入向量由变压器特征气体的种类H2,C2 H 2,CH 4和总烃CI与C2的浓度来确定。

(2)输出特征向量的确定在故障诊断中,模型输出的特征向量代表可能的故障类型。变压器的典型故障类型有一般过热故障、严重过热故障、局部放电、火花放电和电弧放电5种类型[9],因此这里选择这5个特征向量作为输出向量。根据Sigmoid函数输出值在0～1之间的特点,这里设定0～1大小表示故障程度,大于等于0.5时表示存在相应的故障[10]。

(3)训练样本的收集输入输出特征向量确定好以后就可以进行样本的收集,本文共收集12组数据如表2,其中Y1,Y2,,Y3,Y4,和Y5分别代表一般过热,严重过热,局部放电,电弧放电和火花放电。