基于量子相位的QNN在变压器故障诊断中的应用

孟庆梅,王洪生,刘 宁

(1.沈阳供电公司,辽宁 沈阳 110003;2.东北电网有限公司,辽宁 沈阳 110018;3.东北电力大学,吉林 吉林 132012)

变压器是电力系统的枢纽设备,其运行可靠性直接关系到电力系统的安全与稳定。国内外在变压器故障诊断方面提出了许多方法,其中油色谱分析(DGA)可发现变压器潜伏性故障,因此得到了广泛的应用[1]。基于DGA的变压器故障传统诊断方法主要是三比值法及其改进方法,根据特征气体浓度通过简单的计算比值判断故障类型,优点是直观简便,但存在故障编码不全、容错能力差、不能全面反映故障状况等缺点,不能满足诊断的高可靠性要求。

目前,国内外学者为实现变压器及时、准确诊断,先后提出了多种人工智能技术与DGA相结合的诊断方法,这些方法基于准确的故障数据能得到令人满意的结果,但在不确定数据处理、容错能力方面仍存在一定的局限性[2]。文献 [3]将神经网络与证据理论相结合,提高了诊断精度,但其子网络证据体输出的可靠性将影响到融合后证据的置信区间和证据的不确定性。文献 [4]利用粗糙集寻找决策表中条件属性与决策属性间的关联规则,由于未充分考虑各属性间的关系,使形成的关联规则与实际情况存在偏差。

本文将量子理论与神经网络相结合,利用量子神经网络 (QNN)对于不确定性信息较强的处理能力,对变压器故障状态进行分类,通过量子相移参数的调整,对不同故障状态聚类分析的输出误差实现平滑处理,并以激活态概率推理的方式将样本参数信息与故障状态间隐含联系表示出来,从而有效提高模式识别的速度与准确率。

1 量子相位思想的QNN模型

2005年,Kouda等人提出了用量子相位表示量子神经元状态的QNN模型[5-7],在3层前馈神经网络结构中,利用量子神经元作为隐层神经元,输出层神经元的激活函数采用线性函数的网络结构。通过更新隐层量子神经元的相位因子而改变网络状态,模型凭借这种独特的网络状态修正方式,能实现模式识别中样本数据信息的快速与准确处理。

1.1 模型原理

基于量子相位思想的QNN计算模型以相位形式描述隐层神经元状态,模型的隐层量子神经元模拟受控非门[8-10]的作用调整自身状态,隐层量子神经元模型如图1所示。

图1 隐层量子神经元模型

图1 中w1,w2,…,wn是邻近神经元激活态时的概率,已知概率,就能了解神经元的活动情况;S(∑)是综合所收集到的概率值与权值,然后做简单加法,S是Sigmoid函数,将收集到的信息进行综合并转换到 [0,1]的范围,它是产生控制量子比特相位的第一阶段;0.5 π U为通过宏观信息而产生的控制量子比特相位;2π S(σ)为神经元内部状态相位,σ是相位调节参数 (相移参数);M为观测量,其输出值是神经元激活状态时的概率,表示为(F(θ))(Im为求复数的虚部);F(θ)为根据控制量子比特的作用使神经元状态发生改变后的状态,论文采用文献 [7]中的复数表示法,用公式表示为

模型的隐层神经元宏观上通过外界输入信息产生控制量子比特,微观上根据该控制量子比特,改变工作量子比特,通过不断修正其隐层量子神经元相位因子不断调整网络状态,达到训练网络的目的,然后对神经元最新状态进行量测,将神经元激活状态时的概率值作为神经元宏观信息传递出去[11],模型工作原理如图2所示。

图2 模型工作原理

由于模型的隐层量子神经元模拟受控非门通过调节量子相位的方式更新网络,而受控非门具有修正隐层神经元输出的特性,使模型的隐层量子神经元与相移参数之间存在某种修正互补关系,能克服梯度法训练容易陷入局部最优的弊端,比传统神经网络 (BP神经网格)具有更好的拟合和泛化能力。训练过程中,传统神经网络通过神经元的输出变化使训练误差下降,该QNN计算模型所采用的相移参数能加强训练误差的下降幅度,显现出更快的学习速度。

1.2 模型的实现

基于量子相位思想的QNN模型,其隐层神经元借鉴量子相位思想,模拟受控非门调节量子相移参数实现网络更新,宏观上收集数据信息,微观上能够较快地按一定比例将模糊交叉数据分配给所有相关联的类别,提高模式识别的准确性和快速性。

设QNN模型输入层有n个节点,输出层有l个节点,隐含层有m个节点。输入层综合收集宏观信息,通过Sigmoid函数将收集到的综合信息转换到 [0,1]范围内,进而产生控制量子比特相位 0.5 π Uj,其中 :

隐层第j个量子神经元表达出的状态为

隐层第j个神经元实际输出值为

第k个输出层神经元输出为

式中 xi——第i个输入;

ωij——输入层第i个神经元到隐层第j个神经元的权值;

θj——隐层第j个神经元阈值;

0.5 π Uj——隐层第j个神经元控制量子比特相位;

2π S(σj) ——第 j个神经元工作量子比特相位;

θk——输出层第k个神经元阈值;

Vjk——隐层第j个神经元到输出层第k个神经元权值。

采用梯度训练法对网络进行训练,此时网络学习的目标函数为

式中 dk——网络理想输出;

Ok——网络实际输出。

连接权值修正公式:

量子相移参数修正公式:

式中 ηw、ηv——相应的学习率;

ησ——相移调节率。

量子相移参数修正的目的在于使量子神经网络中基于同一类样本数据的隐层神经元输出变化最小,本质也是基于梯度下降法的算法[12]。通过该算法对量子相移参数的调整使处于模糊边界上不属于同一类的样本较快地映射到不同的故障模式上。

θk可以看作为增加了1个输出为l的隐层神经元与第k个输出层神经元之间的连接权值,θj也采用相似的更新方式。

2 变压器故障诊断中的应用

2.1 QNN诊断模型的建立

参照 《变压器油中溶解气体分析和判断导则》和 《试验规程》[13、14],选取变压器油色谱试验关键特征气体H2、CH4、C2H6、C2H4、C2H25种气体含量作为QNN模型的输入,利用CO、CO22种特征气体判断故障是否涉及固体绝缘,为简化网络结构,仅用经验知识表达。并将变压器故障状态划为无故障、中低温过热、高温过热、低能量放电、高能量放电,作为网络输出。

根据变压器故障诊断实际要求,QNN诊断模型采用3层量子神经元网络结构,5个输入、5个输出,并根据多次测试择优,将隐含层神经元个数定为8。

2.2 故障诊断实现过程

利用基于量子相位的QNN诊断模型实现变压器故障诊断,实现过程示意简图如图3所示。

图3 QNN模型诊断过程示意图

3 算例分析

3.1 实例及算法比较

结合变压器故障类型及实际运行情况,按一定比例选取50组变压器故障油色谱分析数据组成训练样本,作为量子相位思想QNN模型输入进行网络训练,样本训练结果均方差及运行30次的迭代次数与同样本输入下BP神经网络对比如图4、图5所示。

表1给出了10个测试样本,表2为QNN和BP神经网络诊断结果比较。5种故障状态分别由O={Ok}(1≤k≤5)表示,O1为无故障,O2为中低温过热(150℃＜O2≤700℃),O3为高温过热(O3＞700℃),O4为低能量放电,O5为高能量放电。

图4 量子相位QNN与BP神经网络训练样本均方误差比较

图5 量子相位QNN模型与BP神经网络模型训练迭代次数比较

表1 测试样本故障数据 μ L/L

由图5可见,二者运算时间均较快,但QNN均方差总体上优于 BP神经网络;由图4可见,QNN比BP网络以更少的迭代次数实现收敛,体现出较快的学习速度。由表2诊断结果可见,量子神经网络对各个样本都能较好地识别,而BP神经网络对样本2、3、5、9未能作出判断,这是由于QNN模型的隐层量子神经元能够通过量子相移参数的修正更好地将不确定的数据分配给相关联的故障模式。

3.2 诊断实例

a. 案例1

某20 MVA、110 kV主变压器 (SFSZL7-20000/110)自投运以来总烃值偏高,而且产气速率较快,色谱数据如表3所示。

根据三比值法判断,编码为021,属中温过热故障,将色谱数据输入 QNN,输出值为 [0,0.999 978,0.000 367,0,0],诊断结果为中低温过热故障。由CO、CO2含量值超标且呈现出增长的趋势推测出故障可能涉及固体绝缘。经检查发现,该主变存在制造缺陷,由于拉紧螺杆与夹件互相连接,夹件与油箱连接接地,拉近了螺杆与铁轭的接触,造成铁心多点接地,铁心上铁轭两主极板间靠C相端绝缘垫块烧糊,与诊断结果一致。

表2 量子神经网络和BP神经网络诊断结果

b. 案例2

某 360 MVA、363 kV的主变压器 (SSP-360000/363)投运后色谱分析反映出乙炔等气体含量逐渐增大,并超过规程注意值,主变色谱数据如表4所示。

根据三比值法判断编码为102或122,判定内部存在放电故障,将最近色谱试验数据输入QNN,输出值为[0,0,0,0.000452,0.999936],诊断结果为高能放电故障,由CO、CO2含量值超标且呈现出增长趋势推测出故障可能涉及固体绝缘,检查发现,高压绕组与低压绕组围屏存在烧伤、穿孔、爬电等明显树枝放电痕迹,属围屏爬电绝缘烧伤故障,与诊断结果吻合。

表3 主变色谱分析数据 μ L/L

表4 主变色谱分析数据 μ L/L

4 结论

针对变压器故障诊断中的故障状态模式识别问题,利用基于量子相位的QNN较好分类效果,将其应用到变压器油色谱分析中,具有以下优点。

a. 能够吸收神经网络很强的自学习、自适应和容错能力,可以很好地应用于变压器故障模型的学习和训练。

b. 能够通过量子相移参数调整,克服梯度法训练容易陷入局部最优的弊端,体现出比传统神经网络 (BP神经网络)具有更好的拟合和泛化能力,提高了诊断结果的准确度与可信度。

c. 模型中的相移参数能够加强训练误差的下降幅度,体现出比BP神经网络更快的学习速度。

通过实际案例应用,验证了基于量子相位QNN诊断模型在处理不确定、模糊交叉故障数据时具有良好的效果。

[1] 钱 政,严 樟.电力变压器绝缘故障综合诊断方法的研究 [J].电网技术,2002,26(2):32-36.

[2] 王建元,纪延超.模糊Petri网络知识表示方法及其在变压器状态诊断中的应用 [J].中国电机工程学报,2003,23(1):121-125.

[3] 廖瑞金,廖玉祥,杨丽君,等.多神经网络与证据理论融合的变压器综合诊断方法研究 [J].中国电机工程学报,2006,26(3):119-124.

[4] 莫 娟,王 雪.基于粗糙集理论的电力变压器状态诊断方法 [J].中国电机工程学报,2004,24(7):162-167.

[5] Kouda,N.,Matsui,N.,Nishimura,H.and Peper,F.:Qubit neural network and its leaning efficiency,Neural Computing and Applications,2005,14(2):114-121.

[6] Kouda,N.,Matsui,N.,Nishimura,H.and Peper,F.:An examination of qubit neural network in controlling an inverted pendulum.Neural Processing Letters,2005,22(3):277-290.Springer 2005.

[7] Kouda,N.,Matsui,N.,Nishimura,H.:Image compression by layered quantum neural networks,Neural Processing Letters,16(1)(2002),67-80.

[8] Kak S C.On Quantum Neural Computing[J].Information Sciences,1995,83:143-160.

[9] Deutsch D. “Quantum Computational Networks”.Proceedings of the Royal Society,London A,1989,425:73-90.

[10] Deutsch D.et al. “Universality in Quantum Computation”.Proc.R.Soc.London A,1995,52:3 457-3 462.

[11] 吕 强,俞金寿.量子神经元结构设计及其应用 [J].控制与决策,2007,22(9):1 002-1 026.

[12] Ventura D.and Martinez T.R.Quantum Associative Memory[J].Information Sciences,2000,124:273-296.

[13] 中华人民共和国国家经济贸易委员会.DL/T7252—2000.变压器油中溶解气体分析和判断导则 [S].北京:中国电力出版社,2001.

[14] 中华人民共和国电力工业部.DL/T596—1996.电力设备交接和预防性试验规程 [S].北京:中国电力出版社,2000.