基于果蝇算法的BP神经网络对双馈异步发电机绝缘寿命预测研究

曾　裕，陈　瑛，杨玉文

(南昌大学信息工程学院 自动化系，江西南昌330031)



基于果蝇算法的BP神经网络对双馈异步发电机绝缘寿命预测研究

曾裕，陈瑛，杨玉文

(南昌大学信息工程学院 自动化系，江西南昌330031)

摘要：针对双馈异步发电机绝缘寿命预测的效率和精度有待提高的问题，提出一种基于果蝇算法(Fruit fly optimization algorithm，FOA)优化BP神经网络的预测方法，有效提升了BP神经网络寻优的快速性和准确性。利用果蝇算法多点全局的快速搜索能力来优化BP神经网络模型的权值和阈值，对比发现，BP神经网络经优化后寻优效率和预测精度明显提高。试验结果表明：通过果蝇算法优化BP神经网络来预测电机绝缘剩余寿命是正确和有效的，为电机绝缘剩余寿命预测提供了一种新途径。

关键词：双馈异步发电机；果蝇算法；BP神经网络；绝缘剩余寿命预测

0引言

近年来，我国的风力发电产业正处于一个高速发展的阶段，大规模的风电场相继投入建设和运行[1，2]。在当前风力发电机组中，双馈异步发电机应用最为广泛，作为风电场的核心设备，它的健康状态直接影响着风电场的运行稳定性和供电可靠性[3]。判定发电机绝缘状态和预测剩余寿命能够在发生故障之前进行必要的处理，避免运行中发生故障带来损失和危害。所以，发电机绝缘剩余寿命的预测具有十分重要的实用价值。

当前，在电机运行可靠性研究领域，绝缘剩余寿命预测已成为一大热点，专家学者们研究了多种预测方法。原理简单、结果精确的阿伦尼斯方程，被称作寿命预测经典模型，在寿命预测领域应用相当广泛[4]。基于此，有人在评估风力发电机绝缘系统寿命时，成功将阿伦尼斯加速模型与最小二乘法相结合[5]。在预测发电机绝缘寿命上，日本学者金神雅树大量研究了剩余击穿电压与定子线圈的非破坏参量的关系[6]。文献[7]将Miner准则与热损伤累加准则相结合，提出一种发电机绝缘寿命前期预测方法，为风力发电机寿命预测以及优化提供参考。文献[8]采用测试光谱、电、声等方法，能够实现较小误差地评估电机绝缘剩余寿命。预测方法多种多样，但预测效率和精度都还有待提高。

为提高对双馈异步风力发电机剩余寿命预测的快速性和准确性，果蝇算法作为一种演化式智能算法，在优化算法模型方面被广泛应用，具有实际应用价值。因此，本文提出一种将果蝇优化算法与BP神经网络相结合的发电机剩余寿命预测方法，利用果蝇算法多点全局的快速搜索能力，优化BP神经网络的连接权值和阈值，从结构上改善BP神经网络模型，能有效克服BP神经网络易陷入局部最优和收敛速度慢缺点，实现对发电机剩余寿命快速而精准的预测，为双馈异步风力发电机绝缘剩余寿命预测提供一种新方法。

1FOA优化BP神经网络

1.1BP神经网络

BP神经网络采用误差反向传播，是一种单向传播的多层前向神经网络，包括输入层、中间层和输出层三层。其典型的网络结构如图1所示。在中间层和节点数够多的情况下，任何的非线性映射关系都可以逼近。梯度下降法是反向传播误差学习算法的基本思想，采用梯度搜索技术，不停的调整神经网络中的连接权值和阈值，最终使网络的误差均方值最小。其网络权值的修正公式为

(1)

(2)

图1　三层BP神经网络结构

在众多人工神经网络模型中，BP神经网凭借其结构简单、复杂非线性函数逼近、泛化能力强等优点，广泛应用在电机故障诊断与剩余寿命预测领域。但BP神经网络也有需要改进的地方，待寻优参数多，收敛速度慢；易陷入局部极小值；尚无很好的方法来确定具体的网络结构，仍需根据经验公式或认为调试[9]。这些都限制了它的应用和推广。

1.2果蝇算法

中国台湾学者潘文超于2011年正式提出果蝇算法，这是一种根据果蝇的觅食行为推演出的全局寻优的演化式算法，基于粒子群等群智能算法发展而来。果蝇的嗅觉十分灵敏，40 km以外的食物源都能嗅到，利用嗅觉飞近食物位置后，再运用犀利的视觉寻找食物和同伴的位置，然后飞往该方向[10]。

自提出以来，其应用领域相当广泛，特别是在函数优化、神经网络、等方面有着重要的应用价值。虽然它提出时间不长，但已有众多学者在理论和应用方面做了大量研究，总结出果蝇算法的具体优点。果蝇算法具有原理简单、全局寻优能力强、收敛速度快、鲁棒性和辨识精度高等优点。因此，本文将果蝇算法与BP神经网络相结合，能有效提高BP神经网络的寻优效率和精度。

1.3FOA优化BP神经网络

FOA算法与BP神经网络结合后，第一步是确立网络结构。连接BP神经网络中的权值和阈值视作果蝇个体处理，给一只果蝇一个随机的寻优方向和距离，然后根据算法步骤开始寻优，迭代过程中以寻求适应度函数最优值为目标，迭代完毕后，更新果蝇个体位置。更新网络所有权值和阈值，选取合适的隐层激活函数。然后，把训练数据带入BP神经网络训练网络。最后，通过采集的样本测试数据对训练后网络进行测试，检验优化后BP神经网络的寻优性能。

FOA与BP神经网络相结合后算法流程如图2所示。具体步骤如下：

图2　FOA-BP神经网络流程

(1) 创建BP神经网络结构，确定各层节点个数，把网络的权值和阈值初始化。

(2) 将所有网络权值视作果蝇处理，并把果蝇群体位置初始化Xi=Xa;Yi=Ya。

(3) 给一只果蝇一个随机的寻优方向和距离，即Xi=Xa+R;Yi=Ya+R，式中，Xa、Ya、R为随机方向和距离。

(5) 把S带入味道浓度判定函数，求出当前味道浓度并保存该值。

(6) 求出味道浓度判定函数的最优值，此时应选取最小值，保存当前网络权值。

(7) 更新适应度函数最优值时果蝇位置，此时权值坐标为：Xo=Xb;Yo=Yb。

(8) 迭代开始，判断适应度函数值是否优于前一代，若是转到第7步，否则转到第3步。

(9) 带入最优权值用于BP神经网络训练。

(10) BP网络训练后用测试数据测试性能。

2发电机绝缘特性分析

发电机在运行中，电气、机械、热和环境等因素都会影响发电机绝缘系统老化。发电机绝缘寿命通常通过实验来确定，主要包括极化指数及吸收比、绝缘电阻、局部放电等测试，相关参数有绝缘电阻R、极化指数PI、最大局部放电量Qmax等[11]。

2.1极化指数

直流电压作用于线圈绝缘会随之产生主绝缘表面电流和电导电流，空气潮湿、碳化物等或存在缺陷是引发这一现象主要原因，两电流在时间作用下并无变化。不考虑表面电流时，总电流的变化量与电导电流大小成反比，这说明极化指数越小，绝缘老化越严重。

2.2局部放电

导致电机绝缘老化的重要原因之一就是局部放电。绝缘材料中若存在气隙，受到高压作用时将会引发局部放电现象。局部放电会严重损坏电机绝缘系统。通过实验判定绝缘体中的局放量可掌握电机绝缘状态，从而评估发电机绝缘寿命。当绝缘系统老化或浸渍工艺出问题时，局放量将与测试电压成正比例关系。目前，绝缘体局放性能主要通过最大局部放电量Qmax来评估，是判别发电机绝缘老化的重要因素之一[12]。

2.3环境应力

所有会引发风电机组绝缘故障的环境因素统称为环境应力。风力发电机暴露在野外，长时间承受风吹、日晒、雨淋和盐雾，这些都会对发电机绝缘起到破坏作用。同时，由于辐射的存在，也会造成发电机绝缘系统的加速老化。电机绝缘承受着各种环境应力的共同作用。有时候，单个环境应力并不会破坏绝缘系统，但多个因素叠加后，危害将十分严重。环境因素要破坏发电机绝缘要经过一个长久的过程。

3网络构建与训练

3.1数据采集与处理

发电机的寿命，主要取决于绕组绝缘的寿命，并与设计制造、使用维护和环境条件等有密切关系。根据上述对发电机绝缘特性的分析，由选取相关测试数据作为样本数据。

文中所选数据是某风电场2 MW双馈异步发电机在多年不同试验条件下得到110组样本值，将100组作为BP神经网络训练样本，剩下10组作为实验测试样本。训练样本越大越好，由于篇幅所限，表1列出了训练样本集的12组数据，包括绕组的绝缘电阻、极化指数、最大放电量、电机的工作环境等参。因三相数据较多，其中C相绝缘状态最差，故表中绝缘电阻、极化指数皆为C相数据。

表1部分训练样本集数据

序号输入输出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为最大局部放电量；Rts为温度t℃时，发电机定子绕组绝缘电阻；Rtr为发电机转子绕组绝缘电阻值，t取25℃；tg为发电机运行时平均温度；k为环境系数，表示发电机运行的环境因素，如空气湿度、腐蚀性以及尘埃等，数值越大表示工作环境越恶劣，取0～1；PI是极化指数；T为发电机绝缘剩余寿命。

由于各样本数据单位不同且数量级差别较大，为便于分析，需要归一化处理样本数据，把它们都转变成[0，1]之间的数，处理后的数据可直接作为神经网络的输入输出数据，处理方法如下

(3)

3.2优化模型参数设置

本文建立了一个3层BP神经网络，由样本数据可知，Qmax，Rts，Rtr，tg，k和PI是影响绝缘寿命的6个关键因素，因此，把这6个参数输入神经网络，网络输出为绝缘剩余寿命时间T。故神经网络输入和输出层节点数为6和1，中间层节点数选为18。中间层传递函数采用logsig，输出层传递函数用 purelin，把trainlm作为训练函数。网络的训练目标误差为0.001，学习效率为0.2，训练次数定为5 000。

果蝇群体个数将根据所设计BP神经网络结构确定，设为20，连续迭代100次，适应度函数选取期望结果和实际结果的误差均方值，如下

(4)

4测试及结果分析

分别运用BP神经网络和经果蝇算法优化的BP神经网络对发电机样本数据进行训练，得到图3所示训练曲线对比，然后保存这两个模型用于测试。

图3　网络误差曲线

从图3可以看出，BP神经网络收敛到期望误差需要2 461代，而结合果蝇算法后只需275代即可，收敛速率显著提高。

表2是测试数据和两种模型测试结果对比，将表中测试数据处理后，带入模型进行测试，然后将测试结果逆处理即可得发电机绝缘剩余寿命预测值，如表2、图4。图4所示分别为基于两种模型的预测值与实际值对比。

图4　T实际值与预测值曲线对比

结合表2和图4可以看出，BP神经网络经果蝇算法优化后，绝缘寿命预测值与实际值相差甚小，误差明显小于果蝇算法优化前的BP神经网络。综合上述结果可知：基于果蝇算法优化的BP神经网络具有较快的收敛速率，均方误差小，说明BP神经网络的学习速度和辨识精度得到了有效提高。通过测试实验证明，将其应用在双馈异步风力发电机的绝缘寿命预测中，是正确和可行的。

表2测试数据及结果

序号输入Qmax/pCRts/MΩRtr/MΩtg/℃kPIT实际值/khBP算法FOA-BP算法T预测值/kh相对误差/%T预测值/kh相对误差/%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结论

本文提出一种基于果蝇算法优化的BP神经网络模型，结合果蝇算法的多点全局搜索能力，有效提高了BP神经网络的寻优效率和精度。将该模型运用到双馈异步风力发电机的绝缘剩余寿命预测中，通过实验数据对其进行测试和对比分析，测试结果表明，BP神经网络经果蝇算法优化后具有更好的快速性和准确性，很好的克服了BP神经网络易陷入局部最优、收敛速度慢等缺点，能有效预测双馈异步风力发电机绝缘剩余寿命。然而，处理复杂问题时缺乏稳定性是果蝇算法的一大缺点，基于此，改进果蝇算法与BP神经网络相结合，是未来电机绝缘寿命预测的一个方向。

参考文献：

[1]许国东. 风力发电中双馈异步电机的应用技术[J]. 电工技术， 2003(8)： 1- 2．

[2]樊小朝， 王维庆， 李凤婷， 等. 双馈风电机组风电场并网故障特性[J]. 水力发电， 2015， 41(6)： 113- 117．

[3]任文娥， 刘红文， 于钦学， 等. 发电机定子线圈绝缘诊断与寿命预测[J]. 高压电器， 2012， 48(11)： 7- 12．

[4]朱立群， 黄慧洁， 赵波. 丁腈橡胶硫化胶在乙二醇中的加速老化失效及寿命预测[J]. 航空材料学报， 2007， 27(3)： 69- 73．

[5]陈健， 王洪波， 马贤好. 风力发电机主绝缘老化的诊断和寿命评估 [J]. 大电机技术， 2012(4)： 13- 16．

[6]金神雅树. 水轮发电机绝缘剩余寿命的推断[J]. 国外大电机， 1998(4)： 52- 56．

[7]丁亮， 徐蕊， 罗华利， 等. 基于热损伤累加准则的风力发电机绝缘寿命预测 [J]. 可再生能源， 2013， 31(10)： 57- 61．

[8]李福兴. 大型发电机定子绝缘诊断和剩余寿命预测 [J]. 华北电力， 2004， 32(2)： 54- 56．

[9]吴俊学. 基于PSO-EO算法优化的BP神经网络研究[J]. 科学技术与工程， 2010， 24(10)： 6047- 6049．

[10]潘文超. 应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估[J]. 太原理工大学学报(社会科学版)， 2011， 29(4)： 1- 5．

[11]顾燕明. 发电机定子绝缘状态的多参数诊断和剩余寿命预测[J]. 中国设备工程， 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．

(责任编辑高瑜)

雅砻江杨房沟水电站可行性研究报告顺利通过审查

2015年11月28日～30日，水电水利规划设计总院会同四川省发展和改革委员会、能源局在成都主持召开了《四川雅砻江杨房沟水电站可行性研究报告》审查会议。会议听取了华东勘测设计研究院关于《杨房沟水电站可行性研究报告》主要勘测设计成果的汇报，并分专业组进行了认真的讨论和审议。审查认为，报告达到了可行性研究阶段勘测设计工作内容和深度的要求，基本同意该报告。

杨房沟水电站位于四川省凉山彝族自治州木里县境内的雅砻江中游河段上，是规划中该河段的第6级水电站，水库总库容5.124 8亿m3，调节库容0.538 5亿m3，电站装机容量1 500 MW。工程枢纽主要由混凝土双曲拱坝、泄洪消能建筑物和引水发电系统等组成。

2008年3月，华东院完成杨房沟水电站工程预可行性研究报告并通过审查。可行性研究阶段，华东院开展了大量勘察试验和设计研究工作，陆续完成了一系列专题研究报告，部分专题报告先后通过有关主管部门的审查。杨房沟水电站可行性研究报告顺利通过审查，为项目的核准工作奠定了坚实的基础，目前项目筹建工作已经展开。

(中国电建集团华东勘测设计研究院有限公司)

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

中图分类号：TM343

文献标识码：A

文章编号：0559- 9342(2016)01- 0084- 05

作者简介：曾裕(1990—)，男，江西抚州人，硕士研究生，主要从事电机本体优化设计及优化算法研究．

基金项目：江西省研究生创新专项资金资助(YC2014-S068)

收稿日期：2015- 09- 21