改进PSO优化模糊RBF神经网络的牵引变压器故障诊断研究*

秦　景，王　玥，秦　波，吴庆朝

(1.河北建筑工程学院 电气工程学院，河北 张家口　075000；2.浙江大学 控制科学与工程学院，杭州　310027；3.内蒙古科技大学 机械工程学院，内蒙古 包头　014010；4.大同电力机车有限责任公司 技术中心，山西 大同　037000)



改进PSO优化模糊RBF神经网络的牵引变压器故障诊断研究*

秦景1，王玥2，秦波3，吴庆朝4

(1.河北建筑工程学院 电气工程学院，河北 张家口075000；2.浙江大学 控制科学与工程学院，杭州310027；3.内蒙古科技大学 机械工程学院，内蒙古 包头014010；4.大同电力机车有限责任公司 技术中心，山西 大同037000)

摘要：为了快速准确地识别出油浸式牵引变压器的常见故障，结合粒子群算法全局搜索能力强、寻优速度快及模糊神经网络容错能力强、自适应性强的特点，提出了将模糊逻辑、RBF神经网络及粒子群算法有机结合的油浸式牵引变压器故障诊断方法。针对粒子群算法局部搜索能力不足的缺点，改进粒子群的速度更新公式和惯性权重，以此优化模糊神经网络的结构参数，从而构建起基于油中气体分析技术的改进PSO优化模糊神经网络的牵引变压器故障诊断模型。实验及仿真结果表明，与BP神经网络、标准PSO优化模糊神经网络相比，改进PSO优化模糊神经网络的故障辨识准确性更高、泛化能力更强。

关键词：牵引变压器；改进粒子群算法；模糊神经网络；故障诊断

0引言

牵引变压器作为电力机车从牵引电网获取电能的重要衔接设备，其工作状态的优劣直接决定着电力机车的安全、可靠、高效的运行。由于牵引变压器运行环境的特殊性致使其不仅要承受较大的网压波动和绕组中的高次谐波，且当受电弓发生偏移或离线时，极易引起变压器直流磁化，进而诱发牵引变压器的诸多潜伏性故障[1]。为此，准确、快速的监测和诊断出牵引变压器的潜在故障及类型不仅能够保障电力机车的安全高效运营，而且对提高我国铁路电气化的整体水平具有重要意义。

当前，针对我国电力机车牵引变压器均为油浸式变压器，多数学者和科研人员普遍采用油中溶解气体分析(DissolvedGasAnalysis,DGA)的故障诊断技术[2-3]。随着计算机技术和机器学习理论的发展，国内外的学者纷纷提出了多种基于人工智能的牵引变压器故障类型辨识新方法。文献[4]构建了一个三层(ErrorBackPropagation,BP)BP神经网络，并采用L-M训练算法实现了变压器的故障的快速诊断；文献[5]根据油中溶解的气体构建了网络结构为“5—20—5”的(RadicalBasisFunction,RBF)RBF神经网络，仿真结果表明其能够提高变压器故障诊断率；文献[6]针对传统BP神经网络算法收敛速度慢、迭代次数多的问题，引入自适应粒子群算法(ParticleSwarmOptimization,PSO)对其进行优化克服了标准PSO和BP网络的缺陷，较好的实现了变压器故障类型的诊断；文献[7]将专家系统和模型诊断的方法相结合并应用到牵引变压器的故障诊断中，仿真结果证明了方法的可行性和有效性。然而上述方法中，神经网络具有自组织、鲁棒性和容错性的优势，但其输入都是确定的数值，无法有效处理基于知识的表达方式；专家系统可以克服此缺点，提高模型的效率和准确率，但其面临着组合爆炸、知识获取、自适应、自组织、自学习等诸多方面的问题；PSO在优化过程中所有粒子都朝着最优解的方向移动，趋向同一化，易造成群体的多样性渐失，致使算法后期收敛速度变慢，难以获得较好的优化结果[8]。鉴于此，为了获得更好的优化效果将善于表达模糊和定性知识、具有人类思维推理方式的模糊逻辑与具有自组织、自适应能力的RBF神经网络及改进标准PSO算法中粒子的速度、位置更新策略、惯性权重相结合，增强其全局搜索能力，并在此基础上来优化模糊RBF神经网络的结构参数cij、bij和wko；最后，将改进粒子群优化RBF神经网络的算法用于构建牵引变压器故障诊断辨识模型，以此来有效提高诊断的效率和准确性。

1牵引变压器故障特征分析

在DGA中，最常用也是最有效的牵引变压器故障判别方法即是改良三比值法，其故障判别的基本原理即依据变压器内故障情况下裂解产生气体组分含量的相对浓度与温度的依存关系而进行故障类别辨识[9]，其编码规则及故障判别标准见表1、表2。

表1　改良三比值法编码规则

表2　改良三比值法判断标准

由表1和表2易知，3种比值在较大范围内变动且边界划分过于清晰，故不宜直接作为神经网络的输入。尤为重要的是，不同气体的3种比值组合不同诊断出变压器的故障也不同。对此模糊神经网络既可以对输入进行模糊化处理，又能很好的处理这种强耦合的分类问题，能有效的克服此缺点[10]。

2改进粒子群优化模糊RBF神经网络算法

2.1模糊神经网络

模糊神经网络兼具了模糊逻辑与神经网络两者的优点，在处理非线性、模糊性问题上具有明显的优越性。与BP相比，RBF神经网络不仅在函数逼近、分类能力和学习速度[11]等方面具有无可比拟的优势，而且其能克服BP的训练时间长、易陷入局部最优等缺陷，故将模糊逻辑与RBF神经网络相结合，构建图1所示的四层模糊RBF神经网络，分别由输入层、模糊化层、规则层和输出层构成，层与层之间通过神经元连接，其学习到知识以权值的形式保存；其中模糊层中的模糊逻辑采用高斯核作为隶属函数，见式(1)。

图1　模糊RBF神经网络的结构

(1)

式中，i=1,2,...n;j=1,2,...,l；n和l分别表示第一层输入样本的个数和第二层节点的个数，cij和bij分别表示第i个输入变量与第j个模糊集合的均值和方差。

由图1易知，上述结构涵盖了模糊化、规则推理、清晰化三个步骤，具有明确的模糊逻辑意义。然而，在模糊RBF神经网络具体运用过程中，其结构参数cij、bij和wko对初始条件依赖较强，致使算法学习复杂、收敛速度慢、易陷入局部最优且模糊规则没有合理的确定方法，易出现冗余规则，限制了其应用[12-15]。对此，提出将改进的PSO算法来优化模糊RBF神经网络的结构参数cij、bij和wko以此提高模型的泛化能力和精度。

2.2改进粒子群算法优化模糊RBF神经网络算法

PSO算法源于对鸟类捕食行为的研究，因其简单、易实现、收敛速度快被广泛应用于复杂过程的建模与优化，并取得了较好的效果[8]。由参考文献[8]中标准PSO迭代公式可知，在迭代过程中粒子通过综合考虑“自身认知”和“社会认知”，朝着全局最优解移动；然而，在算法后期粒子局部开掘能力不足，易陷入局部最优，对此作以下改进：首先，利用所有个体极值的平均值来代替个体极值，使得粒子在寻优过程中可以更好的借鉴其它粒子的寻优经验，式(2)和式(3)为改进后的速度迭代公式；其次，采用先增后减的惯性权重w改进策略，使得PSO前期收敛速度较快、后期的搜索能力也强，避免粒子陷入局部极值邻域内同时也降低了全局寻优的难度，改进后的惯性权重计算公式见(4)。改进PSO优化模糊RBF的具体流程见图2。

(2)

式中，pmeanj(t)=(p1j(t)+p2j(t)+…+pmj(t))/m

(3)

(4)

式中：i=1,2,…,m—第i个粒子；j=1,2,…,d—第j维空间；pb和gb—适应度确定的个体和全体极值。c1,c2—认知因子；t—迭代次数，rand()—(0-1)之间的随机数；w—惯性权重。tmax—最大迭代次数。

图2　改进PSO优化模糊RBF神经网络算法流程

3改进PSO优化模糊RBF神经网络牵引变压器故障诊断

3.1故障的模糊化及训练样本的获取

利用改进PSO优化模糊RBF神经网络模型进行牵引变压器的故障诊断，首先应对3种气体的比值进行模糊化处理，确定模糊规则并根据故障特征与原因表象间的对应关系进行数据模糊化。文中分别用α1，α2，α3表示C2H2/C2H4、CH4/H2、C2H4/C2H6的比值，x1，x2，x3分别表示改进PSO优化模糊RBF神经网络模型的输入。综合表1、表2可知，3种气体的比值范围较广且不容易确定，故采用如下分布函数作为α1，α2，α3的隶属函数,则模糊RBF神经网络的输入x1、x2、x3分别如式(10)、(11)、(12)所示：

(10)

(11)

(12)

由此可知，故障诊断模型的输入为x1、x2、x3模糊化值，输出为9种故障，分别用F1,F2,F3,F4,F5,F6,F7,F8,F9来表示。结合中车集团大同电力机车有限责任公司技术中心近5年来对机务段跟踪服务积累的经验和有关专家经验，将上述9种常见故障发生情况转化为对应的故障可信度，绝对发生时定为1，可能发生时定为0.5，不可能发生时为0，便得到故障特征和原因对应的模糊规则化库，即训练样本，如表3所示。以表3中的第4组样本为例，当x1、x2、x3的值分别为0、0.76和1时，即对应着C2H2/C2H4的浓度小于0.1，CH4/H2的浓度小于0.1，C2H4/C2H6的浓度大于3，由DGA技术可知其发生了高温过热700℃的故障。由此构建立起输入x1、x2、x3与故障间的对应关系。

表3　牵引变压器故障诊断模型训练样本

3.2模型结构的确定

由上述分析易知，诊断模型的输入层节点个数为3，分别对应9种故特征障即输出层有9个节点个数，分别与故障原因一一对应；输出值范围为[0,1]，代表故障发生的可信程度；由此确定模糊RBF神经网络模型的结构为3-27-36-9，最终牵引变压器的诊断模型如图3所示。依据上述网络计算粒子群中每个粒子的维数：27×2+36×9=378维；其余种群的参数设置：种群个数m=30，迭代次数为100次，精度为0.001，c1=c2=2；粒子的速度范围为[-0.1,0.1]，位置范围为[-1,1]，wmax=0.9,wmin=0.4。

图3　牵引变压器故障诊断模型

3.3模型训练及结果比较

首先，对构建的上述牵引变压器故障辨识模型进行训练。训练时随机选取表3中36组样本中的30组作为训练样本，余下6组作为测试样本；按照图2所示具体流程进行训练。改进的PSO优化模糊RBF神经网络与标准PSO优化RBF模糊神经网络迭代过程中适应度曲线如图4所示，易知改进的PSO优化模糊RBF神经网络经过12次迭代便收敛到0.001附近，较标准PSO优化模糊RBF神经网络收敛速度快且精度较高。由图5可知改进PSO优化算法经过48步训练模糊RBF神经网络的迭代精度便达到设定的目标精度0.0001；最终获得6组测试样本的输出结果与期望结果的对比见表4；如对于序号1诊断结果，当故障信号为C2H2/C2H4<0.1、CH4/H2>1、1

图4　改进PSO与标准PSO优化模糊RBF网络适应度值曲线比较

图5　改进PSO优化模糊RBF神经网络训练误差曲线

序号123456F1000000F2000001F3100000期望F4001000输出F5000010F6010000F7000000F8000000F9000100序号123456F10.1120.13500.3130.2010.021F20.0040.2930.0320.1140.1090.996F30.8620.1240.0450.030.0040.008期望F40.0210.020.9510.2050.0520.143输出F50.020.1630.0050.3010.7990.317F60.3210.9640.2730.3610.0630.004F70.1520.2450.1320.1240.0010.005F80.0760.0910.2410.2230.3410.109F90.0230.0030.1130.4420.0070

为进一步验证改进PSO优化模糊RBF神经网络牵引变压器故障诊断模型(改进PSO-FNN)的有效性，对在某机务段现场采集到的20组故障数据利用所提出的诊断模型进行辨识，并与标准PSO优化的模糊RBF神经网络(标准PSO-FNN)、BP神经网络模型的诊断结果进行对比，结果见表5。由表5易知，与BP模型和标准PSO-FNN模型相比，所提方法故障判别准确率更高、速度更快，能够更好的实现牵引变压器的故障辨识。

表5　不同牵引变压器故障诊断模型辨识准确率的比较

4结论

DGA故障诊断技术是变压器故障识别的主要方法，本文根据其编码特点融合了PSO算法、模糊逻辑、RBF神经网络的优点，提出了改进PSO算法优化模糊RBF神经网络的牵引变压器的故障识别方法。一方面，模糊RBF神经网络不仅能够克服模糊逻辑规则的主观性和神经网络的黑箱性而且其能够很好的解决了改良三比值方法边界划分过于清晰的缺点；另一方面本文从粒子速度迭代公式及惯性权重更新策略方面改进了粒子群算法，并以此优化模糊RBF神经网络的结构参数，建立改进粒子群算法优化模糊RBF神经网络的牵引变压器故障诊断模型，实现了牵引变压器故障的快速、准确的辨识。实验结果表明，改进PSO优化模糊RBF神经网络知识表达明确、训练迅速、泛化能力强，能够更准确的辨识故障原因，且优于BP神经网络、标准PSO优化的模糊神经网络的辨识效果，从而能够更好的实现牵引变压器的故障诊断。

[参考文献]

[1] 付强,陈特放,朱佼佼.基于HPSO-WNN的牵引变压器故障诊断算法研究[J].铁道学报,2012,34(9):26-32.

[2] 尹金良.基于相关向量机的油浸式电力变压器故障诊断方法研究[D].保定:华北电力大学,2013.

[3] 许惠君,王宗耀,苏浩益.基于DGA的反馈云熵模型电力变压器故障诊断方法研究[J].电力系统保护与控制,2013,41(23):115-119.

[4] 王晓霞,王涛.基于BP神经网络的变压器故障诊断[J].华东电力,2008,36(2):112-116.

[5] 吴宏岐,周妮娜,王春英.基于RBF神经网络的变压器故障诊断及MATLAB仿真研究[J].科学技术与工程,2010,10(5):1249-1251,1275.

[6] 程加堂,熊伟,徐绍坤,等.基于改进粒子群优化神经网络的电力变压器故障诊断[J].高压电器,2012,48(2):42-45.

[7] 高松,刘志刚,徐建芳,等.基于模型诊断和专家系统的牵引变压器故障诊断研究[J].铁道学报,2013,35(7):42-49.

[8] 王春暖,秦波,秦岩,等.基于改进PSO优化BP的数控机床热误差预测研究[J].组合机床与自动化加工技术,2014(10):69-72.

[9]SuryaKaiavathiM,RavindranathReddyB,SinghB.Transformerfaultdiagnosisusingfuzzylogicandneuralnetwork[C].2005.

[10] 代睿.一种基于RBF神经网络的智能故障诊断方法[J].北京联合大学学报(自然科学版),2009,23(2):30-33.

[11] 段明秀.基于PSO优化的模糊RBF神经网络学习算法及其应用[J].当代教育理论与实践,2010,2(1):101-104.

[12]AngelinePJ.Evolutionaryoptimizationversusparticleswarmoptimization:philosophyandperformancedifferences.EvolutionaryProgramming,1998,48(17):1956.

[13] 马廉洁,曹小兵,陈小辉,等.基于GA与RBF神经网络的工程陶瓷点磨削表面硬度数值模拟[J].组合机床与自动化加工技术,2015(1):30-34.

[14] 乔俊飞,韩红桂.RBF神经网络的结构动态优化设计[J].自动化学报,2010,36(6):865-872.

[15] 张彩云.基于改进PSO算法的模糊神经网络研究[D].哈尔滨:哈尔滨理工大学,2014.

(编辑李秀敏)

文章编号：1001-2265(2016)07-0078-04

DOI:10.13462/j.cnki.mmtamt.2016.07.022

收稿日期：2015-09-19；修回日期：2015-11-26

*基金项目：国家自然科学基金项目(21366017)；河北省教育厅基金(QN2014203)

作者简介：秦景(1980—)，女，河南南阳人，河北建筑工程学院讲师，研究方向为电气自动化，(E-mail)30914769@qq.com；通讯作者：秦波(1982—)，男，河南镇平人，内蒙古科技大学讲师，硕士，研究方向为复杂工业过程建模、优化及故障诊断，(E-mail)nkdqb@163.com。

中图分类号：TH165;TG506

文献标识码：A

Research on Traction Transformer Fault Diagnosis Based onImprovedParticleSwarmOptimizedFuzzyNeuralNetwork

QIN Jing1,WANG Yue2,QIN Bo3,WU Qing-chao4

(1.SchoolofElectricalEngineering,HebeiUniversityofArchitecture,ZhangjiakouHebei075000,China;2.SchoolofControlScienceandEngineering,ZhejiangUniversity,Hangzhou310027,China)

Abstract：In order to identify common faults of oil immersed type traction transformer quickly and accurately, a new integrated algorithm based on fuzzy logic,RBF neural network and particle swarm is proposed for fault diagnosis of traction transformer.Particle swarm algorithm has the global search ability and a fast search speed, and fuzzy neural network has the fault tolerant ability,strong adaptability. However,the local search ability of particle swarm is slow. Thus, improved velocity updated strategy and inertia weight strategy are proposed to optimize the structure parameters of fuzzy neural network.Furthermore,an improved particle swarm optimized fuzzy neural network based on oil gas analysis technique is formed.Experimental and simulation results show that the proposed method has a higher fault identification accuracy and stronger generalization ability comparing with BP neural network and the standard PSO optimization of fuzzy neural network.

Key words：traction transformer;improved particle swarm optimization; fuzzy neural network; fault diagnosis