智能算法优化神经网络在变压器故障诊断中的应用

要航，赵伟钦

(广西大学电气工程学院,广西 南宁 530004)

智能算法优化神经网络在变压器故障诊断中的应用

要航，赵伟钦

(广西大学电气工程学院,广西 南宁 530004)

传统的电力变压器故障诊断方法存在着识别精度低的局限性，不能有效地进行数据分析，导致无法正确诊断故障类型甚至误诊。为此，神经网络和人工群智能算法的提出，及其在电力变压器故障诊断中的应用，大大提高了故障诊断的时效性和准确性。该类方法以传统的变压器溶解气体分析(DGA)作为数据采集基础，利用神经网络良好的非线性逼近能力，同时采用群智能算法的自组织、分布式和并行性等良好性能优化神经网络参数(权值和阀值)，使得神经网络的快速收敛及精确程度大幅提高，进而用优化过的神经网络对变压器溶解气体数据分析并故障分类。最后通过实例验证表明：该类方法能够有效地对故障气体样本进行离散和约简化分析，与传统方法相比，提高了故障诊断的效率和正确率。

变压器；智能算法；神经网络；故障诊断

1 引言

电力系统作为国家重中之重的基础性建设，正在朝着大电网、超高压、自动化的方向加速发展。电力变压器作为电力系统输、变、配电环节中最重要的设备之一，其运行状态的安全与否直接关系到整个电力系统的安全稳定和经济效益。因此，研究电力变压器安全可靠运行的故障检测方法显得尤为重要，同时对于确保电力网络稳定、快速、高效能地运作，具有长远的意义。

2 群智能概述

1999年，Bonabeau，Dorigo和Theraulaz在《Swarm Intelligence： From Natural to Artificial Systems》中对群智能进行了详细的论述和分析。群智能优化算法在没有集中控制并且不提供全局模型的前提下，利用群体的优势，分布搜索。比传统的优化方法更快地发现复杂优化问题的最优解，为寻找复杂问题的最佳方案提供了新的思路和新方法。

2.1 群智能优化算法

目前已经开发的群体智能优化算法有人工免疫算法、粒子群算法、蜂群算法、蛙跳算法、人工鱼群算法、猫群算法、蚁群算法、量子进化算法等。

2.1.1 粒子群算法(Particle Swarm Optimization，PSO)

粒子群算法是一种有效的全局寻优算法，通过群体中粒子间的合作与竞争，实现复杂空间中最优解的搜索。粒子群算法保留了基于种群的全局搜索策略，其采用速度—位移模型，避免了复杂的遗传操作，具有记忆全局最优解和个体自身所经历的最优解功能，能够动态跟踪当前的搜索情况，调整搜索策略。

2.1.2 人工鱼群算法(Artificial Fish School Algorithm，AFSA)

人工鱼群算法主要模拟鱼群在觅食过程中表现出来的觅食、聚群和追尾三种行为基础，从构造单条鱼的底层行为做起，通过鱼群中各个个体的局部优化、个体之间的协作使群体达到最优选择的目的，从而达到群体全局寻优目的。人工鱼群算法具有良好的求取全局极值的能力，并具有对初值参数选择不敏感、鲁棒性强、简单易实现等优点。

2.1.3 蚁群算法(Ant Colony Algorithm，ACA)

蚁群算法受到自然界中蚂蚁群集体在觅食过程中行为的启发，利用真实蚁群通过个体间的信息传递、搜索从蚁群到食物间的最短路径的集体寻优特征，来解决一些离散系统优化中的困难问题。研究表明，蚁群算法在求解复杂优化问题，特别是离散优化问题时有一定优势。

2.2 群智能优化原理

群智能算法的计算原理通常由三个阶段完成：初始化种群、更新个体、更新种群。

2.2.1 初始化种群

在运用每一种群智能算法时，首先都需要对种群初始化，就是对所求优化问题的解空间进行全局分布，在空间产生若干个体，并假设该种群中的每一个个体为所求优化问题的解。

2.2.2 更新个体

个体的更新是群体质量提高的内在驱动力。群智能算法中，采用简单的编码技术来表示一个个体所具有的复杂结构，在寻优搜索过程中，对一群用编码表示的个体进行简单的操作，个体依靠这些操作实现更新。

2.2.3 更新种群

在基于群体概念的仿生智能算法中，群体更新是种群中个体更新的宏观表现，它对于算法的搜索和收敛性能具有重要作用。在不同的仿生群体优化算法中，存在着不同的群体更新方式。

3 群智能算法优化BP神经网络及其在变压器故障诊断中的应用

利用群智能算法具备的优势来优化神经网络的权值和阈值，将群智能算法良好的全局寻优能力与BP算法的非线性映射能力相结合，以提高神经网络的泛化能力和训练能力，从而改进神经网络的整体搜索效率。

3.1 群智能算法优化BP神经网络

3.1.1 粒子群算法优化BP神经网络

第1步：初始化参数。设定粒子的最大速度Vmax和最小速度Vmin在区间[Vmin,Vmax]内随机产生每个粒子的速度，然后设置初始惯性权重ω，学习因子c1和c2，种群规模和迭代次数等。

第3步：更新每个粒子的速度和位置，并判断更新后粒子的速度和位置是否在限定的范围之内。检验算法迭代停止条件，若符合，则停止迭代，输出神经网络的权值和阀值，否则转步骤2。

3.1.2 人工鱼群算法优化BP神经网络

第1步：初始化参数。种群大小pop_size；人工鱼的感知距离Visual；人工鱼移动的最大步长Step；拥挤度因子δ；最大迭代次数Max_Gen和误差精度ε；设置初始迭代次数Gen=0，鱼群个分量均为(-1，1)区间内的随机数。

第2步：各人工鱼分别模拟改进后的追尾行为和改进后的聚群行为，选择行动后Y值较大的行为实际执行，缺省行为方式为改进后的觅食行为。每迭代一次都要更新公告板，如果有人工鱼的Y优于公告板的Y，则取代之；否则如果连续迭代K次公告板的值都不变，则模拟逃逸行为。

第3步：中止条件判断：判断Gen是否己达到最大迭代次数Max_Gen或者解的误差精度是否达到ε，只要满足其中一个条件就输出公告板的Y值，否则Gen=Gen+1，转第2步。

3.1.3 蚁群算法优化BP神经网络

第1步：参数初始化。迭代次数Nc=0，设置信息素初始值const，信息素挥发系数e，信息素增量强度Q，迭代次数ε<ε0，算法结束条件ε，训练误差退出为ε0。

第2步：s只蚂蚁依据选路原则进行寻路。同时，对各蚂蚁的路径进行信息素局部更新。

第3步：把每一只蚂蚁选择的初始路径作为初始权值和阀值，对BP网络进行训练，得到相应的路径输出，计算误差E。

第4步：所有蚂蚁完成一次构造解可以得到误差最小的一组初始值，比较这个最小误差和ε的大小，如果小于ε，则得到的最优解作为BP神经网络的权值和阀值进行学习，直到满足退出条件ε<ε0，退出程序；否则，对蚂蚁路径进行信息素全局更新。转至第2步，直到最大迭代次数。

3.2 训练结果对比

本文采用历史220组变压器故障数据作为训练样本，分别训练上述不同网络，尔后采用100组测试样本对各网络(单一BP神经网络、粒子群优化BP网络、鱼群优化BP网络、蚁群优化BP网络)性能进行检验对比。

试验中，选择变压器故障时产生的五种特征气体H2,C2H4,C2H6,C2H2和CH4的特征量作为网络的输入(网络输入层为5层)；以变压器的常见故障类型(高温过热，中低温过热，低能(火花)放电，局部放电，电弧放电。对应编号为1,2,3,4,5)作为网络的输出(网络输出层为5层)；网络隐层为11层。同时设定网络训练的目标误差goal：0.0001；最大迭代次数epochs：1000；学习率lr：0.1。

用经过训练的不同网络对100组测试样本进行检验，结果如下：

图1 单一BP神经网络训练结果

图2 粒子群-BP神经网络训练结果

图3 鱼群-BP神经网络训练结果

通过数据比较网络的准确率：单一BP神经网络80%；粒子群优化BP网络95%；鱼群优化BP网络96%；蚁群优化BP网络94%。由此可见，在相同网络配置参数和训练样本下对各个网络进行训练，使用训练好的网络对测试样本进行检验，单从正确率这一方面讨论，BP神经网络经过群智能算法的优化后，较单一BP神经网络，准确率大幅提高，输出结果更为精准，对故障的预判能力明显增强。

4 总结与讨论

随着群智能算法的出现和不断成熟完善，其应用于神经网络的优化水平愈加精湛。本文重点通过群智能算法对BP神经网络的权值和阀值的优化以提高网络的精准度，从而更好的应用到电力系统变压器故障诊断技术中。

[1] 殷震.基于BP神经网络的电力变压器内部故障诊断的方法研究[D].天津:天津大学,2007.

[2] 郭清海,管晓峰.变压器故障案例分析与检测[M].北京:中国电力出版社,2010.

[3] 邹刚.基于蚁群算法的电力负荷预测方法研究[D].重庆:重庆大学,2006.

[4] 王辉,钱锋.群体智能优化算法[J].化工自动化及仪表,2007,34(5):7-13.

[5] 高海兵,高亮,周驰,等.基于粒子群优化的神经网络训练算法研究[J].电子学报,2004,132(9):1572-1574.

[6] 王联国,施秋红.人工鱼群算法的参数分析[J].计算机工程,2010,36(24):169-171.

Application of Intelligent Algorithm to Optimize Neural Network in Transformer Fault Diagnosis

YAOHang，ZHAOWei-qin

(College of Electrical Engineering,Guangxi University,Nanning 530004,China)

Power transformer fault diagnosis method of traditional low identification precision limitations exist,which cannot effectively for data analysis,and correct diagnosis of fault types and even the misdiagnosis.For this purpose,neural network and artificial intelligent algorithm was put forward,and its application in power transformer fault diagnosis,greatly improving the timeliness and accuracy of fault diagnosis.The method basing on the traditional transformer dissolved gas analysis(DGA)as the data collection,using the good capability of nonlinear approximation about neural network,and at the same time the swarm intelligence algorithm is used as the self-organization,distributed and parallel performance optimization of neural network parameters(weights and threshold),and making the degree of accuracy and fast convergence of the neural network greatly increased,then the optimized neural network for transformer dissolved gas analysis data and fault classification.Finally,examples show that the method can effectively to discrete and simplify the analysis,fault gas samples are compared with the traditional methods,improving the efficiency and accuracy of fault diagnosis.

transformer;intelligent algorithm;neural network;fault diagnosis

1004-289X(2016)06-0072-04

TM41

B

2015-10-12