基于遗传算法优化BP神经网络的GIS设备放电故障诊断

周正思,刘林,程鹏

(三峡大学电气与新能源学院，湖北 宜昌 443002)

基于遗传算法优化BP神经网络的GIS设备放电故障诊断

周正思,刘林,程鹏

(三峡大学电气与新能源学院，湖北 宜昌 443002)

为有效GIS设备放电故障诊断的快速性和准确性，采用近几年出现的遗传算法对BP神经网络进行优化，减少了BP神经网络算法陷入局部最优解的风险，显著增强了BP神经网络的泛化能力和全局寻优能力。对比发现，遗传算法优化后的BP神经网络模型具有比较好的快速性和准确的诊断能力。测试结果表明，遗传算法优化BP神经网络对GIS设备放电故障诊断具有可行性和有效性。

GIS设备；BP算法；遗传算法；放电故障诊断

1 引言

SF6电气设备的故障主要有放电和过热;根据放电能量的不同，放电又分为电弧放电、火花放电和电晕放电。放电和过热均会促使SF6发生分解，SF6气体在放电作用下分解的主要成分是SF4和电极或容器的金属氧化物，在有水汽、氧存在时，SF4与其发生反应而最终生成SOF2、SO2F2、SO2、HF等化合物。根据SF6分解物的组成成分和含量，判断出放电故障[1]。

2 遗传算法优化BP神经网络的基本原理

2.1 BP神经网络的原理及算法

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

BP神经网络模型拓扑如图 1 所示，结构包括输入层、隐含层和输出层，其中隐含层可一层，也可多层。输入层与外部激励打交道，由各输入层神经元传递给与之相连的隐含层神经元;隐含层是网络内部处理单元的工作区域，中间层处理方式不同会影响模型的处理功能;输出层将网络结果输出，与外部设备联系。各神经元与下一层所有的神经元连接，同层神经元之间无连接[2]。

图1 BP神经网络结构

在BP神经网络中，输入神经元以i编号，隐含层神经元以j编号，输出层神经元以k编号。隐含层的第j个神经元的输入表示为：

(1)

第j个神经元的输出为：

结构误差辨识结果显示，非线性化误差模型、线性化误差模型在不考虑测量误差和考虑测量误差时，其位置度误差、位置误差的辨识精度均在10-1 mm级别，主动移动副角度误差的辨识精度均在10-3 rad。经过对比发现，大部分结构误差的辨识精度变化幅度极小，仅8项结构误差变化幅度相对较大，如图5a所示。可以看出，在位置误差、位置度误差辨识精度要求小于10-1 mm、主动移动副角度误差辨识精度小于10-3 rad的情况下：

oj=g(netj)

(2)

输出层第k个神经元的输入为：

(3)

相应的输出为：

ok=g(netk)

(4)

由此，隐含层和输出层的各神经元输出应为：

(5)

BP网络学习过程中的误差反向传播过程是通过使一个目标函数(实际输出与期望输出之间的误差平方和)最小化来完成的，可以利用梯度下降法导出计算公式。在学习过程中，设第k个输出神经元的期望输出为tk，而网络实际输出为ok，则系统平均误差为：

2.2 遗传算法的基本思想

遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，非常适用于处理传统搜索算法难以解决的复杂和非线性优化问题。与传统搜索算法不同，遗传算法从随机产生的初始值开始搜索，通过一定的选择、交叉、变异操作逐步迭代以产生新的解。群体中的每一个个体代表个体的一个解，称为染色体，染色体的好坏用适用应度来衡量，根据适用应度的好坏从上一代个体中选择一定数量的优秀个体，通过交叉、变异形成下一代群体。经过若干代的进化后，算法收敛于最好的染色体，它就是问题的最优解或次优解。

遗传算法提供了求解非线性规划的通用框架，它不依赖于问题的具体领域。遗传算法的优点是将问题参数编码成染色体后进行进化，而不是针对参数本身，从而不受函数约束条件的限制；搜索过程从问题的解的一个集合开始，而不是单个个体，具有隐含并行搜索特性，可大大减少陷入局部最小的可能性。而且优化计算时算法不依赖于梯度信息，且不要求目标函数连续及可导，使其适于求解传统搜索方法难以解决的大规模，非线性组合优化问题。

2.3 建立遗传算法优化BP神经网络思路及步骤

图2 遗传算法优化 BP神经网络流程图

遗传算法优化BP神经网络主要成分：BP神经网络结构确定、遗传算法优化的权值和阈值、BP神经网络训练与预测。其中，BP神经网络的拓扑结构式根据样本的输入输出参数的个数确定的，这样就可以确实遗传算法优化参数的个数，从而确定种群个体的编码长度。因为遗传算法优化参数是BP神经网络的初始权值和阈值，只要网络结构已知，权值和阈值的个数就已知了。神经网络的权值和阈值一般通过随机初始化的区间的随机数，这个初始化参数对网络训练的影响很大，但是有无法准确获得，对于相同的初始权重值和阈值，网络训练结构是一样的，引入遗传算法就是为了最佳的初始权值和阈值。

3 建立遗传算法优化BP神经网络诊断模型的确定

3.1 GIS设备放电故障诊断的模式识别与和训练

根据前文介绍，确定GIS设备BP神经网络放电故障诊断模型。本文根据SF6分解物的组成成分和含量，通过BP神经网络对GIS设备进行故障诊断。根据文献[6]三种放电类型所获取试验数据进行分析，发现对于三种不同的放电类型，其比值SO2F2/SO2存在一定的规律性，电晕放电多集中于4.0～6.0甚至更高的范围，火花放电多集中于2.0～3.5左右，电弧放电比值最小，多为0.1～0.3左右，比值SO2F2/SO2，随放电剧烈程度增加而减小。气体SO2与SO2F2，是发生放电故障时产量较高的气体，且这两种气体均有较好的稳定性，因此，取SO2F2、SO2、SO2F2/SO2这三组气体组分含量及比值作为特征参量判断放电类型。本文将SO2F2、SO2、SO2F2/SO2三组气体组分含量及比值气体含量作为输入量。

在BP神经网络诊断模型中，GIS设备的各项参数配置如下：

(1)输入节点：3个，代表SO2F2、SO2、SO2F2/SO2三组气体组分含量及比值气体含量;(2)输出节点：3个，代表电晕放电、火花放电、电弧放电；(3)隐含层数:1层;(4)隐含层节点数：7个，由于样本输入参数有3个，隐含层节点为2*3+1=7；(5)隐含层神经元的传递函数采用S型正切函数tansig()，输出层神经元函数采用S型对数函数logsig()；(6)网络训练方法：网络训练是一个不断修正权值和阈值的过程，通过训练，使得网络的输出误差越来越小。训练函数采用trainlm；(7)最大学习次数：1000次；(8)训练精度：0.01；(9)学习率：η=0.1。训练样本见表1。

表1 GIS设备状态部分样本数据

遗传算法优化BP神经网络使用遗传算法来优化BP神经网络的初始权重值和阈值，使优化后的BP神经网络能够更好地进行样本预测。遗传算法优化BP神经网络的要素包括种群初始化、适应度函数、选择算子、交叉算子和变异算子。

(1)种群初始化：个体编码使用二进制编码，每个个体均为一个二进制串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出值连接权值、输出层阈值四部分组成，每个权值和阈值使用M位的二进制编码，将所有权值和阈值编码连接起来即为一个个个体编码。本文网络结构是3-7-3，所以权值和阈值的个数表如表2所示。

(2)适应度函数：本文为使BP神经网络在预测时，预测值与期望值的残差尽可能小，所以选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出。适应度函数采用排序的适应度分配函数：FintV=rankong(obj),其中obj为目标函数的输出。

(3)选择算子：选择算子采用随机遍历抽样(sus)。

(4)交叉算子：交叉算子采用最简单的单点交叉算子。

(5)变异算子：变异以一定概率产生变异基因数，用随机方法选出发生变异基因。如果所选的基因的编码为1，则变为0；反之，则变为1。本文遗传算法运行参数设定如表3所示。

表3 遗传算法参数

3.2 GIS设备故障诊断测试

经过训练的BP神经网络训，将测试样本作为BP神经网络测试的输入样本P，利用sin()函数调用训练好的BP神经网络并对这些数据进行仿真测试，从而检验遗传算法优化BP网络的诊断能力。运行程序，得到进化曲线图如图3所示。

本文选用随机权值和阈值BP神经网络和遗传算法优化后的权值和阈值的BP神经网络两种情况对GIS设备故障数据进行训练测试，得出训练误差曲线图(图4是BP神经网络的训练曲线;图5是遗传算法优化后的BP神经网络的训练曲线)。

图3 误差进化曲线

由图1、图2可得，BP神经网络经过46代的训练达到期望误差，经遗传算法优化后的BP神经网络经过12代的训练即可达到期望误差。对比图1、图2可知，经遗传算法优化后的BP神经网络可以迅速的达到期望误差，显著地加快了训练速度。

4 结语

本文提出了一种基于遗传算法对BP神经网络进行优化的方法，将遗传算法与BP神经网络进行了结合，利用遗传算法的全局搜索能力，防止BP神经网络在训练中陷入局部最优。对BP神经网络的网络结构进行优化，减小了训练时间，提高了训练效率。将该方法应用到了GIS设备放电故障诊断中去，结合试验数据对其进行了验证。验证结果表明，由遗传算法优化后的BP神经网络的模型比BP神经网络的模型具有更高的准确性和快速性，而且精度更高，能够有效的对GIS设备故障类型进行诊断。

[1] 刘曼.基于SF_6分解物分析电气设备诊断研究[D].湖南:湖南大学,2013.

[2] 朱大奇,史惠.人工神经网络原理及应用[M].北京:利一学出版社,2006.

[3] 王旭,王宏.王文辉.人工神经元网络原理与应用[M].沈阳:东北大学出版社,2000.

[4] 田景文,高美娟.人工神经网络算法研究及应用[[M].北京:北京理工大学出版社,2006.

[5] 林香，姜青山，熊腾科.一种基于BP神经网络的预测模型[D].厦门:厦门大学软件学院,2006.

[6] 段侯封.基于遗传算法优化BP神经网络的变压器设备故障诊断[D].北京:北京交通大学，2008.

[7] 马光志.多代价敏感的反传神经网络优化研究[D]武汉：华中科技大学,2009

[8] 李蓉.神经网络在缺陷接地结构最优化设计中的应用研究[D]天津：天津大学，2007

[9] 张德丰.MATLAB神经网络设计[M].北京：机械工业出版社，2009.

[10] KARIMINEZHAD H,PARVIN P,BORNA F,et al.SF6Leak Detec-tion of High-Voltage Installations Using TEA-CO2Laser-Based DIAL[J].Optics and Lasers in Engineering，2010，48：491-499.

Discharge Fault Diagnosis of GIS Equipment of Optimum BP Neural Network Based on Genetic Algorithm

ZHOUZheng-si,LIULin,CHENGPeng

(College of Electrical and New Energy,Sanxia University,Yichang 443002,China)

For the effective discharge of GIS equipment for fault diagnosis of speed and accuracy,using newly developed genetic algorithm for BP neural network optimized BP neural network algorithm is reduced local optimal solutions risks significantly enhances the generalization ability of BP neural network and a global optimization.The comparison,genetic algorithm optimized BP neural network model compared well with the rapid and accurate diagnostic capability.Test results show that the discharge of GIS equipment based on genetic algorithm optimized BP neural network fault diagnosis is feasible and effective.

GIS equipment;BP algorithm;genetic algorithm;fault diagnosis

1004-289X(2016)03-0037-04

TP18

B

2015-09-13

周正思(1991-)，男，江西上饶人，硕士研究生，主要从事电力系统运行与控制，智能变电站二次。