一种基于遗传算法优化BP神经网络的电网故障诊断方法

章熙　郭翔　余云昊　陈佳捷　王金贺　彭伯庄

摘  要：提出了一种基于遗传算法优化BP神经网络的电网故障诊断方法，利用神经网络的非线性问题处理能力进行故障诊断。针对BP神经网络在运算过程中易陷入局部极小的问题，结合遗传算法计算网络参数初始值，寻找最优的隐含层节点数，对网络进行优化。结合实例验证，该方法相对于传统BP神经网络在解决电网故障诊断问题上，收敛速度和准确率都有所提升。

关键词：电网故障诊断;遗传算法;BP神经网络

中图分类号：TP183        文献标志码：A        文章编号：2095-2945（2019）29-0015-03

Abstract： A power network fault diagnosis method based on BP neural network optimized by genetic algorithm is proposed. The nonlinear problem processing ability of neural network is used for fault diagnosis. In order to solve the problem that BP neural network is easy to fall into local minimum in the process of operation， the initial value of network parameters is calculated by genetic algorithm， the optimal number of hidden layer nodes is found， and the network is optimized. Based on an example， it is verified that the convergence speed and accuracy by this method are improved， compared with the traditional BP neural network， in solving the problem of power network fault diagnosis.

Keywords： power network fault diagnosis; genetic algorithm; BP neural network

1 概述

电网故障诊断就是通过检测和分析电网中各电气量以及开关量变化信息，识别故障位置和原因的过程[1]。准确的故障诊断方法能够缩短电网设备运维时间，对减少损失具有重要意义。电网出现故障时，工作人员会在短时间接收到电网系统上报的大量故障报警信息，随着电网规模的不断扩大，仅靠人工处理这些信息并快速做出故障判断是十分困难的。而基于智能技术的诊断方法更加快速准确，为电网故障诊断领域开辟了新途径，是未来研究的重点和热点。

目前基于人工智能的电网故障诊断方法被广泛研究和应用，包括专家系统[2]、人工神经网络[3]、Bayesian网络[4]、模糊理论[5]、Petri网[6]等。本文提出一种利用BP神经网络的电网故障预测方法，针对BP神经网络在运算过程中会陷入局部极小值的缺点，结合遗传算法的特点进行网络结构优化。最后结合实例验证，该算法相对于传统BP神经网络在解决电网故障诊断问题上，收敛速度和准确率都有所提升。

2 基于BP神经网络的电网故障诊断方法

2.1 基于遗传算法的BP神经网络优化

典型的BP神经网络包含3层前馈网络，分别为输入层、隐藏层和输出层，理论上可以表示任意的非线性关系。常规的BP神经网络的学习过程分为正向传播和反向传播。正向传播时，将样本通过隐藏层处理之后传向输出层，将实际输出和期望输出进行比较，若没有得到期望输出则进入反向传播;反向传播过程将误差信号逆向传回隐藏层， 并对隐藏层神经元的权值和阈值进行修改，使误差信号最小[7]。权值修正通常采用梯度下降法，因此迭代的搜索方向总是正交的，训练易陷入局部最小，网络的收敛速度较慢[8]。针对这个缺陷，本文利用遗传算法的属性来进行优化，主要体现在利用其确定网络初始权值、阈值和隐藏层节点数，从而提高诊断方法的收敛速度和精度。

遗传算法优化三层BP网络连接权值和阈值的算法流程：将网络权值、阈值按一定顺序排列成实数数组，作为遗传算法的染色体群。计算每个染色体的适应度，按适应度选择个体。按一定的交叉和变异概率產生新的个体，并判断是否符合优化标准或循环次数。如果循环次数小于网络个数则改变网络的隐含层节点数目重新计算，若符合则保存并比较最佳个体， 选出最优个体，将最优个体按顺序拆分得到BP网络的初始权值和阈值。算法流程如图1所示。

遗传算法优化三层BP网络结构的算法流程：首先根据具体问题确定神经网络的结构，其中由经验公式得出隐藏层节点数目初值;对隐藏层节点数的初值进行编码，产生初代种群;按照优胜劣汰的原理，逐代演化，根据实际问题域中个体的适应度情况选择更好的个体，接着进行交叉和变异的遗传操作;以进化过程中所得到的具有最大适应度个体作为最优个体，解码后得到最优隐层节点数目;网络的目标函数可选均方差函数，对网络的评价如果满足条件，则输出最优隐层节点数目。

2.2 电网故障诊断过程

利用上述基于遗传算法优化BP神经网络的电网故障诊断模型进行训练，得到最终故障诊断模型结构，方法的具体流程如下。

Step1：根据具体电网系统结构的电气特征确定BP神经网络输入层和输出层节点数，根据经验公式确定隐藏层节点数，对网络参数进行初始化。

Step2：利用遗传算法确定网络的参数初值和隐藏层节点数，得到优化后的BP神经网络，具体方法见2.1节。

Step3：根据具体电网结构得到故障决策表构成模型的训练集，选出故障样本作为测试集。将测试集样本输入到BP神经网络模型，对BP神经网络进行误差逆传播训练;将测试集样本输入到训练好的模型中进行故障诊断效果验证。

3 实例验证与分析

为了验证上述方法的有效性，本文以一个简单配电系统[9]为例（如图2），可以分为5个部分（Sec1～5），每个部分都配有过流保护部件（CO1～5）;Sec1和Sec3配有距离保护部件（RR1、RR3）。

图2所示的配电系统模型，距离保护、过流保护和断路器保护开关是电网故障判断条件，是神经网络模型的输入;故障部分作为决策属性，在神经网络模型中是输出量。故障决策表（见表1）共有12组样本，每组有12个判断条件，对应模型的输入层节点数为12;输出层节点数为6，对应于5个故障部分和没有故障的情况。

将上述利用遗传算法确定隐含层节点数方法进行仿真计算，当隐含层节点数为13时，均方差达到最小值，由此确定网络的隐藏层节点数为13。表2给出了6个故障样本，其中样本1和样本6属于断路器误动故障，样本2属于过流保护误动故障，样本3～5属于断路器拒动故障。表3为两种神经网络经过训练后对上述测试样本的诊断结果。

从训练效果来看，经过遗传算法优化的BP神经网络在诊断结准确性上优于传统BP神经网络。主要表现在：优化后的方法对各类样本都可以较好地识别，而传统BP神经网络模型只能正确识别出3个故障样本;同时优化之后的BP神经网络的误差精度和收敛稳定性相比较传统BP神经网络也有所提高。

4 结束语

本文提出的利用遗传算法优化BP神经网络的初始权值、阈值和隐含层节点数的方法，模型能够有效地判断电网系统发生故障的位置，具有一定的容错性，规避了传统BP神经网络容易陷入局部极小值而不是全局最优的缺陷。该算法能够结合遗传算法和BP神经网络的优势，在电网故障诊断问题上，速度和准确性方面都有所提升。

参考文献：

[1]王磊，陈青，高湛军.输电网故障诊断的知识表示方法及其应用[J].中国电机工程学报，2012，32（4）：85-92.

[2]乐恩典，林晓春，范晓春.基于智能技术的电力变压器故障诊断专家系统[J].科技创新与应用，2017（11）：204-204.

[3]郝春燕，魏海坤，张侃健，等.基于神经网络的模拟电路故障诊断方法[J].工业控制计算机，2018，31（6）：66-68.

[4]雍明超，吕侠，周钟，等.基于朴素贝叶斯算法的电力变压器故障诊断方法研究[J].电气应用，2017（14）：36-39.

[5]程学珍，林晓晓，朱春华，等.基于时序信息的模糊Petri网电网故障诊断方法[J].电工技术学报，2017，32（14）：229-237.

[6]程学珍，林晓晓，朱春华，等.基于加权模糊Petri网的电网分层故障诊断方法[J].山东科技大学学报（自然科学版），2017，36（1）：86-93.

[7]潘昊，王晓勇，陈琼，等.基于遗传算法的BP神经网络技术的应用[J].计算机应用，2005，25（12）：2777-2779.

[8]杨金宝，张昌宏，陈平.基于改进BP神经网络的网络故障诊断研究[J].计算机与数字工程，2012，40（2）：65-67.

[9]余贻鑫，马世乾，徐臣.配電系统快速仿真与建模的研究框架[J].中国电机工程学报，2014，34（10）：1675-1681.