基于混合遗传算法展开子波神经网络的电力变压器故障诊断方法

基于混合遗传算法展开子波神经网络的电力变压器故障诊断方法C.Pan,W.ChenandY.Yun简要：子波神经网络反向传播算法的主要缺点，常用电力变压器故障诊断的最佳程序很容易陷入局部极小的情况下，严格要求的初始值。故障诊断是根据一个实数编码的混合遗传算法进化小波网络的提出的，它可用于优化WNN结构，代替人进行同样的过程。通过这一过程，在该网络复杂度中，折中处理效果令人满意。大量实例表明，这种方法有单和多电源变压器故障的区分能力好以及很高的故障诊断准确性。1.引言电力变压器是电力系统的主要设备，它不仅影响电气能源相关领域的可用性，同样影响公用事业的经济运行。早期故障的主要问题是，电力变压器可能会降低电能的和绝缘系统的机械完整性。诊断方法可以分为两组：在线和离线。对于在线诊断方式有相当成功的技术研究是可溶性气体分析。传统油中溶解气体分析（DGA）已在约30年的实践，取得了巨大的成功。DGA技术可以从可溶性气体的浓度，气体产生率，和特定气体可燃气体在油内比例来确定变压器的状态。因为经验丰富，DGA的工艺和多种标准已经建立。主要诊断气体是氢（H2），乙烷，甲烷（CH4）沼气（C2H6），乙烯（C2H4），乙炔（C2H2），碳氧化硅（CO）和二氧化碳（CO2）。传统的DGA方法的存在一个严重问题，过度依赖这方面的熟练者。因此，解释气体诊断标准不同其他一般工作。在过去的十年中，出现了对人工智能的深入研究使用AI协助DGA技术。这些调查包括专家系统方法，模糊系统的方法，从人工神经网络（ANN）特殊方法等等，这些方法基于变压器绝油中气体不同的容量。在这些人工智能方法中，人工神经网络被广泛用于诊断变压器故障。基于人工神经网络的故障诊断的一个重要的优势：当有必要时，可以准确获知训练样本，同时更新对它的认知。高度非线性映射能力单元在模糊系统中总是能提供一个比较优越的解决方案。虽然人工神经网络的计算复杂度不太高，然而它依然存在缺陷，特别是在故障诊断过程中，包括收敛速度慢，振荡等，这些问题在实际应用中都必须解决。子波神经网络（WNN）最早出现在1992，它在信号分析和模式识别领域备受关注。小波神经网络是非线性的模型拟合结合子波分析和人工神经网络的一种新的逼近工具。子波神经网络结合了ANN和子波分析的优点。WNN不仅具备子波的时频区段，同时具备ANN的自我适应和反馈学习能力以至于它比其他的ANN有更强的逼近能力和故障承受能力。遗传算法（GA）是一种定向随机搜索技术，被广泛应用于优化问题。GA可以帮助找出全域里的最优解。在优化问题的参数较多和电力变压器诊断方法获取困难时，这种算法特别受用。据此，基于混合遗传算法，本文提出了如何准确获取各种气体数值对应的故障类型复杂的输入输出关系，以及改善现存的缺点的诊断方法。本文的结构如下。拓扑的小波神经网络在第2节中介绍。混合算法结合了遗传算法的精英策略和WNN将在第3节叙述。基于WNN_GA的电力变压器故障诊断的应用在第四节展示。一些数值例子在第5节中给出。最后一节是结论。2.小波神经网络在本文中，小波神经网络是设计成了三层结构带有一个输入层，一个隐藏层（包括小波层和一个额外层）和一个输出层。图1描述了三层网络结构图。如图1所示，输入数据向量x连接到网络的输入层，X表达¼[x1,x2,...,xk,...,xm]，m是输入变量，xk意思是第K个输入变量。输入变量代表各种可溶气体或者特定气体的比率。在子波节点的激活函数子波层来自一个母小波c(x)∈L(R),这个母子波可表示真实空间所有可测量函数集合，满足受理条件。2rd其中表示傅里叶变换x。然后，函数x可以变成一个有扩展a和转化b的母波函数。zbabxaaxba,)2(2/2)(,其中Z表示整数。涌过对扩展有效系数a和转化系数b，公式2的子波具有优越的性能和时间3混合遗传算法优化小波神经网络遗传算法被称为全局搜索算法的最佳算法。在本文中，所提出的混合遗传算法基于实数编码的染色体调整网络结构参数（伸缩和平移）和一个小波神经网络的连接权值，它有如下描述。3.1编码和初始化一个关键问题是遗传算法的编码问题。一些独特的个体被编码为向量，这些向量称作染色。其中的元素称为基因并坐落在定义明确的位置。传统的遗传算法采用二进制表示（即1和0），即，一个编码函数将决定变量为二进制字符串和具有一个解码转换功能的二进制字符串转化为多变的决定变量。然而，在这个过程中存在一些离散化误差，这会导致在一个错误网络的输入和输出的非线性映射。我们真正的网络参数和网络编码结构组成基因串。如图2所示，一个矢量Xi代表第i个染色体对应第i个染色体相应的是第i个隐层节点，i¼1,2,...,M，其中M为隐层节点的最大数量。X表示第i个隐层节点，根据我们的存已有的经验，这种小波神经元存在时5.0)(is。3.2合适函数重要的一步是确定合适的函数，完成这项工作需要最大和最小的绝对值从来充分利用神经网络。本文建立了误差函数（5）f的倒数值用以表示合适值，同时合适值与特定的Xi相关。3.3选择策略有多种方法选择个体。随意选择中最著名的准则是轮盘赌选择。本文采用比例选择操作ififq/，获得的第i个选择概率值为下一个的值，其中fi是合适值，q为菌落数。谁有更高的人选择值将有以下更多的机会交叉和变异操作。3.4自适应交叉和变异因为实数编码染色体存在，我们引入一个自适应交叉概率Pc（7）和自适应变异概率Pm（8）分别为：其中avgfcfavgfcf)1)maxmax/((min))(2(exp(1minavgfmfPmmPavgfmfAmPmPmP)1)max/((maxmin))(2(exp(1minavgfcfcPcPcPavgfcfAcPcP其中avgfmfavgfmffcminfmmax,fcmax,和fmmax分别代表交叉变异个体中的最大值最小值，合适函数让PmandPc具有自适应性。这个调整因子可以加速收敛，无数次的实验后选择一个值9.90以获得更好的结果。定义交叉操作的子代个体itx1jtx1为下列公式：jtxcPitxcPitx)1(1itxcPjtxcPjtx)1(1其中t是染色体产生依据上述的选择策略。3.5精英策略由于遗传算法是一类随机优化算法它的指向性很差，因此，遇到需要优化大型或复杂的系统，如故障电力变压器的故障诊断系统将使搜索工作量巨大，这可能导致收敛速度变慢。在每一代合适数据串中，精英策略是一种有效果断用以保存早期解决方案，精英策略把老一代中最好的染色体放进新一代中，这改善了传统的遗传算法的缺点。4基于WNN_GA的电力变压器故障诊断4.1输入和输出模式六特征气体判断变压器的故障是H2，CH4，C2H6，C2H4，C2H2和总烃。相应的输入量为：x6x5,x4,x3,x2,x1,。为了避免输入向量太大，应充分提取有效数据信息，我们利用模糊技术对数据进行预处理的这些气体。根据专家的经验，表1显示这些气体的注意值L/L)(。我们可以计算计算隶属函数值作为网络输入向量（12）1)/1(ixixeiy（12）4.2样品六百种典型的DGA记录和相应故障结果（单故障和多故障类型）分别对应不同额定值和电压等级，制造商，操作条件，寿命，加载历史等等。WNN_GA会以上数据用以测试和训练。表2指定了10种类型的电力变压器故障的300个训练样本。。4.3参数和故障诊断的步骤表3指定了本文的WNN_GA的参数。进化过程让最初的方案转化到最佳点。图3是对所提出的步骤流程图，算法基于混合遗传算法调整网络参数结构的优化。表1：气体数据的注意值气体：THC2H2C2H6C2H4CH4H2注意值：100501001003150表2：WNN_GA训练数无故障单故障多故障T1T2T3PDD1D2M1M2M3100202030252530152015表3WNN和GA的参数和设置参数设置WNN母波2/2)(ttet输入层节点数6输出层节点数6隐藏节点数15层节扩展范围[-5,5]转化范围[-5,5]权重范围[-1,1]GA总数量50最大代数100调整因子9.90-电气与新能源学院毕业设计（译文）装订、排版顺序及格式要求(2015届毕业设计严格按照以下要求执行)(本页仅为交电子文档时使用)毕业设计（论文）译文题目学生姓名帅铮学号2011136205专业电气工程及其自动化班级1972指导教师评阅教师完成日期年月日