基于遺傳算法的BP神經網絡在變壓器超高頻局部放電模式識別中的應用

　　摘 要： 本文針對BP算法易陷入局部極小、收斂速度慢的缺點，根據遺傳算法（Genetic Algorithms，GA）具有全局尋優的特點，將二者結合起來提出了一種混合算法：GA-BP算法，并將該算法成功應用于變壓器超高頻局部放電模式識別。將變壓器油中局部放電超高頻測量系統所得到的局部放電的特征量作為輸入，分別用BP算法和混合算法進行模式識別。實驗結果表明GA-BP算法具有收斂速度快、全局最優的優點，并且這種算法可以推廣應用于其他實際系統中。
　　關鍵詞： 變壓器 局部放電 BP算法 遺傳算法 模式識別
　　
　　1.引言
　　隨著電力系統的發展和電壓等級、容量的不斷提高，局部放電已經成為電力變壓器絕緣劣化的重要原因，因而局部放電的檢測也就成為變壓器絕緣狀況監測的重要手段［１］。變壓器絕緣體系中的放電類型很多，不同的放電類型對絕緣的破壞作用有很大差異，因此有必要對各種放電類型加以區分，從而能夠更好地進行變壓器故障定位和故障處理。
　　人工神經網絡自20世紀90年代開始就用于放電類型的模式識別，由于神經網絡的結構類似于人類大腦的神經元，具有自學習的能力。因此在很多應用中取得了比較好的效果，但是它也存在局限性。由于利用梯度下降法全局尋優，因此網絡收斂的速度很慢，而且常常會陷入局部極小點。
　　本文嘗試用基于遺傳算法的BP網絡實現放電類型的模式識別，用遺傳算法來實現全局優化以克服BP神經網絡的局限性［２］，提高模式識別的準確度。最后，用所提出的基于遺傳算法BP與一般BP進行比對。實驗結果顯示前者明顯提高了模式識別的準確性及快速性，這對于進一步進行變壓器故障定位和故障處理有重要意義。
　　2.試驗原理及方法
　　首先我們引入純BP神經網絡。BP網絡是一種單向傳播的多層前向網絡，通常具有三層或三層以上的神經網絡，包括輸入層、中間層（隱層）和輸出層。以三層BP神經網絡為例，設W為第j個輸入到第i個隱層節點的連接權值，θ為隱層節點的閾值，W為第k個輸出節點到第i個隱節點的連接權值，q為輸出節點的閾值，O為輸出層的輸出。三層BP網絡的結構如圖1所示。
　　根據Kolmogorov定理，本文中選用的BP網絡采用N×2N+1×M的三層網絡結構。其中，N表示輸入特征向量的分量數，M表示輸出狀態類別總數。中間層神經元的作用函數為Tansig，輸出層神經元的作用函數為logsig。
　　然后用遺傳算法［３］調節BP神經網絡的權值和閾值，并用優化后的BP網絡進行試驗，其步驟如下：
　　①初始化種群P，包括種群規模、交叉概率Pc及變異概率Pm，隨機化W、θ、W、q，采用實數編碼。
　　②計算每一條染色體的評價函數，按蒙特卡羅法來選擇個體
　　p=f/f
　　其中，f為第i條染色體的適應度，用誤差平方和來衡量，即
　　f=1/E（i）
　　E（i）=∑∑（O-T）
　　p為學習樣本數，k為輸出層節點數。
　　③以概率Pc對個體進行交叉操作，沒有選中的直接復制，產生新的種群。采用算數交叉，即：
　　x（i）=αx（i）+（1-α）x（i+1）
　　x（i+1）=αx（i+1）+（1-α）x（i）
　　其中，x為選中的染色體。
　　④以概率Pm對個體x（i）進行變異操作，產生新的個體x'（i）。
　　⑤將新個體插入種群P中，重新計算種群中個體的適應值。
　　⑥如果搜索到滿足要求的個體（達到誤差要求ε），轉第⑧步，否則轉第三步。
　　⑦找到最優的個體后，將最優染色體解碼即得到網絡的連接權系數和閾值。
　　⑧利用遺傳算法優化好的網絡權值，用BP算法訓練網絡直到精度ε。
　　最后將BP網絡所得結果和基于GA的BP網絡所得結果對比分析。
　　3.實驗及結果分析
　　變壓器油紙絕緣結構中的四種主要放電類型，分別是懸浮放電、沿面放電、內部放電和油中針板放電。首先采用變壓器超高頻測量系統在不同的電壓等級、不同的電極尺寸、不同的中心頻率對這四種放電類型的數據進行了采集。
　　將采集到的數據送入計算機進行處理，生成局部放電的二維譜圖并從中提取包括偏斜度Sk、突出度Ku、放電不對稱度Q、相位不對稱度Φ、互相關因子cc和相位中值μ等統計算子，以此作為放電的特征量來區分不同類型的放電［４］。由于變壓器局部放電超高頻檢測系統所提取的特征量的數量比較多，太多的特征量會增加樣本學習過程中的計算量，提高模型的復雜程度，結合經驗，最終選擇了平均放電譜圖的{Q、cc、Sk+、Sk-、Ku+、Ku-}作為輸入向量，來進行局部放電的模式識別［５］。
　　隨機抽取四種放電類型的樣本數據一共200組，每種模式50組，來訓練神經網絡。為了驗證方法的有效性，又提取了每種模式30組數據對訓練好的網絡進行測試。
　　用這些訓練數據對一般BP進行訓練，一般21步后達到目標值0.001，訓練性能為0.00029，運行時間為3.216000s。對于基于遺傳算法的BP網絡，選取初始種群為P=30，GA訓練目標ε=AbtF46VfLg9OgEkOac1mZvnahFlMcygEHGwqmvJoA6g=0.4，遺傳算法在經過大約200代的計算時，達到權值和閾值的最優，且BP算法經過8步的運算，即達到目標值0.001，訓練性能為0.00016，運行時間0.605000s。可見基于GA的BP網絡在運算速度上要優于一般BP算法。
　　用BP神經網絡和GA-BP算法的模式識別結果比較如表1。由統計結果可以看出一般BP算法也可以對放電的類型進行分類，但是由于BP算法隨機選取初始權值的范圍較小，這樣就易陷入局部最小而使訓練失敗，成功率比較低。而用基于GA的BP算法時，對放電類型的模式識別率明顯高于純BP算法。從實驗所得結果及統計分析可知基于GA的BP網絡運算速度及準確率都要優于純BP算法。
　　綜上所述，BP算法進行分類時，由于算法本身局限性，初始權值和閾值隨機選取且選取的空間小，導致容易陷入局部極小而使訓練失敗。基于遺傳算法的BP網絡先用GA算法在全局空間上搜索權值和閾值的最優點，然后用BP算法在最優點附近尋優，達到最優值。這樣就有效地克服了一般BP算法容易陷入局部最優的缺點。另外，基于遺傳算法的BP網絡的訓練速度也明顯優于一般BP算法的訓練速度。
　　4.結語
　　本文所提出的基于遺傳算法的BP網絡可以對變壓器超高頻局部放電模式識別，并克服了一般BP算法的不足。實驗結果表明BP算法易陷入局部極小的缺點，而用遺傳算法先對權值進行整個解空間的優化，縮小優化空間，然后由BP網絡進行搜索，可以克服BP算法全局搜索能力不足，易陷入局部極小的問題，同時也提高了BP算法的速度。
　　
　　參考文獻：
　　［1］王國利.油浸式電力變壓器局部放電特高頻檢測技術研究.西安：西安交通大學，2003.
　　［2］鄭力新.遺傳算法在控制系統工程應用的研究.天津大學，2002.
　　［3］雷英杰等.MATLAB遺傳算法工具箱及應用.西安電子科技大學出版社.
　　［4］王國利，鄭毅，沈嵩等.AGA-BP神經網絡用于變壓器超高頻局部放電模式識別.電工電能新技術，2003，22（2）：629.
　　［5］李延沐，袁鵬等.基于自適應神經模糊推理系統（ANFIS）的變壓器超高頻局部放電模式識別，2005，24（4）：30-33.