基于果蠅算法的BP神經網絡對雙饋異步發電機絕緣壽命預測研究

曾　裕，陳　瑛，楊玉文

(南昌大學信息工程學院 自動化系，江西南昌330031)

?

基于果蠅算法的BP神經網絡對雙饋異步發電機絕緣壽命預測研究

曾裕，陳瑛，楊玉文

(南昌大學信息工程學院 自動化系，江西南昌330031)

摘要：針對雙饋異步發電機絕緣壽命預測的效率和精度有待提高的問題，提出一種基于果蠅算法(Fruit fly optimization algorithm，FOA)優化BP神經網絡的預測方法，有效提升了BP神經網絡尋優的快速性和準確性。利用果蠅算法多點全局的快速搜索能力來優化BP神經網絡模型的權值和閾值，對比發現，BP神經網絡經優化后尋優效率和預測精度明顯提高。試驗結果表明：通過果蠅算法優化BP神經網絡來預測電機絕緣剩余壽命是正確和有效的，為電機絕緣剩余壽命預測提供了一種新途徑。

關鍵詞：雙饋異步發電機；果蠅算法；BP神經網絡；絕緣剩余壽命預測

0引言

近年來，我國的風力發電產業正處于一個高速發展的階段，大規模的風電場相繼投入建設和運行[1，2]。在當前風力發電機組中，雙饋異步發電機應用最為廣泛，作為風電場的核心設備，它的健康狀態直接影響著風電場的運行穩定性和供電可靠性[3]。判定發電機絕緣狀態和預測剩余壽命能夠在發生故障之前進行必要的處理，避免運行中發生故障帶來損失和危害。所以，發電機絕緣剩余壽命的預測具有十分重要的實用價值。

當前，在電機運行可靠性研究領域，絕緣剩余壽命預測已成為一大熱點，專家學者們研究了多種預測方法。原理簡單、結果精確的阿倫尼斯方程，被稱作壽命預測經典模型，在壽命預測領域應用相當廣泛[4]?；诖?，有人在評估風力發電機絕緣系統壽命時，成功將阿倫尼斯加速模型與最小二乘法相結合[5]。在預測發電機絕緣壽命上，日本學者金神雅樹大量研究了剩余擊穿電壓與定子線圈的非破壞參量的關系[6]。文獻[7]將Miner準則與熱損傷累加準則相結合，提出一種發電機絕緣壽命前期預測方法，為風力發電機壽命預測以及優化提供參考。文獻[8]采用測試光譜、電、聲等方法，能夠實現較小誤差地評估電機絕緣剩余壽命。預測方法多種多樣，但預測效率和精度都還有待提高。

為提高對雙饋異步風力發電機剩余壽命預測的快速性和準確性，果蠅算法作為一種演化式智能算法，在優化算法模型方面被廣泛應用，具有實際應用價值。因此，本文提出一種將果蠅優化算法與BP神經網絡相結合的發電機剩余壽命預測方法，利用果蠅算法多點全局的快速搜索能力，優化BP神經網絡的連接權值和閾值，從結構上改善BP神經網絡模型，能有效克服BP神經網絡易陷入局部最優和收斂速度慢缺點，實現對發電機剩余壽命快速而精準的預測，為雙饋異步風力發電機絕緣剩余壽命預測提供一種新方法。

1FOA優化BP神經網絡

1.1BP神經網絡

BP神經網絡采用誤差反向傳播，是一種單向傳播的多層前向神經網絡，包括輸入層、中間層和輸出層三層。其典型的網絡結構如圖1所示。在中間層和節點數夠多的情況下，任何的非線性映射關系都可以逼近。梯度下降法是反向傳播誤差學習算法的基本思想，采用梯度搜索技術，不停的調整神經網絡中的連接權值和閾值，最終使網絡的誤差均方值最小。其網絡權值的修正公式為

(1)

(2)

圖1　三層BP神經網絡結構

在眾多人工神經網絡模型中，BP神經網憑借其結構簡單、復雜非線性函數逼近、泛化能力強等優點，廣泛應用在電機故障診斷與剩余壽命預測領域。但BP神經網絡也有需要改進的地方，待尋優參數多，收斂速度慢；易陷入局部極小值；尚無很好的方法來確定具體的網絡結構，仍需根據經驗公式或認為調試[9]。這些都限制了它的應用和推廣。

1.2果蠅算法

中國臺灣學者潘文超于2011年正式提出果蠅算法，這是一種根據果蠅的覓食行為推演出的全局尋優的演化式算法，基于粒子群等群智能算法發展而來。果蠅的嗅覺十分靈敏，40 km以外的食物源都能嗅到，利用嗅覺飛近食物位置后，再運用犀利的視覺尋找食物和同伴的位置，然后飛往該方向[10]。

自提出以來，其應用領域相當廣泛，特別是在函數優化、神經網絡、等方面有著重要的應用價值。雖然它提出時間不長，但已有眾多學者在理論和應用方面做了大量研究，總結出果蠅算法的具體優點。果蠅算法具有原理簡單、全局尋優能力強、收斂速度快、魯棒性和辨識精度高等優點。因此，本文將果蠅算法與BP神經網絡相結合，能有效提高BP神經網絡的尋優效率和精度。

1.3FOA優化BP神經網絡

FOA算法與BP神經網絡結合后，第一步是確立網絡結構。連接BP神經網絡中的權值和閾值視作果蠅個體處理，給一只果蠅一個隨機的尋優方向和距離，然后根據算法步驟開始尋優，迭代過程中以尋求適應度函數最優值為目標，迭代完畢后，更新果蠅個體位置。更新網絡所有權值和閾值，選取合適的隱層激活函數。然后，把訓練數據帶入BP神經網絡訓練網絡。最后，通過采集的樣本測試數據對訓練后網絡進行測試，檢驗優化后BP神經網絡的尋優性能。

FOA與BP神經網絡相結合后算法流程如圖2所示。具體步驟如下：

圖2　FOA-BP神經網絡流程

(1) 創建BP神經網絡結構，確定各層節點個數，把網絡的權值和閾值初始化。

(2) 將所有網絡權值視作果蠅處理，并把果蠅群體位置初始化Xi=Xa;Yi=Ya。

(3) 給一只果蠅一個隨機的尋優方向和距離，即Xi=Xa+R;Yi=Ya+R，式中，Xa、Ya、R為隨機方向和距離。

(5) 把S帶入味道濃度判定函數，求出當前味道濃度并保存該值。

(6) 求出味道濃度判定函數的最優值，此時應選取最小值，保存當前網絡權值。

(7) 更新適應度函數最優值時果蠅位置，此時權值坐標為：Xo=Xb;Yo=Yb。

(8) 迭代開始，判斷適應度函數值是否優于前一代，若是轉到第7步，否則轉到第3步。

(9) 帶入最優權值用于BP神經網絡訓練。

(10) BP網絡訓練后用測試數據測試性能。

2發電機絕緣特性分析

發電機在運行中，電氣、機械、熱和環境等因素都會影響發電機絕緣系統老化。發電機絕緣壽命通常通過實驗來確定，主要包括極化指數及吸收比、絕緣電阻、局部放電等測試，相關參數有絕緣電阻R、極化指數PI、最大局部放電量Qmax等[11]。

2.1極化指數

直流電壓作用于線圈絕緣會隨之產生主絕緣表面電流和電導電流，空氣潮濕、碳化物等或存在缺陷是引發這一現象主要原因，兩電流在時間作用下并無變化。不考慮表面電流時，總電流的變化量與電導電流大小成反比，這說明極化指數越小，絕緣老化越嚴重。

2.2局部放電

導致電機絕緣老化的重要原因之一就是局部放電。絕緣材料中若存在氣隙，受到高壓作用時將會引發局部放電現象。局部放電會嚴重損壞電機絕緣系統。通過實驗判定絕緣體中的局放量可掌握電機絕緣狀態，從而評估發電機絕緣壽命。當絕緣系統老化或浸漬工藝出問題時，局放量將與測試電壓成正比例關系。目前，絕緣體局放性能主要通過最大局部放電量Qmax來評估，是判別發電機絕緣老化的重要因素之一[12]。

2.3環境應力

所有會引發風電機組絕緣故障的環境因素統稱為環境應力。風力發電機暴露在野外，長時間承受風吹、日曬、雨淋和鹽霧，這些都會對發電機絕緣起到破壞作用。同時，由于輻射的存在，也會造成發電機絕緣系統的加速老化。電機絕緣承受著各種環境應力的共同作用。有時候，單個環境應力并不會破壞絕緣系統，但多個因素疊加后，危害將十分嚴重。環境因素要破壞發電機絕緣要經過一個長久的過程。

3網絡構建與訓練

3.1數據采集與處理

發電機的壽命，主要取決于繞組絕緣的壽命，并與設計制造、使用維護和環境條件等有密切關系。根據上述對發電機絕緣特性的分析，由選取相關測試數據作為樣本數據。

文中所選數據是某風電場2 MW雙饋異步發電機在多年不同試驗條件下得到110組樣本值，將100組作為BP神經網絡訓練樣本，剩下10組作為實驗測試樣本。訓練樣本越大越好，由于篇幅所限，表1列出了訓練樣本集的12組數據，包括繞組的絕緣電阻、極化指數、最大放電量、電機的工作環境等參。因三相數據較多，其中C相絕緣狀態最差，故表中絕緣電阻、極化指數皆為C相數據。

表1部分訓練樣本集數據

序號輸入輸出Qmax/pCRts/MΩRtr/MΩtg/℃kPIT/kh14987801.34500.0320.30.473.240.0325001799.86503.7617.60.613.847.1434937802.31501.5216.60.524.155.9945123804.16498.9620.10.213.547.7054897798.89503.0118.70.172.932.6765323799.36504.8914.30.285.241.8575120803.18499.0718.50.363.333.2985011798.76498.1319.90.546.176.1294957800.11505.50-5.20.324.456.86105310802.25504.00-4.90.354.230.45114856801.47501.44-6.70.243.648.14125017805.23501.21-2.10.274.353.60

表1中，Qmax為最大局部放電量；Rts為溫度t℃時，發電機定子繞組絕緣電阻；Rtr為發電機轉子繞組絕緣電阻值，t取25℃；tg為發電機運行時平均溫度；k為環境系數，表示發電機運行的環境因素，如空氣濕度、腐蝕性以及塵埃等，數值越大表示工作環境越惡劣，取0～1；PI是極化指數；T為發電機絕緣剩余壽命。

由于各樣本數據單位不同且數量級差別較大，為便于分析，需要歸一化處理樣本數據，把它們都轉變成[0，1]之間的數，處理后的數據可直接作為神經網絡的輸入輸出數據，處理方法如下

(3)

3.2優化模型參數設置

本文建立了一個3層BP神經網絡，由樣本數據可知，Qmax，Rts，Rtr，tg，k和PI是影響絕緣壽命的6個關鍵因素，因此，把這6個參數輸入神經網絡，網絡輸出為絕緣剩余壽命時間T。故神經網絡輸入和輸出層節點數為6和1，中間層節點數選為18。中間層傳遞函數采用logsig，輸出層傳遞函數用 purelin，把trainlm作為訓練函數。網絡的訓練目標誤差為0.001，學習效率為0.2，訓練次數定為5 000。

果蠅群體個數將根據所設計BP神經網絡結構確定，設為20，連續迭代100次，適應度函數選取期望結果和實際結果的誤差均方值，如下

(4)

4測試及結果分析

分別運用BP神經網絡和經果蠅算法優化的BP神經網絡對發電機樣本數據進行訓練，得到圖3所示訓練曲線對比，然后保存這兩個模型用于測試。

圖3　網絡誤差曲線

從圖3可以看出，BP神經網絡收斂到期望誤差需要2 461代，而結合果蠅算法后只需275代即可，收斂速率顯著提高。

表2是測試數據和兩種模型測試結果對比，將表中測試數據處理后，帶入模型進行測試，然后將測試結果逆處理即可得發電機絕緣剩余壽命預測值，如表2、圖4。圖4所示分別為基于兩種模型的預測值與實際值對比。

圖4　T實際值與預測值曲線對比

結合表2和圖4可以看出，BP神經網絡經果蠅算法優化后，絕緣壽命預測值與實際值相差甚小，誤差明顯小于果蠅算法優化前的BP神經網絡。綜合上述結果可知：基于果蠅算法優化的BP神經網絡具有較快的收斂速率，均方誤差小，說明BP神經網絡的學習速度和辨識精度得到了有效提高。通過測試實驗證明，將其應用在雙饋異步風力發電機的絕緣壽命預測中，是正確和可行的。

表2測試數據及結果

序號輸入Qmax/pCRts/MΩRtr/MΩtg/℃kPIT實際值/khBP算法FOA-BP算法T預測值/kh相對誤差/%T預測值/kh相對誤差/%14887802.34501.0321.30.574.240.6343.116.10341.572.31325101799.16503.1618.60.613.837.1442.0113.11238.433.47334997802.61503.5212.60.523.645.9941.74-9.24147.342.93545023803.16499.9620.10.213.549.7053.026.68050.371.34854817799.89503.4124.70.572.930.6728.88-5.83629.7-3.16265223798.36504.8914.30.485.451.8548.14-7.15553.543.25975020803.58499.7718.50.563.733.2936.599.91233.911.86285111797.36497.13-5.90.245.166.1260.07-9.15067.391.92094977800.51504.50-4.20.324.756.8653.27-6.31355.85-1.776105210803.25503.00-2.60.353.926.4529.8212.7427.333.327

5結論

本文提出一種基于果蠅算法優化的BP神經網絡模型，結合果蠅算法的多點全局搜索能力，有效提高了BP神經網絡的尋優效率和精度。將該模型運用到雙饋異步風力發電機的絕緣剩余壽命預測中，通過實驗數據對其進行測試和對比分析，測試結果表明，BP神經網絡經果蠅算法優化后具有更好的快速性和準確性，很好的克服了BP神經網絡易陷入局部最優、收斂速度慢等缺點，能有效預測雙饋異步風力發電機絕緣剩余壽命。然而，處理復雜問題時缺乏穩定性是果蠅算法的一大缺點，基于此，改進果蠅算法與BP神經網絡相結合，是未來電機絕緣壽命預測的一個方向。

參考文獻：

[1]許國東. 風力發電中雙饋異步電機的應用技術[J]. 電工技術， 2003(8)： 1- 2．

[2]樊小朝， 王維慶， 李鳳婷， 等. 雙饋風電機組風電場并網故障特性[J]. 水力發電， 2015， 41(6)： 113- 117．

[3]任文娥， 劉紅文， 于欽學， 等. 發電機定子線圈絕緣診斷與壽命預測[J]. 高壓電器， 2012， 48(11)： 7- 12．

[4]朱立群， 黃慧潔， 趙波. 丁腈橡膠硫化膠在乙二醇中的加速老化失效及壽命預測[J]. 航空材料學報， 2007， 27(3)： 69- 73．

[5]陳健， 王洪波， 馬賢好. 風力發電機主絕緣老化的診斷和壽命評估 [J]. 大電機技術， 2012(4)： 13- 16．

[6]金神雅樹. 水輪發電機絕緣剩余壽命的推斷[J]. 國外大電機， 1998(4)： 52- 56．

[7]丁亮， 徐蕊， 羅華利， 等. 基于熱損傷累加準則的風力發電機絕緣壽命預測 [J]. 可再生能源， 2013， 31(10)： 57- 61．

[8]李福興. 大型發電機定子絕緣診斷和剩余壽命預測 [J]. 華北電力， 2004， 32(2)： 54- 56．

[9]吳俊學. 基于PSO-EO算法優化的BP神經網絡研究[J]. 科學技術與工程， 2010， 24(10)： 6047- 6049．

[10]潘文超. 應用果蠅優化算法優化廣義回歸神經網絡進行企業經營績效評估[J]. 太原理工大學學報(社會科學版)， 2011， 29(4)： 1- 5．

[11]顧燕明. 發電機定子絕緣狀態的多參數診斷和剩余壽命預測[J]. 中國設備工程， 2009， (11)： 16- 19．

[12]EBERHART R C， SHI Y. Comparison between genetic algorithms and particle swarm optimization[C]∥Proc. of 7th Annal Conference on Evolutionary Computation. Berlin： Springer-Verlag， 1998： 611- 616．

(責任編輯高瑜)

雅礱江楊房溝水電站可行性研究報告順利通過審查

2015年11月28日～30日，水電水利規劃設計總院會同四川省發展和改革委員會、能源局在成都主持召開了《四川雅礱江楊房溝水電站可行性研究報告》審查會議。會議聽取了華東勘測設計研究院關于《楊房溝水電站可行性研究報告》主要勘測設計成果的匯報，并分專業組進行了認真的討論和審議。審查認為，報告達到了可行性研究階段勘測設計工作內容和深度的要求，基本同意該報告。

楊房溝水電站位于四川省涼山彝族自治州木里縣境內的雅礱江中游河段上，是規劃中該河段的第6級水電站，水庫總庫容5.124 8億m3，調節庫容0.538 5億m3，電站裝機容量1 500 MW。工程樞紐主要由混凝土雙曲拱壩、泄洪消能建筑物和引水發電系統等組成。

2008年3月，華東院完成楊房溝水電站工程預可行性研究報告并通過審查?？尚行匝芯侩A段，華東院開展了大量勘察試驗和設計研究工作，陸續完成了一系列專題研究報告，部分專題報告先后通過有關主管部門的審查。楊房溝水電站可行性研究報告順利通過審查，為項目的核準工作奠定了堅實的基礎，目前項目籌建工作已經展開。

(中國電建集團華東勘測設計研究院有限公司)

Insulation Life Prediction of Doubly Fed Induction Generator by Using Optimized BP Neural Network Based on Fruit Fly Algorithm

ZENG Yu, CHEN Ying, YANG Yuwen

(Information Engineering School, Nanchang University, Nanchang 330031, Jiangxi, China)

Abstract:In order to improve the efficiency and accuracy of double-fed asynchronous generator insulation remaining life prediction, a prediction model based on the combination of BP neural network with fruit fly optimization algorithm is adopted, which can significantly improve the global search ability and convergence speed of BP neural network. By using the fast searching ability of fruit fly algorithm to optimize the weights and thresholds of BP neural network model, the optimized BP neural network has good accuracy and precision. The test result shows that the prediction model of BP neural network optimized by fruit fly algorithm is correct and effective on the prediction of generator insulation remaining life, which provides a new method for generator insulation remaining life prediction．

Key Words:doubly fed induction generator; fruit fly algorithm; BP neural network; insulation remaining life prediction

中圖分類號：TM343

文獻標識碼：A

文章編號：0559- 9342(2016)01- 0084- 05

作者簡介：曾裕(1990—)，男，江西撫州人，碩士研究生，主要從事電機本體優化設計及優化算法研究．

基金項目：江西省研究生創新專項資金資助(YC2014-S068)

收稿日期：2015- 09- 21