基于PCA與GA-LM-BP神經網絡的變壓器故障診斷

禹建麗，潘笑天，陳洪根

（鄭州航空工業管理學院 管理工程學院，河南 鄭州 450046）

基于PCA與GA-LM-BP神經網絡的變壓器故障診斷

禹建麗，潘笑天，陳洪根

（鄭州航空工業管理學院 管理工程學院，河南 鄭州 450046）

研究基于油中溶解氣體的變壓器故障診斷問題.采用主成分分析與數據歸一化方法，對變壓器故障樣本數據進行規范化處理，使其更具有代表性.對比主成分規范化前后的樣本故障診斷結果，主成分分析能夠消除特征氣體樣本數據間的相關性，使輸入層樣本數據更加符合神經網絡工作機理.實驗可得主成分規范化后的樣本故障診斷結果優于未經過主成分分析規范化的故障診斷結果.在主成分分析對數據規范化的基礎上，進一步改進BP神經網絡算法，建立基于Levenberg-Marquardt算法的LM-BP神經網絡故障診斷模型，改善了BP神經網絡模型診斷精度不高，網絡收斂困難以及易陷入局部極小值等問題.利用遺傳算法對LM-BP神經網絡的權值和閾值進行優化，然后再進行第2次神經網絡訓練，克服了LM-BP神經網絡性能受初始權值和閾值限制的問題，使故障診斷正確率提高了6.16%.通過對441組樣本數據中隨機選取的376組訓練樣本和65組檢驗樣本進行故障診斷實驗，診斷正確率達到83%，表明所構建的基于PCA與GA-LM-BP神經網絡的故障診斷方法是一種有效的變壓器故障診斷方法.

主成分分析；神經網絡；遺傳算法；變壓器；故障診斷

變壓器是電力系統的核心設備，其正常運行是電力供應的基礎，也是電力安全生產的根本保證．變壓器工作時受周圍環境影響，內部結構復雜，長期運行容易造成絕緣老化和材質劣化，而且變壓器故障種類繁多，故障原因相關性高，故障危害嚴重，因此針對變壓器故障診斷方法的研究一直是熱點問題.傳統的故障診斷方法都是基于對閾值的診斷，只有當特征氣體超過“注意值”邊界時，才能作出故障判斷，這無疑不利于對變壓器潛伏性故障類型的診斷.模糊聚類[1]、神經網絡[2]和專家系統[3]等智能方法的發展在故障診斷領域的良好應用，彌補了傳統故障診斷的不足，但是各種智能診斷方法又表現出不同程度的優缺點.目前國內外研究重點在于融合多種智能方法的變壓器故障診斷技術[4-6].神經網絡以其操作簡單、準確率較高而被廣泛應用，但也有不足之處.范勝波等[7]研究樣本數量與神經網絡泛化能力的關系，指出樣本量過少會造成神經網絡訓練不收斂，樣本過多又會造成網絡過度擬合的問題，只有對樣本進行優化處理才能改善網絡性能.邊莉等[8]在研究中指出神經網絡訓練時要求有充足的樣本量以供學習，但不能確定哪些樣本數據是冗余的，哪些是有用的，難以評估樣本特征的重要性.除此之外，傳統神經網絡訓練時還存在極易陷入局部極小而得不到全局最優等問題[9].本文在對變壓器進行故障診斷時綜合考慮神經網絡的上述幾個問題，首先根據油色譜實驗原理收集到樣本數據441組，其中訓練樣本376組，保證神經網絡能夠挖掘到充足的樣本信息；其次對樣本數據進行規范化處理，采用主成分分析的方法消除變量間的相關性，同時將樣本數據規范化至 [0，1]之間，使其更加符合神經網絡的工作機理和訓練條件.在故障診斷環節，對主成分規范化前后的樣本數據進行故障診斷，主成分規范后的故障診斷結果更佳.并且對BP神經網絡和LM-BP神經網絡進行對比實驗分析，具有迭代次數少、收斂速度快、精確度高等優點的LM-BP神經網絡模型故障診斷正判率明顯高于BP神經網絡.并且為克服LM-BP神經網絡受初始權值和閾值限制的問題.利用遺傳算法（Genetic Algorithm，即GA算法）對LM-BP神經網絡的網絡權值和閾值進行優化，然后再帶入LM-BP神經網絡進行第二次誤差反向調整算法的網絡訓練，故障診斷實驗結果表明，本文所構建的基于PCA與GALM-BP神經網絡模型的故障診斷方法能夠有效地提高故障診斷精度.

1 基于PCA與GA-LM-BP神經網絡的變壓器故障診斷方法設計

主成分分析方法（Principal component analysis，即PCA）可以消除變量之間的相關性，神經網絡具有建立復雜過程映射模型的自學能力和較好的泛化能力，而遺傳算法便于進行全局優化，本文研究基于PCA與GA-LM-BP神經網絡相結合的變壓器故障診斷方法，旨在利用變壓器故障歷史數據，建立變壓器故障診斷模型，提高其故障診斷準確率.

1.1 主成分分析及神經網絡原理簡介

1）主成分分析在損失較少信息的前提下把高維數據轉化成幾個主要成分的多元統計方法.通常在研究某一復雜問題時會涉及多個變量，而眾多變量之間往往存在一定的相關性，主成分分析能通過矩陣變換將原始變量線性組合成幾個互不相關的綜合指標，這樣不僅揭示事物內部間的規律，同時使問題得到簡化，提高解決問題的效率.

假設有m個樣本，p個指標的數據，樣本的初始矩陣X為：

設樣本矩陣X的特征值為λ1，λ2，…，λp，各特征值對應的特征向量為γ1，γ2，…，γp，則根據式（1） Zi=γ1iX1+γ2iX2+…+γpiXp對樣本重新線性組合以消除變量間相關性.

2）BP神經網絡（BP neural network，即BPNN），即誤差反向傳播多層前饋式神經網絡，它是應用廣泛的人工神經網絡之一，通常由輸入層、隱層和輸出層3部分構成，各層之間通過權值相互連接，每層由若干個節點數構成，每個節點數代表著一個神經元，各神經元之前互不關聯，其拓撲結構如圖1所示.神經網絡工作過程分為信號正向傳播和誤差反向傳播2部分.在信號正向傳遞過程中，各層之間連接權值保持不變，如果輸出結果不能滿足精度的要求，則誤差信號就會反向傳播，再從輸出層開始將誤差逐層分攤至各層神經元，并不斷修正各層間的連接權值，依次循環直至輸出信號滿足期望輸出為止.

圖1 神經網絡拓撲結構Fig.1 The Structure of BP Neural Network

1.2 故障診斷方法

基于PCA與GA-LM-BP神經網絡的故障診斷方法具體步驟如下：

步驟1：樣本規范化處理

1）主成分分析：利用MINITAB計算矩陣的特征值λ1，λ2，…，λp，及各特征值對應的正交特征向量γ1，γ2，…，γp，則根據公式（1）計算主成分.

2）歸一化：對主成分分析后的樣本數據進行歸一化處理，第i列樣本數據最大最小值歸一化數據Yi的計算公式為：

步驟2：確定神經網絡拓撲結構

輸入層：將主成分分析及歸一化后的輸入樣本數據Y=[Y1，Y2，…，Yp]作為神經網絡模型的輸入矩陣.輸出層：將對應的輸出樣本數據O=[o1，o2，…，oq]作為神經網絡的輸出矩陣.隱含層神經元個數的選擇與網絡性能密切相關，通常由經驗公式（3）確定.其中m是輸入層神經元個數，n是輸出層神經元個數，a是一個1～10的常數.

步驟3：建立BP神經網絡模型

1）初始化權值：隨機生成一組非零數值，賦給Vi（o）、Wj（o）；

2）根據步驟2代入輸入矩陣和輸出矩陣，確定BP神經網絡結構；

3）信號正向傳播過程：將輸入矩陣代入神經網絡進行訓練，輸出網絡訓練值，并計算訓練樣本誤差：e（n）=d（n）-o（n） （4）其中：d（n）為網絡輸出向量；o（n）為實際輸出向量.

4）誤差反向傳播過程：計算k個網絡訓練總誤差：

當總誤差沒有達到精度要求時，根據公式：

修正各層權值和閾值，其中W（n）表示輸入層與隱層間（或隱層與輸出層間）原有連接權值量，W（n+1）代表修正后的各層連接權值.ΔW表示各層權值修正量，其計算公式為：

式中：負號表示梯度下降，η∈（0，1）表示訓練速率.

5）當總誤差達到精度要求時輸出網絡權值和閾值，訓練結束.否則開始新一輪的誤差反向傳播過程.

步驟4：建立基于Levenberg-Marquardt算法的BP神經網絡模型（即LM-BP） .LM-BP神經網絡模型的迭代過程與步驟3中BP神經網絡模型相似，只在公式（7）中各層神經元間連接權值修正量上有所改進.BP神經網絡模型的迭代過程是基于最速下降法，如公式所示沿著單一負梯度方向下降.而LM-BP神經網絡是基于將最速下降法與高斯—牛頓算法相結合的Levenberg-Marquardt算法[10]，因此其對各層神經元鏈接權值和閾值的修正量調整為：

其中：J為網絡誤差對權值導數的雅克比矩陣；e為BP神經網絡模型綜合輸出誤差向量；μ為各層神經元沿負梯度下降運算的約束系數.

當μ接近于零時，LM算法接近高斯-牛頓算法；當其很大時，LM接近傳統的BP神經網絡的最速下降法.因此相較于BP神經網絡模型，LM-BP神經網絡能夠自適應調整權值修正量，使其既具有高斯牛頓法的全局搜索能力，也具有最速下降法的局部搜索特性.

步驟5：建立GA-LM-BP神經網絡故障診斷模型

采用遺傳算法對步驟4建立的LM-BP神經網絡的權值和閾值進行優化，并取誤差平方和最小的一組作為第2次LM-BP神經網絡訓練的初始權值和閾值，然后再利用LM算法對BP神經網絡進行訓練，進一步提升神經網絡的泛化能力[11].

1）編碼：對步驟4中初步確定的LM-BP神經網絡的權值和閾值進行編碼為X=[w，v，θ，t].其中包括輸入層到隱層權值w，隱層到輸出層權值v和隱層閾值θ、輸出層閾值t，并根據公式（9）確定編碼長度，其中l為編碼長度，m為隱層節點數.

2）適應度函數：遺傳算法優化神經網絡的過程就是尋找使網絡誤差最小的權值和閾值的過程，因此根據遺傳算法中適應度函數望大的特性，將網絡誤差平方和的倒數作為適應度函數，則適應度函數表示為：

其中：oikj為在第i個權值和閾值作用下，第k個訓練樣本在第j個節點的輸出值；dikj為期望的輸出值；l為訓練樣本個數；p為輸出層神經元個數.

3）選擇、交叉和變異.選擇適應度函數高的個體直接復制到下一代，其他個體以一定的比例進行交叉和變異后遺傳至下一代，最終生成新一代個體再反復進行選擇、交叉和變異，直至達到設定的進化代數，并把適應度最高的個體解碼分配給網絡權值和閾值.

4）第2次優化：將步驟5中的3）得到的權值和閾值作為LM-BP神經網絡的初始權值和閾值，再進行第2次神經網絡訓練，得到進一步優化的神經網絡故障診斷模型.

2 故障診斷樣本數據規范化處理

一般情況下，變壓器內部絕緣材料會在熱和電的作用下逐漸分解，產生少量的氫類、低分子烴類和碳氧化合物.當變壓器出現故障時，其分解速度加快，各氣體濃度也會迅速增加.油色譜分析實驗就是根據變壓器故障類型與分解產生的氣體含量和成分之間的關系，分析判斷出變壓器的故障類型[12].根據油色譜分析實驗原理收集特征氣體濃度樣本數據以及對應故障類型數據.本文數據來源于對多家單位10多年的變壓器故障數據統計結果的整理，刪除其中變量殘缺的記錄以及組數較少的故障類型，共得到441組有效實驗數據.

2.1 主成分分析

變壓器故障時所產生的氣體大致為氫類、烴類和碳氧化合物類，其中包括氫氣（H2），一氧化碳（CO），二氧化碳（CO2），甲烷（CH4），乙炔（C2H2），乙烯（C2H4），乙烷（C2H6），這些同分子結構的氣體在含量上通常存在著相關性.為驗證樣本數據間的相關性，根據MINITAB軟件計算特征氣體濃度樣本數據間的相關系數，結果如表1所示.

表1 相關系數表Tab.1 Correlation Coefficient

由表1可知，各種類氣體間存在不同程度的相關性，如CH4和C2H4的相關系數為0.913，CO和CO2的相關系數為0.774.樣本數據間的相關性會影響神經網絡的學習效率，因此需采用主成分分析的方法對氣體數據進行線性組合以消除各氣體間的相關性，由MINITAB軟件生成對樣本數據的主成分分析結果如表2所示.

表2 主成分分析Tab.2 Principal Component Analysis

為消除樣本數據間的相關性，根據表2中得到的特征值、特征向量，用公式（1）計算各主成分，各主成分間相互獨立且按照方差貢獻率（對信息解釋程度）進行排序[13].

2.2 歸一化處理

由油色譜分析可知，不同特征氣體對故障的反應程度有很大區別，例如變壓器中乙炔氣體的含量通常較小，但是一旦出現必然會引起某種故障，對故障的反應很靈敏；而變壓器中氫氣的含量相對較高，但是對故障的反應并不靈敏.因此如果直接以收集到的特征氣體作為神經網絡的輸入，會湮沒含量較小但是對故障靈敏度很高的氣體信息，進而影響神經網絡故障診斷的準確率[14].因此有必要通過歸一化方法來降低數據間差異，使數據更準確地反映故障類型.根據公式（2）對各主成分進行歸一化處理.

3 確立故障診斷神經網絡模型的拓撲結構

為測試所構建的神經網絡模型對變壓器故障診斷的準確率，將樣本規范化后的441組變壓器故障診斷樣本按每種故障類型的比例隨機抽取，分為376組訓練樣本和65組測試樣本，具體分類如表3所示，并分別建立BP、LM-BP、GA-LM-BP神經網絡進行變壓器故障診斷.

表3 樣本數據分類情況Tab.3 The Classification of Sample data

3.1 輸入層

在變壓器故障診斷模型中，選定特征氣體濃度數據主成分矩陣為輸入層.

3.2 輸出層

輸出層為變壓器特征氣體濃度數據所對應的故障類型，輸出層的神經元個數由故障類型的種類數決定.本文將變壓器故障類型分為6種，使用二進制對其進行編碼，如表4所示.

3.3 隱含層

隱層神經元個數的選擇直接關系到網絡的學習能力，隱層神經元個數太少則神經網絡從樣本中提取信息的能力較弱，容錯性差.反之，隱層神經元個數過多，又會造成對非樣本規律的過度學習，產生錯誤映射，降低網絡泛化能力.根據公式（3）確定本文隱層節點數的取值范圍為[4，14]，并通過試湊法從中選擇使回檢和檢驗準確率最高的隱層神經元個數.

表4 輸出層編碼規則Tab.4 Encoding Rules of Output layer

4 神經網絡訓練及變壓器故障診斷

4.1 基于BP神經網絡的變壓器故障診斷

PCA能夠消除數據間的相關性，使樣本數據更符合神經網絡輸入層數據要求.為了驗證PCA對提高神經網絡故障診斷精度的作用，按照表3分類標準，將未經過PCA規范的376組訓練樣本和65組檢驗樣本分別存入P和P1文本文件中，及對應表4中的故障類型編碼存入t和t1文本文件中，并放置于MATLAB子文件下用于讀取.在MATLAB中執行指令net=newff（minmax（p），[n，6]，{′tansig′，′logsig′}，′traingd′）建立BP神經網絡，并調用語句net=train（net，p，t）對神經網絡進行訓練.其中輸入層到隱層的傳遞函數為tansig（），隱層到輸出層的傳遞函數為logsig（），該神經網絡的訓練函數為traingd（），即按照最速下降法沿負梯度方向尋找網絡最優值.設置網絡訓練步數為1 000，訓練目標精度為0.05，訓練速率為0.05.通過試湊法隱層節點數n在 [4，14]范圍內進行實驗，實驗結果如表5所示，其中S1表示對訓練樣本網絡輸出結果與實際結果的正判率，y1表示對訓練樣本的診斷誤差，S2表示對檢驗樣本的正判率，y2表示對檢驗樣本的診斷誤差（下同） .

表5 BP神經網絡實驗結果Tab.5 The Fault Diagnosis of BP neural network results

根據表5結果可知，當隱層節點數為12時，BP神經網絡的故障診斷效果最好.回檢正判率為40.00%，檢驗正判率為39.89%.其網絡訓練圖如圖2所示，BP神經網絡訓練誤差在設定的訓練步長1 000步內并未達到設定的誤差目標精度線，網絡訓練未收斂.

4.2 基于PCA與BP神經網絡的變壓器故障診斷

與4.1形成對比實驗，將表3中經過PCA處理及分類后的376組訓練樣本和65組檢驗樣本分別存入P和P1文本文件中，及對應表4中的故障類型編碼存入t和t1文本文件中，并按照同樣參數設置建立神經網絡進行實驗，實驗結果如表6所示.

表6 PCA與BP神經網絡實驗結果Tab.6 The Fault Diagnosis of BP neural network results with PCA

根據表6實驗結果可知，當隱層節點數為9時，基于PCA的BP神經網絡的故障診斷效果最好.回檢正判率為47.34%，檢驗正判率為47.69%.觀察其網絡訓練圖如圖3所示.當隱層神經元個數為9時，網絡訓練未收斂.比較4.1節與4.2節故障診斷結果可知，經過PCA規范后的樣本數據的故障診斷結果明顯優于未經過PCA規范的故障診斷結果，且網絡訓練圖中誤差線走勢也優于未經過PCA規范的誤差線走勢.由此可得，經過PCA規范的樣本數據更加符合神經網絡工作機理，能夠提高BP神經網絡的網絡性能.因此，下文將在PCA數據規范化的基礎上，進一步改進神經網絡算法，提高其對變壓器故障診斷的準確率.

圖2 BP神經網絡訓練圖（h=12）Fig.2 The plot of BPNN

圖3 PCA與BP神經網絡訓練圖（h=9）Fig.3 The plot of BPNN with PCA

4.3 基于PCA與LM-BP神經網絡的變壓器故障診斷

上文中BP神經網絡的故障診斷正判率不高，網絡誤差下降緩慢，甚至網絡不收斂.這是由于BP神經網絡采用最速梯度下降法，從某一點起沿著誤差函數下降使誤差逐漸下降至0，但隨著接近最優值，梯度逐漸趨近于0，目標函數下降緩慢，因此會造成網絡收斂困難，甚至不收斂.并且對于復雜函數，誤差曲面通常是多維空間曲面，在訓練過程中很可能陷入局部極小值，并且由該點向周圍均會使誤差增大，使訓練無法逃出這一局部極小值.因此對比實驗中采用Levenberg-Marquardt算法的LM-BP神經網絡，該算法將最速下降法與高斯—牛頓算法相結合，使每次迭代不再沿著單一負梯度方向，而是允許誤差沿著惡化方向進行搜索[15]，大大提高網絡收斂速度和泛化能力.根據這一原理在MATLAB中建立LM-BP神經網絡net=newff（minmax（p），[n，6]，{′tansig′，′purelin′}，′trainlm′），其中訓練函數為 trainlm（）. 并將 4.2 節中經 PCA 處理后的p和t文本文件代入程序進行學習和回檢，p1和t1文件代入程序進行檢驗.其故障診斷結果如表7所示.

表7 PCA與LM-BP神經網絡實驗結果Tab.7 The Fault Diagnosis of LM-BP neural network results with PCA

根據表7實驗結果可知，LM-BP神經網絡的回檢正判率均值為76.71%，檢驗正判率均值為72.3%，高于BP神經網絡的故障診斷結果.并且綜合考慮正判率和誤差各因素，在本次實驗中，當隱層節點數為12時，故障診斷效果最好.即對376組訓練樣本的判斷正確個數為295組，正判率為78.46%，對65組檢驗樣本的判斷正確個數為50組，正判率為76.92%.

觀察其網絡訓練圖如圖4所示.當隱層節點數為12時，LM-BP神經網絡的網絡誤差在設定步長1 000步以內逐漸下降，最終逼近誤差目標精度線但未達到誤差目標值（0.05），此時的訓練誤差分別為0.054，接近誤差目標值0.05.與BP神經網絡相比，LM-BP神經網絡訓練有較好地收斂效果.并且在0～100步以內收斂速度很快，如圖所示這一階段網絡訓練誤差急劇下降.在100～1 000步時，維持在接近目標線上并有較緩慢下降.

4.4 基于PCA與GA-LM-BP神經網絡的變壓器故障診斷

LM-BP神經網絡故障診斷與BP神經網絡相比，實現了網絡訓練速度和診斷精度的提高，但是網絡訓練仍然沒有在限定步數內完全收斂，這是由于LM-BP神經網絡訓練受初始權值矩陣的影響.因此，本文設計采用遺傳算法優化網絡連接權，采用LM算法進行網絡訓練.這樣不僅利用遺傳算法高效地搜索效率和全局優化能力，也保留了LM-BP神經網絡較強的映射能力，使建立的診斷模型同時具有進化功能和預測功能，尋求具有更強故障分類能力的診斷模型.因此，在MATLAB中調用遺傳算法工具箱對表7中每一隱層神經元訓練所得的權值和閾值進行第1次優化[16]，并將第1次優化的權值和閾值作為LM-BP神經網絡的初始值再訓練，則第1次優化的權值和閾值在LM算法反向誤差調整的作用下得到第2次優化，優化后的網絡故障診斷結果如表8所示.

表8 PCA與GA-LM-BP神經網絡實驗結果Tab.8 The Fault Diagnosis of GA-LM-BP neural network results with PCA

與表7中LM-BP神經網絡的故障診斷結果相比，回檢正判率均值提高到78.92%，檢驗正判率均值提高到76.34%.顯然GA對LM-BP神經網絡的優化作用是明顯的.并且在表8中，當隱層神經元個數為12時，GA-LM-BP神經網絡的故障診斷結果最好，對比表7結果可得，回檢準確率提升至81.38%，提高了2.92%，檢驗準確率提升至83.08%，提高了6.16%.

圖4 PCA與LM-BP神經網絡訓練圖（h=12）Fig.4 The plot of LM-BPNN with PCA

圖5PCA與GA-LM-BP神經網絡訓練圖Fig.5 The training plot of GA-LM-BPNN with PCA

如圖6～圖7所示，在設定的進化代數200次以內，經過反復優化，權值和閾值的誤差進化曲線不斷下降，對應的適應度函數曲線不斷提高.此外為了驗證遺傳算法在提高LM-BP神經網絡收斂速度和診斷精度方面的能力，將遺傳算法第1次優化的權值和閾值作為初始值賦給LM-BP神經網絡進行第2次優化，第2次優化的神經網絡訓練圖如4所示.

圖6 遺傳算法均方誤差圖Fig.6 The mean square error variation plot of GA

圖7 遺傳算法適應度函數圖Fig.7 The fitting function plot of GA

從圖5看出，在設置同樣的目標精度下，GA-LM-BP神經網絡在275步時收斂到目標精度，收斂步數明顯少于BP神經網絡和LM-BP神經網絡，其次根據表8結果顯示，GA-LM-BP神經網絡的診斷結果準確率較高，誤差也低于其他兩種算法，驗證了GA-LM-BP神經網絡在故障診斷方面的顯著優點.

5 結語

為提高神經網絡算法對變壓器故障診斷的正判率，本文運用樣本規范化方法提高樣本數據信息質量.通過相關性分析可知特征氣體變量間的相關性較高，同時特征氣體數據間量差較大.分別采用主成分分析和歸一化的方法對樣本數據進行規范化處理，使神經網絡輸入層變量間相互獨立，且數據集中分布于[0，1].此外，主成分分析能夠消除樣本數據間的相關性，使輸入層樣本數據更符合神經網絡的工作機理.利用BP神經網絡分別對PCA規范化前后的樣本數據進行故障診斷.結果顯示，經過PCA規范后的樣本數據的故障診斷結果明顯優于未經過PCA規范的故障診斷結果.由此可得，基于PCA的樣本規范化處理能夠有效地提高神經網絡故障診斷性能.在PCA數據規范化的基礎上，建立變壓器故障診斷的神經網絡模型，分別采用基于最速下降法和LM算法的BP神經網絡模型進行神經網絡訓練和故障診斷，結果顯示LM-BP神經網絡模型的收斂精度和正判率明顯高于傳統BP神經網絡.但LM-BP神經網絡仍存在初始權值和閾值隨機性較大，神經網絡在誤差反向調整過程中仍受初始權值和閾值的限制等不足，本文利用遺傳算法較強的全局搜索優化能力，對經過LM-BP神經網絡訓練得出的權值和閾值，用遺傳算法進行優化，然后再進行第2次LM-BP神經網絡訓練，進一步改善變壓器故障診斷模型效能，實驗結果表明：GA算法能夠有效地提高LM-BP神經網絡模型的故障診斷精度.GA-LM-BP神經網絡的故障診斷檢驗準確率較LM-BP神經網絡提高了6.16%，達到了83.08%.

[1] 杜正聰，牛高遠.基于加權模糊聚類算法的變壓器故障診斷方法[J].高壓電器，2014，50（4）：42-48.

[2] 高立慧，張長勝，趙振剛，等.變壓器局放監測與改進BP神經網絡預測模型研究[J].傳感器與微系統，2017，36（3）：1-3

[3] GEETHA MANI，JOVITHA JEROME.Intuitionistic fuzzy expert system based fault diagnosis using dissolved gas analysis for power transformer[J].Journal of Electrical Engineering&Technology，2014，9（6）：2058-2064.

[4]MA De-yin，LIANG Yan-chun，ZHAO Xiao-she，et al.Multi-BP expert system for fault diagnosis of power system[J].Engineering Applications of Artificial Intelligence，2013，26（26）：937-944.

[5] DEEPIKA BHALLA，RAJ KUMAR BANSAL，HARI OM GUPTA.Function analysis based rule extraction from artificial neural networks for transformer incipient fault diagnosis[J].International Journal of Electrical Power&Energy Systems，2012，43（1）：1196-1203.

[6]JIANG Mi，JI Guo-yi.Application of improved BP neural network in fault diagnosis of fans[J].Noise&Vibration Control，2011，31（2）：94-98.

[7] 范勝波，王太勇，汪文津，等.樣本數量對切削力的神經網絡預測精度的影響[J].西南交通大學學報，2005，40（5）：637-640.

[8] 邊莉，邊晨源.電網故障診斷的智能方法綜述[J].電力系統保護與控制，2014，42（3）：146-153.

[9] 項文強，張華，王姮，等.基于L-M算法的BP網絡在變壓器故障診斷中的應用[J].電力系統保護與控制，2011，88（8）：170-174.

[10]王元章，吳春華，周笛青，等.基于BP神經網絡的光伏陣列故障診斷研究[J].電力系統保護與控制，2013，41（16）：108-114.

[11]ZHENG Fei-long，ZENG Liang-cai，LU Yun-dan，et al.Fault diagnosis research for servo valve based on GA-BP neural network[J].Journal of Computational and Theoretical Nanoscience，2015，12（9）：2846-2850.

[12]Sherif S M，Ghoneim，Ibrahim B M.Taha.A new approach of DGA interpretation technique for transformer fault diagnosis[J].International Journal of Electrical Power&Energy Systems，2016，8（12）：265-274.

[13]Hossein Paydarnia，Salman Hajiaghasi，Karim Abbaszadeh.Improved Structure of PNN Using PCA in Transformer Fault Diagnostic[J].Arabian Journal for Science and Engineering，2014，39（6）：4845-4851.

[14]張偉政，汪曉明，吳曉輝，等.組合神經網絡在變壓器故障診斷中的應用[J].高壓電器，2007，43（5）：364-367.

[15]MIAO Xin-ying，CHU Jin-kui.DU Xiao-wen.Application of LM-BP neural network in predicting dam deformation[J].Computer Engineering and Applications，2011，47（1）：220-222.

[16]姚仲敏，潘飛，沈玉會，等.基于GA-BP和POS-BP神經網絡的光伏電站出力短期預測[J].電力系統保護與控制，2015，43（20）：83-89.

Transformer fault diagnosis based on PCA and GA-LM-BP neural network

YU Jianli,PAN Xiaotian,CHEN Honggen

（School of Management Engineering,Zhengzhou University of Aeronautics,Henan Zhengzhou 450046,China）

The research on transformer fault diagnosis is based on dissolved gases analysis.The principal component analysis and data normalization method are used to normalize the sample data to make it more representative.Compare the fault diagnosis results of before and after the PCA normalized.The PCA can eliminate the relativity among the characteristic gas sample data,therefore the data is more in line with the neural network work mechanism,and has better fault diagnosis results than that without PCA normalized.Based on PCA,to make further improvement of the BP neural network algorithm,construct a LM-BP neural network model of transformer fault diagnosis based on Levenberg-Marquardt algorithm,which helps to solve the problems such as diagnosis inaccuracy of BP neural network model,network converge difficulty and easily trapped in local minima points.In addition,using genetic algorithm to optimize the weights and thresholds of LM-BP neural network,and carry on the second neural network training can help solve the problem of LM-BP neural network limited by initial weights and thresholds.As such,the fault diagnosis accuracy is increased by 6.16%.Based on 376 training samples and 65 test samples randomly selected from 441 groups of sample data,the fault diagnosis accuracy can be increased to 83%.Therefore,the fault diagnosis method based on PCA and GA-LM-BP neural network is proved to be an effective fault diagnosis method for transformer.

principal component analysis;neural network;genetic algorithm;transformer;fault diagnosis

TP 242.6；TP 391.4

A

1007-2373（2017） 05-0106-09

10.14081/j.cnki.hgdxb.2017.05.018

2017-06-15

國家自然科學基金（U1404702）；航空科學基金（2014ZG55021）；河南省科技攻關計劃（162102210083）；鄭州航院大學生科技創新基金（Y2016L09）；鄭州航院研究生教育創新計劃基金（2017CX014）

禹建麗（1960-），女，教授，yjl837@163.com.

[責任編輯 楊 屹]