基于遺傳算法的BP神經(jīng)網(wǎng)絡的變壓器故障預測

于瑩++袁萍++劉曉龍

摘 要：本文是基于遺傳算法的BP 神經(jīng)網(wǎng)絡對變壓器的運做狀況進行在線評估。實時監(jiān)測變壓器的運行狀態(tài)以便于檢修和處理。創(chuàng)立一個三層的神經(jīng)網(wǎng)絡，以電氣試驗，油色譜分析，絕緣油特性三部分對應的數(shù)據(jù)為輸入層，以變壓器的4種評估狀態(tài)“正常狀態(tài)”、“注意狀態(tài)”、“異常狀態(tài)”、“嚴重狀態(tài)”作為輸出層。由于變壓器內(nèi)部結(jié)構復雜，故障現(xiàn)象具有不確定性，傳統(tǒng)分析方法有不足，通過遺傳算法可以得到更好的權值和闕值，在使用BP神經(jīng)網(wǎng)絡模型對變壓器的故障進行判斷，該方法使判斷結(jié)果更精確。

關鍵詞：變壓器；遺傳算法；神經(jīng)網(wǎng)絡；狀態(tài)分析

DOI：10.16640/j.cnki.37-1222/t.2017.24.186

1 變壓器的重要性

變壓器是電力系統(tǒng)中重要的設備之一，主要起到變換電壓的作用，以利于功率的傳輸，減少電能的損失。隨著電力系統(tǒng)傳輸?shù)木嚯x越來越長，電壓等級越來越高，電網(wǎng)規(guī)模越來越大，電力變壓器的故障率隨也呈現(xiàn)出上升的趨勢。如果電壓器發(fā)生故障，會影響使電力系統(tǒng)運行的安全性和穩(wěn)定性。甚至可能造成停電事故，而且一旦電壓器損壞，購買新的變壓器不僅昂貴，而且運輸過程中需要等待大量的時間，運輸?shù)浆F(xiàn)場還要安裝等都要消耗時間，停電的時間越久就對電力系統(tǒng)的威脅越嚴重。為使變壓器運行的穩(wěn)定性進一步提高，對變壓器的運行狀態(tài)實時監(jiān)測非常重要。

2 基于遺傳算法的BP神經(jīng)網(wǎng)絡的設備故障預測

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡分為：BP神經(jīng)網(wǎng)絡結(jié)構、遺傳算法優(yōu)化權值和闕值、BP神經(jīng)網(wǎng)絡訓練及預測。神經(jīng)網(wǎng)絡的權值和闕值通過隨機初始化為[-0.5，0.5]區(qū)間的隨機數(shù)，這個初始化參數(shù)對網(wǎng)絡訓練的意義很大，但是又無法準確獲得，對于相同的初始權重值和闕值，網(wǎng)絡的訓練結(jié)果是一樣的，引入遺傳算法就是為了優(yōu)化最佳的權值和闕值[1]。圖1是算法流程：

2.1 BP神經(jīng)網(wǎng)絡的實現(xiàn)

利用BP神經(jīng)網(wǎng)絡對電力變壓器進行故障判斷，建立三層的神經(jīng)網(wǎng)絡，以電氣試驗的絕緣電阻，吸收比，泄露電流，介損植，繞組直流電阻，鐵芯接地電流，油色譜分析中的H2，CH4，C2H2，C2H4，C2H6，CO，CO2和絕緣油特性中的油中微水，油介質(zhì)，擊穿電壓一共16個元素的數(shù)據(jù)為輸入層。以變壓器的4種評估狀態(tài)“正常狀態(tài)”、“注意狀態(tài)”，“異常狀態(tài)”，“嚴重狀態(tài)”對應的狀態(tài)數(shù)據(jù)作為輸出層。同時，在神經(jīng)網(wǎng)絡為三層時，已知輸入層神經(jīng)元個數(shù)，可利用公式求出隱含層的神經(jīng)元的個數(shù)：

n2= 2 * n1+1；

從三個大方面中采集變壓器16個數(shù)據(jù)作為輸入?yún)?shù)，變壓器的4個運行狀態(tài)作為輸出參數(shù)。所以，n1取值為16，即輸入層有16個節(jié)點，經(jīng)計算隱含層有33個節(jié)點，輸出層有4個節(jié)點，預測共有528個權值，132個闕值，遺傳算法優(yōu)化參數(shù)的個數(shù)為660。

2.2 遺傳算法的實現(xiàn)

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡使用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡的初始權值和閾值，優(yōu)化后的神經(jīng)網(wǎng)絡能夠更好的進行樣本預測，他的實現(xiàn)流程是初始化群種，計算種群適應度值，從中找出最優(yōu)個體，選擇操作，交叉操作，變異操作，判斷進化是否結(jié)束，沒有結(jié)束在進行計算種群適應度值在進行一次操作[2]。

2.3 MATLAB程序?qū)崿F(xiàn)

遺傳算法和MATLAB軟件的神經(jīng)網(wǎng)絡理論，遺傳算法優(yōu)化的謝菲爾德法變壓器部分采用MATLAB編程。（神經(jīng)網(wǎng)絡算法是過程的一部分）。

網(wǎng)絡訓練是一個不斷修正權值和闕值的過程，給定訓練次數(shù)為1000次，訓練目標為0.01，學習率為0.1?；贛ATLAB具體訓練代碼如下：

Function err=Bpfun（x，P，T，hiddennum，P_test，T_text）

Inputnum=size（P，1）

Outputnum=size（T，1）

net=feedforwardnet（hiddenum）；

net=configure（net，P，T）

net.layers{2}.transferFcn=logsig；

net.trainParam.epochs=1000；

net.trainParam.goal=0.01；

net.trainParam.lr=0.1；

net.trainParam.show=NaN；

w1num=inputnum*hiddennum；

w2num=outputnum*hiddennum；

w1=x（1：w1num）；

B1=x（w1num+1：w1num+hiddennum）；

W2=x（w1num+hiddennum+1：w1num+hiddennum+w2num）；

B2=x（w1num+hiddennum+w2num+1：w1num+hiddennum+w2num+outputnum）；

Net.iw{1，1}=reshape（w1，hiddenum，inputnum）；

Net.iw{2，1}=reshape（w2，outputnum，hiddennum）；

（下轉(zhuǎn)第208頁）

（上接第203頁）

Net.b{1}=reshape（B1，hiddennum，1）；

Net.b{2}=reshape（B2，outputnum，1）；

Net=train（net，P，T）；

Y=sin（net，P_test）；

err=（Y-T_test）；

此中x為一個個體的初始權值和闕值，P訓練樣本的輸入，T訓練樣本的輸出，P_test測試樣本的輸入，T_test測試樣本輸入，hiddennum隱含層神經(jīng)元的個數(shù)，T_test測試樣本的期望的輸出，err預測樣本的預測偏差范數(shù)。整體思想就是根據(jù)對變壓器采集回來的數(shù)據(jù)為輸入層，通過train進行對網(wǎng)絡的訓練，訓練過程中輸入的權值和闕值要是經(jīng)過遺傳算法進行優(yōu)化過的權值和闕值，使輸出結(jié)果更精確。這樣，把網(wǎng)絡訓練完畢后，再輸入變壓器的運行時的一些數(shù)據(jù)，就可以通過神經(jīng)網(wǎng)絡的自學習功能得到想要的結(jié)果。

3 結(jié)論

采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡對變壓器的運行狀態(tài)進行評估，實時監(jiān)控變壓器的運行狀態(tài)，使用遺傳算法優(yōu)化權值和闕值后可以對變壓器評估的誤差降低，該方式能精確判定變壓器目前工作的4種運行狀態(tài)“正常狀態(tài)：設備正常溫度，個狀態(tài)量均在標準限值內(nèi)”、“注意狀態(tài)：可正常運行”，“異常狀態(tài)：狀態(tài)量略微超過限值，嚴密監(jiān)測運行狀態(tài)”，“嚴重狀態(tài)：狀態(tài)量嚴重超過標準值，應派人馬上檢修”。為巡檢工作部署提供了良好的操作依據(jù)。

參考文獻：

[1]朱瑤野.基于油中溶解氣體的變壓器故障預測研究[D].

[2]郁磊.MATLAB智能算法30個案例分析[D].北京：北京航空航天出版社，2015（08）.

作者簡介：于瑩（1982-），吉林長春人，碩士，研究方向：變電站智能化運行、新能源并網(wǎng)技術研究與應用。