LF-PSO優化神經網絡的高壓斷路器機械故障診斷

(西安工程大學 電子信息學院，陜西 西安 710600)

高壓斷路器在電力系統起著非常重要的作用，為了提高電力系統運行的安全性和可靠性，對它進行故障診斷是十分有必要的，這樣可以在還沒發生故障或者快要發生故障時診斷出故障類型及時處理，避免大范圍停電[1]。高壓斷路器中的機械故障占其總故障的很大一部分，而它的分合閘電流數據易獲得，可以通過該數據集訓練得到特征量與故障分類結果之間的關系，從而診斷出不同的故障類型[2-3]。

現如今有很多學者研究診斷高壓斷路器機械故障的方法，其中神經網絡得到廣泛應用。文獻[4]使用PNN神經網絡；文獻[5]使用粒子群改進的最小二乘支持向量機方法；文獻[6]使用粒子群優化的BP神經網絡實現對其的診斷；文獻[7]使用粒子群優化RBF神經網絡方法；文獻[8]證明了基于萊維飛行優化的粒子群算法比基本粒子群算法、布谷鳥算法以及蜂群算法具有更優的解和更快的收斂速度，本文將該算法用于對PNN神經網絡參數平滑因子的尋優中，從而實現對其的診斷。

1 LF-PSO算法

1.1 粒子群優化算法

PSO算法是一種進化算法，來自于對鳥群捕食行為的研究，它從隨機解出發，通過迭代尋找最優解，通過適應度來評價解的好壞[9]。每個尋優的問題解都被看成一個粒子，所有粒子在一個D維空間中進行搜索。在D維空間中有m個粒子x=(x1,x2,…,xm)，每個粒子i都有自己的位置和速度，分別表示為xi=(xi1,xi2,…,xiD)和vi=(vi1,vi2,…,viD)。第i個粒子目前搜索到的最優位置和整個種群目前搜索到的最優位置分別表示為pi=(pi1,pi2,…,piD)和pg=(pg1,pg2,…,pgD)。在每一次迭代中，粒子通過跟蹤這兩個極值來更新自己的位置和速度，粒子i的第D維速度更新公式為

(1)

粒子i的第D維位置更新公式為

(2)

不同粒子的慣性權重ω不僅受到迭代次數的影響還受到距離全局最優點距離的影響，采用非線性動態慣性系數公式對其進行調整[10]，公式為

(3)

式中，fit為粒子實時的適應度值；fitavg為當前所有粒子的平均值；fitmin為當前所有粒子的最小值。

1.2 萊維飛行

萊維飛行(Levy Flight,LF)是一種短距離的搜索與偶爾較長距離的行走相間的行走方式，它不僅能增加種群多樣性，還能擴大搜索范圍，所以經它優化的算法更易跳出局部最優點[11-12]。

LF的位置更新式為

(4)

1.3 基于LF的粒子群優化算法

粒子群算法前期收斂速度快，但進化后期收斂速度慢且收斂精度低。通過研究發現，LF 能有效地使粒子通過隨機游走產生新的解，經歷新的搜索路徑和領域，從而增加了種群的多樣性，提高發現更優解的概率，不易陷入局部極值[13]。

LF對粒子的調整是通過改變粒子位置來更新粒子狀態。在粒子群更新公式中速度項v保留了上代粒子的移動方向，使得粒子位置的更新方向受到上代粒子位置的影響較大而喪失多樣性，從而易于陷入局部最優。同時這也與LF的隨機游走理念相違背。為避免 PSO 算法更新公式中速度項v對LF調整粒子位置的影響，本文采用如下公式對粒子群更新公式進行改進。

(5)

雖然LF能夠使解擺脫局部收斂，重新搜索解的空間，但無法保證其尋找到的新解一定優于原來的解。為了解決這個問題，使用貪婪的更新評價方法，該方法能夠進行局部搜索來獲得更優的解。令

(6)

(7)

因此LF-PSO算法將式(1)、式(2)改進為

(8)

式中，fit(x)為適應度函數。

2 LF-PSO算法優化PNN神經網絡的故障診斷模型

2.1 PNN神經網絡

PNN神經網絡是一種能夠用來進行分類的神經網絡，其實際上是基于Bayes分類規則與Parzen窗的概率密度函數估計方法發展而來的并行算法[14]。PNN神經網絡的結構如圖1所示，它共有4層，具體層類別和神經元個數如表1所示。

圖1 PNN神經網絡的結構圖

層類別神經元個數輸入層負責將特征向量X傳入網絡,輸入層個數是樣本特征的個數隱含層隱含層的神經元的個數是輸入樣本矢量的個數,也就是有多少個樣本,該層就有多少個神經元競爭層負責將各個類的隱含層單元連接起來,這一層的神經元個數是樣本的類別數目輸出層負責輸出競爭層中得分最高的那一類

每個隱含層的神經元節點都有一個中心，該層計算輸入特征向量與該層中心的距離，并根據這個距離把相關度高的類別集中起來，隱含層的輸出值就代表相似度，輸出表達式為

(9)

式中，Wi為輸入層到隱含層的權值；σ為平滑因子。

PNN神經網絡訓練時，σ值越大，函數的擬合就越平滑，預測精度就越高，運算速率就越快。反之，若σ值太小，則意味著需要許多的神經元來適應函數的緩慢變化，從而導致網絡性能不好。因此合理選擇σ值對網絡分類性能起到了非常重要的作用[15]。

2.2 LF-PSO算法優化PNN神經網絡

LF-PSO算法優化PNN神經網絡的流程圖如圖2所示，算法步驟如下。

圖2 LF-PSO算法優化PNN神經網絡的流程圖

① 將PNN神經網絡的平滑因子作為種群的粒子，給定種群的規模N、最大的迭代次數T，完成種群初始化。

② 初始化種群粒子的位置、個體極值位置和值以及種群極值位置和值，并將每個粒子的最優值存儲在pb中，將種群中的最優值存儲在gb中[16-17]。

③ 計算各個粒子的適應度值，將PNN神經網絡的輸出誤差作為適應度函數。

④ 根據式(8)更新粒子的位置，根據式(3)更新慣性權重。

⑤ 將粒子的適應度值與其未更新前的位置比較，取較好的粒子為本次迭代后的粒子。

⑥ 比較pb和gb的大小，如果pb

⑦ 若滿足迭代結束條件，算法搜索停止;否則返回步驟④繼續搜索。

⑧ 將最優的平滑因子代入PNN神經網絡中完成測試。

3 實例驗證

針對高壓斷路器的機械特性，選取高壓斷路器分合閘線圈電流信號中的3個電流量I1、I2、I3和5個時間量t1、t2、t3、t4、t5作為LF-PSO優化PNN神經網絡的輸入特征值，以正常和5種故障類型操作電壓過低(GD)、合閘鐵心開始階段有卡澀(HKS)、操作機構有卡澀(CKS)、合閘鐵心空行程太大(TD)、輔助開關動作接觸不良(FK)共6類作為輸出。

在實驗中，PNN神經網絡選用8-100-6-6的拓撲結構。現有200組樣本數據，一半作為訓練數據集，另一半作為測試數據集，數據樣本集分組如表2所示。模型基本參數設置為：粒子種群數N設為40；慣性權重ω根據式(3)調整；學習因子c1和c2均設為1.495；β設為1.5；平滑因子的維數均為10；最大迭代次數設置為100。詳細參數設置如表3所示。

表2 實驗數據樣本集

表3 PSO、LF-PSO參數設置

分別用傳統PNN神經網絡、PSO優化的PNN神經網絡以及LF-PSO優化的PNN神經網絡對100組高壓斷路器訓練樣本進行故障診斷，如表4所示，其中LF-PSO優化的PNN神經網絡的故障診斷具體效果如表5所示。為了方便對比不同算法之間收斂速率的差異，圖3給出了LF-PSO 算法、PSO 算法在測試數據下的進化過程曲線。隨后分別用PSO和LF-PSO優化PNN神經網絡對100組測試樣本進行診斷，結果如圖4和圖5所示。

表4 故障診斷正確率

表5 LF-PSO優化算法訓練診斷結果

圖3 進化曲線

圖4 PSO算法測試結果圖

圖5 LF-PSO算法測試結果圖

從圖4可以看出，用LF-PSO算法正確率比其他兩個方法都高，是可行的。

從圖5可以看出，LF-PSO對所列的測試樣本的所有故障都能夠診斷出來，數據擴大一倍故障診斷可以達到98%，依然比其他兩種算法診斷正確率高，驗證了該算法在高壓斷路器故障診斷方面的優勢。

綜合以上仿真結果，可以分析如下。

① 傳統的PNN神經網絡平滑因子需要經過反復測試找到合適的值，不適合實際工程；PSO算法對PNN神經網絡的平滑因子尋優存在前期搜索精度低、容易早熟收斂的缺點；而LF-PSO算法對PNN神經網絡的平滑因子尋優的故障診斷正確率達到100%，高于前面兩種方法。

② 對粒子群算法中的慣性權重進行自適應調整，使得粒子群在迭代開始時就有很大的全局搜索能力。

③ LF-PSO算法對高壓斷路器測試樣本診斷正確率達到100%，可以有效實現對高壓斷路器機械故障的診斷。

4 結束語

本文提出一種LF-PSO算法優化PNN神經網絡的方法，首先獲得高壓斷路器分合閘數據集，再利用LF-PSO對PNN神經網絡的平滑因子σ進行尋優得到最優參數，最后代入PNN神經網絡模型中，實現對其診斷。實驗結果表明，該算法優化的PNN神經網絡從診斷速度和精度上都要優于傳統PNN神經網絡和經過PSO算法優化的PNN神經網絡。