基于改進果蠅算法優化PNN的變壓器故障診斷研究

郭曉蕓, 李海明, 許赟杰

(上海電力大學 計算機科學與技術學院, 上海 200090)

電力變壓器是配電系統中的重要設備。由于其內部結構復雜,電場及熱場分布不均等諸多因素,事故率仍然很高,因此研究精確有效的變壓器故障診斷對電力部門而言顯得格外重要[1]。

電力變壓器產生故障的原因復雜且不易直觀看出,故判斷故障性質和產生位置難度增大[2]。油中溶解氣體分析(Dissolved Gas Analysis,DGA)是變壓器故障診斷中最常用的方法,是通過分析變壓器油中溶解氣體的相對含量來判斷故障類型的[3]。神經網絡在識別變壓器故障時容易陷入局部最優,收斂速度慢。概率神經網絡(Probablistic Neural Network,PNN)具有訓練時間短,結構固定,能產生貝葉斯后驗概率輸出等優點,適合解決模式分類問題[4]。果蠅優化算法(Fruit Fly Optimization Algorithm,FOA)具有簡單易理解、易調節、參數少、快速收斂到全局最優等優點[5-6]。

本文提出了一種定向變步長的果蠅算法(Directional Variable Step Fruit Fly Optimization Algorithm,DVSFOA),解決了果蠅算法中存在的搜索步長變化的問題,提高了其整體的尋優能力,并將DVSFOA與PNN相結合,優化了PNN中的平滑因子,降低了人為因素對神經網絡的影響,具有較強的結構自適應能力和容錯能力。將該模型應用到變壓器故障診斷中,能有效地對變壓器故障進行診斷,且準確率較高。

1 PNN模型

PNN是一種前向型神經網絡,利用高斯函數作為基函數與Parzen窗法估計得到概率密度,然后與貝葉斯最小風險準則相結合發展而來的[7]。

利用PNN模型強大的非線性分類能力,構造了一個具有監督功能的分類器模型,將其應用到模式分類中,具有較高的精確率和容錯率[8]。……