PSO——RBFNN在發電機轉子繞組匝間短路故障診斷中的應用

劉 帥 徐偉娜

1中信重工工程技術有限責任公司（471039）

2礦山重型裝備國家重點實驗室（中信重工機械股份有限公司）（471000）

1 基于PSO-RBF優化算法的設計及流程

首先是PSO算法的微粒編碼[1]，在確定RBF神經網絡的內部參數后，要將徑向基函數神經網絡的核函數的中心矢量、寬度和網絡權值的初始值轉換成一個新的位置向量進行編碼。

PSO-RBF優化算法的設計步驟:

1）獲得RBF神經網絡的用于測試和訓練網絡的輸入、輸出樣本數據。

2）確定RBF神經網絡的內部參數組成，并用改進的微粒群算法進行編碼，然后初始化改進的微粒群[2]。

3）對每一個微粒個體進行譯碼，獲得微粒相應的RBF神經網絡的控制參數，確定輸入數據在此徑向基神經網絡下的相應的輸出，并把其與輸出數據送到徑向基神經網絡的目標函數，獲得微粒的個體極值。

線性減小慣性權重的方法為[3]:

式中:wMin、wMax分別為微粒群算法的最小和最大的加權因子，iterMax為微粒總的迭代數目，iter為現在迭代數目。

為了改善算法的收斂性，在該方法中，對w、c1和c2的值分別有了確定，以改善算法的收斂。即將改寫為:

式中，φ=c1+c2＞4，其設置為:c1=2.05、c2=2.05。

4）對微粒的目標函數進行分析判斷，找到微粒群的全局極值[4]。

5）對微粒群算法的全局極值是否滿足終止的條件進行判斷。如果滿足結束條件，退出PSO的尋優過程，轉入第（7）步。

6）對微粒群的每一個微粒進行更新然后再轉向第（3）步。

7）對微粒群中最優的全局極值所對應的微粒個體進行譯碼，并作為徑向基神經網絡的初值開始網絡訓練。

8）編碼微粒群局部優化的參數，分析能否達到改進的微粒群算法的終止條件，即全局極值能否滿足預先設置的數值，倘若誤差超過預先的數值，則再次返回（6）進行基于改進微粒群優化的全局尋優過程以求最優的效果。

2 PSO-RBF算法在發電機轉子繞組匝間短路中的診斷

這里用Matlab7.0仿真軟件，將發電機的有功功率P、無功功率Q、勵磁電流If、機端電壓U等參數作為發電機轉子繞組匝間短路的特征量，作為PSO-RBF神經網絡的輸入量。RBF神經網絡有四個輸入神經元，其分別代表發電機的U、If、P和Q這四個電氣量，神經網絡的輸出層有一個神經元，可以分別表示各種運行狀況。

文章中各種算法對故障診斷樣本的輸出結果和診斷結果見表1和見表2。

各算法的均方根誤差比較見表3。

從表1和表2可以看出，對于發電機故障樣本的診斷，文章中的算法基本上均優于遺傳優化算法，尤其是在發電機正常運行時，這里算法明顯優于遺傳優化算法（如樣本5，6，7，8）。對于發電機輕微的轉子繞組匝間短路（如匝間短路5%），文章算法也得到了很好的診斷（如樣本3、樣本4）。同時文章算法的診斷誤差也均小于5%。從表3可以看出，文章改進的算法與其它兩種算法相比，其均方根誤差最小，即其預測輸出的結果與實際發生的轉子繞組匝間短路情況最相符合，做出了最準確的診斷。

表1 部分故障樣本的輸出結果

表2 算法的部分故障樣本診斷結果

表3 三種算法的比較

3 結論

文章采用了基于改進的微粒群優化RBF網絡的混合算法，并將該算法應用于發電機轉子繞組匝間短路的診斷中。仿真試驗表明，經過改進的微粒群優化的RBF神經網絡，不但可以診斷轉子繞組匝間短路故障及預測匝間短路的嚴重程度，而且其精度和準確性也優于基于遺傳算法優化的RBF神經網絡（尤其是對于輕微的轉子繞組匝間故障）?？傊摶旌纤惴ㄔ诎l電機轉子繞組匝間短路故障中的診斷取得了比較滿意的結果，是有效可行的。