基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在變壓器超高頻局部放電模式識(shí)別中的應(yīng)用

　　摘 要： 本文針對(duì)BP算法易陷入局部極小、收斂速度慢的缺點(diǎn)，根據(jù)遺傳算法（Genetic Algorithms，GA）具有全局尋優(yōu)的特點(diǎn)，將二者結(jié)合起來(lái)提出了一種混合算法：GA-BP算法，并將該算法成功應(yīng)用于變壓器超高頻局部放電模式識(shí)別。將變壓器油中局部放電超高頻測(cè)量系統(tǒng)所得到的局部放電的特征量作為輸入，分別用BP算法和混合算法進(jìn)行模式識(shí)別。實(shí)驗(yàn)結(jié)果表明GA-BP算法具有收斂速度快、全局最優(yōu)的優(yōu)點(diǎn)，并且這種算法可以推廣應(yīng)用于其他實(shí)際系統(tǒng)中。
　　關(guān)鍵詞： 變壓器 局部放電 BP算法 遺傳算法 模式識(shí)別
　　
　　1.引言
　　隨著電力系統(tǒng)的發(fā)展和電壓等級(jí)、容量的不斷提高，局部放電已經(jīng)成為電力變壓器絕緣劣化的重要原因，因而局部放電的檢測(cè)也就成為變壓器絕緣狀況監(jiān)測(cè)的重要手段［１］。變壓器絕緣體系中的放電類型很多，不同的放電類型對(duì)絕緣的破壞作用有很大差異，因此有必要對(duì)各種放電類型加以區(qū)分，從而能夠更好地進(jìn)行變壓器故障定位和故障處理。
　　人工神經(jīng)網(wǎng)絡(luò)自20世紀(jì)90年代開(kāi)始就用于放電類型的模式識(shí)別，由于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)類似于人類大腦的神經(jīng)元，具有自學(xué)習(xí)的能力。因此在很多應(yīng)用中取得了比較好的效果，但是它也存在局限性。由于利用梯度下降法全局尋優(yōu)，因此網(wǎng)絡(luò)收斂的速度很慢，而且常常會(huì)陷入局部極小點(diǎn)。
　　本文嘗試用基于遺傳算法的BP網(wǎng)絡(luò)實(shí)現(xiàn)放電類型的模式識(shí)別，用遺傳算法來(lái)實(shí)現(xiàn)全局優(yōu)化以克服BP神經(jīng)網(wǎng)絡(luò)的局限性［２］，提高模式識(shí)別的準(zhǔn)確度。最后，用所提出的基于遺傳算法BP與一般BP進(jìn)行比對(duì)。實(shí)驗(yàn)結(jié)果顯示前者明顯提高了模式識(shí)別的準(zhǔn)確性及快速性，這對(duì)于進(jìn)一步進(jìn)行變壓器故障定位和故障處理有重要意義。
　　2.試驗(yàn)原理及方法
　　首先我們引入純BP神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，通常具有三層或三層以上的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層（隱層）和輸出層。以三層BP神經(jīng)網(wǎng)絡(luò)為例，設(shè)W為第j個(gè)輸入到第i個(gè)隱層節(jié)點(diǎn)的連接權(quán)值，θ為隱層節(jié)點(diǎn)的閾值，W為第k個(gè)輸出節(jié)點(diǎn)到第i個(gè)隱節(jié)點(diǎn)的連接權(quán)值，q為輸出節(jié)點(diǎn)的閾值，O為輸出層的輸出。三層BP網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。
　　根據(jù)Kolmogorov定理，本文中選用的BP網(wǎng)絡(luò)采用N×2N+1×M的三層網(wǎng)絡(luò)結(jié)構(gòu)。其中，N表示輸入特征向量的分量數(shù)，M表示輸出狀態(tài)類別總數(shù)。中間層神經(jīng)元的作用函數(shù)為Tansig，輸出層神經(jīng)元的作用函數(shù)為logsig。
　　然后用遺傳算法［３］調(diào)節(jié)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，并用優(yōu)化后的BP網(wǎng)絡(luò)進(jìn)行試驗(yàn)，其步驟如下：
　　①初始化種群P，包括種群規(guī)模、交叉概率Pc及變異概率Pm，隨機(jī)化W、θ、W、q，采用實(shí)數(shù)編碼。
　　②計(jì)算每一條染色體的評(píng)價(jià)函數(shù)，按蒙特卡羅法來(lái)選擇個(gè)體
　　p=f/f
　　其中，f為第i條染色體的適應(yīng)度，用誤差平方和來(lái)衡量，即
　　f=1/E（i）
　　E（i）=∑∑（O-T）
　　p為學(xué)習(xí)樣本數(shù)，k為輸出層節(jié)點(diǎn)數(shù)。
　　③以概率Pc對(duì)個(gè)體進(jìn)行交叉操作，沒(méi)有選中的直接復(fù)制，產(chǎn)生新的種群。采用算數(shù)交叉，即：
　　x（i）=αx（i）+（1-α）x（i+1）
　　x（i+1）=αx（i+1）+（1-α）x（i）
　　其中，x為選中的染色體。
　　④以概率Pm對(duì)個(gè)體x（i）進(jìn)行變異操作，產(chǎn)生新的個(gè)體x'（i）。
　　⑤將新個(gè)體插入種群P中，重新計(jì)算種群中個(gè)體的適應(yīng)值。
　　⑥如果搜索到滿足要求的個(gè)體（達(dá)到誤差要求ε），轉(zhuǎn)第⑧步，否則轉(zhuǎn)第三步。
　　⑦找到最優(yōu)的個(gè)體后，將最優(yōu)染色體解碼即得到網(wǎng)絡(luò)的連接權(quán)系數(shù)和閾值。
　　⑧利用遺傳算法優(yōu)化好的網(wǎng)絡(luò)權(quán)值，用BP算法訓(xùn)練網(wǎng)絡(luò)直到精度ε。
　　最后將BP網(wǎng)絡(luò)所得結(jié)果和基于GA的BP網(wǎng)絡(luò)所得結(jié)果對(duì)比分析。
　　3.實(shí)驗(yàn)及結(jié)果分析
　　變壓器油紙絕緣結(jié)構(gòu)中的四種主要放電類型，分別是懸浮放電、沿面放電、內(nèi)部放電和油中針板放電。首先采用變壓器超高頻測(cè)量系統(tǒng)在不同的電壓等級(jí)、不同的電極尺寸、不同的中心頻率對(duì)這四種放電類型的數(shù)據(jù)進(jìn)行了采集。
　　將采集到的數(shù)據(jù)送入計(jì)算機(jī)進(jìn)行處理，生成局部放電的二維譜圖并從中提取包括偏斜度Sk、突出度Ku、放電不對(duì)稱度Q、相位不對(duì)稱度Φ、互相關(guān)因子cc和相位中值μ等統(tǒng)計(jì)算子，以此作為放電的特征量來(lái)區(qū)分不同類型的放電［４］。由于變壓器局部放電超高頻檢測(cè)系統(tǒng)所提取的特征量的數(shù)量比較多，太多的特征量會(huì)增加樣本學(xué)習(xí)過(guò)程中的計(jì)算量，提高模型的復(fù)雜程度，結(jié)合經(jīng)驗(yàn)，最終選擇了平均放電譜圖的{Q、cc、Sk+、Sk-、Ku+、Ku-}作為輸入向量，來(lái)進(jìn)行局部放電的模式識(shí)別［５］。
　　隨機(jī)抽取四種放電類型的樣本數(shù)據(jù)一共200組，每種模式50組，來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。為了驗(yàn)證方法的有效性，又提取了每種模式30組數(shù)據(jù)對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試。
　　用這些訓(xùn)練數(shù)據(jù)對(duì)一般BP進(jìn)行訓(xùn)練，一般21步后達(dá)到目標(biāo)值0.001，訓(xùn)練性能為0.00029，運(yùn)行時(shí)間為3.216000s。對(duì)于基于遺傳算法的BP網(wǎng)絡(luò)，選取初始種群為P=30，GA訓(xùn)練目標(biāo)ε=AbtF46VfLg9OgEkOac1mZvnahFlMcygEHGwqmvJoA6g=0.4，遺傳算法在經(jīng)過(guò)大約200代的計(jì)算時(shí)，達(dá)到權(quán)值和閾值的最優(yōu)，且BP算法經(jīng)過(guò)8步的運(yùn)算，即達(dá)到目標(biāo)值0.001，訓(xùn)練性能為0.00016，運(yùn)行時(shí)間0.605000s。可見(jiàn)基于GA的BP網(wǎng)絡(luò)在運(yùn)算速度上要優(yōu)于一般BP算法。
　　用BP神經(jīng)網(wǎng)絡(luò)和GA-BP算法的模式識(shí)別結(jié)果比較如表1。由統(tǒng)計(jì)結(jié)果可以看出一般BP算法也可以對(duì)放電的類型進(jìn)行分類，但是由于BP算法隨機(jī)選取初始權(quán)值的范圍較小，這樣就易陷入局部最小而使訓(xùn)練失敗，成功率比較低。而用基于GA的BP算法時(shí)，對(duì)放電類型的模式識(shí)別率明顯高于純BP算法。從實(shí)驗(yàn)所得結(jié)果及統(tǒng)計(jì)分析可知基于GA的BP網(wǎng)絡(luò)運(yùn)算速度及準(zhǔn)確率都要優(yōu)于純BP算法。
　　綜上所述，BP算法進(jìn)行分類時(shí)，由于算法本身局限性，初始權(quán)值和閾值隨機(jī)選取且選取的空間小，導(dǎo)致容易陷入局部極小而使訓(xùn)練失敗。基于遺傳算法的BP網(wǎng)絡(luò)先用GA算法在全局空間上搜索權(quán)值和閾值的最優(yōu)點(diǎn)，然后用BP算法在最優(yōu)點(diǎn)附近尋優(yōu)，達(dá)到最優(yōu)值。這樣就有效地克服了一般BP算法容易陷入局部最優(yōu)的缺點(diǎn)。另外，基于遺傳算法的BP網(wǎng)絡(luò)的訓(xùn)練速度也明顯優(yōu)于一般BP算法的訓(xùn)練速度。
　　4.結(jié)語(yǔ)
　　本文所提出的基于遺傳算法的BP網(wǎng)絡(luò)可以對(duì)變壓器超高頻局部放電模式識(shí)別，并克服了一般BP算法的不足。實(shí)驗(yàn)結(jié)果表明BP算法易陷入局部極小的缺點(diǎn)，而用遺傳算法先對(duì)權(quán)值進(jìn)行整個(gè)解空間的優(yōu)化，縮小優(yōu)化空間，然后由BP網(wǎng)絡(luò)進(jìn)行搜索，可以克服BP算法全局搜索能力不足，易陷入局部極小的問(wèn)題，同時(shí)也提高了BP算法的速度。
　　
　　參考文獻(xiàn)：
　　［1］王國(guó)利.油浸式電力變壓器局部放電特高頻檢測(cè)技術(shù)研究.西安：西安交通大學(xué)，2003.
　　［2］鄭力新.遺傳算法在控制系統(tǒng)工程應(yīng)用的研究.天津大學(xué)，2002.
　　［3］雷英杰等.MATLAB遺傳算法工具箱及應(yīng)用.西安電子科技大學(xué)出版社.
　　［4］王國(guó)利，鄭毅，沈嵩等.AGA-BP神經(jīng)網(wǎng)絡(luò)用于變壓器超高頻局部放電模式識(shí)別.電工電能新技術(shù)，2003，22（2）：629.
　　［5］李延沐，袁鵬等.基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）的變壓器超高頻局部放電模式識(shí)別，2005，24（4）：30-33.