改進PSO優化模糊RBF神經網絡的牽引變壓器故障診斷研究*

秦　景，王　玥，秦　波，吳慶朝

(1.河北建筑工程學院 電氣工程學院，河北 張家口　075000；2.浙江大學 控制科學與工程學院，杭州　310027；3.內蒙古科技大學 機械工程學院，內蒙古 包頭　014010；4.大同電力機車有限責任公司 技術中心，山西 大同　037000)

?

改進PSO優化模糊RBF神經網絡的牽引變壓器故障診斷研究*

秦景1，王玥2，秦波3，吳慶朝4

(1.河北建筑工程學院 電氣工程學院，河北 張家口075000；2.浙江大學 控制科學與工程學院，杭州310027；3.內蒙古科技大學 機械工程學院，內蒙古 包頭014010；4.大同電力機車有限責任公司 技術中心，山西 大同037000)

摘要：為了快速準確地識別出油浸式牽引變壓器的常見故障，結合粒子群算法全局搜索能力強、尋優速度快及模糊神經網絡容錯能力強、自適應性強的特點，提出了將模糊邏輯、RBF神經網絡及粒子群算法有機結合的油浸式牽引變壓器故障診斷方法。針對粒子群算法局部搜索能力不足的缺點，改進粒子群的速度更新公式和慣性權重，以此優化模糊神經網絡的結構參數，從而構建起基于油中氣體分析技術的改進PSO優化模糊神經網絡的牽引變壓器故障診斷模型。實驗及仿真結果表明，與BP神經網絡、標準PSO優化模糊神經網絡相比，改進PSO優化模糊神經網絡的故障辨識準確性更高、泛化能力更強。

關鍵詞：牽引變壓器；改進粒子群算法；模糊神經網絡；故障診斷

0引言

牽引變壓器作為電力機車從牽引電網獲取電能的重要銜接設備，其工作狀態的優劣直接決定著電力機車的安全、可靠、高效的運行。由于牽引變壓器運行環境的特殊性致使其不僅要承受較大的網壓波動和繞組中的高次諧波，且當受電弓發生偏移或離線時，極易引起變壓器直流磁化，進而誘發牽引變壓器的諸多潛伏性故障[1]。為此，準確、快速的監測和診斷出牽引變壓器的潛在故障及類型不僅能夠保障電力機車的安全高效運營，而且對提高我國鐵路電氣化的整體水平具有重要意義。

當前，針對我國電力機車牽引變壓器均為油浸式變壓器，多數學者和科研人員普遍采用油中溶解氣體分析(DissolvedGasAnalysis,DGA)的故障診斷技術[2-3]。隨著計算機技術和機器學習理論的發展，國內外的學者紛紛提出了多種基于人工智能的牽引變壓器故障類型辨識新方法。文獻[4]構建了一個三層(ErrorBackPropagation,BP)BP神經網絡，并采用L-M訓練算法實現了變壓器的故障的快速診斷；文獻[5]根據油中溶解的氣體構建了網絡結構為“5—20—5”的(RadicalBasisFunction,RBF)RBF神經網絡，仿真結果表明其能夠提高變壓器故障診斷率；文獻[6]針對傳統BP神經網絡算法收斂速度慢、迭代次數多的問題，引入自適應粒子群算法(ParticleSwarmOptimization,PSO)對其進行優化克服了標準PSO和BP網絡的缺陷，較好的實現了變壓器故障類型的診斷；文獻[7]將專家系統和模型診斷的方法相結合并應用到牽引變壓器的故障診斷中，仿真結果證明了方法的可行性和有效性。然而上述方法中，神經網絡具有自組織、魯棒性和容錯性的優勢，但其輸入都是確定的數值，無法有效處理基于知識的表達方式；專家系統可以克服此缺點，提高模型的效率和準確率，但其面臨著組合爆炸、知識獲取、自適應、自組織、自學習等諸多方面的問題；PSO在優化過程中所有粒子都朝著最優解的方向移動，趨向同一化，易造成群體的多樣性漸失，致使算法后期收斂速度變慢，難以獲得較好的優化結果[8]。鑒于此，為了獲得更好的優化效果將善于表達模糊和定性知識、具有人類思維推理方式的模糊邏輯與具有自組織、自適應能力的RBF神經網絡及改進標準PSO算法中粒子的速度、位置更新策略、慣性權重相結合，增強其全局搜索能力，并在此基礎上來優化模糊RBF神經網絡的結構參數cij、bij和wko；最后，將改進粒子群優化RBF神經網絡的算法用于構建牽引變壓器故障診斷辨識模型，以此來有效提高診斷的效率和準確性。

1牽引變壓器故障特征分析

在DGA中，最常用也是最有效的牽引變壓器故障判別方法即是改良三比值法，其故障判別的基本原理即依據變壓器內故障情況下裂解產生氣體組分含量的相對濃度與溫度的依存關系而進行故障類別辨識[9]，其編碼規則及故障判別標準見表1、表2。

表1　改良三比值法編碼規則

表2　改良三比值法判斷標準

由表1和表2易知，3種比值在較大范圍內變動且邊界劃分過于清晰，故不宜直接作為神經網絡的輸入。尤為重要的是，不同氣體的3種比值組合不同診斷出變壓器的故障也不同。對此模糊神經網絡既可以對輸入進行模糊化處理，又能很好的處理這種強耦合的分類問題，能有效的克服此缺點[10]。

2改進粒子群優化模糊RBF神經網絡算法

2.1模糊神經網絡

模糊神經網絡兼具了模糊邏輯與神經網絡兩者的優點，在處理非線性、模糊性問題上具有明顯的優越性。與BP相比，RBF神經網絡不僅在函數逼近、分類能力和學習速度[11]等方面具有無可比擬的優勢，而且其能克服BP的訓練時間長、易陷入局部最優等缺陷，故將模糊邏輯與RBF神經網絡相結合，構建圖1所示的四層模糊RBF神經網絡，分別由輸入層、模糊化層、規則層和輸出層構成，層與層之間通過神經元連接，其學習到知識以權值的形式保存；其中模糊層中的模糊邏輯采用高斯核作為隸屬函數，見式(1)。

圖1　模糊RBF神經網絡的結構

(1)

式中，i=1,2,...n;j=1,2,...,l；n和l分別表示第一層輸入樣本的個數和第二層節點的個數，cij和bij分別表示第i個輸入變量與第j個模糊集合的均值和方差。

由圖1易知，上述結構涵蓋了模糊化、規則推理、清晰化三個步驟，具有明確的模糊邏輯意義。然而，在模糊RBF神經網絡具體運用過程中，其結構參數cij、bij和wko對初始條件依賴較強，致使算法學習復雜、收斂速度慢、易陷入局部最優且模糊規則沒有合理的確定方法，易出現冗余規則，限制了其應用[12-15]。對此，提出將改進的PSO算法來優化模糊RBF神經網絡的結構參數cij、bij和wko以此提高模型的泛化能力和精度。

2.2改進粒子群算法優化模糊RBF神經網絡算法

PSO算法源于對鳥類捕食行為的研究，因其簡單、易實現、收斂速度快被廣泛應用于復雜過程的建模與優化，并取得了較好的效果[8]。由參考文獻[8]中標準PSO迭代公式可知，在迭代過程中粒子通過綜合考慮“自身認知”和“社會認知”，朝著全局最優解移動；然而，在算法后期粒子局部開掘能力不足，易陷入局部最優，對此作以下改進：首先，利用所有個體極值的平均值來代替個體極值，使得粒子在尋優過程中可以更好的借鑒其它粒子的尋優經驗，式(2)和式(3)為改進后的速度迭代公式；其次，采用先增后減的慣性權重w改進策略，使得PSO前期收斂速度較快、后期的搜索能力也強，避免粒子陷入局部極值鄰域內同時也降低了全局尋優的難度，改進后的慣性權重計算公式見(4)。改進PSO優化模糊RBF的具體流程見圖2。

(2)

式中，pmeanj(t)=(p1j(t)+p2j(t)+…+pmj(t))/m

(3)

(4)

式中：i=1,2,…,m—第i個粒子；j=1,2,…,d—第j維空間；pb和gb—適應度確定的個體和全體極值。c1,c2—認知因子；t—迭代次數，rand()—(0-1)之間的隨機數；w—慣性權重。tmax—最大迭代次數。

圖2　改進PSO優化模糊RBF神經網絡算法流程

3改進PSO優化模糊RBF神經網絡牽引變壓器故障診斷

3.1故障的模糊化及訓練樣本的獲取

利用改進PSO優化模糊RBF神經網絡模型進行牽引變壓器的故障診斷，首先應對3種氣體的比值進行模糊化處理，確定模糊規則并根據故障特征與原因表象間的對應關系進行數據模糊化。文中分別用α1，α2，α3表示C2H2/C2H4、CH4/H2、C2H4/C2H6的比值，x1，x2，x3分別表示改進PSO優化模糊RBF神經網絡模型的輸入。綜合表1、表2可知，3種氣體的比值范圍較廣且不容易確定，故采用如下分布函數作為α1，α2，α3的隸屬函數,則模糊RBF神經網絡的輸入x1、x2、x3分別如式(10)、(11)、(12)所示：

(10)

(11)

(12)

由此可知，故障診斷模型的輸入為x1、x2、x3模糊化值，輸出為9種故障，分別用F1,F2,F3,F4,F5,F6,F7,F8,F9來表示。結合中車集團大同電力機車有限責任公司技術中心近5年來對機務段跟蹤服務積累的經驗和有關專家經驗，將上述9種常見故障發生情況轉化為對應的故障可信度，絕對發生時定為1，可能發生時定為0.5，不可能發生時為0，便得到故障特征和原因對應的模糊規則化庫，即訓練樣本，如表3所示。以表3中的第4組樣本為例，當x1、x2、x3的值分別為0、0.76和1時，即對應著C2H2/C2H4的濃度小于0.1，CH4/H2的濃度小于0.1，C2H4/C2H6的濃度大于3，由DGA技術可知其發生了高溫過熱700℃的故障。由此構建立起輸入x1、x2、x3與故障間的對應關系。

表3　牽引變壓器故障診斷模型訓練樣本

3.2模型結構的確定

由上述分析易知，診斷模型的輸入層節點個數為3，分別對應9種故特征障即輸出層有9個節點個數，分別與故障原因一一對應；輸出值范圍為[0,1]，代表故障發生的可信程度；由此確定模糊RBF神經網絡模型的結構為3-27-36-9，最終牽引變壓器的診斷模型如圖3所示。依據上述網絡計算粒子群中每個粒子的維數：27×2+36×9=378維；其余種群的參數設置：種群個數m=30，迭代次數為100次，精度為0.001，c1=c2=2；粒子的速度范圍為[-0.1,0.1]，位置范圍為[-1,1]，wmax=0.9,wmin=0.4。

圖3　牽引變壓器故障診斷模型

3.3模型訓練及結果比較

首先，對構建的上述牽引變壓器故障辨識模型進行訓練。訓練時隨機選取表3中36組樣本中的30組作為訓練樣本，余下6組作為測試樣本；按照圖2所示具體流程進行訓練。改進的PSO優化模糊RBF神經網絡與標準PSO優化RBF模糊神經網絡迭代過程中適應度曲線如圖4所示，易知改進的PSO優化模糊RBF神經網絡經過12次迭代便收斂到0.001附近，較標準PSO優化模糊RBF神經網絡收斂速度快且精度較高。由圖5可知改進PSO優化算法經過48步訓練模糊RBF神經網絡的迭代精度便達到設定的目標精度0.0001；最終獲得6組測試樣本的輸出結果與期望結果的對比見表4；如對于序號1診斷結果，當故障信號為C2H2/C2H4<0.1、CH4/H2>1、1

圖4　改進PSO與標準PSO優化模糊RBF網絡適應度值曲線比較

圖5　改進PSO優化模糊RBF神經網絡訓練誤差曲線

序號123456F1000000F2000001F3100000期望F4001000輸出F5000010F6010000F7000000F8000000F9000100序號123456F10.1120.13500.3130.2010.021F20.0040.2930.0320.1140.1090.996F30.8620.1240.0450.030.0040.008期望F40.0210.020.9510.2050.0520.143輸出F50.020.1630.0050.3010.7990.317F60.3210.9640.2730.3610.0630.004F70.1520.2450.1320.1240.0010.005F80.0760.0910.2410.2230.3410.109F90.0230.0030.1130.4420.0070

為進一步驗證改進PSO優化模糊RBF神經網絡牽引變壓器故障診斷模型(改進PSO-FNN)的有效性，對在某機務段現場采集到的20組故障數據利用所提出的診斷模型進行辨識，并與標準PSO優化的模糊RBF神經網絡(標準PSO-FNN)、BP神經網絡模型的診斷結果進行對比，結果見表5。由表5易知，與BP模型和標準PSO-FNN模型相比，所提方法故障判別準確率更高、速度更快，能夠更好的實現牽引變壓器的故障辨識。

表5　不同牽引變壓器故障診斷模型辨識準確率的比較

4結論

DGA故障診斷技術是變壓器故障識別的主要方法，本文根據其編碼特點融合了PSO算法、模糊邏輯、RBF神經網絡的優點，提出了改進PSO算法優化模糊RBF神經網絡的牽引變壓器的故障識別方法。一方面，模糊RBF神經網絡不僅能夠克服模糊邏輯規則的主觀性和神經網絡的黑箱性而且其能夠很好的解決了改良三比值方法邊界劃分過于清晰的缺點；另一方面本文從粒子速度迭代公式及慣性權重更新策略方面改進了粒子群算法，并以此優化模糊RBF神經網絡的結構參數，建立改進粒子群算法優化模糊RBF神經網絡的牽引變壓器故障診斷模型，實現了牽引變壓器故障的快速、準確的辨識。實驗結果表明，改進PSO優化模糊RBF神經網絡知識表達明確、訓練迅速、泛化能力強，能夠更準確的辨識故障原因，且優于BP神經網絡、標準PSO優化的模糊神經網絡的辨識效果，從而能夠更好的實現牽引變壓器的故障診斷。

[參考文獻]

[1] 付強,陳特放,朱佼佼.基于HPSO-WNN的牽引變壓器故障診斷算法研究[J].鐵道學報,2012,34(9):26-32.

[2] 尹金良.基于相關向量機的油浸式電力變壓器故障診斷方法研究[D].保定:華北電力大學,2013.

[3] 許惠君,王宗耀,蘇浩益.基于DGA的反饋云熵模型電力變壓器故障診斷方法研究[J].電力系統保護與控制,2013,41(23):115-119.

[4] 王曉霞,王濤.基于BP神經網絡的變壓器故障診斷[J].華東電力,2008,36(2):112-116.

[5] 吳宏岐,周妮娜,王春英.基于RBF神經網絡的變壓器故障診斷及MATLAB仿真研究[J].科學技術與工程,2010,10(5):1249-1251,1275.

[6] 程加堂,熊偉,徐紹坤,等.基于改進粒子群優化神經網絡的電力變壓器故障診斷[J].高壓電器,2012,48(2):42-45.

[7] 高松,劉志剛,徐建芳,等.基于模型診斷和專家系統的牽引變壓器故障診斷研究[J].鐵道學報,2013,35(7):42-49.

[8] 王春暖,秦波,秦巖,等.基于改進PSO優化BP的數控機床熱誤差預測研究[J].組合機床與自動化加工技術,2014(10):69-72.

[9]SuryaKaiavathiM,RavindranathReddyB,SinghB.Transformerfaultdiagnosisusingfuzzylogicandneuralnetwork[C].2005.

[10] 代睿.一種基于RBF神經網絡的智能故障診斷方法[J].北京聯合大學學報(自然科學版),2009,23(2):30-33.

[11] 段明秀.基于PSO優化的模糊RBF神經網絡學習算法及其應用[J].當代教育理論與實踐,2010,2(1):101-104.

[12]AngelinePJ.Evolutionaryoptimizationversusparticleswarmoptimization:philosophyandperformancedifferences.EvolutionaryProgramming,1998,48(17):1956.

[13] 馬廉潔,曹小兵,陳小輝,等.基于GA與RBF神經網絡的工程陶瓷點磨削表面硬度數值模擬[J].組合機床與自動化加工技術,2015(1):30-34.

[14] 喬俊飛,韓紅桂.RBF神經網絡的結構動態優化設計[J].自動化學報,2010,36(6):865-872.

[15] 張彩云.基于改進PSO算法的模糊神經網絡研究[D].哈爾濱:哈爾濱理工大學,2014.

(編輯李秀敏)

文章編號：1001-2265(2016)07-0078-04

DOI:10.13462/j.cnki.mmtamt.2016.07.022

收稿日期：2015-09-19；修回日期：2015-11-26

*基金項目：國家自然科學基金項目(21366017)；河北省教育廳基金(QN2014203)

作者簡介：秦景(1980—)，女，河南南陽人，河北建筑工程學院講師，研究方向為電氣自動化，(E-mail)30914769@qq.com；通訊作者：秦波(1982—)，男，河南鎮平人，內蒙古科技大學講師，碩士，研究方向為復雜工業過程建模、優化及故障診斷，(E-mail)nkdqb@163.com。

中圖分類號：TH165;TG506

文獻標識碼：A

Research on Traction Transformer Fault Diagnosis Based onImprovedParticleSwarmOptimizedFuzzyNeuralNetwork

QIN Jing1,WANG Yue2,QIN Bo3,WU Qing-chao4

(1.SchoolofElectricalEngineering,HebeiUniversityofArchitecture,ZhangjiakouHebei075000,China;2.SchoolofControlScienceandEngineering,ZhejiangUniversity,Hangzhou310027,China)

Abstract：In order to identify common faults of oil immersed type traction transformer quickly and accurately, a new integrated algorithm based on fuzzy logic,RBF neural network and particle swarm is proposed for fault diagnosis of traction transformer.Particle swarm algorithm has the global search ability and a fast search speed, and fuzzy neural network has the fault tolerant ability,strong adaptability. However,the local search ability of particle swarm is slow. Thus, improved velocity updated strategy and inertia weight strategy are proposed to optimize the structure parameters of fuzzy neural network.Furthermore,an improved particle swarm optimized fuzzy neural network based on oil gas analysis technique is formed.Experimental and simulation results show that the proposed method has a higher fault identification accuracy and stronger generalization ability comparing with BP neural network and the standard PSO optimization of fuzzy neural network.

Key words：traction transformer;improved particle swarm optimization; fuzzy neural network; fault diagnosis