基于改進蝙蝠算法優化BP神經網絡的電力變壓器故障診斷研究

公茂法，柳巖妮，王來河，宋 健，謝云興

(1.山東科技大學 電氣與自動化工程學院，山東 青島 266590；2.山東科技大學 礦業與安全工程學院，山東 青島 266590；3.國家電網山東東營市供電公司，山東 東營 257091)

基于改進蝙蝠算法優化BP神經網絡的電力變壓器故障診斷研究

公茂法1，柳巖妮1，王來河2，宋 健3，謝云興3

(1.山東科技大學 電氣與自動化工程學院，山東 青島 266590；2.山東科技大學 礦業與安全工程學院，山東 青島 266590；3.國家電網山東東營市供電公司，山東 東營 257091)

提出了一種基于改進蝙蝠算法優化BP神經網絡的電力變壓器故障診斷方法。利用蝙蝠算法對BP神經網絡的權值和閾值參數進行優化，并針對蝙蝠算法優化后期易陷入局部最優缺點，使用混沌算法對群體進行混沌優化，使其減少無效迭代，提高收斂速度。將優化得到的參數值應用到構建的BP神經網絡診斷模型中，對數據進行訓練和測試。通過實例分析，表明改進蝙蝠算法優化BP神經網絡用于變壓器故障診斷具有實用性和有效性。

蝙蝠算法；BP神經網絡；電力變壓器；故障診斷；混沌優化

電力變壓器是電力系統正常運行的重要設備之一，及時發現其故障將會減少很多不必要的損失。目前最常用的診斷方法是變壓器油中溶解氣體分析法[1]，隨著人工智能算法的發展，越來越多的智能算法開始應用于變壓器的故障診斷，例如遺傳算法[2]、專家系統算法[3]、支持向量機[4]、貝葉斯網絡[5]等。這些算法在傳統油中溶解氣體分析法的基礎上診斷準確率雖有所提高，但同時也存在很多不足之處。其中，文獻[2]利用遺傳算法和歷史數據對隸屬度函數進行了優化，克服了傳統三比值法存在的臨界值判據缺失問題，但同時也存在編碼較為復雜，算法實現較為麻煩的不足；文獻[3]通過將三比值法、統計學習法與實際經驗法得到的故障判別規則進行整合，建立了對應的專家系統來進行故障診斷，解決了傳統的油中溶解氣體分析法存在的編碼范圍小等不足，但專家系統算法對于專家知識的獲取往往很難處理；文獻[4]使用模糊隸屬度函數對支持向量機進行優化，然后再對變壓器故障進行診斷，雖然在一定程度上改善了參數選擇對結果的影響，但往往準確率和整體效率還是不理想；文獻[5]將粗糙集理論與貝葉斯網絡相結合，通過最小診斷規則的貝葉斯網絡模型來降低網絡結構的復雜性和故障特征獲取的難度，同時利用貝葉斯網絡進行了故障實現概率的推理，但實際算法較為復雜，計算效率問題還存在一定的不足。

針對上述不足，提出了一種基于改進蝙蝠算法(improved bat algorithm,IBA)優化BP神經網絡的變壓器診斷方法，其主要思路是利用蝙蝠算法對BP神經網絡的參數進行優化，并針對蝙蝠算法易陷入局部極值的缺陷使用混沌算法進行改進，很好地解決了上述現有算法的不足。通過算例仿真分析表明，該算法能夠有效地對BP神經網絡參數進行優化，與常規方法相比，提高了故障診斷的速度和準確率，具有一定的有效性和實用性。

1 BP神經網絡模型

BP神經網絡[6]作為一種人工智能算法，對非線性映射關系都有很好的泛化能力，并在故障診斷領域應用較為廣泛和成功。通過反向傳播誤差值來調整閾值和權值，使其誤差平方和最小的訓練算法。BP神經網絡是一種多層前饋神經網絡，所采用的3層BP網絡的拓撲結構包括輸入層、隱含層和輸出層三部分，其兩兩之間由不同權值和閾值聯系起來。其權值和閾值參數的調整公式如式(1)和(2)所示：

wij(t+1)=wij(t)+εδiHj，

(1)

μj(t+1)=μj(t)+ησj。

(2)

圖1 單隱含層BP神經網絡結構圖Fig.1 Structure of single hidden layer BP neural network

其中：w、μ分別表示權值和閾值，t和t+1指的是迭代t時刻和t+1時刻，ε、η均為學習參數，Hj為第j個隱含層節點，δj和σj分別為節點的誤差信號值。單隱含層BP神經的簡單結構圖如圖1所示。

當算出的期望輸出與實際輸出的均方誤差相比，沒有達到預定要求時，則將誤差值反向傳播以梯度的形式分到隔層的各個神經元中，這樣就可以得到每層神經元的誤差值，然后將這個誤差值作為修正每個節點權值和閾值的根據，不斷對其進行修改直到得到滿足要求的誤差信號。

2 改進的蝙蝠算法

蝙蝠算法[7]是一種新型的仿生算法，與粒子群、遺傳算法相比，具有所需參數較少、全局尋優能力較好等優點，且數學模型較為簡單，計算效率較高。但是，蝙蝠算法也存在尋優精度不高和迭代后期容易陷入局部收斂的不足，所以引入了混沌算法，在蝙蝠算法迭代陷入收斂后對部分精英個體進行訓練優化，這樣就能夠使迭代后期群體多樣性增加，跳出局部最優，加快收斂速度。

蝙蝠算法主要原理是模擬蝙蝠搜索獵物的過程，其脈沖速率、速度和位置的更新公式如式(3)～(5)所示：

fi=fmin+(fmax-fmin)α，

(3)

(4)

Xi(t+1)=Xi(t)+Vi(t)。

(5)

其中：α為[0,1]均勻分布的隨機變量，X*表示蝙蝠種群的當前最優位置，fi表示在[fmin,fmax]范圍內第i只蝙蝠發出的脈沖速率，Vi(t+1)和Vi(t)表示第i只蝙蝠在t+1和t時刻的速度值，Xi(t+1)和Xi(t)分別代表了t+1和t時刻第i只蝙蝠的具體位置。

對于蝙蝠個體在搜索獵物的過程中，發射脈沖速率和音強更新公式如式(6)和(7)所示。

Ai(t+1)=βAi(t)，

(6)

ri(t+1)=r0[1-exp(-γt)]。

(7)

其中：r0表示蝙蝠群體的最大脈沖頻度，γ表示脈沖速率增加系數，β表示脈沖音強衰減系數，Ai(t)表示t時刻的脈沖音強，Ai(t+1)表示t+1時刻的脈沖音強，ri(t+1)表示t+1時刻的脈沖速率。

為改善蝙蝠算法的不足，使用一維非線性混沌序列[8]式(8)對陷入局部最優的蝙蝠種群數列進行優化，使其跳出局部極值，繼續尋找最優值。

x(t+1)=μx(t)(1-x(t))。

(8)

其中：μ是控制變量，通常取值為4。

3 基于改進蝙蝠算法優化BP神經網絡的故障診斷模型

由于BP神經網絡的誤差反傳全局搜索能力較差，訓練收斂速度較慢，易陷入局部極小值。采用第2部分中介紹的改進的蝙蝠算法對其參數進行優化處理，充分利用蝙蝠算法全局尋優能力和混沌算法的局部搜索能力，優化得到一個逼近真實值的權值和閾值向量矩陣，然后使用優化好的參數對BP神經網絡進行訓練得到最終故障診斷的BP神經網絡結構[9-10]。

算法具體流程如下：

Step 1：構建BP神經網絡模型反復試驗，確定最終的網絡輸入值、隱含層和輸出值數目；

Step 2：蝙蝠群體參數初始化。設定空間的維數為d，聲波頻率的范圍為fmin～fmax，最小聲波強度為A0，最大聲波發射速率為r0，聲波發射速率增加系數為γ，聲波強度衰減系數為β，適應度最小值連續出現次數K，最大迭代次數為g；

Step 3：初始化蝙蝠個體的速度、位置和搜索脈沖頻率，計算各個體的適應度值，確定當前最優位置；

Step 4：產生隨機的rand1,若rand1>ri，則對最優位置的蝙蝠個體進行擾動，并以此結果更新蝙蝠位置；

Step5：產生隨機的rand2，如果rand2>Ai，并且蝙蝠個體所在的位置已經被優化，則將個體移動到更新后的位置處；

Step6：如果step5條件滿足，則按照公式(6)和(7)對脈沖速率和音強的數值進行更新，否則直接跳轉到step7繼續進行尋優；

Step7：計算蝙蝠群體適應度值，并對前n%最優個體的位置和速度使用混沌算法進行優化，得到優化后的新值。迭代次數與適應度值有一者達到設定的數值后，即輸出最終的權值和閾值，跳轉到step 8，結束迭代，否則轉到step3繼續迭代尋優；

Step 8：使用優化得到的權值和閾值對所建立的BP神經網絡進行訓練，得到訓練效果最好的BP神經網絡結構；

Step 9：將測試數據輸入訓練好的BP神經網絡，得到輸出數據，分析數據。

4 實例分析

變壓器在發熱和放電情況下會產生不同體積分數的氣體，其中主要包括H2、C2H2、C2H4、C2H6和CH4五種氣體。氣體所占的體積分數不同代表著變壓器可能發生的故障不同，文中以這五種氣體的體積分數作為變壓器故障診斷的特征參數。將五種氣體體積分數作為BP神經網絡模型的輸入，將局部放電、電弧放電、火花放電、一般過熱、嚴重過熱和無故障六種[11]故障類型作為BP神經網絡的輸出。并設定神經網絡輸出值越接近于1代表發生對應故障的可能性越大，設輸出值大于0.5時即發生輸出端對應的故障類型。根據多次仿真試驗分析最終確定BP神經網絡模型為5-11-6的結構。由于搜集到的數據范圍變化較大，所以必須對收集的輸入數據做歸一化[12]處理，得到最終的輸入數據。

對相關參數作如下相應的設置：[fmin,fmax] =[0,3],g=300,G=20,A0=r0=0.5。搜集的140組數據中，80組作為訓練樣本，60組作為測試樣本。通過Matlab對所建立的算法模型按照第3部分所述算法步驟進行訓練仿真，選取其中部分數據如表1所示。可以看出診斷結果較為準確。

表1 部分仿真結果數據

圖2 迭代次數與適應度值關系圖Fig.2 Relationship between the number of iterations and the fitness value表2 故障診斷結果Tab.2 Results of fault diagnosis

類型IBA-BP單一BP無故障6/65/6局部放電12/1410/14電弧放電9/118/11火花放電8/98/9一般過熱14/1715/17嚴重過熱11/1310/13平均準確率87.23%80.25%

為了驗證改進后的蝙蝠算法對BP神經網絡參數的優化性能情況，還利用未改進的蝙蝠算法對構建的BP神經網絡參數進行優化，作為對照組進行相互對比，兩種方法具體測試仿真結果對比如圖2所示。從圖中可以看出，采用改進后的蝙蝠算法所優化得到地BP神經網絡迭代收斂速度更快且適應度函數值精度更高，在迭代到100次左右的時候已經趨于收斂；而未采用改進后的蝙蝠算法時，算法在迭代300次的時候還未收斂，收斂速度較慢且適應度函數值精度相對較低。仿真結果表明，使用改進的蝙蝠算法對BP神經網絡參數進行優化，很好地提高了其收斂速度和精度。

使用優化得到的參數對80組訓練樣本數據進行訓練，得到較為穩定的網絡后，將60組測試樣本輸入BP神經網絡進行測試，故障診斷數據具體結果情況如表2所示。從表2中數據可以看出，IBA-BP神經網絡的平均準確率可以達到87.23%，而單一BP神經網絡的平均準確率為80.25%，采用優化后的BP神經網絡所得到的診斷結果較單一BP神經網絡六種故障情況中無故障、局部放電、電弧放電和嚴重過熱診斷準確組數均有所提高，總體平均準確率提高了7%左右，表明所采用的算法在變壓器故障診斷中具有較好的有效性和準確性。

5 結論

提出了一種基于改進蝙蝠算法優化BP神經網絡的電力變壓器故障診斷方法，通過使用蝙蝠算法對BP神經網絡的閾值和權值參數進行優化，并針對優化過程中可能出現的局部極值引入混沌優化，改善了單一BP神經網絡故障診斷的準確率不高和效率低下的缺陷。通過實例仿真結果分析得到：

1) 將蝙蝠算法引入到BP神經網絡中對其權值和閾值參數進行優化，并針對蝙蝠算法后期易陷入局部最優而使用混沌算法進行優化，與未采用改進的蝙蝠算法相比，該優化方法對BP神經網絡參數的優化效果較好，收斂速度較快，提高了算法的計算效率；

2) 通過實例結果分析，采用基于改進蝙蝠算法優化BP神經網絡算法對電力變壓器進行故障診斷時，故障診斷準確率較好，診斷效率較高，具有一定的有效性和實用性。

[1]王國平,玉濤,傅森木,等.基于DGA的變壓器故障診斷智能方法分析[J].電力建設,2015,36(6):34-39. WANG Guoping,YU Tao,FU Senmu,et al.Intelligent methods for transformers fault diagnosis based on DGA[J].Electric Power Construction,2015,36(6):34-39.

[2]謝可夫,羅安.遺傳算法在變壓器故障診斷中的應用[J].電力自動化設備,2005,25(4):55-58. XIE Kefu,LUO An.Fuzzy diagnosis system optimized with genetic algorithm for power transformer[J].Electric Power Automation Equipment,2005,25(4):55-58.

[3]師瑞峰,史永鋒,牟軍,等.油中溶解氣體電力變壓器故障診斷專家系統[J].電力系統及其自動化學報,2014,26(12):49-54. SHI Ruifeng,SHI Yongfeng,MU Jun,et al.Power transformer fault diagnosis expert system with dissolved gas analysis in oil[J].Proceedings of the CSU-EPSA,2014,26(12):49-54.

[4]史麗萍,余鵬璽,羅朋,等.模糊支持向量機在變壓器故障診斷中的應用[J].電測與儀表,2015,52(8):115-119. SHI Liping,YU Pengxi,LUO Peng,et al.Application of fuzzy support vector machine in transformer fault diagnosis[J].Electrical Measurement &Instrumentation,2015,52(8):115-119.

[5]王永強,律方成,李和明.基于粗糙集理論和貝葉斯網絡的電力變壓器故障診斷方法[J].中國電機工程學報,2006,26(8):137-141. WANG Yongqiang,LV Fangcheng,LI Heming.Synthetic fault diagnosis method of power transformer based on rough set theory and bayesian network[J].Proceedings of the CSEE,2006,26(8):137-141.

[6]劉羿.蝙蝠算法優化神經網絡的網絡入侵檢測[J].計算機仿真,2015,32(2):311-314,445. LIU Yi.Network intrusion detection model based on neural optimized by bat algorithm[J].Computer Simulation,2015,32 (2):311-314,445.

[7]劉長平,葉春明.具有混沌搜索策略的蝙蝠優化算法及性能仿真[J].系統仿真學報,2013,25(6):1183-1188. LIU Changping,YE Chunming.Bat algorithm with chaotic search strategy and analysis of its property[J].Journal of System Simulation,2013,25(6):1183-1188.

[8]朱紅求,陽春華.一種帶混沌變異的粒子群優化算法[J].計算機科學,2010,37(3):215-217. ZHU Hongqiu,YANG Chunhua.Particle swarm optimization with chaotic mutation [J].Computer Science,2010,37(3):215-217.

[9]馬迎東,王文棟,溫強.基于混沌搜索策略蝙蝠算法的輸電網規劃[J].電力系統保護與控制,2015,43(15):17-21. MA Yingdong,QANG Wendong,WEN Qiang.Transmission network planning based on bat algorithm with chaotic search strategy[J].Power System Protection and Control,2015,43(15):17-21.

[10]柳巖妮,公茂法,王來河,等.基于混沌優化蝙蝠算法的含分布式電源配電網故障區段定位[J].電力科學與工程,2016,32(8):11-15. LIU Yanni,GONG Maofa,WANG Laihe,et al.Fault location of distribution network with distributed generation based on chaos optimization algorithm[J].Electric Power Science and Engineering,2016,32(8):11-15.

[11]石鑫,朱永利,寧曉光,等.基于深度自編碼網絡的電力變壓器故障診斷[J].電力自動化設備,2016,36(5):122-126. SHI Xin,ZHU Yongli,NING Xiaoguang,et al.Transformer fault diagnosis based on deep auto-encoder nerwork[J].Electric Power Automation Equipment,2016,36(5):122-126.

[12]潘翀,陳偉根,云玉新,等.基于遺傳算法進化小波神經網絡的電力變壓器故障診斷[J].電力系統自動化,2007,31(13):88-92. PAN Chong,CHEN Weigen,YUN Yuxin,et al.Fault diagnosis of power transformers based on genetic algorithm evoling wavelet neural network[J].Automation of Electric Power Systems,2007,31(13):88-92.

(責任編輯：李 磊)

Fault Diagnosis of Power Transformer Based on Improved BP Neural Network Optimized by Bat Algorithm

GONG Maofa1,LIU Yanni1,WANG Laihe2,SONG Jian3,XIE Yunxing3

(1.College of Electrical Engineering and Automation,Shandong University of Science and Technology,Qingdao,Shandong 266590,China;2.College of Mining and Safety Engineering, Shandong University of Science and Technology,Qingdao,Shandong 266590,China; 3.State Grid Shandong Dongying Electric Power Company,Dongying,Shandong 257091,China)

A fault diagnosis method for power transformer based on improved BP neural network is proposed.Using bat algorithm of BP neural network weights and threshold parameters optimization,and bat algorithm for later optimization easy to fall into local optimum defects,chaos algorithm using chaos optimization of population to reduce invalid iteration,and improve the speed of convergence.The parameter values obtained were applied to the construction of the BP neural network model,and the data were trained and tested.Through an example analysis,the optimization of the BP neural network for the fault diagnosis of the transformer is practical and effective.

bat algorithm; BP neural network; power transformer; fault diagnosis; chaos optimization

2016-06-22

山東省自然科學基金項目(ZR2012EEM021)

公茂法(1959—)，男，山東臨沂人，教授，博士生導師，從事電力系統自動化，電力電子技術與應用等方面的研究． E-mail:sdgmf@163.com 柳巖妮(1991—)，女，山東煙臺人，碩士研究生，主要從事電力系統自動化的研究，本文通信作者． E-mail:yanniliu99@163.com

TM712

A

1672-3767(2017)03-0070-05