胡亮

摘要：該文主要論述了神經(jīng)網(wǎng)絡(luò)在電力變壓器故障診斷中的應(yīng)用，首先介紹了一種單隱層、固定激活函數(shù)的變壓器故障診斷神經(jīng)網(wǎng)絡(luò)，以及一種尋找優(yōu)化隱節(jié)點數(shù)的方法。在此基礎(chǔ)上提出了另一種基于神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法和基于遺傳算法的網(wǎng)絡(luò)拓撲結(jié)構(gòu)進化算法，該方法可以在多隱層、可變激活函數(shù)、可變網(wǎng)絡(luò)連接等廣泛的拓撲結(jié)構(gòu)空間中，自動地搜索適合于變壓器診斷的神經(jīng)網(wǎng)絡(luò)，實驗結(jié)果表明該算法的性能良好。

關(guān)鍵詞：故障診斷；進化神經(jīng)網(wǎng)絡(luò)；激活函數(shù)

中圖分類號：TP18 文獻標(biāo)識碼：A 文章編號：1009-3044(2012)36-8765-04

1 概述

電力變壓器是電力系統(tǒng)中的重要設(shè)備，其當(dāng)前的工作狀態(tài)直接影響著整個電力系統(tǒng)的運行。為了使變壓器始終處于良好的狀態(tài)，嚴(yán)密監(jiān)視并盡早發(fā)現(xiàn)變壓器的任何異常就顯得非常重要。變壓器的故障診斷就是根據(jù)變壓器故障的征兆，確定故障的性質(zhì)或部位。近年來，人工智能理論的不斷完善及其在故障診斷中的成功應(yīng)用，為變壓器故障診斷技術(shù)的發(fā)展開拓了新的途徑。該文介紹了一個我們研制的電力智能變壓器診斷系統(tǒng)，這是一個功能完善并實用的系統(tǒng)，結(jié)合了基于專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的多種診斷方法。結(jié)合該系統(tǒng)的神經(jīng)網(wǎng)絡(luò)診斷部分的研制，該文將著重論述診斷神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)優(yōu)化設(shè)計問題。

2 基于經(jīng)驗的診斷網(wǎng)絡(luò)拓撲結(jié)構(gòu)優(yōu)化設(shè)計

2.1系統(tǒng)設(shè)計思想

在目前變壓器故障診斷的研究中采用最多的是BP網(wǎng)絡(luò)，系統(tǒng)采樣的數(shù)據(jù)集可以分為訓(xùn)練集和測試集兩部分，前者用于網(wǎng)絡(luò)的訓(xùn)練，后者用于測試訓(xùn)練好的網(wǎng)絡(luò)。通常兩者獨立采樣以保證數(shù)據(jù)的無關(guān)性，使測試結(jié)果更能反映網(wǎng)絡(luò)的泛化能力。我們運用兩種準(zhǔn)則來比較測試集的目標(biāo)集與仿真輸出集的接近程度以評價網(wǎng)絡(luò)性能：均方誤差準(zhǔn)則和誤判率準(zhǔn)則。該文采用經(jīng)典的k子集交叉檢驗法來評價網(wǎng)絡(luò)的性能，數(shù)據(jù)集劃分為訓(xùn)練集和測試集以兼顧網(wǎng)絡(luò)的分類精度和網(wǎng)絡(luò)的推廣能力。另外，測試集和訓(xùn)練集的劃分帶有隨機性，再加上k次評價，這樣的結(jié)果比較穩(wěn)定，網(wǎng)絡(luò)訓(xùn)練好壞的影響大大降低，可以充分反映神經(jīng)網(wǎng)絡(luò)在這個數(shù)據(jù)集上的性能。該文在借鑒前人經(jīng)驗的基礎(chǔ)上，結(jié)合具體應(yīng)用，通過實際試驗，用上述方法設(shè)計了一個性能良好的變壓器診斷網(wǎng)絡(luò)，該網(wǎng)絡(luò)具有分類精度高并且推廣能力強的特點。

2.2基于經(jīng)驗的神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)的設(shè)計

我們選擇的是標(biāo)準(zhǔn)的單隱層前饋網(wǎng)絡(luò)結(jié)構(gòu)，對單隱層的前饋神經(jīng)網(wǎng)絡(luò)來說，其VC維為MN+NP，其中M，N，P分別為輸入層、隱層、輸出層的神經(jīng)元數(shù)。由于M，P和例子數(shù)都是已知的，因此設(shè)置誤差上限e后就可以估算出N。

激活函數(shù)的選擇方面，該文選擇了tanh作為函數(shù)隱層激活函數(shù)。而輸出層激活函數(shù)則選擇sigmoid函數(shù)。訓(xùn)練算法的選擇方面，由于標(biāo)準(zhǔn)BP算法訓(xùn)練速度很慢，選擇帶動量與學(xué)習(xí)率調(diào)整的改進BP算法作為我們對網(wǎng)絡(luò)進行評價時的訓(xùn)練算法。

在此基礎(chǔ)上，通過隸屬函數(shù)求出實驗數(shù)據(jù)相對于注意值的隸屬度，以其作為神經(jīng)網(wǎng)絡(luò)的輸入。我們使用的隸屬函數(shù)如下所示的Sigmoid函數(shù)，其中x表示屬性的原始值，xa表示注意值。

2.3實驗方法和結(jié)果分析

實驗使用的數(shù)據(jù)是“智能化變壓器診斷系統(tǒng)”所帶的一個在線診斷數(shù)據(jù)集。此數(shù)據(jù)集共107個實例，輸入屬性10項，輸出屬性12項。因此有： M=10， P=12，m=107由ln(m/d)>0 m/d>1 m>(M+P)*N 107>22*N N<5。但這個數(shù)據(jù)集的輸入數(shù)據(jù)需要進行預(yù)處理。這些屬性都是變壓器的檢測數(shù)據(jù)，依次為：氫氣（H2）、甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）、乙炔（C2H2）、一氧化碳（CO）、二氧化碳（CO2）、超聲測量、異常聲音檢測、鐵心接地電流（EC）。這些輸入屬性之間的數(shù)值在數(shù)量級上有一定的差距，如二氧化碳的數(shù)值通常在103以上，而乙炔的數(shù)值一般在101左右，如果將原始數(shù)據(jù)直接作為網(wǎng)絡(luò)的輸入，由于數(shù)量級差別太大，網(wǎng)絡(luò)對較小的數(shù)值將不敏感，一些重要的特征將難以被網(wǎng)絡(luò)獲取，使得判別的精度無法達到較高的水平。因此，我們用把各輸入屬性數(shù)據(jù)的值映射到[0,1]之間的方法來提高精度。

3 基于進化神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法

3.1進化神經(jīng)網(wǎng)絡(luò)的算法流程

進化算法的思想來源于自然界的物種進化規(guī)則，它是一種基于群體的隨機搜索算法。該文采用C++和Matlab混合編程的方法實現(xiàn)了該算法，其算法流程如圖3所示。我們用面向?qū)ο蟮拈_發(fā)方法實現(xiàn)遺傳算法,程序的主體是兩個類：CGA和CChromosome。前者實現(xiàn)遺傳算法的運行流程,后者實現(xiàn)染色體（個體）的編碼和遺傳操作細節(jié)，并通過統(tǒng)一的接口把功能提供給前者。這種設(shè)計把遺傳算法的操作流程抽象出來，獨立于遺傳算法的編碼和算子的具體實現(xiàn)。

診斷的精度是很高的，20個診斷實例中失誤2個，正確率達到了90％，并且是在網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)還有缺陷的情況下。這個診斷精度已經(jīng)接近于變壓器專家的水平，可見，經(jīng)過針對變壓器故障診斷特點進行優(yōu)化設(shè)計的神經(jīng)網(wǎng)絡(luò)的應(yīng)用價值是極具潛力的。

4 結(jié)論

該文研究了神經(jīng)網(wǎng)絡(luò)在電力變壓器診斷中的應(yīng)用，給出了變壓器故障診斷的神經(jīng)網(wǎng)絡(luò)模型，根據(jù)診斷模型，在前人經(jīng)驗的基礎(chǔ)上，設(shè)計了單隱層的變壓器診斷網(wǎng)絡(luò)，并給出了網(wǎng)絡(luò)的評價方法。在matlab上建立了實驗環(huán)境，通過實驗給出了神經(jīng)網(wǎng)絡(luò)模塊的最佳隱節(jié)點數(shù)。在此基礎(chǔ)上，設(shè)計了基于遺傳算法的網(wǎng)絡(luò)結(jié)構(gòu)進化算法，并用C++和matlab實現(xiàn)了這個算法。實驗表明診斷效果良好，并與前面的實驗的結(jié)果進行比較，表明了進化算法的良好性能。

參考文獻:

[1] 架尚敏,戴國忠.利用結(jié)構(gòu)信息的故障診斷方法[J].計算機學(xué)報,2005,28(5):801-808.

[2] Ying Mingsheng. Knowledge transformation and fusion in diagnostic systems[J]. Artificial Intelligence,2005(163):1-453.

[3] 李占山,姜云飛,王濤.基于模型的診斷問題分解及其算法[J].計算機學(xué)報 2003,26(9):1177-1182.

[4] 陳榮,姜云飛.含約束的基于模型的診斷系統(tǒng)[J].計算機學(xué)報,2001(24):127-135.

[5] 架尚敏,戴國忠.利用結(jié)構(gòu)信息的故障診斷方法[J].計算機學(xué)報,2005,28(5):801-808.

[6] V. Duraisany, N. Devarajan, D. Somasundareswari, et al. Neural fuzzy schemes fro fault detection in power transformer[J]. Applied Soft computing,2007,7(2):534-539.

[7] Leung Frank H F. Tuning of the structure and parameters of a neural network using an improved genetic algorithm[J]. IEEE Trans. On Neural Networks, 2003,14(1):79-81.

[8] Thang K.F., Aggarwal R.K., Esp D.G., McGrail A.J. Statistical and neural network analysis of dissolved gases in power transformers Dielectric Materials[C]. Measurements and Application on Eighth International Conference 2000(IEE Conf.Publ.No.473),2000:324-329.

[9] 鄭蕊蕊.基于灰色理論的電力變壓器故障診斷技術(shù)[D].長春:吉林大學(xué),2007.

[10] 殷悅.基于BP神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷的研究[D]. 長春:吉林大學(xué),2007.