智能控制導(dǎo)論大作業(yè)

1、智能控制導(dǎo)論姓名 * 學(xué)號(hào) * 學(xué)院 自動(dòng)化與電氣工程學(xué)院 專業(yè) 控制科學(xué)與工程 班級(jí) * 指導(dǎo)老師 * 粒子群算法的小波神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用與改進(jìn)摘要：針對(duì)變壓器故障征兆和故障類型的非線性特性，結(jié)合油中氣體分析法，設(shè)計(jì)了一種改進(jìn)粒子群算法的小波神經(jīng)網(wǎng)絡(luò)故障診斷模型。模型采用3層小波神經(jīng)網(wǎng)絡(luò)，并用一種改進(jìn)粒子群算法對(duì)其進(jìn)行訓(xùn)練。該算法在標(biāo)準(zhǔn)粒子群算法的基礎(chǔ)上，通過引入遺傳算法中的變異算子、慣性權(quán)重因子和高斯加權(quán)的全局極值，加快了小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度，提高了其訓(xùn)練的精度。仿真實(shí)驗(yàn)證明這種改進(jìn)粒子群算法的小波神經(jīng)網(wǎng)絡(luò)可以有效地運(yùn)用到變壓器故障診斷中，為變壓器故障診斷提供了一條新途徑。引

2、言：本文在變壓器故障診斷智能方法的基礎(chǔ)上，首先構(gòu)造了3層小波神經(jīng)網(wǎng)絡(luò)模型，然后通過在標(biāo)準(zhǔn)粒子群算法中加入變異算子、慣性權(quán)重因子和高斯加權(quán)的全局極值，構(gòu)成一種改進(jìn)的粒子群優(yōu)化算法，并將其運(yùn)用于小波神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化，通過變壓器故障診斷結(jié)果表明這種改進(jìn)的粒子群算法比相同條件下的BP 算法和標(biāo)準(zhǔn)粒子群算法具有更好的收斂性。1 小波神經(jīng)網(wǎng)絡(luò)構(gòu)建小波神經(jīng)網(wǎng)絡(luò)是一種基于小波變換理論而構(gòu)造的前饋神經(jīng)網(wǎng)絡(luò)，其充分利用了小波變換的局部化性質(zhì)和神經(jīng)網(wǎng)絡(luò)的大規(guī)模數(shù)據(jù)并行處理、自學(xué)習(xí)能力，因而具有較強(qiáng)的逼近能力和較快的收斂速度，其主要可分為松散型和緊密型兩種類型。本文采用緊密型結(jié)構(gòu)來構(gòu)造小波神經(jīng)網(wǎng)絡(luò)，構(gòu)造出來的3層小波

3、神經(jīng)網(wǎng)絡(luò)如圖1 所示。設(shè)輸入層節(jié)點(diǎn)個(gè)數(shù)為m，隱含層小波元個(gè)數(shù)為n，輸出層節(jié)點(diǎn)個(gè)數(shù)為N，輸入層的第k 個(gè)輸入樣本為x k ，輸出層的第i 個(gè)節(jié)點(diǎn)實(shí)際輸出值為y i ，輸出層的第i 個(gè)節(jié)點(diǎn)期望輸出值為yi ，輸入層節(jié)點(diǎn)k 與隱含層節(jié)點(diǎn)j 之間的連接權(quán)值為kj ，輸出層節(jié)點(diǎn)i 與隱含層節(jié)點(diǎn)j 之間的連接權(quán)值為ji w ，第j 個(gè)隱層節(jié)點(diǎn)的伸縮平移系數(shù)分別為j a 和j b ，隱層小波神經(jīng)元采用Mexican Hat 小波函數(shù)，輸出層節(jié)點(diǎn)采用Sigmoid 函數(shù)。通過前向計(jì)算得到隱含層第j 個(gè)小波元的輸入為：通過小波基伸縮平移系作用，隱含層第j 個(gè)小波元的輸出為：則網(wǎng)絡(luò)輸出層第i 個(gè)節(jié)點(diǎn)輸出為：網(wǎng)絡(luò)輸

4、出誤差能量函數(shù)為：2 改進(jìn)粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)多以BP算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，但BP 算法存在收斂速度慢、易陷入局部極小值等缺點(diǎn)，難以滿足網(wǎng)絡(luò)高精度訓(xùn)練的要求。本文提出一種改進(jìn)粒子群算法，即在標(biāo)準(zhǔn)粒子群算法的基礎(chǔ)上加入遺傳算法中的變異算子、慣性權(quán)重因子和高斯加權(quán)的全局極值，并將其運(yùn)用于優(yōu)化小波神經(jīng)網(wǎng)絡(luò)各個(gè)參數(shù)。標(biāo)準(zhǔn)粒子群算法的思想為：先初始化一群隨機(jī)粒子，然后根據(jù)對(duì)個(gè)體和群體的飛行經(jīng)驗(yàn)的綜合分析來動(dòng)態(tài)調(diào)整粒子群的速度， 在解空間中進(jìn)行搜索，通過迭代找到最優(yōu)解。在每一次迭代中，粒子通過跟蹤兩個(gè)“極值”來更新自己，一個(gè)是個(gè)體極值pbest，即粒子自身目前所找到的最優(yōu)解；另一個(gè)是全局

5、極值gbest，即整個(gè)種群目前找到的最優(yōu)解。假設(shè)在一個(gè)D 維的目標(biāo)搜索空間中，有m 個(gè)粒子組成一個(gè)群體。當(dāng)?shù)趇 個(gè)粒子被迭代到到目前為止最好的位置（即具有最佳適應(yīng)度）時(shí)，此時(shí)該粒子被稱為個(gè)體最好粒子，記為pbesti，而當(dāng)全部粒子迭代到截止當(dāng)前為止最好位置時(shí)被稱為全局最好粒子，記為gbest。各粒子可根據(jù)以下公式來更新自己的速度和位置。對(duì)上述標(biāo)準(zhǔn)粒子群算法進(jìn)行三個(gè)方面的修改，構(gòu)成本文的改進(jìn)粒子群算法，具體表現(xiàn)在：為了避免粒子群算法搜索精度低、后期迭代效率不高的現(xiàn)象，借鑒遺傳算法中的變異思想，在粒子群算法中加入變異算子，即粒子每次更新之后都以一定的概率重新初始化粒子，變異操作拓寬了迭代中不斷縮小

6、的種群搜索空間，使粒子能夠跳出先前搜索到的最優(yōu)位置，保持了種群的多樣性。其相應(yīng)的偽代碼如下所示：if 隨機(jī)數(shù)概率大于0.9則隨機(jī)初始化種群else 保持種群數(shù)值大小不變標(biāo)準(zhǔn)粒子群算法中一般設(shè)置慣性權(quán)重因子(k)為1，由于慣性權(quán)重因子是影響當(dāng)前粒子速度的變量，較大的值有利于全局搜索，較小的值有利于局部搜索，為了更好地平衡算法的搜索能力，提出了一種線性遞減的慣性權(quán)重因子，如式（6）所示。為解決迭代后期全局極值不易向最優(yōu)解方向收斂的問題，引入高斯加權(quán)的全局極值15。首先把所有粒子的適應(yīng)度函數(shù)的平均值作為高斯加權(quán)的均值，其方差作為高斯加權(quán)的方差，即再將當(dāng)前粒子群的最小適應(yīng)度值fitness_min 作

7、為高斯加權(quán)的中心，即可得到高斯加權(quán)的全局因子為：最后將所有粒子的個(gè)體極值pbesti 和上述高斯加權(quán)的全局因子進(jìn)行加權(quán)平均，并將此值作為所有粒子的全局極值，即通過高斯函數(shù)加權(quán)，在算法迭代后期，越靠近最優(yōu)解的個(gè)體極值其權(quán)重越大，它們的乘積有利于全局極值向最優(yōu)解方向收斂。改進(jìn)粒子群算法訓(xùn)練圖1 所示的三層小波神經(jīng)網(wǎng)絡(luò)步驟如下。步驟 1：初始化粒子群。確定粒子的維數(shù)D（即網(wǎng)絡(luò)中的各個(gè)參數(shù)個(gè)粒子的位置、速度；設(shè)定學(xué)習(xí)因子、慣性權(quán)重的最大及最小值，最大迭代次數(shù)及目標(biāo)誤差值，并置此時(shí)的迭代次數(shù)為1。步驟 2：計(jì)算目標(biāo)適應(yīng)度值。對(duì)于每個(gè)粒子，利用小波神經(jīng)網(wǎng)絡(luò)的前向計(jì)算公式計(jì)算網(wǎng)絡(luò)的實(shí)際輸出，再利用式（4）計(jì)

8、算其適應(yīng)度值，排序取出最小的適應(yīng)度值fitness_min。步驟 3：評(píng)價(jià)每一個(gè)粒子。個(gè)體極值更新：如果粒子適應(yīng)度優(yōu)于當(dāng)前個(gè)體極值pbesti，則將pbesti設(shè)置為新位置，否則pbesti 不變；全局極值更新：將由式（10）計(jì)算出的高斯加權(quán)的全局極值確定為粒子群的全局極值gbest。步驟 4：粒子位置和速度更新。利用式（5）更新每一個(gè)粒子的速度和位置，并以一定概率重新初始化粒子。其中速度的更新引入了由式（6）計(jì)算的慣性權(quán)重因子k。步驟 5：檢驗(yàn)是否符合結(jié)束條件。若當(dāng)前的迭代次數(shù)達(dá)到了預(yù)先設(shè)定的最大次數(shù)（或達(dá)到最小誤差要求），則停止迭代，輸出最優(yōu)解，否則轉(zhuǎn)到步驟2。3 小波神經(jīng)網(wǎng)絡(luò)的變壓器故障

9、診斷3.1 輸入量的確定將上述改進(jìn)粒子群算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于變壓器故障診斷中，在DGA 的基礎(chǔ)上，選擇 H2、CH4、C2H6、C2H2、C2H4 及總烴（CH4+C2H6+C2H2+C2H4）的體積分?jǐn)?shù)作為小波神經(jīng)網(wǎng)絡(luò)的輸入變量，故輸入節(jié)點(diǎn)的個(gè)數(shù)為6。為了充分采集數(shù)據(jù)的有效信息，首先對(duì)原始輸入值進(jìn)行粗大誤差處理，去除明顯影響網(wǎng)絡(luò)收斂精度的輸入量，再求出剩下輸入數(shù)據(jù)相對(duì)于其注意值的隸屬度，最后將此隸屬度作為小波神經(jīng)網(wǎng)絡(luò)的輸入，即其中： i x 表示第i 種氣體的實(shí)際值； i X 表示第i 種氣體的注意值； i input 表示處理后的輸入值；H2 的注意值為150mL/L，CH4的注意

10、值為45mL/L，C2H6的注意值為35mL/L，C2H2的注意值為5mL/L，C2H4的注意值為65mL/L，總烴的注意值為150mL/L。3.2 輸出量的確定選擇低溫過熱O1（T300）、中溫過熱O2（300T 700）、局部放電或受潮O(jiān)4、低能放電O5、高能放電O6 這6種典型單一故障類型作為小波神經(jīng)網(wǎng)絡(luò)的輸出變量output ；實(shí)際故障時(shí)的輸出有可能是單一故障的復(fù)合形式，故也選擇高能放電兼高溫過熱O3O6、低能放電兼低溫過熱O1O5 和高溫過熱兼中溫過熱O2O3 這3 種典型復(fù)合故障。輸出節(jié)點(diǎn)的個(gè)數(shù)也為6，輸出故障包含了所有單一故障類型和多故障類型16。3.3 隱層節(jié)點(diǎn)數(shù)的確定網(wǎng)絡(luò)的隱

11、層節(jié)點(diǎn)個(gè)數(shù)有文獻(xiàn)指出根據(jù)經(jīng)驗(yàn)公式而來，即對(duì)6 輸入6 輸出小波神經(jīng)網(wǎng)絡(luò)而言，隱層節(jié)點(diǎn)數(shù)在12 左右最佳。本文通過改變隱層節(jié)點(diǎn)個(gè)數(shù)來對(duì)比網(wǎng)絡(luò)收斂性能，從而確定最為合適的隱層節(jié)點(diǎn)個(gè)數(shù)。選取相關(guān)參考文獻(xiàn)公布的84組故障類型數(shù)據(jù)（其中55 組單一故障類型數(shù)據(jù)、29組多故障類型數(shù)據(jù)）進(jìn)行網(wǎng)絡(luò)訓(xùn)練，10 組故障數(shù)據(jù)（其中6 組單一故障類型數(shù)據(jù)、4 組多故障類型數(shù)據(jù)）進(jìn)行網(wǎng)絡(luò)測試，訓(xùn)練次數(shù)設(shè)置為700 次，對(duì)比不同隱層節(jié)點(diǎn)個(gè)數(shù)情況下網(wǎng)絡(luò)的均方誤差（Mean Square Error，MSE），如表1 所示。從中可以看出當(dāng)隱層節(jié)點(diǎn)數(shù)為12 時(shí)，訓(xùn)練樣本和測試樣本的MSE 最小，故本文的小波神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)

12、選為12。3.4 變壓器故障診斷結(jié)果及分析在確定小波神經(jīng)網(wǎng)絡(luò)輸入、輸出及隱層節(jié)點(diǎn)之后，輸入同樣的變壓器故障訓(xùn)練樣本，且網(wǎng)絡(luò)最大訓(xùn)練次數(shù)設(shè)置都設(shè)為1 500 次，最小誤差都設(shè)置為10-3，分別用BP 算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)(BP-WNN)、標(biāo)準(zhǔn)粒子群算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)(PSO-WNN)和本文提出的改進(jìn)粒子群算法優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)(改進(jìn)PSO-WNN)對(duì)其進(jìn)行訓(xùn)練，取最好的一次訓(xùn)練結(jié)果，由Matlab 編程可得訓(xùn)練誤差曲線如圖2 所示。由圖 2 可知，BP-WNN、PSO-WNN 及改進(jìn)PSO-WNN 在變壓器故障診斷中的平均誤差、收斂時(shí)間及收斂精度等方面有顯著差異。BP-WNN 經(jīng)過1455 次達(dá)到預(yù)設(shè)精度，收斂時(shí)間長，主要原因?yàn)锽P-WNN 僅僅具有復(fù)雜的非線性映射能力，沒有反饋，易陷入局部極小值，故不能較好地滿足變壓器故障診斷實(shí)時(shí)性的要求；PSO-WNN 經(jīng)過1119 次達(dá)到預(yù)設(shè)精度，在迭代前期收斂速度快，迭代后期速度變慢，主要原因?yàn)樵诘笃诹Ｗ酉蜃陨須v史最佳位置和群體歷史最佳位置聚集，形成粒子種群的快速趨同效應(yīng)，陷入了“停滯現(xiàn)象”，故也不能較好滿足變壓器故障診斷的要求；改進(jìn)的PSO-WNN 經(jīng)過738次達(dá)到預(yù)設(shè)精度，收斂速度較前兩者快，能夠較好地滿足故障診斷的要求。4 結(jié)論本文針對(duì)變壓器故障診斷實(shí)時(shí)性和高精度的要求，提出了利用小波