電力變壓器故障診斷神經網絡拓撲結構探究

1、電力變壓器故障診斷神經網絡拓撲結構探究摘要：該文主要論述了神經網絡在電力變壓器故障診斷中 的應用，首先介紹了一種單隱層、固定激活函數(shù)的變壓器故 障診斷神經網絡，以及一種尋找優(yōu)化隱節(jié)點數(shù)的方法。在此 基礎上提出了另一種基于神經網絡的優(yōu)化方法和基于遺傳 算法的網絡拓撲結構進化算法，該方法可以在多隱層、可變 激活函數(shù)、可變網絡連接等廣泛的拓撲結構空間中，自動地搜索適合于變壓器診斷的神經網絡,實驗結果表明該算法的性能良好。關鍵詞：故障診斷；進化神經網絡；激活函數(shù)中圖分類號：tp18文獻標識碼：a文章編號： 1009-3044(2012)36-8765-041概述電力變壓器是電力系統(tǒng)中的重要設備，其當前

2、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用，為變壓器故障診斷技術的發(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)，結合了基 于專家系統(tǒng)和神經網絡的多種診斷方法。結合該系統(tǒng)的神經 網絡診斷部分的研制，該文將著重論述診斷神經網絡的拓撲 結構優(yōu)化設計問題。2基于經驗的診斷網絡拓撲結構優(yōu)化設計2. 1系統(tǒng)設計思想在目前變壓器故障診斷的研究中采

3、用最多的是bp網絡, 系統(tǒng)采樣的數(shù)據(jù)集可以分為訓練集和測試集兩部分，前者用 于網絡的訓練，后者用于測試訓練好的網絡。通常兩者獨立 釆樣以保證數(shù)據(jù)的無關性，使測試結果更能反映網絡的泛化 能力。我們運用兩種準則來比較測試集的目標集與仿真輸出 集的接近程度以評價網絡性能：均方誤差準則和誤判率準 則。該文采用經典的k子集交叉檢驗法來評價網絡的性能， 數(shù)據(jù)集劃分為訓練集和測試集以兼顧網絡的分類精度和網 絡的推廣能力。另外，測試集和訓練集的劃分帶有隨機性， 再加上k次評價，這樣的結果比較穩(wěn)定，網絡訓練好壞的影 響大大降低，可以充分反映神經網絡在這個數(shù)據(jù)集上的性 能。該文在借鑒前人經驗的基礎上，結合具體應用

4、，通過實 際試驗，用上述方法設計了一個性能良好的變壓器診斷網 絡，該網絡具有分類精度高并且推廣能力強的特點。2. 2基于經驗的神經網絡拓撲結構的設計我們選擇的是標準的單隱層前饋網絡結構，對單隱層的 前饋神經網絡來說，其vc維為mn+np,其中m, n, p分別為 輸入層、隱層、輸出層的神經元數(shù)。由于m, p和例子數(shù)都 是已知的，因此設置誤差上限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)。訓練算 法的選擇方面，由于標準bp算法訓練速度很慢，選擇帶動 量與學習率調整的改進bp算法作為我們對網絡進行評價時 的訓練算法。

5、在此基礎上，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，以其作為神經網絡的輸入。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>l m>（m+p）*n 107>22*n n<5o 但這個數(shù)據(jù)集 的輸入數(shù)據(jù)需要進行預處理。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（c2

6、h6）、乙烯 （c2h4）、乙烘（c2h2）、一氧化碳（c0）、二氧化碳（c02）、 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，而乙烘的數(shù)值一般在101左右，如果將 原始數(shù)據(jù)直接作為網絡的輸入，由于數(shù)量級差別太大，網絡 對較小的數(shù)值將不敏感，一些重要的特征將難以被網絡獲 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基于進化神經網絡的優(yōu)化方法3.1進化神經網絡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

7、采用c+和mat lab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 向對象的開發(fā)方法實現(xiàn)遺傳算法，程序的主體是兩個類：cga 和cchromosomeo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%,并且是在網絡的訓練數(shù)據(jù)還有缺陷的情況 下。這個診斷精度已經接近于變壓器專家的水平，可見，經 過針對變壓器故障診斷特點進行優(yōu)化設計的神經網絡的應 用價值是極具潛力的。4結論該文

8、研究了神經網絡在電力變壓器診斷中的應用，給出 了變壓器故障診斷的神經網絡模型，根據(jù)診斷模型，在前人 經驗的基礎上，設計了單隱層的變壓器診斷網絡，并給出了 網絡的評價方法。在mat lab上建立了實驗環(huán)境，通過實驗 給出了神經網絡模塊的最佳隱節(jié)點數(shù)。在此基礎上，設計了 基于遺傳算法的網絡結構進化算法，并用c+和mat lab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 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，戴國忠利用結構信息的故障診斷方法j. 計算機學報,2005,28(5): 801-808.2 ying mingsheng knowledge transf

9、ormation and fusion in diagnostic systemsj 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. 計算機學報,2001 (24): 127-135.5 架尚敏，戴國忠.利用結構信息的故障診斷方法j. 計算機學報,2005,28(5): 801-808.6 v. duraisany, n. devarajan, d. somasundareswari, et al.

10、 neural fuzzy schemes fro fauit detection in power transformerj applied soft computing,2007,7 (2):534-539.7 leung frank h f. tuning of the strueture and parameters of a neural network using an improved genetic algorithmj. ieee trans. on neural networks, 2003,14(1):79-81.8 thang k. f. , aggarwal r. k. , esp d. g,mcgraila. j. statistical and neural network analysis of dissolved gases in power transformers dielectrie materialsc measurements and appl