《基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法分析》8400字

基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法分析綜述目錄TOC\o"1-2"\h\u10656基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法分析綜述 1278601.1概率神經(jīng)網(wǎng)絡(luò)模型及和拓?fù)浣Y(jié)構(gòu)分析 1260521.1.1概率神經(jīng)網(wǎng)絡(luò)的理論分析 113377由于P經(jīng)過P(x)函數(shù)取平均平滑后得到，則可用估計(jì)P值方法對P(x)進(jìn)行估計(jì)。 4230561.1.2網(wǎng)絡(luò)的數(shù)學(xué)論述及故障診斷模型拓?fù)浣Y(jié)構(gòu)建立 6156781.1.3概率神經(jīng)網(wǎng)絡(luò)的變壓器故障識別 7155101.1.4變壓器故障診斷實(shí)例仿真 840551.2遺傳算法的理論分析 11323611.2.1基本思想 1295091.2.2算法的實(shí)現(xiàn)方法 1259601.2.3算法的特點(diǎn) 1553271.2.4遺傳算法優(yōu)化平滑參數(shù) 16193511.3基于遺傳算法和概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷 16224251.1.1診斷策略 16100371.1.2仿真及結(jié)果分析 17變壓器在實(shí)際運(yùn)行中故障的類型較多且范圍較廣，出現(xiàn)故障時產(chǎn)生氣體的原理以及特征氣體的分布狀況及映射關(guān)系較為復(fù)雜，有時還會出現(xiàn)故障信息不完整的現(xiàn)象。在以往的變壓器故障診斷中，一般采用對特征氣體的有編碼形式進(jìn)行故障類型的診斷，其效果理想，而基于有編碼比值操作本身的特性，由于故障數(shù)據(jù)本身具有模糊性，氣體含量比值處于編碼規(guī)則的相應(yīng)邊界時，容易出現(xiàn)誤判，得出故障氣體的結(jié)論往往不能夠得到人工修正可能，所以會出現(xiàn)診斷錯誤的情況。因此，對故障診斷處理不確定性的能力提出了要求。人工神經(jīng)網(wǎng)絡(luò)通過仿效人腦的結(jié)構(gòu)和功能構(gòu)成自學(xué)習(xí)自適應(yīng)的動力學(xué)系統(tǒng)[31]，以訓(xùn)練學(xué)習(xí)的方式適應(yīng)外在環(huán)境，有推理和模糊識別的能力。目前，針對不同的工作特性一提出了較多的神經(jīng)網(wǎng)絡(luò)模型，如線性神經(jīng)網(wǎng)絡(luò)，徑向基神經(jīng)網(wǎng)絡(luò)等。本文將以概率神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)對故障診斷進(jìn)行研究。1.1概率神經(jīng)網(wǎng)絡(luò)模型及和拓?fù)浣Y(jié)構(gòu)分析1.1.1概率神經(jīng)網(wǎng)絡(luò)的理論分析概率神經(jīng)網(wǎng)絡(luò)是結(jié)構(gòu)形似網(wǎng)狀的前饋神經(jīng)網(wǎng)絡(luò)模型[32],該結(jié)構(gòu)各層間包含若干相互連接的神經(jīng)元，各神經(jīng)元可通過激勵函數(shù)代表一種特定運(yùn)算方式。神經(jīng)元兩兩間連接，以權(quán)重W表示，如圖3-1。圖3-1神經(jīng)元權(quán)值關(guān)系圖Fig.3-1Relationshipbetweentheweightsofneurons概率神經(jīng)網(wǎng)絡(luò)是由D.FSprecht提出的，基于貝葉斯分類準(zhǔn)則和概率密度核函數(shù)估計(jì)的方法合并發(fā)展而來的一種并行算法，擅長模式識別[33]，各子稱神經(jīng)網(wǎng)絡(luò)可獨(dú)立運(yùn)行，在故障診斷的分類方面，其學(xué)習(xí)方法是前向線性的，具有更短的訓(xùn)練過程，基于這樣的特點(diǎn)相較于其他診斷方法效率更高，對于復(fù)雜度高的問題，只有有一定的的訓(xùn)練樣本，就可以通過網(wǎng)絡(luò)中間層映射轉(zhuǎn)換為貝葉斯準(zhǔn)則下的最優(yōu)決策再輸出。（1）貝葉斯分類準(zhǔn)則在概率神經(jīng)網(wǎng)絡(luò)中設(shè)置了一個預(yù)測風(fēng)險的標(biāo)準(zhǔn)稱為貝葉斯準(zhǔn)則，適用于模式較多時的歸類問題，以及故障診斷等應(yīng)用。概率密度函數(shù)實(shí)際上是由貝葉斯與核函數(shù)估計(jì)聯(lián)合組成的一個分類器，在貝葉斯分類中，輸入的D維向量x∈Rd,其中共Wi（i=1.2m）個模式集，每個模式的已知先驗(yàn)概率P（Wi）表示，每一類的類條件概率用P（x?Wi）表示，則可由貝葉斯定理表示求待分類的后驗(yàn)概率P（wi?x）為：(3-1)根據(jù)后驗(yàn)概率的大小，對未知模式x有如下判斷：?j≠i=1,2m，當(dāng)存在：P（wi|x）>P（wj|x），則x∈wi(3-2)由式3-1、3-2可進(jìn)一步得出：P(x|wi)P(wi)>P(x|wj)P(wj)(3-3)進(jìn)一步簡化為：，則x∈wi(3-4)由貝葉斯決策理論得出，判決用事件A(x)表示：A(x)=ArgmaxwiP(x|wi)P(wi),，(i=1.2...m)(3-5)根據(jù)A(x)的輸出值判斷故障模式類別的及最小化錯誤率的分類。依據(jù)貝葉斯風(fēng)險準(zhǔn)則，當(dāng)出現(xiàn)因分類錯誤而導(dǎo)致后果的不同，可再引入風(fēng)險函數(shù)r(x)，以此進(jìn)行修正判決。?j≠i=1,2m，當(dāng)存在ri(x)<rj(x)，則x∈wi(3-6)且(3-7)Lij在此的含義為將本屬于wj模式的事件錯誤劃分到wi的代價因子。將式3-7進(jìn)一步表示為矩陣時有：(3-8)得到R=LP(x)(3-9)當(dāng)判斷正確時，Lij=0(i=1,2...m)，此時認(rèn)定為無需付出代價；而當(dāng)出現(xiàn)誤判時，有Lij=Lij≠0(i=1,2...m)(i≠j)，認(rèn)為此時需要付出代價。另外，若Lij=Lij=1，(i=1,2...m)(i≠j)時，貝葉斯分線準(zhǔn)則就成為了貝葉斯分類器。（2）Parzen窗法的概率密度函數(shù)估計(jì)上面闡述了關(guān)于概率神經(jīng)網(wǎng)絡(luò)在分類中的基本原理，在實(shí)際的現(xiàn)場中往往僅有采集的訓(xùn)練樣本，而類條件概率P(x|wi)無法獲得，此時Parzen窗法可用于估計(jì)類條件的概率密度函數(shù)。因?yàn)镻arzen窗法無需對樣本分布做假設(shè)，因而在保證有一定數(shù)量的采集樣本時，就可以保證收斂性。此次研究的parzen窗法是運(yùn)用了多元高斯核函數(shù)，可表示如下：設(shè)模式wi有Ni個訓(xùn)練樣本數(shù)據(jù)，(3-10)其中:“xij”表示模式wi中的第j個數(shù)據(jù)樣本；“Ni”表示表示模式wi中訓(xùn)練樣本個數(shù)；“”表示平滑參數(shù)；“D”表示輸入數(shù)據(jù)的維度。從概率理論的角度解釋可進(jìn)行如下推導(dǎo)，Parzen窗法與其他函數(shù)密度估計(jì)相似，都是基于一個向量落在區(qū)域R中的概率表示，具體有：(3-11)由于P經(jīng)過P(x)函數(shù)取平均平滑后得到，則可用估計(jì)P值方法對P(x)進(jìn)行估計(jì)。抽取假定n個服從概率密度函數(shù)P(x)樣本，依據(jù)概率論的相關(guān)知識，k個樣本落在R中的概率服從二項(xiàng)分布，表示為：(3-12)求的k期望值為：E(k)=np(3-13)當(dāng)n數(shù)值較大，k的二項(xiàng)分布波峰會體現(xiàn)在均值上；當(dāng)n指出先極大值時，根據(jù)大數(shù)定理可得到估計(jì)概率的大小為k/n。若P(x)為連續(xù)函數(shù)，在R區(qū)域較小時有：(3-14)其中“x”表示為樣本點(diǎn)，“V”表示R域的體積大小。聯(lián)立(3-12),(3-13),(3-14)時得到P(x)估計(jì)式為：(3-15)從R1拓展至Rn，各個區(qū)域使用所在區(qū)域樣本后，完成對P(x)的n次估計(jì)：(3-16)通過選擇一個包圍x的小區(qū)域R估計(jì)P(x)，建立邊長為hD的D維的立方體，且邊長與樣本數(shù)量存在一定的函數(shù)關(guān)系，R域的體積大小為：Vn=hnD(3-17)通過窗函數(shù)分析落在區(qū)域內(nèi)的樣本個數(shù)統(tǒng)計(jì)得：(3-18)Ψ(U)在形式上是一個以原點(diǎn)為中心的單位超立方體，若xi落在其中則記為1次。最終可以表示為以x為中心的立方體內(nèi)所落得樣本點(diǎn)數(shù)目為：(3-19)聯(lián)立(3-19)、(3-16)得到：(3-20)上述方法中P(x)值大小會隨著鄰域集樣本點(diǎn)成正相關(guān)，此方法即為一般的概率密度估計(jì)方法。在此基礎(chǔ)上又發(fā)展了設(shè)定高斯核函數(shù)實(shí)現(xiàn)Parzen窗得方法，進(jìn)一步將(3-20)改寫為：(3-21)Parzen窗法具可以在密度函數(shù)形式未知的情況下對密度函數(shù)估計(jì)的能力，故只要有一定的訓(xùn)練樣本就可以在靠近帶求密度函數(shù)方面取得良好效果。1.1.2網(wǎng)絡(luò)的數(shù)學(xué)論述及故障診斷模型拓?fù)浣Y(jié)構(gòu)建立概率密度函數(shù)是一種由徑向基函數(shù)發(fā)展而來的前向網(wǎng)絡(luò)，在數(shù)學(xué)上的表述可理解為已知m種模式即為m種故障類型，用區(qū)域T(w1，wm）表示，其中wr、wp屬于T且wr<wp，待診斷的故障樣本特征集為X=(x1,xn)，利用貝葉斯準(zhǔn)則進(jìn)行故障診斷w∈wr狀態(tài)。若存在:HrLrFr(X)<HpLpFp(x)時，則x∈wp其中“Hr、Hp”表示故障類型的先驗(yàn)概率(Hr=Nr/N，Hp=Np/N)；“N”表示樣本總數(shù)；“Nr，Nr”表示故障模式、的訓(xùn)練樣本數(shù)；“Lr”表示本屬于故障模式而錯劃分到的代價因子，“Lp”表示本屬于故障模式而錯劃分到的代價因子；“Fr、Fp”故障模式、概率密度函數(shù)，可結(jié)合利用結(jié)論式3-21求得。如圖3-2所示概率神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)從左至右依次是輸入層、模式層、求和層、輸出層構(gòu)成。輸入層接受訓(xùn)練樣本的值，該層的作用將特征向量輸入給網(wǎng)絡(luò)中，神經(jīng)元數(shù)量和輸入樣本矢量維數(shù)一致。模式層作用是計(jì)算輸入特征向量與輸入訓(xùn)練集模式的關(guān)系。模式層神經(jīng)元個數(shù)與所有類別訓(xùn)練樣本數(shù)之和，該層輸出表示為式3-22(3-22)式中wi為輸入層至模式層的權(quán)值，為平滑參數(shù)。求和層將某類模式的概率進(jìn)行加和，得到故障模式的估計(jì)概率密度函數(shù)，每類僅有一個求和層單元，并僅與只屬于自己的模式層單元鏈接，輸出如式3-23。(3-23)輸出層作用是將求和層給的各模式的故障類型進(jìn)行最大后驗(yàn)概率的選擇，最終得出特征向量所對應(yīng)的類別，該層是由一個閾值辨別其組成的競爭類型的神經(jīng)元。輸出如式3-24。m(x)=argmaxf(x)(3-24)圖3-2PNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.3-2PNNnetworkstructure1.1.3概率神經(jīng)網(wǎng)絡(luò)的變壓器故障識別利用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，正是應(yīng)用了網(wǎng)絡(luò)收斂速度都快、分類效果好、訓(xùn)練相對容易容錯性高的特點(diǎn)，由于網(wǎng)絡(luò)具有非線性分析的能力，可使得故障的樣本空間映射出其故障類別。在選取故障特征樣本時，要是選取的樣本能夠體現(xiàn)故障類型的最大信息量，通過上一章節(jié)分析變壓器故障產(chǎn)生機(jī)理和故障信息的傳遞關(guān)系，確定故障類型和特征氣體的對應(yīng)關(guān)系后，選擇最能反映故障的特征量作為診斷模型的輸入。油中溶解氣體分析法作為監(jiān)測變壓器故障方面有著較高的可靠性，對于及早發(fā)現(xiàn)內(nèi)部故障及診斷方面有著重要的意義，在電網(wǎng)中得到廣泛應(yīng)用，本文利用改良IEC法判定具體的故障類型，從而確定網(wǎng)絡(luò)的輸入量和輸出量。重點(diǎn)對五種特征氣體進(jìn)行跟蹤，利用C2H2/C2H4,、C2H4/C2H6,、CH4/H2氣體比值作為輸入特征樣本量，將故障類型作為輸出特征向量，以3組氣體比值編碼作為輸入節(jié)點(diǎn)，將具體故障樣本分為訓(xùn)練樣本和檢測樣本兩類，以訓(xùn)練的故障數(shù)據(jù)數(shù)量確定模式層節(jié)點(diǎn)數(shù)，以表2-10的故障狀態(tài)作為9個輸出節(jié)點(diǎn)，建立概率神經(jīng)網(wǎng)絡(luò)，診斷流程如圖3-1.圖3-3概率神經(jīng)網(wǎng)絡(luò)故障診斷流程圖Fig.3-3Faultdiagnosisflowchartofprobabilisticneuralnetwork1.1.4變壓器故障診斷實(shí)例仿真利用Matlab提供的函數(shù)進(jìn)行仿真分析，調(diào)用net=newpnn(P,T,SPREAD)函數(shù)組建概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型，函數(shù)中P表示輸入向量；T表示目標(biāo)向量；Spread表示分布密度，將變壓器故障類型作為目標(biāo)向量時，網(wǎng)絡(luò)的輸入層神經(jīng)元個數(shù)為3，對應(yīng)利用改良IEC模糊處理的編碼值，模式層的神經(jīng)元個數(shù)為40，對應(yīng)前40組訓(xùn)練樣本數(shù)量，求和層與輸出層對應(yīng)9個神經(jīng)元，對應(yīng)9種故障類型，形成模型結(jié)構(gòu)為3-40-9-9。模型中以編碼，訓(xùn)練，診斷三個模塊組成，后兩部分是網(wǎng)絡(luò)的核心，當(dāng)收集到氣體的具體比值時可直接進(jìn)入故障的診斷。結(jié)合某地大型變壓器3號主變歷年采集的真實(shí)故障信息數(shù)據(jù)，進(jìn)行實(shí)例訓(xùn)練診斷，共采集70組主要研究的5種故障特征氣體，并將其分為兩批，分別是前40組的訓(xùn)練樣本數(shù)據(jù)和后30組的驗(yàn)證樣本數(shù)據(jù)，按照改良IEC法處理氣體數(shù)據(jù)輸入模型后進(jìn)行診斷。由于篇幅限制下面僅將其中8組原始?xì)饫頂?shù)據(jù)進(jìn)行展示說明，如表3-1所示；表3-1故障數(shù)據(jù)Tab.3-1Faultdata并結(jié)合表2-9中故障編碼表所對應(yīng)的故障類型，令故障類型轉(zhuǎn)換為從1至9的編碼改寫，結(jié)果如表3-2所示；表3-2故障類型編碼改寫Tab.3-2Faultdata最終將特征氣體的比值形式對應(yīng)真實(shí)故障類型編碼，處理數(shù)據(jù)后得表3-3；表3-3故障數(shù)據(jù)氣體比值Tab.3-3Gasratioforfaultdata表3-3中共有70組樣本數(shù)據(jù)，以改良IEC法處理后前三列氣體比值數(shù)據(jù)在執(zhí)行仿真時會轉(zhuǎn)為以0，1，2三種編碼形式，令前30組作為網(wǎng)絡(luò)診斷學(xué)習(xí)的訓(xùn)練數(shù)據(jù)，后40組作檢驗(yàn)預(yù)測效果的驗(yàn)證數(shù)據(jù)，形成70*4維的故障編碼矩陣為輸入特征量進(jìn)行故障診斷過程，最終得到變壓器故障診斷的網(wǎng)絡(luò)模型。前30組故障診斷的分類訓(xùn)練效果及誤差如圖3-4所示，后40組驗(yàn)證樣本的故障預(yù)測的診斷效果如圖3-5所示；圖3-4概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果及誤差Fig.3-4EffectandErrorofProbabilisticNeuralNetworkTraining圖3-5預(yù)測診斷效果Fig.3-5Predictingdiagnosticeffectiveness圖3-4、3-5中“星號*”表示實(shí)際故障類型，“圓圈o及三角D”表示網(wǎng)絡(luò)診斷結(jié)果。診斷結(jié)果誤差圖是為了更直觀統(tǒng)計(jì)誤診結(jié)果，由圖3-4可知概率神經(jīng)網(wǎng)絡(luò)故障診斷模型的訓(xùn)練效果，在前40個訓(xùn)練樣本有1、6、10、16、17、23、29、30號數(shù)據(jù)產(chǎn)生錯誤，故障診斷準(zhǔn)確率在80%，并利用后30組故障數(shù)據(jù)進(jìn)行樣本追加能力的檢驗(yàn)，如圖3-5所示結(jié)果診斷有5處錯誤診斷，可以看出概率神經(jīng)網(wǎng)絡(luò)的在變壓器故障診斷效果方面是值得肯定的，經(jīng)過優(yōu)化改進(jìn)，在精度方面還可以得到進(jìn)一步提升。在研究的過程中發(fā)現(xiàn)，概率神經(jīng)網(wǎng)絡(luò)在有限的數(shù)據(jù)樣本中目前還存在一個亟待解決的問題，即從給定的有限樣本中如何提取出反應(yīng)整個空間的平滑參數(shù)，而目前在神經(jīng)網(wǎng)絡(luò)模式層中的平滑參數(shù)都是基于樣本聚類或經(jīng)驗(yàn)估計(jì)得來的，在空間的概率特性方面無法充分的表示，具有一定的主觀因素。遺傳算法能夠在不具備先驗(yàn)知識的情況下發(fā)現(xiàn)系統(tǒng)空間潛在知識的能力，在函數(shù)優(yōu)化及機(jī)器學(xué)習(xí)等方面取得一定的成績，為概率神經(jīng)網(wǎng)絡(luò)參數(shù)的優(yōu)化提供了思路。1.2遺傳算法的理論分析遺傳算法是由美國一所大學(xué)提出的模擬自然界的遺傳機(jī)制及生物進(jìn)化論的并行隨即搜索最優(yōu)化的特點(diǎn)，將生物學(xué)理論中“優(yōu)勝劣汰，適者生存”的思想引入到優(yōu)化參數(shù)編碼串群體中，按照適應(yīng)度函數(shù)及遺傳中的選擇、交叉、變異來對個體進(jìn)行優(yōu)選，最終僅保留篩選出適應(yīng)度良好的個體，使得保留的群體保留上一代信息的同時又優(yōu)于上一代，如此往復(fù)進(jìn)行直至滿足目標(biāo)條件為止。1.2.1基本思想生物學(xué)理論思想中，多個基因組合成為染色體，其中基因個體的性質(zhì)對染色體起決定性作用，遺傳算法正是基于這樣的特性，將總體數(shù)量不變的個體視為染色體，利用基因編碼種群，該種群可表示出問題可能的所有解集。運(yùn)用一串?dāng)?shù)列對目標(biāo)對象進(jìn)行編碼，使得目標(biāo)對象從表現(xiàn)型向基因型的過渡，第一代種群在產(chǎn)生后逐漸淘汰更新出新群體，隨后引入適應(yīng)度函數(shù)，由設(shè)置的適應(yīng)度函數(shù)選取新個體并淘汰老個體，再結(jié)合遺傳理論的遺傳算子經(jīng)過交叉和變異后，最終產(chǎn)生新群體，且更加適應(yīng)于環(huán)境生存。在實(shí)際應(yīng)用中就是通過將最優(yōu)個體解碼做問題的近似最優(yōu)解。遺傳算法有兩個理論依據(jù)即：積木塊假設(shè)與模式定理。積木塊假設(shè)指出在遺傳算子作用下，由適應(yīng)度模式的改變產(chǎn)生最優(yōu)解；模式定理保證算法最優(yōu)解樣本以指數(shù)形式產(chǎn)生，為全局搜索最優(yōu)解提供基礎(chǔ)。1.2.2算法的實(shí)現(xiàn)方法遺傳算法的運(yùn)算如圖3-3所示，遺傳算法操作類型主要針對整體集群。遺傳操作的算子主要包括：選擇算子、交叉算子、變異算子，這些算子操作構(gòu)成遺傳算法獨(dú)特的特征。圖3-6遺傳算法的運(yùn)算過程Fig.3-6OperationProcessofGeneticAlgorithm遺傳算法理論包括了五個方面的要素[34]，分別有：初始集群設(shè)定、參數(shù)的編碼、適應(yīng)度函數(shù)的架構(gòu)設(shè)計(jì)、遺傳算法的操作設(shè)計(jì)、重要參數(shù)設(shè)定，這些方面也成為遺傳算法的核心所在。下面具體展開論述：(1)參數(shù)的編碼操作的第一步是參數(shù)的編碼，目標(biāo)問題的參數(shù)編碼決定染色體的排列，同時也影響搜索空間的基因型轉(zhuǎn)換到解空間表現(xiàn)型的編碼方法。編碼的方式也決定了算法的準(zhǔn)確性和效率，若編碼選擇方式不對，經(jīng)各操作算子運(yùn)算后可能會產(chǎn)生許多找不到對應(yīng)解等一系列影響，目前，編碼方式有多種，像是多參數(shù)級聯(lián)編碼、符號編碼等，但在遺傳算法中編碼的常用方式有兩種：二進(jìn)制編碼和浮點(diǎn)數(shù)編碼?！岸M(jìn)制編碼”采用0，1組成的編碼方法，編碼原則為令字符串集的最小，由二進(jìn)制編碼符號串組成個體基因，可對實(shí)際值進(jìn)行離散化后得到編碼，由于編碼符號僅有0，1組成所以編碼與解碼操作直觀簡單，便于對各算法進(jìn)行理論分析。編碼長度足夠長，則精度可以保證，而編碼過長時搜索空間也會隨之增加則不利于反應(yīng)優(yōu)化問題的屬性?！案↑c(diǎn)數(shù)編碼”是將所有個體基因值用范圍值內(nèi)的一個浮點(diǎn)數(shù)表示，各個編碼長度等價于目標(biāo)問題的決策量的個數(shù)。(2)適應(yīng)度函數(shù)設(shè)計(jì)方面適應(yīng)度可以表示對環(huán)境的適應(yīng)情況，生存環(huán)境，生存度高的集群，對環(huán)境適應(yīng)度高，繁衍機(jī)會增加，相反則減少。在遺傳算法中，利用函數(shù)對個體適應(yīng)程度的高低作為評價機(jī)制，通過適應(yīng)度來評價優(yōu)化個體的適應(yīng)程度，并給優(yōu)秀解的集合更多繁衍機(jī)會。集體評價流程[35]有這么幾個步驟，首先是對目標(biāo)問題表現(xiàn)型求解，對樣本進(jìn)行編碼串的解碼，通過計(jì)算將表現(xiàn)型求得對應(yīng)目標(biāo)函數(shù)值，針對不同問題和類型將目標(biāo)函數(shù)作為衡量標(biāo)準(zhǔn)，依照轉(zhuǎn)換原則求解出各個體的適應(yīng)度。(3)基本操作算子遺傳算法由選擇算子、交叉算子、變異算子構(gòu)成?！斑x擇算子”是仿照生物學(xué)中將選擇遺傳優(yōu)良的基因給子代集群的個體中，在老的集群中采用優(yōu)勝略汰的方式保留優(yōu)良個體，通過復(fù)制優(yōu)良個體從而提高平均適應(yīng)度，是一種建立在對個體適應(yīng)度評價的基礎(chǔ)上進(jìn)行的。首先需要對目標(biāo)群體的所有個體的適應(yīng)度求和，并單獨(dú)計(jì)算每個個體的相對適應(yīng)度得出每個個體向下一子代的遺傳概率，最后利用輪盤選擇操作確定每個體被選擇次數(shù)。選擇個體的被選概率為Pi如式3-25，適度高的個體與其被選概率呈正相關(guān)。(3-25)式中fi表示關(guān)于個體i適應(yīng)度的函數(shù)；M表示群體大小。通常通過比例法選擇算子，通過轉(zhuǎn)換實(shí)現(xiàn)將目標(biāo)函數(shù)映射成為求取函數(shù)最大值問題，規(guī)定目標(biāo)個體的適應(yīng)度和解必須大于等于零，該函數(shù)就是適應(yīng)度函數(shù)。最終得出集群中遺傳至下一代個體數(shù)量?！敖徊嫠阕印笔抢梅律鷮W(xué)中兩染色體的部分基因交換重組產(chǎn)生新個體的特性，在遺傳算法中通過交叉算子產(chǎn)生新的個體。首先依照確定的交叉概率Pe在基因的一點(diǎn)或多點(diǎn)進(jìn)行基因交換，隨后產(chǎn)生新個體，其中任選產(chǎn)生初代網(wǎng)絡(luò)中兩個網(wǎng)絡(luò)為父代個體，交叉過程如圖3-4所示；圖3-4交叉過程示意圖Fig.3-4Crossprocessdiagram“變異算子”是依照仿生學(xué)在自然進(jìn)化過程中受一些因素影響使得基因復(fù)制時存在差異時產(chǎn)生的染色體。遺傳算法中將染色體編碼串上基因用串上其他等位基因替換產(chǎn)生新個體。以此改善局部搜索能力，保證群體多樣性?；疚蛔儺愃阕邮亲儺愃阕拥某Ｓ盟阕樱瑢€體的各個基因以變異概率Pm的點(diǎn)為變異點(diǎn)，如圖3-5在變異點(diǎn)對基因編碼值取反(0，1為一對相反值)或找等位基因編碼替換，從而產(chǎn)生新的個體。圖3-5變異過程示意圖Fig.3-5Diagramofthevariationprocess（4）運(yùn)行參數(shù)設(shè)定參數(shù)設(shè)定主要包括種群規(guī)模M、遺傳代數(shù)、交叉概率Pe、變異概率Pm幾個方面，下面做一論述：種群規(guī)模體現(xiàn)了集群中個體的數(shù)量，選擇規(guī)模大小影響最終結(jié)果表現(xiàn)的特質(zhì)，選擇國小不能滿足全局性考慮，選擇過大時對處理能力及完成效率提出了更高要求，一般選取30-150左右為宜；遺傳代數(shù)方面由于集群在進(jìn)化過程中，在遺傳進(jìn)化到一定代數(shù)時基因具有相似性，所以進(jìn)化到一定代數(shù)就可以停止分析，一般在150-600代左右；遺傳算法中交叉概率是根據(jù)Pe=m/Me得到的，m為交叉基因的個數(shù)，概率值決定了基因染色體的產(chǎn)生速度，當(dāng)交叉概率Pe選擇在編碼總長一半位置時，此時重新組建編碼的速度最快，且具有全局代表性取值在0.4-0.99之間；遺傳理論中變異概率能夠?qū)ΨN群產(chǎn)生新個體產(chǎn)生積極作用，變異概率取值須在合理范圍，取值過大會影響遺傳進(jìn)化破壞最優(yōu)解的形成，其值由Pm=B/Mλ決定，B表示變異基因的數(shù)量，一般取值在0.0001-0.1之間。1.2.3算法的特點(diǎn)遺傳算法在尋優(yōu)處理及全局搜索區(qū)別于一般的優(yōu)化處理方法，下面展開論述：(1)遺傳算法優(yōu)化區(qū)別傳統(tǒng)優(yōu)化算法，從目標(biāo)問題編碼串的集合進(jìn)行搜索，全局覆蓋區(qū)域廣，促進(jìn)全局搜索尋優(yōu)。而一般尋優(yōu)往往是從初始時刻的某個值開始通過迭代尋優(yōu)求解，容易陷入局部最優(yōu)，結(jié)果缺乏代表性。(2)遺傳算法在組織能力以及適應(yīng)環(huán)境的能力方面有著卓越的表現(xiàn)，適合針對較為復(fù)雜的非結(jié)構(gòu)化問題。(3)具有內(nèi)在的啟發(fā)式隨即搜索特性，由于遺傳算法的搜索反向沒有采用確定性的規(guī)則，而是利用隨即變遷的概率方法引導(dǎo)搜索至最優(yōu)解區(qū)。(4)遺傳算法擴(kuò)展性強(qiáng)且具有并行計(jì)算的能力。(5)遺傳算法在適應(yīng)度函數(shù)的基礎(chǔ)上進(jìn)行遺傳尋優(yōu)操作，依靠適應(yīng)度函數(shù)的數(shù)值來評價基因個體，(6)遺傳算法的基本操作步驟流程如圖3-6。圖3-6遺傳算法流程示意圖Fig.3-6Schematicdiagramofgeneticalgorithmflow1.2.4遺傳算法優(yōu)化平滑參數(shù)在概率神經(jīng)網(wǎng)絡(luò)應(yīng)用中，期望在有限采集的樣本中提煉出反應(yīng)整個空間的平滑參數(shù)，而目前在概率神經(jīng)網(wǎng)絡(luò)模型各方面實(shí)際應(yīng)用時設(shè)定的平滑參數(shù)，均以數(shù)據(jù)樣本聚類或是有經(jīng)驗(yàn)的專家通過估計(jì)的方法得出的，空間概率特性并不能很好的反映，遺傳算法理論可在沒有任何知識儲備的及先驗(yàn)概率的情況及時發(fā)現(xiàn)潛在知識及規(guī)律，達(dá)到學(xué)習(xí)優(yōu)化的目的。在優(yōu)化時，整個平滑參數(shù)集合稱為個體，對不同故障類型的平滑參數(shù)集’=[1，2，...,n]進(jìn)行編碼，在設(shè)計(jì)初始種群的時候采用實(shí)際故障樣本分布的信息設(shè)計(jì)初始集群，保證收斂速度。概率密度估計(jì)值主要受相鄰點(diǎn)的影響，所以當(dāng)值在一定范圍時，可用式3-26決定；（g=1.2~2；g稱為比例系數(shù)）(3-26)其中表示同類型數(shù)據(jù)樣本最小間距的平均值（），di:表示模式樣本與類樣本的最小間距；選擇式3-27作為誤差函數(shù)作為適應(yīng)度函數(shù);(3-27)上式中為目標(biāo)期望的輸出值；表示實(shí)際輸出值。由此可得到利用遺傳算法優(yōu)化平滑參數(shù)過程，首先計(jì)算出給定訓(xùn)練樣本數(shù)據(jù)中，求得同類型故障的最小間距平均值的集合，令g=1.2-2時產(chǎn)生初代集群’=[1，2，...,n]，并利用種群編碼，經(jīng)過復(fù)制交叉變異三個遺傳算子的操作后再解碼，最終通過適應(yīng)度函數(shù)得到最優(yōu)平滑參數(shù)并確定網(wǎng)絡(luò)模型。1.3基于遺傳算法和概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷1.1.1診斷策略采用改良IEC