基于遗传算法的BP神经网络在变压器超高频局部放电模式识别中的应用

摘 要： 本文针对BP算法易陷入局部极小、收敛速度慢的缺点，根据遗传算法（Genetic Algorithms，GA）具有全局寻优的特点，将二者结合起来提出了一种混合算法：GA-BP算法，并将该算法成功应用于变压器超高频局部放电模式识别。将变压器油中局部放电超高频测量系统所得到的局部放电的特征量作为输入，分别用BP算法和混合算法进行模式识别。实验结果表明GA-BP算法具有收敛速度快、全局最优的优点，并且这种算法可以推广应用于其他实际系统中。

关键词： 变压器 局部放电 BP算法 遗传算法 模式识别

1.引言

随着电力系统的发展和电压等级、容量的不断提高，局部放电已经成为电力变压器绝缘劣化的重要原因，因而局部放电的检测也就成为变压器绝缘状况监测的重要手段［１］。变压器绝缘体系中的放电类型很多，不同的放电类型对绝缘的破坏作用有很大差异，因此有必要对各种放电类型加以区分，从而能够更好地进行变压器故障定位和故障处理。

人工神经网络自20世纪90年代开始就用于放电类型的模式识别，由于神经网络的结构类似于人类大脑的神经元，具有自学习的能力。因此在很多应用中取得了比较好的效果，但是它也存在局限性。由于利用梯度下降法全局寻优，因此网络收敛的速度很慢，而且常常会陷入局部极小点。

本文尝试用基于遗传算法的BP网络实现放电类型的模式识别，用遗传算法来实现全局优化以克服BP神经网络的局限性［２］，提高模式识别的准确度。最后，用所提出的基于遗传算法BP与一般BP进行比对。实验结果显示前者明显提高了模式识别的准确性及快速性，这对于进一步进行变压器故障定位和故障处理有重要意义。

2.试验原理及方法

首先我们引入纯BP神经网络。BP网络是一种单向传播的多层前向网络，通常具有三层或三层以上的神经网络，包括输入层、中间层（隐层）和输出层。以三层BP神经网络为例，设W为第j个输入到第i个隐层节点的连接权值，θ为隐层节点的阈值，W为第k个输出节点到第i个隐节点的连接权值，q为输出节点的阈值，O为输出层的输出。三层BP网络的结构如图1所示。

根据Kolmogorov定理，本文中选用的BP网络采用N×2N+1×M的三层网络结构。其中，N表示输入特征向量的分量数，M表示输出状态类别总数。中间层神经元的作用函数为Tansig，输出层神经元的作用函数为logsig。

然后用遗传算法［３］调节BP神经网络的权值和阈值，并用优化后的BP网络进行试验，其步骤如下：

①初始化种群P，包括种群规模、交叉概率Pc及变异概率Pm，随机化W、θ、W、q，采用实数编码。

②计算每一条染色体的评价函数，按蒙特卡罗法来选择个体

p=f/f

其中，f为第i条染色体的适应度，用误差平方和来衡量，即

f=1/E（i）

E（i）=∑∑（O-T）

p为学习样本数，k为输出层节点数。

③以概率Pc对个体进行交叉操作，没有选中的直接复制，产生新的种群。采用算数交叉，即：

x（i）=αx（i）+（1-α）x（i+1）

x（i+1）=αx（i+1）+（1-α）x（i）

其中，x为选中的染色体。

④以概率Pm对个体x（i）进行变异操作，产生新的个体x'（i）。

⑤将新个体插入种群P中，重新计算种群中个体的适应值。

⑥如果搜索到满足要求的个体（达到误差要求ε），转第⑧步，否则转第三步。

⑦找到最优的个体后，将最优染色体解码即得到网络的连接权系数和阈值。

⑧利用遗传算法优化好的网络权值，用BP算法训练网络直到精度ε。

最后将BP网络所得结果和基于GA的BP网络所得结果对比分析。

3.实验及结果分析

变压器油纸绝缘结构中的四种主要放电类型，分别是悬浮放电、沿面放电、内部放电和油中针板放电。首先采用变压器超高频测量系统在不同的电压等级、不同的电极尺寸、不同的中心频率对这四种放电类型的数据进行了采集。

将采集到的数据送入计算机进行处理，生成局部放电的二维谱图并从中提取包括偏斜度Sk、突出度Ku、放电不对称度Q、相位不对称度Φ、互相关因子cc和相位中值μ等统计算子，以此作为放电的特征量来区分不同类型的放电［４］。由于变压器局部放电超高频检测系统所提取的特征量的数量比较多，太多的特征量会增加样本学习过程中的计算量，提高模型的复杂程度，结合经验，最终选择了平均放电谱图的{Q、cc、Sk+、Sk-、Ku+、Ku-}作为输入向量，来进行局部放电的模式识别［５］。

随机抽取四种放电类型的样本数据一共200组，每种模式50组，来训练神经网络。为了验证方法的有效性，又提取了每种模式30组数据对训练好的网络进行测试。

用这些训练数据对一般BP进行训练，一般21步后达到目标值0.001，训练性能为0.00029，运行时间为3.216000s。对于基于遗传算法的BP网络，选取初始种群为P=30，GA训练目标ε=0.4，遗传算法在经过大约200代的计算时，达到权值和阈值的最优，且BP算法经过8步的运算，即达到目标值0.001，训练性能为0.00016，运行时间0.605000s。可见基于GA的BP网络在运算速度上要优于一般BP算法。

用BP神经网络和GA-BP算法的模式识别结果比较如表1。由统计结果可以看出一般BP算法也可以对放电的类型进行分类，但是由于BP算法随机选取初始权值的范围较小，这样就易陷入局部最小而使训练失败，成功率比较低。而用基于GA的BP算法时，对放电类型的模式识别率明显高于纯BP算法。从实验所得结果及统计分析可知基于GA的BP网络运算速度及准确率都要优于纯BP算法。

综上所述，BP算法进行分类时，由于算法本身局限性，初始权值和阈值随机选取且选取的空间小，导致容易陷入局部极小而使训练失败。基于遗传算法的BP网络先用GA算法在全局空间上搜索权值和阈值的最优点，然后用BP算法在最优点附近寻优，达到最优值。这样就有效地克服了一般BP算法容易陷入局部最优的缺点。另外，基于遗传算法的BP网络的训练速度也明显优于一般BP算法的训练速度。

4.结语

本文所提出的基于遗传算法的BP网络可以对变压器超高频局部放电模式识别，并克服了一般BP算法的不足。实验结果表明BP算法易陷入局部极小的缺点，而用遗传算法先对权值进行整个解空间的优化，缩小优化空间，然后由BP网络进行搜索，可以克服BP算法全局搜索能力不足，易陷入局部极小的问题，同时也提高了BP算法的速度。

参考文献：

［1］王国利.油浸式电力变压器局部放电特高频检测技术研究.西安：西安交通大学，2003.

［2］郑力新.遗传算法在控制系统工程应用的研究.天津大学，2002.

［3］雷英杰等.MATLAB遗传算法工具箱及应用.西安电子科技大学出版社.

［4］王国利，郑毅，沈嵩等.AGA-BP神经网络用于变压器超高频局部放电模式识别.电工电能新技术，2003，22（2）：629.

［5］李延沐，袁鹏等.基于自适应神经模糊推理系统（ANFIS）的变压器超高频局部放电模式识别，2005，24（4）：30-33.

本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文