２０１０年第５期 工业仪表与自动化装置 ・３・ 基于模糊神经网络的电力变压器故障诊断研究 张璐璐，李平，王婷婷，王灏 （辽宁石油化工大学信息与控制工程学院，辽宁抚顺ｌ】３００１） 摘要：将模糊控制和神经网络理论相结合，通过遗传算法对其参数进行优化，有效地解决了常 规模糊理论不能自学习和神经网络算法易陷入局部极小、收敛速度慢等缺点，并对其应用于电力变 压器故障诊断进行了仿真，实例仿真结果表明该算法具有较快的收敛速度和较高的计算精度，故障 诊断结果证实了该算法应用于电力变压器故障诊断的有效性。 关键词：模糊神经网络；遗传算法；电力变压器；故障诊断 中图分类号：ＴＰ１８３ 文献标志码：Ａ 文章编号：１０００－０６８２（２０１０）０５—０００３—０３ Ｒｅｓｅａｒｃｈ ｏｆ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｂａｓｅｄ ｏｎ ｆｕｚｚｙ ｎｅｕｔｒａｌ ｎｅｔｗｏｒｋ ｔｏ ｐｏｗｅｒ ｔｒａｎｓｆｏｒｍｅｒ ＺＨＡＮＧ Ｌｕｌｕ，ＬＩ Ｐｉｎｇ，ＷＡＮＧ ＴｉｎＯｉｎｇ，ＷＡＮＧ Ｈａｏ （Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｌｉａｏｎｉｎｇ Ｓｈｉｈｕａ Ｕｎｉｖｅｒｓｉｔｙ，Ｌｉａｏｎｉｎｇ Ｆｔａ￣ｈｕｎ １ １３００１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｔｈｅ ｆｕｚｚｙ ｃｏｎｔｒｏｌ ａｎｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｈｅｏｒｙ ａｒｅ ｃｏｍｂｉｎｅｄ，ｔｈｅ ｐａｒａｍｅｔｅｒｓ ｏｆ ｔｈｅ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｒｅ ｏｐｔｉｍｉｚｅｄ ｂｙ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ，ｅｆｆｅｃｔｉｖｅｌｙ ｉｍｐｒｏｖｅ ｔｈｅ ｄｅｆｅｃｔｓ ｏｆ ｏｒｄｉｎａｒｙ ｆｕｚｚｙ ｔｈｅｏｒｙ，ｉ．ｅ．，ｎｏｔ ｓｅｌｆ—ｌｅａｒｎｉｎｇ，ａｎｄ ｔｈｅ ｄｅｆｅｃｔｓ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｌｇｏｒｉｔｈｍ，ｉ．ｅ．，ｅａｓｙ ｔｏ ｆａｌｌ ｉｎｔｏ ｌｏｃａｌ ｍｉｎｉｍｕｍ ａｎｄ ｓｌｏｗ ｃｏｎｖｅｒｇｅｎｃｅ ｓｐｅｅｄ．Ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅ ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｏ ｐｏｗｅｒ ｔｒａｎｓ— ｆｏｒｍｅｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｉｓ ｓｉｍｕｌａｔｅｄ，ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｐｒａｃｔｉｃａｌ ｅｘａｍｐｌｅｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｃｏｎｖｅｒｇｅｎｃｅ ｓｐｅｅｄ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｉｓ ｆａｓｔｅｒ ａｎｄ ｔｈｅ ｃａｌｃｕｌａｔｉｏｎ ａｃｃｕｒａｃｙ ｉｓ ｈｉｇｈｅｒ．Ｔｈｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｒｅｓｕｌｔｓ ｃｏｎｆｉｒｍ ｔｈａｔ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｉｓ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｔｏ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｏｆ ｐｏｗｅｒ ｔｒａｎｓｆｏｒｍｅｒ． Ｋｅｙ ｗｏｒｄｓ：ｆｕｚｚｙ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ；ｐｏｗｅｒ ｔｒａｎｓｆｏｒｍｅｒ；ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ０ 引言 目多，输入输出关系较为复杂时，网络的收敛速度就 变得缓慢，甚至不收敛。为了解决上述矛盾，该文将 变压器在电力系统中承担着电能分配与传输、 模糊理论和人工神经网络相结合，并引入遗传算法 电压变换的重任，其运行状态直接关系到整个电力 对其进行参数优化的混合算法应用于电力变压器故 系统的安全与稳定。为了保证电力变压器的正常稳 障诊断。它有效地解决了ＢＰ算法易于陷入局部极 定运行，必须最大限度地防止和减少变压器故障，因 小、收敛速度慢等缺点。实例仿真结果表明这种算 此，及时而准确地检测和诊断出变压器的故障是极 法具有较快的收敛速度和较高的计算精度，满足了 其重要的。油中溶解气体分析法 是早期发现和 电力变压器故障诊断的要求。 预防变压器故障最有效的方法之一，但其存在的诸 如“缺编码”（即一部分ＤＧＡ结果落在所提出的编 １模糊神经网络 码之外），未能包括和反映变压器内部故障的所有 模糊神经网络（ＦＮＮ）是一种集模糊逻辑推理 形态，编码边界过于绝对等问题，都影响了变压器故 的强大结构性知识表达能力与神经网络的强大自学 障诊断的准确率。人工神经网络应用于电力变压器 习能力于一体的技术，它是模糊逻辑推理与神经网 故障诊断，已有成功的先例 Ｊ，但是当学习样本数 络有机结合的产物。一般来讲，模糊神经网络主要 收稿日期：２０１Ｏ－Ｏｌ一１２ 修返日期：２０１０—０３—０５ 是指利用神经网络结构来实现模糊逻辑推理，从而 作者简介：张璐璐（１９８４），女，辽宁抚顺人，硕ｌ｛ 研究生，主要研 使传统神经网络没有明确物理含义的权值被赋予了 究方向为１业过程的先进控制与优化。 模糊逻辑中推理参数的物理含义。 ・ ・ 工业仪表与自动化装置 ２０１０年第５期 １．１模糊神经网络的结构 模糊神经网络的结构如图１所示。 图１ 模糊神经网络的结构图 第１层为输入层。该层的各个节点直接与输入 向量的各分量 连接，它起着将输入值传输到下一 层的作用。 第２层为隶属度函数层。它主要用来计算各输 入分量属于各语言变量值模糊集合的隶属度函数。 文中选用高斯函数作为隶属度函数将输入变量模糊 化 （￣ｉ ｃｉｉ）２ ＝ｅ Ｔ ｉ＝ｌ，２，…，Ｈ； ＝１，２，…，ｍ 式中：ｃ ，分别表示隶属函数的中心和宽度。 第３层为模糊规则层。它的作用是用来匹配模 糊规则的前件，计算出每条规则的合适度。文中采 用“乘”算子来完成模糊运算 ａｊ＝ ‘ …・。 式中：ｉｌ∈｛ｌ，２…，ｍ１），ｉ２∈｛ｌ，２…，ｍ２｝，…， ｉ ∈｛１，２…，ｍ ）， ＝１，２，…，ｍ，ｍ＝ｎ ｍ 。 第４层为归一化层。 ａｊ＝ ／∑Ⅱ ＝１，２，…，ｍ 第５层是输出层。它所实现的是精确化计算。 ｍＹ ＝∑ ａｊ ｉ＝１，２，…，ｒ １．２模糊神经网络的学习算法 假设各输入分量的模糊分割数是预先确定的， 那么需要学习的参数主要是最后一层的连接权值 以及第２层的隶属度函数的中心值ｃ 和宽度 。 假设选取误差代价函数为如下形式： ● ｒ Ｅ＝ １∑（ 一ｙ，－） 其中：ｙ 和Ｙ 分别表示模糊神经网络的期望输出和 实际输出。 采用误差来调节梯度下降法中变步长的方法来 调节最后一层的权值。权值调节公式为： ３Ｆ △ （ ＋１）＝ａＡｔｏ（ｔ）一 ＯＣｔ） ｒ［Ａ—ａＡＥ（ｔ）］７７（ ） △Ｅ（ｔ）＜０ 叼（ｔ＋１）＝｛［￣－ｂＡＥ（ｆ）］ （￡） ＡＥ（ ）＞０ 【７／（ｔ） ＡＥ（ｔ）＝０ 式中：Ａ为学习率增量因子，大于１，一般选为１．０５； 为学习率减量因子，小于１，一般选为０．７；ａ，ｂ为 常数；ＡＥ（ｔ）＝Ｅ（ ＋１）一Ｅ（ｔ）表示第 ＋１次、第ｔ次 迭代后总误差平方和之差； 表示ＢＰ算法中的误 （ 差平方和对权值的负梯度；叼为学习速率；动量系数 Ｏ／取值必须在０～１之间，一般选为０．９。这种方法 加速了收敛速度，并在一定程度上减少了陷入局部 极小的概率。 ２遗传算法优化模糊神经网络 为了发挥模糊神经网络易于优化局部性参数和 遗传算法易于优化全局性参数的长处，采用遗传算 法学习调整模糊神经网络的隶属度函数的中心值和 宽度，用上面提到的方法来学习调整连接权值。流 程图如图２所示。 图２遗传算法优化模糊神经网络的流程图 １）编码 对文中的隶属度函数的中心值和宽度进行编码 时，如果采用二进制编码，会造成编码串过长，且需 要再解码为实数，影响网络学习精度。因此在这里 采用实数编码，它可以有效地降低编码串的长度，改 善遗传算法的计算复杂性，解决精度不够的问题。 ２）适应度函数的选取 在遗传算法中，适应度函数的值最好为非负值。 ２０１０年第５期 工业仪表与自动化装置 ・５・ 适应度函数可以定义为： 量。对于输出向量文中采用无故障（０．），中低温过 热（０，），高温过热（０，），低能量放电（０ ），高能量放 电（０ ）５个输出神经元。其中低能量放电一般指局 Ｆ＝ ∑（０ 一ｒｉ） 其中：Ⅳ为训练样本数， 为训练输出值，０ 为理论 输出值。 ３）遗传操作 部和比较微弱的火花放电；高能量放电一般指电弧 和比较强烈的火花放电 ；某输出层神经元输出越 大，表明发生该类型故障的可能性和严重程度越大。 ２）训练网络 从收集到的样本中选出３８组经吊芯检查后变 压器故障类型确定的油中气体含量相对值的百分比 遗传操作包括选择、交叉、变异。选择是从上代 种群中根据适配值采用轮盘赌法选择个体。文中采 用一种改进的自适应遗传算法 ］。其公式如下： 作为模糊神经网络的输入矢量，把对应的故障作为 模糊神经网络的输出期望值组成训练样本集。该文 ｆ 遗传算法中种群规模为８Ｏ，交叉概率中ｋ ＝０．９， ＝０．６，变异概率中ｋ ＝０．１， ＝０．００１。 分别用ＢＰ神经网络和模糊神经网络２种方法 【也／ 对网络进行训练，训练结果见表１。 表１不同算法的训练结果比较 式中： 和 分别为适应值低于种群平均适应值的 个体的交叉率和变异率； 和ｋ 分别为每代群体中 最优个体的交叉率和变异率；＿厂 为杂交运算前父代 双亲中较大的适应值； 和－厂ａ 分别为每代群体中 的最大适应值和平均适应值；－厂为变异个体的适应 值。 由表１可见，对于相同的一组学习样本集、不同 算法训练的网络，模糊神经网络算法训练的时问比 ＢＰ算法训练的时间短且误差精度高。 ３）网络验证 ３ 电力变压器的故障诊断 １）输入和输出向量的确定 采用检测到的１０组变压器故障实例来验证网 络，模糊神经网络诊断结果和实际故障及三比值诊 断结果相比较可见，模糊神经网络算法对电力变压 为避免模糊神经网络的输入向量过大而导致饱 和，利用变压器油中气体Ｈ ，ＣＨ ，Ｃ２Ｈ ，Ｃ２Ｈ ，Ｃ２Ｈ 来判定变压器发生故障的类型，各气体含量占５种 气体含量总和的百分比作为模糊神经网络的输人向 器故障诊断的准确性比三比值诊断法好，诊断结果 与实际故障基本一致。诊断结果见表２。 表２诊断结果的比较 代表没有诊断出故障 ４结束语 该文采用遗传算法优化模糊神经网络的算法来 对电力变压器进行故障诊断。通过模糊神经网络优 化局部性参数和遗传算法优化全局性参数的方法， 较好地解决了模糊神经网络算法易陷入局部极小的 问题，明显提高了计算精度、收敛速度及计算的稳定 （下转第ｌ４页） ・ｌ４・ 表２判断矩阵阶数与曰，对应关系 工业仪表与自动化装置 ２０１０年第５期 又由计算过程可知，方案４电磁弹射权重值也 ５ １．１２ 判断矩阵阶数 Ｒ／１ ０ ２ ０ ３ ０．５８ ４ ０．９ 较高，是很好的在轨发射方式，分析方案层对准则层 的判断矩阵口，限制其应用的主要是技术风险这一 准则，其工作所需低压大电流的发射电源是限制其 应用于实际的主要因素，电磁弹射将是未来的发展 方向。 判断矩阵阶数 ＲＩ ６ １．２４ ７ １．３２ ８ １．４１ ９ １．４５ １０ １．４９ 计算一致性比率ＣＲ，有 ＣＲ＝丽ＣＩ （５） ３ 结束语 １）层次分析法是一种实用的多准则决策方法，给 出方案问相对重要性的定量表示，判断方案优劣。弥 补传统的凭经验选择设计方案的片面Ｊｆ生和局限Ｉ生。 ２）该文介绍了在轨发射方式的分类，分析了各 种发射方式的优缺点，应用层次分析法，得出火工发 当ＣＲ＜Ｏ．１时，认为矩阵的一致性指标满足要 求。 平均随机一致性指标Ｒ／＝１．１２（查表２），一致 性比率ＣＲ如表３所示。 ＣＲ＜Ｏ．１，一致性检验说明判断矩阵一致性较 好。 表３各矩阵的ＣＲ值 射与压缩气体弹射是现阶段最优的发射方式，电磁 弹射将是未来的发展方向。 ３）构造层次结构模型，明确评价目标，充分研 究对象属性，听取专家意见。判断矩阵的建立应向 各学科结构和职业结构的专家咨询。这也是该文的 ２．５方案总排序 不足之处。 参考文献： ［１］ 徐福祥，林华宝．卫星工程概论［Ｍ］．北京：中国宇航 出版社，２００３． 求全体判断矩阵的合成权重向量，构造方案的 线性加权函数，将该方案所有指标相对于总目标的 权重进行线性组合，方案总权重为： Ｗ＝ｗＢ ＝［０．２２２ ３，０．１６８ ７，０．２２２ ７，０．１９２ ［２］ 陈烈民．航天器结构与机构［Ｍ］．北京：中国科学技术 ｍ版社，２００５． ［３］ 高滨．火工驱动分离装置的应用［Ｊ］．航天返回与遥 感，２００４（３）：５５—５９． ０，０．１９４ ２］ 由结果可知，方案３火工弹射和方案１压缩气 体弹射方案总权重值最大，分析方案层对准则层的 判断矩阵曰，火工弹射技术成熟，风险小，重量轻，可 ［４］ 蔡逢春，盂宪红．ｊ｝ｊ于连接与分离的非火工装置［Ｊ］． 航天返同与遥感，２００５（１２）：５Ｏ一５５． 靠性高，所以大多数卫星分离采用火工分离，这也与 计算相符。由准则层对目标层的判断矩阵Ａ可知， 在轨发射对发射速度是否可控要求较高，权重值大， 压缩气体弹射方案的可控权重值较大，所以两方案 总权重值基本相同。 （上接第５页） ［５］覃慧．航天器在轨对地释放技术概念研究［Ｄ］．国防 科学技术大学硕士学位论文，２００６． ［６］ 陈小前，袁建平．航天器在轨服务技术［Ｍ］．北京：中 国宇航ｍ版社，２００９． ［７］ 秦寿康．综合评价原理与应用［Ｍ］．北京：电子工业出 版社．２００３． Ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ ｂｖ ＥｉＴｏｒ Ｐｒｏｐａｇａｔｉｏｎ ｉｎ Ｐａｒａｌｌ ｅｌ Ｄｉｓｔｒｉｂｕ— ｔｅｄ Ｐｒｏｃｅｓｓｉｎｇ：ｅｘｐｌｏｒａｔｉｏｎｓ ｉｎ ｍｉｃｒｏｓｔｒｕｃｔｕｒｅ ｏｆ ｃｏｇｎｉｔｉｏｎ 性，较准确地诊断出结果，提高了诊断的可靠性，适 用于电力变压器的故障诊断。 参考文献： Ｉ．『Ｒ１．Ｃａｍｂｒｉｄｇｅ．ＭＡ：ＭＩＴ Ｐｒｅｓｓ，１９８６：３１８—３６２． ［５］ 徐青山．电力系统故障诊断及故障恢复［Ｍ］．北京：中 国电力出版社，２００７：７９—８１． 『１］ 董其国．电力变压器故障与诊断［Ｍ］．北京：中国电力 出版社，２００１． ［６］ 李国勇．智能控制及其ＭＡＴＬＡＢ实现［Ｍ］．北京：电子 Ｔ业出版社，２００５． ２］钱之银，陆志浩，楼其民，等．变压器油中溶解气体判 断方法综述［Ｊ］．高电压技术，２００２，３８（６）：３４—３７． ［７］ 巩敦卫，潘凤萍．自适应遗传算法理论及应用［Ｍ］．徐 州：中国矿业大学出版社，２００３． ３］ 王少芳，蔡金锭．ＧＡ—ＢＰ混合算法在变压器色谱诊断 法中的应用［Ｊ］．高电压技术，２００３，２９（７）：３－６． 『４］ Ｒｕｍｅｌｈａｒｔ ＤＢ，Ｈｉｎｔｏｎ ＧＥ，Ｗｉｌｌｉａｍｓ ＲＪ．Ｌｅａｒｎｉｎｇ Ｉｎｔｅｒｎａｌ ［８］ 王财胜，孙财新，廖瑞金．变压器色谱监测中的ＢＰＮＮ故 障诊断法［Ｊ］．中国电机工程学报，１９９７，１７（５）：３２２—３２５．