一种新的遗传算法及其在变压器故障诊断中的应用
邓宏贵1, 曹 建1, 罗 安2
(1. 中南大学 物理科学与技术学院,湖南长沙, 410083;
2. 湖南大学 电气与信息工程学院, 湖南长沙, 410082)
摘要: 提出了一种新的遗传算法,其基本思想是:以网络权重和偏差的实数形式作为基因构成染色体向量,采用基因多点交叉和动态变异进行种群最优选择。研究结果表明,这种新的遗传算法是一种随机优化算法,克服了梯度下降法的不足,能够自动调节网络参数、网络的连接权重和偏差。在此基础上设计出一种基于遗传算法和溶解气体分析的变压器故障在线诊断系统。该系统只要将传感器测出的变压器中线圈电流、特征气体的含量作为输入参数,就能对信息进行融合分析,得到输入变量(线圈电流、溶解气体含量)与输出结果(故障类型、程度和部位)的复杂对应关系;能有效地减少输入层神经元的个数,改进网络内部结构,提高神经网络模型的学习效率和诊断的准确率,诊断精度高,漏报少,无误报现象。
关键词: 遗传算法;变压器;故障诊断
中图分类号:TM731; TP206+.3 文献标识码:A 文章编号: 1672-7207(2005)03-0481-05
A novel genetic algorithm and its application to transformer fault diagnosis
DENG Hong-gui1, CAO Jian2, LUO An1
(1. School of Physics Science and Technology, Central South University, Changsha 410083, China;
2. School of Electric and Information Engineering, Hunan University, Changsha 410082, China)
Abstract: A novel genetic algorithm is presented. The algorithm is intended to select the individuals with a smaller unfitness value in virtue of multi-point crossover and mutation in which gene vectors are composed of connection weights and bias terms of the neural networks. The results show that the system can ascertain complex corresponding relationship between input parameters (winding current, dissolved gas content) and outcome(fault type, severity, position) in virtue of windings current of power transformer, dissolved gas content from sensor. The random optimized algorithm overcomes the deficiency of grads descend algorithm and can automatically tune the network parameters, connection weights and bias terms of the neural networks, an online diagnosis system is set up based on the genetic algorithm and dissovled gas analysis (DGA). The algorithm can decrease the number of the network input nerve cells effectively and ameliorate network inner structural and improve the study efficiency and veracity. So the system brings about accurate diagnosis, less leaked diagnosis, and diagnosis without mistake.
Key words: genetic algorithm; transformer; fault diagnosis
近年来,一些研究者提出了多种电力变压器的故障诊断方法,如模糊专家系统、自适应自学习模糊诊断系统、人工神经网络、模糊数学的方法等[1-4]。C.E.LIN等[5]为了解决变压器中不精确、不全面的故障诊断难题,对故障类型进行了模糊化,诊断结果较理想。然而,由于隶属函数和推理规则由实际经验和反复试验决定,所以,模糊专家系统不能利用历史诊断结果;Y.C.M.Huang等[6, 7]利用自适应自学习模糊诊断系统直接从训练数据中获得知识,克服了模糊专家系统的不足,然而,由于隶属函数和推理规则作用的同时性,分类属性和模糊分割局限于控制变量的数量减少;Y.ZHANG等[8,9]利用人工神经网络(ANN)具有数学建模中精确、有效,出错概率小,实时响应快等优点,构建出ANN诊断系统。该系统能通过新采集的信号加强训练获得新经验,能根据经验推理,对故障进行有效预估。这种按照误差反向传播算法训练好的ANN具有很强的诊断能力,然而,有些问题如局部收敛、结论推断和控制参数必须在ANN实际应用前得到解决。在ANN中,误差反向传播算法建立在梯度下降法基础上,利用分类误差修改连接权重和偏差,它的搜寻空间常常包括局部最小量,所以,梯度下降法会减弱方案的优越性,降低ANN的性能。可见,以上诊断方法对在诊断过程中出现的故障现象与故障原因之间的不确定性关系问题的处理存在明显的缺陷,不能有效实现在线监测。在此, 笔者提出一种新的遗传算法, 并在此基础上设计出一种基于遗传算法和溶解气体分析(DGA)的变压器故障在线检测系统。
1 新遗传算法
传统遗传算法(GA)是根据自然选择规律建立的随机搜寻算法,采用逐步进化逼近。但是, 这种方法所采用的选择规律有一个潜在的不足:优者可能无后代,从而引起随机误差。为了提高GA的性能,这里采用基因多点交叉遗传算法。
1.1 实数编码
传统遗传算法采用二进制编码,将决策变量编码为二进制数,然后,对各染色体根据一定的概率进行交叉和变异,最终得到所需要的最优解。这种方法对自变量取值范围给定的优化问题效果较好,但二进制编码缺点也很明显,如编码冗长,尤其是当决策变量较多而精度要求又比较高时,编码很长。更主要的是,二进制编码不能有效扩展搜索空间,只能在初始区间内取值。因为编码所能取得的最大值和最小值分别对应搜索空间的上限和下限,故这里采用不同于传统遗传算法的实数编码,在编码过程中,以网络的各个权重和偏差作为基因,每个网络的各个基因组成染色体向量V=[v1,…,vk,…,vn]。其中,vk(k=1,2,…,n)为染色体中第k个基因对应的神经网络的权重,采用实数形式,即为权重或偏差的实际值。
1.2 遗传算法及其对神经网络的优化
对于给定结构的前馈型网络,计其权重(或偏差)为v1,…,vk,…,vn,组成染色体向量V(其中, vk为第k个权重),然后,按照如下过程进行优化,直接得到满意的网络[10]:
第1步:繁殖。 随机产生初始群体V1,V2,…,Vpop-size。
第2步:交叉。 按一定的交叉概率Pc选择参与交叉的染色体种群,随机选用算术交叉或基于方向的交叉。
a. 算术交叉定义为2个染色体的如下组合方式:
V1′=λV1+(1-λ)V2;
V2′=λV2+(1-λ)V1。(1)
b. 基于方向的交叉定义为:
V1′=λ(V1-V2)+V1;
V2′=λ(V2-V1)+V2。(2)
其中,λ为[0,1]的随机数。
算术交叉可以保证产生的后代位于2个染色体之间,而基于方向的交叉则可以有效扩展搜索空间,这对遗传算法的迭代尤为重要。因为神经网络的初始权重不可能分布整个实数空间,而只能在某一范围内取值,而基于方向的交叉可以减小这种人为限制的负面影响。
第3步:动态变异。它是为提高精度,增加微调能力而设计的。对于种群中的所有基因,按给定的变异概率Pm选择被变异的基因。若父代染色体V中元素vk被选出作变异,则后代为V′=[v1,…,vk′,…,vn]。其中:
vk=vk+Δ(t,vuk-vk);(3)
或
vk′=vk-Δ(t,vk-vlk)。(4)
其中:vuk和vlk分别对应变量vk的上、下界。
函数Δ(t,y)返回[0,y]中的1个值,使得Δ(t,y)随t增加而趋于0(t为代数)。函数的这种性质使得在初始迭代时,搜索均匀分布在整个空间,而到后期则分布在局部范围内,这是二进制编码难以做到的。
Δ(t,y)=y·γ·(1-t/T)b。(5)
其中:γ为[0,1]的随机数;T为最大代数;b为确定不均匀度的参数。
第4步:选择。以误差函数作为适值,若存在某一染色体的适值小于给定误差,则取该染色体作最优解。否则,按适值从父代和后代中选择最优染色体个数组成新一代种群,重复以上优化过程。
2 基于遗传算法的神经网络
为了防止ANN中采用梯度下降法造成局部收敛的问题,采用全局优化方式。利用上述遗传算法构建变压器故障诊断神经网络,如图1所示。网络具有输入层、映射层(隐层)和输出层。每一层的节点接受来自前一层的输入信号,并把输出传送到下一层。在下面的计算中,p,m和l分别表示输入层、隐含层和输出层的任意节点。网络输入(net)定义为加上权重的输入信号的总和减去偏移项,在隐含层m的输入节点,网络输入netm为:
其中:yp为输入层节点p的输出;ωmp为输入层到隐含层的权重;θm为隐含层节点m的偏差。
图 1 神经网络图
Fig. 1 Scheme of neural networks
隐含层节点m的输出ym为fm(netm),常用于处理非线性映射的“S”形函数,在这里用作触发函数:
隐含层的输出通过另外的权重送到输出层,输出层l的输出为:
式中:θl为输出层节点l的偏差。
在网络产生最佳输出以前,参数(连接权重和偏差)必须在学习过程中确定。节点之间权重可由下列最小误差函数调节:
式中:dl和yl分别表示节点l的理想输出和计算输出。
为了使E最小,利用梯度迭代法训练权重因子ωlm。
式中:i为迭代次数;η为学习速率;α为动量常数。
隐含层节点的权重ωmp可按以下公式计算:
偏差的调节方法跟上述方法完全类似。
输出层节点的输出隐含网络的调节参数、连接权重和偏差。神经网络的连接权重和偏差由上述遗传算法决定。
3 诊断系统设计
系统主要由数据采集、信息预处理和故障诊断3个模块组成。数据采集模块由变压器、脱气装置和传感器构成;信息预处理模块由气相色谱仪、气体定量检测的热导池检测器(TCD)、电流转电压装置及A/D转换几部分组成;故障诊断模块由CPU完成,诊断过程的关键是数据融合。数据融合是将来自多传感器或多源的信息和数据模仿专家的综合信息处理能力进行智能化处理。数据融合没有统一的方法,需要针对不同的应用背景采取有效的处理手段,选择相应的融合算法[17],这里采用的是作者提出的遗传算法,其具体结构如图2所示。
图 2 故障诊断系统结构框图
Fig. 2 Structure of system for fault diagnosis
4 现场测试
故障类型由某变电站专家根据多种DGA方式, 分组讨论进行验证。表1所示为针对变压器故障的162次采样训练结果。GNN建立在162条包含故障数据的实际气体比值记录上。需要说明的是,在收集过程中没有高能和低能粒子放电的故障采样,增加了受潮故障(表1中的故障代码6)。
表 1 针对变压器故障的162次采样训练结果
Table 1 Results of 162 records used for training data
设定2种情况测试诊断系统的诊断精度:
a. 选定3个广泛使用的气体体积之比值即V(C2H2)/V(C2H4 CH4)/V(H2)和V(C2H4)/V(C2H6)作输入变量。
b. 为了对故障进行分类,选择6种气体(H2,H2O,CH4,C2H6,C2H4和C2H2)体积作为输入变量。
据IEC/IEEE标准中GA方法和模糊逻辑诊断系统,对GNN和ANN采用相同的输入、隐含层和输出节点数对神经网络隐含层节点反复训练,把最优值选入诊断系统中。
FLDS-1和FLDS-2分别选用3个和5个输入属性,每一个属性包含3个模糊区域。FLDS-1和FLDS-2的参数设置如下: GNN-1的输入节点为3,隐层节点为8,输出节点为5; GNN-2的输入节点为5,隐层节点为12,输出节点为5; 遗传算法的交叉总数为3,交叉概率为0.6,变异概率为0.001; 神经网络的学习速率为0.25,动量常数为0.8,轮回数为4000,权重范围为[-1,1],偏移范围为[-1,1],总迭代次数为50,最大代数为30。
为了证实策略的优越性,对该策略进行学习能力、繁殖能力、容错能力等方面的测试。结果表明,GNN诊断精度高,全局搜寻能力强,繁殖性能好,容错性强。
5 结 论
a. 提出了以网络权重和偏差的实数形式作为基因构成染色体向量,以基因多点交叉和动态变异进行种群最优选择的新遗传算法。
b. 基于新遗传算法的神经网络可自动构建GNN连接权重和偏移项,从而建立变压器故障的精确诊断模型:将系统的状态映射到种群基因上,利用多传感器信息和专家知识对其进行约束,模拟故障的发展、演变过程,得出系统所处状态,达到故障诊断的目的。
c. 所建立的诊断系统可以部分克服专家知识缺少、不完备,信号随时间动态变化等缺陷,同时解决了只能诊断单一故障和非初因事件对诊断过程的干扰问题。
参考文献:
[1]王建元,纪延超. 模糊Petri网络知识表示方法及其在变压器故障诊断中的应用[J]. 中国电机工程学报, 2003, 23(1): 121-125.
WANG Jian-yuan, JI Yan-chao. Application of fuzzy Petri nets knowledge representation in electric power transformer fault diagnosis[J]. Proceedings of the CSEE, 2003, 23(1): 121-125.
[2]孙辉,李卫东,孙启忠. 判决树方法用于变压器故障诊断的研究[J]. 中国电机工程学报, 2001, 21(2): 50-55.
SUN Hui,LI Wei-dong,SUN Qi-zhong. Electric power transformer fault diagnosis using decision tree[J].Proceedings of the CSEE, 2001, 21(2): 50-55.
[3]钱政,严璋,罗承沐. 范例推理与模糊数学的变压器故障诊断方法[J].高电压技术,2001,27(6):1-5.
QIAN Zheng,YAN Zhang,LUO Cheng-mu. Fault diagnosis method of power transformer by integrating case-based reasoning with fuzzy theory and neural network[J].High Voltage Engineering,2001,27(6):1-5.
[4]Su Q, Mi C, Lal L L, et al. A fuzzy dissolved gas analysis method for the diagnosis of multiple incipient faults in a transformer[J]. IEEE Transactions on Power Systems,2000,15(2): 593-598.
[5]Lin C E, Ling J M, Huang C L. An expert system for transformer fault diagnosis and maintenance using dissolved gas analysis. [J]. IEEE Trans Power Deliv, 1993, 8(1): 231-238.
[6] Huang Y C M, Yang H T M, Huang C L. Developing a new transformer fault diagnosis system through evolutionary fuzzy logic[J]. IEEE Trans Power Deliv, 1997,12(2): 761-767.
[7] Yang H T, Liao C C. Adaptive fuzzy diagnosis system for dissolved gas analysis of power transformers[J]. IEEE Trans Power Deliv, 1999, 14(4): 1342-1350.
[8] Zhang Y, Ding X, Liu Y, et al. An artificial neural network approach to transformer fault diagnosis[J]. IEEE Trans Power Deliv, 1997,12(4):1836-1841.
[9] 玄光男, 程润伟. 遗传算法与工程设计[M].汪定伟, 唐加副, 黄敏,译. 北京:科学技术出版社,2000.
XUAN Guang-nan, CHENG Run-wei. The genetic algorithm and technologic design[M]. WANG Ding-wei, TANG Jia-fu, HUANG Min, translate. Beijing: Science & Technology Press, 2000.
[10]Kirtley J L, Jr W H, Hagman B C. Monitoring the health of transformer[J]. Comp App Power, 1996, 63(2): 18-23.
[11] 许仪勋, 陆拯, 郭志忠. 基于遗传算法的电力系统分层信息故障诊断方法[J]. 继电器, 2000, 28(10): 15-18.
XU Yi-xun, LU Zheng, GUO Zhi-zhong. Layered information fault diagnosis based on genetic algorithm[J]. Relay, 2000, 28(10): 15-18.
[12] 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.
WANG Shao-fang, CAI Jin-ding. Application of hybrid algorithm based on GA-BP in transformer diagnosis using GAS chromatographic method[J]. High voltage Engineering, 2003, 29(7): 3-6.
[13] 徐文, 王大忠. 结合遗传算法的人工神经网络在电力变压器故障诊断中的应用[J]. 中国电机工程学报, 1997, 17(2): 109-112.
XU Wen, WANG Da-zhong. Application of artificial neural network combined genetic algorithm in fault diagnosis of power transformer[J]. Proceeding of the CSEE, 1997, 17(2): 109-112.
[14]LIU Xian-yong, LIU Yun-luo, YUE Li. On-line monitoring of dissolved gas-in-oil with FTIR spectra[J]. Journal of University of Science and Technology Beijing, 2003, 10(4): 65-68.
[15] 李娟, 蔡晖. 电力变压器状态在线监测和故障诊断的新方法[J]. 电力自动化设备, 2002, 22(12): 60-63.
LI Juan, CAI Hui. Online monitoring and fault diagnosis of power transformer[J]. Electric Power Automation Equipment, 2002, 22(12): 60-63.
[16] 邓宏贵, 罗安, 刘雁群. 电力关键设备远程监测与故障诊断系统的研究[J]. 电网技术, 2003, 27(5): 51-54.
DENG Hong-gui, LUO An, LIU Yan-qun. Research on remote monitoring and fault diagnosis system for key equipment in power system[J]. Power System Technology, 2003, 27(5): 51-54.
[17] 罗桂娥, 杨欣荣, 曾明. 基于多传感器信息融合的油品水分检测系统[J]. 传感器技术, 2002, 21(11): 39-41.
LUO Gui-e,YANG Xin-rong, ZENG Ming. System design of water content detector in oil products based on multi sensors information fusion[J]. Journal of Transducer Technology, 2002, 21(11): 39-41.
收稿日期:2004 -11 -10
基金项目:国家计委自动化高新技术专项基金资助项目(计投资[2000]2498号); 国家自然科学基金资助项目(50277039)
作者简介:邓宏贵(1965-),男,湖南邵阳人,博士研究生,副教授,从事电力设备故障在线监测研究
论文联系人: 邓宏贵,男,博士研究生,副教授;电话:0731-8836424(O);E-mail:denghonggui@163.com
