摘要：在电力变压器故障诊断方法中，BP神经网络采用的反向传播算法存在着易陷入局部极小点和对初值要求较高的缺点，往往给故障诊断带来困难。文中提出了一种基于膜运算优化BP神经网络的变压器故障诊断方法，用实数编码的膜运算来代替人解决BP神经网络结构的选择和参数的设定。在整个学习过程中，网络的复杂度、收敛性和泛化能力得到了较好的综合
关键字：电力变压器；故障诊断；油中溶解气体分析；膜运算；BP神经网络
0 引言
目前很多人工智能的方法如神经网络、遗传算法、专家系统、聚类分析、灰色理论、支持向量机、粗糙集等 手段来判断变压器故障，它们中的一种或几种集成的方法被应用于电力变压器绝缘诊断中，并取得了较好的诊断效果。但是，由于变压器故障的复杂性及运行环境的恶劣，实际现场数据的采集精度及数量也很有限，需要应用先验知识，使得以上方法在诊断能力、适用性和知识获取方面还不尽如人意，这就需要尝试应用一些新的智能技术进行变压器故障诊断。同时，单一智能方法都具有自身的局限性，但结合使用可以实现智能互补，这是探索变压器故障诊断的一条新途径。
1膜运算
膜运算的主要思想是：在保持信息系统分类能力不变的情况下，优化BP神经网络的初始权（阈）值；而BP网络则被认为是目前不确定知识表达和推理领域最有效的理论模型之一。随着近些年网络推理理论的发展和完善，人们正在努力开发使其在实际领域中应用，本文基于膜运算和BP神经网络方法，提出了对电力变压器故障诊断的膜运算优化BP神经网络模型，将膜运算和BP神经网络方法有机的结合并引入大型变压器的故障诊断。
1.3 编码
标准的P系统一般采用字符或字符串作为对象。这里用所有实数R的组合作为对象，这些对象类似于进化算法中的染色体。问题的可行解被编码成膜计算中的对象。不同于遗传算法的二进制编码，CMC算法用十进制编码。结果从环境中收集，结果字符串也由十进制组成，也就是正实数。结果字符串由所有目标函数的变量串联组成。
1.2 适应度函数
膜运算操作对象是神经网络的初始权值和阈值，将BP神经网络的初始权值和阈值编码成一个对象集，构成一个实数组，产生[-1，1]之间的若干随机数（对象集）作为膜运算的初始种群。在膜运算操作结束后，对最优解译码，计算出权值和阈值，求出相应的实际输出值y。
CMC优化BP的参数与结构，须有一个用于评价对象集的适应度函数。本文中CMC将对象集上表示的各参数和结构编码分配到BP中，网络以训练样本为输入、输出，运行后返回误差平方和的倒数作为对象集的适应度函数，即
1.4规则
与遗传算法（GA）相似，细胞状膜计算优化方法的基本规则也是选择、交叉、变异等规则。另外，本章所提出的膜计算方法引入了交流规则，使得各个膜可以彼此交换对象。因此规则集可描述如下：
2 CMC-BP算法的实现
本文采用的是根据CMC解空间遍及整个搜索空间的特性，从随机解集中，计算出在最优解，以此形成BP结构的初值，再由BP的权值阈值做反向传播计算，以达到全局最优点。这样，既可以保证收敛的全局最优点，又能保证收敛的速度。
具体操作过程按如下步骤实现：
（1）根据神经网络的输入、输出样本集建立神经网络的拓扑结构，初始化网络的权值和阈值，将神经元之间所有的连接权值和阈值编码成实数表示种群中的对象集，随机给定初始化种群。
（2）根据输入、输出样本对神经网络输入的样本进行学习训练，计算E值。计算适应度值，分配到各个膜中。
（3）每个膜根据自身规则轮流进化，分别进行选择、交叉、变异操作，其规则使用的先后次序可以是任意的。
（4）等到每个膜运行指定代数之后，根据交流规则，各个膜彼此交换它们的一些对象。
（5）如果运行达到指定代数，则表层膜输出优化后的权值和阈值。否则，返回（4）。
（6）训练BP网络，保存神经网络的权值和阈值。
（7）输入测试样本，测试建立的网络是否满足条件。
3 CMC-BP算法在变压器故障诊断中的应用
3.1 输入输出模式是确定
为避免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 ， ， ， ， 五种气体体积值来判定变压器发生故障的类型，各气体含量值为神经网络的输入向量。而变压器常见的故障类型有低温过热，中温过热，高温过热，局部放电，低能放电，高能放电等。对于输出向量，本文将局部放电合并到低能放电故障只中，采用低温过热，中温过热，高温过热，低能放电，高能放电5个输出神经元分别表示为T1，T2，T3，D1，D2。
网络各输出值在[0，1]范围内变化表示故障发生的概率，量化地体现故障模式识别的结果，如输出为[1，0，0，0，0]，表明变压器为低温过热故障。经验表明，故障概率一般大于0.6则可基本确定此故障类型。为提高变压器单一故障诊断正确率，本文采用相对概率比较的方法，即最大概率值取1，其余化0。
3.2 训练样本的选取
本文搜集了380组典型的变压器油中溶解气体分析（DGA）检测记录和相应已确定的实际故障结果，将这些样本分为两部分：选择280组DGA数据作为网络学习样本；另外100组样本数据可作为本文后面部分网络识别变压器故障之用。网络训练的280组样本如表1所示。
3.3 网络的训练
分别用BP算法、GA-BP算法和CMC-BP算法对网络进行30次训练，训练结果平均值如表2所示。三种算法中涉及相同参数设置时，均设置为相同值。具体参数设置如下：种群规模200，迭代次数500，遗传代数1000，学习速率0.01。根据试证法，络隐含层节点个数为9，条件代数为3。
由表2可以看出，相同层次结构的神经网络，对于同一组训练样本，应用本文的CMC-BP算法训练，其平均收敛代数最小，最终平均误差最小。相比其他2种算法，CMC-BP算法的收敛速度快，计算精度较高，具有更好的收敛性，更容易找到全局最优解。且实验表明，CMC-BP算法训练结果相对波动较小，稳定性较好。
参考文献：
[1] 段侯峰.基于遗传算法优化BP神经网络的故障诊断[D].北京交通大学.2008.
[2] 熊浩，孙才新，廖瑞金，等．基于核可能性聚类算法和油中溶解气体分析的电力变压器故障诊断研究[J].中国电机工程学报，2004，25（20）：162-166．
[3] 彭宁云，文习山，王一，等．基于线性分类器的充油变压器潜伏性故障诊断方法[J].中国电机工程学报，2004，24（6）：147-151．
[4] 徐文，王大忠，周泽存等. 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.
论文作者:闻铖,陈俊峰,莫长宇
论文发表刊物:《电力设备》2017年第6期
论文发表时间:2017/6/13
标签：神经网络论文; 算法论文; 变压器论文; 故障诊断论文; 阈值论文; 样本论文; 对象论文; 《电力设备》2017年第6期论文;