基于优化遗传算法的变压器故障诊断方法研究

2014-10-15黄水平

机电信息 2014年18期

黄水平

（广东电网公司佛山供电局，广东佛山528000）

0 引言

变压器故障诊断是通过综合变压器故障时各种溶解气体因子对变压器故障程度的反映，识别变压器发生故障类型的一种科学方法。本文结合传统遗传算法和梯度下降BP神经网络形成优化遗传算法，应用于变压器故障类型的综合诊断，给出了优化遗传算法的变压器故障类型和变压器实际故障诊断结果对比。变压器故障的等级程度通过运用模糊理论对变压器诊断输出开展隶属度分析来确定。应用不同诊断方法对现场实际变压器故障进行诊断，试验结果表明，基于优化遗传算法的故障诊断方法计算速度快、精度高、鲁棒性强，可以有效直观地对变压器故障类型进行综合诊断，具有较强的应用价值。

1 优化遗传算法原理说明

由于遗传算法对局部信息的不灵敏性，因此需要较长时间才能收敛到最优点。而基于梯度局部信息搜索的梯度法具有搜索速度较快、易陷入局部最优的特点。把二者结合起来，结合传统遗传算法和梯度下降BP神经网络形成优化遗传算法，可以较快地得到全局最优解。这种优化遗传算法应用于系统归类识别，可以较快较好地获取参数估计值。

本文采用前向3层BP网络梯度下降算法进行全局次优点寻优，对全局最优点快速求解。输入层神经元个数为a，隐含层神经元个数为b，则3层BP网络输出表示为：

式中，Xi＝［x0，…，xm－1］T，为3层BP网络全局次优输入向量；W1为输入层和隐含层的b×a维系数矩阵；W2为隐含层和输出层的b×1维系数矩阵；b1为隐含层神经元偏差；b2为输出神经元偏差；f为变换函数取为SIGMOID函数，即

用于训练网络权值的性能指数函数为：

；ξi＝＾Si－Yi，为

因此，性能指数函数的下降梯度为：

标准递推算法调整BP网络系数为［1］：

式中，μ为学习因子。

输入训练采集数据，利用传统遗传算法和梯度下降算法，通过前向3层BP网络运算得出全局最优值，形成优化遗传算法的综合诊断模型。

2 基于优化遗传算法的变压器故障诊断

应用优化遗传算法进行变压器故障诊断，首先需要通过适当选取数学模型中未知参数，求取误差函数值极小值。基于遗传算法的变压器故障诊断基本思路：利用遗传算法快速并行搜索优势快速求解模型最优解。但传统遗传算法全局寻优耗时较长，如结合传统遗传算法和梯度下降BP神经网络优化遗传算法，可以较快地得到全局最优解。采用优化遗传算法在寻优上比传统遗传算法快而且准确。图1为基于优化遗传算法的变压器故障诊断原理框图。

图1 基于优化遗传算法的变压器故障诊断原理框图

3 优化GA模型变压器故障诊断实例

选择有代表性的重要影响因子作为变压器故障诊断的信息源。目前国内外普遍关注的变压器故障时变压器油中气体有 H2、CH4、C2H6、C2H4、C2H2等，这其中的每一种气体都是变压器故障的信息体现，反映变压器故障的现状。本文在诊断变压器故障类型时，选取变压器油中气体 H2、CH4、C2H6、C2H4、C2H2作为诊断因子。

为明确变压器故障诊断基准依据，按5个等级划分变压器故障类型：无故障、中低温过热、高温过热、低能量放电、高能量放电5个输出向量。其中，局部和比较微弱的火花放电为低能量放电，电弧和比较强烈的火花放电为高能量放电。

结合试验训练对比，参考文献［2］隐含层节点数的经验公式，选取隐层节点数为5个、输出层节点数为1个是较优的。因此，BP神经网络拓扑模式为5－5－1。设定变压器故障等级Ⅰ～Ⅴ级分别对应0．1、0．3、0．5、0．7、0．9的输出向量。

选出现场检查确定故障类型的25组样本数据［3］进行训练，并对样本数据执行标准化预处理。转化输入量为变压器油中气体含量相对值的百分比，进行变压器故障诊断网络训练。

均方差阈值定义为1E－5，当达到这个阈值时学习训练结束。25组样本数据的训练输出诊断结果如表1所示。