改进粒子群优化神经网络的高压断路器故障诊断

乔维德

（无锡开放大学科研处，江苏无锡214011）

改进粒子群优化神经网络的高压断路器故障诊断

乔维德

（无锡开放大学科研处，江苏无锡214011）

摘要：在分析传统误差反向传播（BP）算法和标准粒子群优化（PSO）算法的特征及其问题基础上，提出一种改进粒子群优化（MPSO）算法和改进BP（MBP）算法，建立基于MPSO-MBP混合算法的高压断路器神经网络故障诊断模型.通过训练样本和测试样本的仿真对比分析，该方法能够实现高压断路器不同故障的有效诊断，提高高压断路器故障模式的识别能力，故障诊断准确率高、速度快.

关键词：高压断路器；MPSO-MBP；故障诊断

高压断路器是指在3 KV及以上电力系统中使用的断路器.高压断路器作为电力系统中极其重要的开关设备，在电网中承担着控制和保护的双重作用，其工作状态的优劣将直接影响电力系统的运行.高压断路器一旦发生故障，将会引起电网事故，导致较大的经济损失甚至人员伤亡，而高压断路器的绝大多数故障属于机械操作机构故障，主要因为机械特性不良所致［1］.所以，对高压断路器进行早期监测及故障诊断是保证电力系统安全可靠运行的重要措施之一.

随着计算机技术发展和对高压断路器机械故障原因研究的不断深入，催生了高压断路器故障诊断的诸多方法，如模糊推理、专家系统、神经网络等.其中大多数采用BP神经网络，但是应用传统的反向传播（Back Propagation，BP）神经网络进行故障诊断存在收敛速度慢、易陷入局部极小值等问题，收敛精度不高，甚至不收敛，从而降低高压断路器故障诊断的准确率.为此，有人提出采用粒子群优化（Particle Swarm Optimizer，PSO）算法调整BP神经网络权值阈值策略进行高压断路器的故障诊断，但由于寻优过程中会出现“早熟”现象而陷入局部最优，也直接影响高压断路器故障的准确诊断.鉴于此，为提高高压断路器的故障诊断性能，本文对标准的BP算法和粒子群优化算法进行一定的改进，并利用改进粒子群优化（Modified PSO，MPSO）算法与改进BP（Modified BP，MBP）算法相融合，形成基于MPSO—MBP混合算法，建立并优化高压断路器故障诊断的神经网络模型.仿真结果表明，基于MPSO-MBP神经网络的高压断路器故障诊断模型收敛速度快，故障诊断识别准确性高.

1　MBP及MPSO算法

考虑传统BP算法容易陷入局部极小且产生局部振荡，对BP算法作必要改进，使用基于动量和自适应学习的MBP算法，如式（1）和（2）所示.增加动量项可以减小BP网络学习过程出现的振荡；加入自适应学习，以不断修正学习率，防止学习率过小或过大、收敛速度过慢而引起的系统振荡甚至发散.

（1）（2）式中，α是动量因子，后面与其相乘项是加入的动量项；m与n为常数，且0＜n＜m；η为不断修正的学习率（或步长）；δ为网络层神经元的误差；Oi为网络层神经元输入信号.

标准PSO算法按下面（3）（4）式进行迭代，直至搜寻至粒子群中符合最小误差要求的最优位置.

上式中，j=1，2，…d，t是寻优迭代次数；Xij（t）是粒子第t代时的当前位置；Vij（t）是粒子第t代时的速度；ω是能让粒子维持运动惯性的惯性权重，C1、C2定义为加速或学习因子，它们各自调整向全局和向个体最优粒子方向飞行的最大步长，一般选择C1=C2=2；R1、R2均是［0，1］范围内的随机值.

在标准PSO算法寻优过程中，易出现早熟现象，且粒子在全局最优解附近会产生振荡问题.本文应用一种改进型的MPSO算法，使ω随粒子适配值自动调整.惯性权重ω的调整表达式为：

上式中，f是粒子适配值；fave表示每代粒子的平均适配值；fmax表示粒子群中最大适配值.

2　MPSO-MBP混合算法优化神经网络

通过有机融合MPSO与MBP两种算法，形成MPSO-MBP混合算法，并用于高压断路器故障诊断BP神经网络的学习训练.通过MPSO-MBP算法搜寻粒子适应度函数（均方误差）J为最小值时的神经网络最优权值和阈值.

其中，qjk是目标期望输出值，yjk为神经网络实际输出值，m为网络输出节点数，n为网络训练集样本数. MPSO-MBP算法优化BP神经网络的过程如下：

（1）根据BP神经网络的输入和输出样本数据集以及实际问题的求解问题，确定BP.神经网络输入层、隐含层和输出层节点数，搭建BP神经网络的拓扑结构.将网络各层所有神经元之间的连接权值和阈值分别编码为实数向量［2］，并对应表示为种群中的个体粒子.

（2）设定MPSO-MBP算法的参数，初始化粒子初始位置向量、速度向量、惯性权重ω、加速因子C1、C2，给定最大迭代次数，确定动量因子α，学习率η等.

（3）分析输入样本数据并对数据进行预处理，计算每个粒子对应的适应度函数值.

（4）针对每个粒子，让其适应度函数值与全局最好位置的适应度函数值作比较，如果较好，那么该位置就是当前的全局最好位置.

（5）应用PSO算法中的更新公式（1）（2）（3）分别修正更新粒子的速度和位置.

（6）测试每个粒子的速度和位置有没有越界，若已越界，则排除越界情况并且对粒子速度和位置进行重新更新.

（7）重新计算粒子的适应度值，且由粒子适应度自动改变和调整惯性权重，从而搜寻粒子最佳位置.

（8）当粒子适应度函数值J满足给定条件或达到最大迭代次数，则输出全局粒子最佳位置，并将其映射至BP神经网络的权值和阈值，停止迭代计算；否则就返回至（3）执行［3］.

（9）给经MPSO-MBP算法优化后的BP神经网络输入多组测试样本，通过分析网络输出，验证MPSO-MBP算法的性能.

MPSO-MBP算法优化BP神经网络的流程框图见图1.

图1　MPSO—MBP算法优化神经网络流程框图

3　基于MPSO—MBP神经网络的高压断路器故障诊断

3.1故障诊断样本集的建立

针对高压断路器的机械特性，本文以四川电器公司生产的型号为ZN42-27.5 KV户内单相高压真空断路器作为实验对象，使用KTC-2000型高压断路器机械特性测试仪现场采集测试断路器合/分闸电流数据，多次测量正常状态下的电流波形，以确认电流波形具备很好的重复性.典型的线圈正常电流波形如图2所示.

图2　断路器线圈正常电流波形

高压断路器线圈在t0时开始通电，电流呈指数上升至i2.在t1时刻铁芯开始运动，因为运动负荷的增加及铁芯的运动变化，致使线圈电流下降，并在t2时刻降至最低值i3.在t2～t3阶段，铁芯停止运动，线圈电流又呈指数上升至接近最大稳态值i1.在t3～t4阶段，线圈电流上升至最大稳态值i1.在t4～t5阶段，辅助开关分断，线圈电流快速下降直至为零.通过对高压断路器合/分闸电流变化波形分析，可以分别选取i1、i2、i3和t1、t2、t3、t4、t5为特征向量，从而建立高压断路器从特征空间到故障空间的对应关系样本集.

3.2高压断路器故障诊断系统结构

选取i1、i2、i3和t1、t2、t3、t4、t5等8个特征向量作为神经网络的输入量，选取断路器供电电源电压过低（Y1）、合闸铁芯开始阶段有卡涩（Y2）、操作机构有卡涩（Y3）、铁芯空行程过大（Y4）、辅助开关接触不良（Y5）共5种故障状态，神经网络的实际输出为［0，1］区间值［4］.其数值大小表示高压断路器发生的故障程度，数值越接近于1，代表发生此类的故障概率或故障程度就越大.比如，高压断路器发生操作机构有卡涩的故障时，网络神经元输出Y3的期望值是1，其它Y1、Y2、Y4、Y5的期望输出都是0.断路器故障类型与神经网络输出编码设定为表1中的一一对应关系.建立的高压断路器故障诊断系统结构如图3所示.为提高神经网络的学习速度，消除一些坏数据对网络学习精度的影响，本文按文献［1］中的归一化方法，将i1、i2、i3和t1、t2、t3、t4、t5等具有不同单位和量级（即A和 ms）的数据处理为，然后再输入神经网络.

3.3MPSO-MBP的参数设置及网络训练

在MPSO-MBP混合算法优化神经网络过程中，参数的初始化对于神经网络的性能有至关重要的影响与作用.通过多次尝试与仿真试验，设定最大迭代次数为500，群体规模为50，BP神经网络拓扑结构为8—15—5，粒子维数d=5×15+15×5+15+5=170，惯性权重最大值ωmax、惯性权重最小值ωmin分别设为0.78和0.35，初始学习率η取0.02，动量因子α取0.65.本文通过高压断路器机械特性测试仪现场获取45组断路器故障数据作为学习样本（因版面限制，在此省略），输入经MPSO-MBP优化的神经网络进行网络训练（训练目标误差精度设定为0.0001），最终确定神经网络最优连接权值和阈值.为便于对神经网络训练中不同算法的性能进行比较分析，本文选用MATLAB软件分别采用标准BP算法、标准PSO算法以及MPSO--MBP混合算法在相同情况下进行训练，训练结果及训练误差变化曲线如表2和图4所示.明显看出，采用MPSO—MBP混合算法训练神经网络，训练时间最短，训练步数最少，训练精度最高.

表1　故障类型对应的网络输出编码表

图3　基于MPSO-MBP的高压断路器故障诊断系统结构

表2　神经网络训练结果

图4　神经网络的训练误差曲线

3.4高压断器故障诊断系统的测试分析

随机选取现场检测的8组高压断路器故障数据（见表3），然后将其作为测试样本输入训练好的MPSO-MBP神经网络，得出表4对应样本的测试诊断结果.应用本文提出的高压断路器故障诊断方法，网络诊断结果与实际故障类型完全一致，诊断准确率高，可靠性好.

表3　高压断路器故障测试样本

4　结语

针对标准BP算法收敛速度慢、易陷入局部极小以及标准PSO算法易产生早熟和振荡现象等缺陷，提出改进的BP算法与改进的粒子群算法，并将两者有机结合形成MPSO-MBP混合算法优化高压断路器故障诊断神经网络.实例分析表明，利用合、分闸线圈电流曲线训练的神经网络，能够对高压断路器操作机构发生的各类故障作出准确判断，具有较好的实用价值.

表4　高压断路器故障测试样本网络诊断结果

参考文献：

［1］罗小安，翁陈宇.基于RBF神经网络在断路器故障诊断的研究［J］.电气应用，2007（4）：50-53.

［2］郭凤仪，马文龙，李斌. RBF神经网络在断路器故障诊断中的应用［J］.传感器与微系统，2010（9）：128-130.

［3］乔维德，基于微粒群算法的模糊控制在BLDCM中的应用［J］.微电机，2008（6）：90-92.

［4］杨凌霄，朱亚丽.基于概率神经网络的高压断路器故障诊断［J］.继电保护与控制，2015，43（10）：62-67.

High-Voltage Circuit Breaker Fault Diagnosis Based on Improved Particle Swarm Optimizer and Neural Network

QIAO Weide
（Scientific Research Office ,Wuxi Open University，Wuxi 214011，China）

Abstract：Based on the analysis of characteristics and problems of traditional error back propagation（BP）algorithm and standard particle swarm optimization（PSO）algorithm, this paper proposes an improved particle swarm optimization（MPSO）algorithm, improved BP（MBP）algorithm, and established a model of neural network for high-voltage circuit breaker fault diagnosis based on MPSO-MBP hybrid algorithm. By making a simulation comparison and an analysis of training samples and test samples, this method can realize effective diagnosis to different high-voltage circuit breaker fault, and improve the recognition ability of high-voltage circuit breaker fault mode. Therefore, the method has a high accuracy and a fast speed of fault diagnosis.

Key words：high-voltage circuit breaker；MPSO-MBP；fault diagnosis

中图分类号：TM561

文献标识码：A

文章编号：1008-2794（2016）02-0051-05

收稿日期：2015-12-07

基金项目：无锡市社会事业领军人才资助项目“高压断路器的优化控制研究”（WX530/2014/011）

通信作者：乔维德，教授，无锡开放大学科研处处长，研究方向：控制工程，E-mail：qiaowd@wxtvu.cn.