改进的遗传优化BP－NN在变电站故障区域中的研究

陈运蓬，赵 飞

（国网山西省电力公司大同供电公司，太原 030001）

改进的遗传优化BP－NN在变电站故障区域中的研究

陈运蓬，赵 飞

（国网山西省电力公司大同供电公司，太原 030001）

BP神经网络（Back Propagation Neural Network，BP－NN）具有良好的自学习能力以及自适应和泛化能力，但运算过程中容易陷入局部极小值，同时隐含层节点数的选择也影响着诊断的效果；文中根据经验公式缩小隐层节点数范围，在小范围里寻找最优的隐层节点数；根据遗传算法（Genetic Algorithm，GA）具有全局寻优的特点，用遗传算法优化BP神经网络训练的初始权值阈值，可以避免BP神经网络陷入局部极小的问题；但是，传统遗传算法也有自身的缺点，其在全局寻优的过程中，易陷入“早熟”的问题；为了解决传统遗传算法“早熟”现象，文中提出了一种协同进化的遗传算法，即使用3个种群同时进化的遗传算法，协同进化遗传算法不但可以避免传统遗传算法的“早熟”问题，而且可以加强局部搜索提高运行效率；将协同进化遗传算法应用到BP神经网络中，仿真结果表明，该方法可以准确有效地诊断出变电站故障元件，提高变电站故障诊断过程中的容错性及效果。

BP神经网络；隐含层；遗传算法；协同进化；容错性

0 引言

随着经济的蓬勃发展，我国电力行业的发展向着更大容量、自动化水平更高的方向转变［1］。对于变电站运行稳定性的要求越来越高，变电站运行中出现的故障给供电公司及用户带来巨大损失，变电站故障的有效诊断是保证电力系统安全可靠运行的重要手段［2］。由于以前受到一定条件的限制，传统的变电站诊断手段依赖人工实现，人工诊断方式依靠是长期积累的经验来定位变电站故障的位置，准确性比较差，并且诊断速度也比较慢。随着诊断技术的发展，自适应模糊神经网络［3］、模糊集［4］等方法被引入到变电站故障诊断中。但是，这些方法存在着局限性［5 6］。根据这些诊断方法的优缺点，同时针对已有BP神经网络在变电站故障诊断中的不足［7］，本文在基于协同进化遗传算法优化BP神经网络中加入了确定隐层节点数的思想，能够解决BP神经网络容易陷入局部极小值的问题，提高电网故障诊断的容错性，有效地定位故障位置。

1 BP-NN在变电站故障诊断中的应用

BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络［8］。它的学习规则是使用最速下降法，在学习过程中，分为两个部分，信号的正向传播和误差的反向传播。信号的正向传播是输入样本传到输入层再到各隐含层最后传到输出层，若正向传播计算的输出与期望的输出之间存在误差，则将误差信号反向传播，调整权值和阈值，直到输出满足要求。BP神经网络模型拓扑结构包括输入层（input layer）、一个或多个隐层（hidden layer）和输出层（output layer）。

BP神经网络实现从输入到输出的映射，数学理论已经证明，它具有实现任何复杂的非线性映射功能，不需要建立模型，了解其内部流程，只需输入获得输出［9］。因此，BP神经网络比较广泛地应用在变电站故障诊断中。

文献［10-11］说明了BP神经网络在变电站故障诊断中的具体应用，首先将保护器和断路器的动作信息及电气量信息作为网络的输入，将被诊断元件的状态作为输出，构成相应的故障决策表，以此来建立诊断模型。利用故障样本对神经网络进行训练，训练完毕后，神经网络就获得了通用的诊断知识，变电站发生故障时，将故障模式输入到训练好的网络中，即可得出诊断结果。

BP神经网络是一种局部寻优的算法，当网络训练故障决策表的时候可能会面临局部极小化的问题，造成网络训练失败。同时，网络隐层节点数的选择，影响网络的收敛速度，容错能力等。

2 优化BP-NN算法设计

2.1 BP神经网络隐层节点数确定

神经网络隐含层节点数的确定是个复杂的问题［12］。隐含层节点数影响着故障诊断的效果。如果节点数太少，则在诊断过程中获得的有效的诊断信息比较少，难达到准确的诊断。如果节点数太多，不仅使网络学习训练时间过长，而且会导致容错性差、泛化能力下降等。所以隐含层节点数的选择也很重要。文中根据以下2种经验公式［13］：

式中，S1为隐含层节点数；R为输入层节点数；S2为输出层节点数；a为区间［1 10］的某一整数。缩小隐层节点数的取值范围，通过网络训练得出的训练误差来选择隐层最佳节点数，算法设计如下：

1）由经验公式缩小隐层节点数范围。

2）建立神经网络，将确定的隐层节点数区间内的整数分别作为隐层节点个数，训练样本。

3）记录每一次训练结果的训练误差并绘制成曲线图，曲线图中最低点的误差值所对应的区间内的某一值，就是理想的隐含节点数。

2.2 协同进化遗传算法优化BP-NN

文中采用3个种群的协同进化遗传算法优化BP神经网络的初始权值阈值，然后利用网络的训练算法在这个局部解空间里寻找最优权值阈值。算法设计如下：

1）初始化BP神经网络，确定网络的结构和学习规则以及遗传算法中染色体长度（隐层和输出层的权值和阈值的个数）。

2）初始化遗传算法中的参数（包括迭代次数、种群规模、交叉和变异概率的选择等）以及种群1、种群2、种群3，选择遗传算法所需要的适应度函数。

3）选取每个种群的代表个体，形成完整解，计算适应度值，进行评价。

4）3个种群分别进行遗传算法的选择、交叉、变异操作，对父本进行处理，产生新一代种群。

5）判断结束进化条件，如果满足，则进化停止，输出最优结果，否则转步骤3）继续进化。

6）将输出的最优个体解码为BP神经网络的初始权值阈值。

7）训练网络。

遗传算法适应度函数的选取是关键，文中主要是以协同进化遗传算法来优化BP神经网络，找出最佳的染色体使BP神经网络的误差平方和最小，所以遗传算法的适应度函数可以选取为BP神经网络误差平方和，即遗传算法的适应度函数如下所示：

3 诊断实例及分析

3.1 诊断过程

变电站内的主要核心元件是变压器、线路、母线，并且都配备保护装置。为节约时间。可以分别建立变电站核心元件的神经网络故障诊断模型，形成子网络，分区域诊断。本文为验证协同进化的遗传优化BP－NN方法的有效性，分别与单纯的BP神经网络和基于遗传优化BP－NN的方法进行对比分析。以图1变电站中线路故障诊断为例。

图1简单变电站线路图

图1所示简单变电站线路图，分为5个故障区域（Secl－Sec5），均配有过流保护（CO1－CO5）以及断路器保护开关（QF1－QF5），Secl和Sec3配有距离保护（RRl、RR3）。

针对图1所示的变电站线路模型，选取相应的故障决策表，过流保护以及断路器保护开关、距离保护为决策表的判断条件，在神经网络中作为输入量。故障区域（Secl－Sec5）为决策表的决策属性，在神经网络中作为输出量。故障决策表见表1共有13组训练样本，每一组有12个判断条件，所以输入节点为12个。输出层节点数为6个，对应于5个故障区域和1个无故障区域。图2是经MATLAB用文中确定隐层节点数方法的仿真图，由图中可知开始均方差比较大，随着节点数增加，均方差减小，当隐层节点数为13时，均方差最小为3.541 1×10－6。图3表示的是遗传算法优化BP神经网络的适应度曲线，经过大约100代的搜索后，染色体的平均适应度和最佳适应度趋于稳定。3种方法的网络拓扑结构采用典型的三层结构，其他网络参数设置相同。对于文中方法中的协同进化遗传算法参数设置为种群规模为30，遗传代数为100，交叉概率为0.5，变异概率为0.1。3种方法的训练结果见表3。

表2给出了含有保护装置误动信息的6个故障样本，对照故障决策表可知，样本1和6是断路器误动，样本2是过流保护装置误动，样本3－5是断路器拒动。表4为故障样本诊断结果。

表1 故障决策表

图2 均方差与隐层节点数关系仿真图

图3 适应度曲线仿真图

表2 故障样本对应的故障信息

表33 种算法训练结果

续表

表43 种算法诊断结果

3.2 实验结果分析

在相同的网络结构和网络参数下，从3种方法的训练效果对比，3种方法都可以准确定位训练样本的故障位置，且在数据上相差不大，训练效果都比较明显。

对含有故障信息的故障样本诊断的结果分析，CGA－BP的诊断效果优于GA－BP和BP神经网络的诊断效果，GABP优于BP神经网络的诊断效果。前者在本例中可以达到100%的诊断效果，次者可以达到近90%的诊断效果，后者可达到50%的诊断效果。但是次者在诊断数据上较差于前者。后者诊断效果最差，但是所诊断出故障的数据稍好于次者。同时前者的诊断时间为8.124 1秒，次者诊断时间为8.337 2秒，后者诊断时间为8.031 1秒。

4 结束语

由仿真对比结果可以看出，文中方法在协同进化遗传算法优化BP神经网络的初始权值阈值可以有效的定位变电站故障位置，提高了变电站故障诊断的容错性，避免了单纯的BP神经网络容易陷入局部极小的不足，同时发挥了遗传算法和BP神经网络两者各自的优势，有效地提升了变电站故障诊断的性能。下一步的工作重点是对规模更大、结构更复杂的变电站进行故障诊断以及缩短文中方法网络训练过程的时间的研究。

［1］杨 兵，丁 辉，罗为民，等.基于知识库的变压器故障诊断专家系统［J］.中国电机工程学报，2002，20（10）：121-124.

［2］苏宏升，李群湛.基于粗糙集理论和神经网络模型的变电站故障诊断方法［J］.电网技术，2005，29（16）：66-70.

［3］边 莉，边晨源.电网故障诊断的智能方法综述［J］.电力系统保护与控制，2014，42（3）：146-153.

［4］张东英，钟华兵，杨以涵，等.基于BP神经网络和专家系统的变电站报警信息处理系统［J］.电力系统自动化，2001，25（9）：45-47.

［5］尹朝庆.人工智能与专家系统［M］.北京：中国水利水电出版社，2009.

［6］曾孝平，李勇明，王 靖，等.基于竞争策略的链式智能体遗传算法用于特征选择的研究［J］.系统仿真学报，2008，20（8）：1973 -1979.

［7］毕天姝，倪以信，吴复立.基于新型神经网络的电网故障诊断方法 ［J］.中国电机工程学报，2002，22（2）：73-78.

［8］吕 霁.基于遗传算法优化神经网络的房地产评估模型及实证研究 ［J］.计算机科学，2014，41（11A）：75-77，87.

［9］鄂加强.智能故障诊断及其应用［M］.长沙：湖南大学出版社，2006.

［10］郭创新，朱传柏，曹一家.电力系统故障诊断的研究现状与发展趋势［J］.电力系统自动化，2006，30（8）：98-103.

［11］郭阳明，冉从宝，姬昕禹.基于组合优化BP神经网络的模拟电路故障诊断［J］.西北工业大学学报，2013，31（1）：44-48.

［12］刘 超，何正友，杨健维.基于量子神经网络的电网故障诊断算法 ［J］.电网技术，2008，32（9）：56-60.

［13］严 鸿，管燕萍.BP神经网络隐层单元数的确定方法及实例［J］.控制工程，2009，16（S1）：100-102.

Substation Fault Zone Research Based on Improved Genetic Algorithm Optimization BP－NN

Chen Yunpeng，Zhao Fei

（State Grid Shanxi Electric Power Company Datong Power Company，Taiyuan 030001，China）

BP neural network has a good self－learning and adaptive ability and generalization ability，but the operation process easy to fall into local minima.At the same time，the choice of hidden layer nodes number also affects the diagnosis effects.In this paper，according to the empirical formula，narrow down the range of hidden layer nodes and look for the optimal hidden layer nodes number in a small range.Based on genetic algorithm（GA）with the advantages of global optimization，adopting genetic algorithm to optimize initial weight and threshold value of BP neural network training can avoid falling into local minimum problem of BP neural network.However，the conventional genetic algorithm also has its own shortcomings，easy to fall into“premature”issue.In order to solve the traditional genetic algorithm“premature”phenomenon，the paper proposes a coevolutionary genetic algorithm，using three simultaneous evolution of population genetic algorithm，coevolutionary genetic algorithm not only avoid“premature”problem，but also strengthening local search to improve operating efficiency.The improved genetic algorithm applications to BP neural network.The simulation results show，the method can accurately and efficiently diagnose transformer substation fault location，and improve transformer substation fault diagnosis fault－tolerance and effect.

BP neural network，hidden layer；genetic algorithm；coevolution；fault－tolerance

1671-4598（2016）08-0044-05

10.16526／j.cnki.11－4762／tp.2016.08.012

：TP391

：A

2016-03-04；

：2016-03-29。

国网山西省电力公司科学技术项目（晋电发展（2015）184号）。

陈运蓬（1973-），男，吉林长春人，硕士，高级工程师，主要从事变电站故障诊断方向的研究。