基于改进萤火虫算法优化ELM的电力电容器故障诊断

张博皓, 吕冰

(青岛科技大学 自动化与电子工程学院， 青岛 266100)

0 引言

随着电网向智能化、高压和超高压、大容量等方向发展，电力设备故障带来的损失日益增大，其中绝大数电力设备故障是由电力电容器故障所引起[1]，因此，如何高精度的诊断识别电力电容器故障具有重要的理论意义和实际价值。最近几年，很多学者将智能算法应用于电力电容器故障诊断，如人工神经网络[2]、粒子群算法[3]、遗传算法[4]、人工免疫算法[5]等。虽然上述方取得了一定程成果，但仍存在精度不高的问题。针对ELM分类预测的结果易受其初始输入权值和阀值的影响，提出一种改进萤火虫算法优化ELM的电力电容器故障诊断模型。研究结果表明，与其他算法比较可知，IFA_ELM可以有效提高电力电容器故障诊断的准确率和降低误判率，为电力电容器故障诊断提供新的方法和途径。

1 改进萤火虫算法

萤火虫算法[5](Fire-fly Algorithm，FA)是用萤火虫个体模拟搜索空间的点，利用萤火虫自身的趋光性，将寻优问题转化成为寻找萤火虫群体中亮度最大的萤火虫。每次迭代，找到亮度最大的萤火虫，通过萤火虫之间的吸引和移动实现萤火虫位置的更新。

萤火虫i向亮度更强的萤火虫j移动更新规则如式(1)[5]。

Xi=Xi+β(r)×(Xj-Xi)+α×(rand-1/2)

(1)

针对FA算法容易陷入局部最优和“早熟”的问题，提出一种自适应惯性权重的FA算法，自适应惯性权重公式如式(2)[6]。

(2)

其中，wmax、wmin表示惯性权重的最大值和最小值，取值分别为0.9和0.4，f、fmin、favg分别表示萤火虫当前适应度、所有萤火虫最小适应度和平均适应度。

2 极限学习机

极限学习机(Extreme Learning Machine，ELM)是在Moore-Penrose矩阵理论基础上提出的一种快速学习的单层前馈型神经网络算法。若ELM隐含层神经元数量为L个，训练样本N个，其矩阵形式为(xj,tj)∈Rn×Rm，其中xj=[xj1,xj2,…,xjn]T和tj=[tj1,tj2,…,tjm]T分别表示ELM的输入矩阵和输出矩阵，则ELM的输出为式(3)[7]。

(3)

(4)

其中，

则公式(4)的矩阵形式为式(5)。

HB=T

(5)

其中，H表示ELM的隐含层神经元的输出矩阵，xj:h(xj)表示第j行隐含层神经元对应输入xj的特征映射，其中h(xj)=

ψ(xj;μ1,υ1),…,ψ(xj;μL,υL)

。

当训练样本数量N>L时，ELM的训练误差接近于0。此时，求解ELM近似等价于求解B的线性方程组的最小二乘解为式(6)。

(6)

3 基于IFA优化ELM的故障诊断

3.1 适应度函数

通过IFA优化ELM的输入权值和阀值，使得电力电容器故障诊断准确率最高，选择故障诊断的准确率为适应度函数，其可表示为式(7)。

(7)

其中，Ture表示电力电容器故障诊断正确类别的数量，Total表示电力电容器故障类别的总数量。

3.2 优化流程

IFA优化ELM的电力电容器故障诊断的优化流程如下：

Step1：归一化电力电容器故障特征数据，将样本数据划分成为训练样本和测试样本；

Step2：种群和参数初始化，设定最大进化代数为max gen，种群规模为popsize，萤火虫初始位置Xi，光强吸收系数γ，初始吸引度β0；

Step3：将训练样本输入ELM，根据适应度(7)计算萤火虫的亮度并进行排序，获取萤火虫亮度最大的位置；

Step4：若gen>max gen，保存最优解；反之gen=gen+1，重复Step2～Step4；

Step5：将IFA优化ELM获取的最优参数δi、μi、和υi用于电力电容器故障诊断。

4 实验分析

4.1 数据来源

为了验证IFA_ELM算法进行电力电容器故障诊断的效果，选择某地区220 kV变电站10 kV 1#电力电容器组为验证测试对象[9]，综合考虑环境因素、变压器容量和变压器的型号等因素的基础上，剔除无效样本之后，最终获得的150组有效样本数据，样本数据分布如表1所示。

表1 样本数据

4.2 评价指标

为了评价IFA_ELM进行电力电容器故障诊断的效果，选择检测准确率T和误判率Fij作为评价指标：

(1)准确率T：若正确检测的电力电容器故障类型数量为T1，实际电力电容器故障类型为T2，则电力电容器故障诊断的准确率为式(8)。

(8)

(2)误判率Fij：若第i类电力电容器故障类型的实际数量为TT1，将第i类电力电容器故障类型误判为第j类电力电容器故障类型的数量为TT2，则电力电容器故障诊断的误判率为式(9)。

(9)

4.3 结果分析

为了说明IFA_ELM进行电力电容器故障诊断的有效性和可靠性，将IFA_ELM与GA_ELM[10]、PSO_ELM[11]和FA_ELM[12]进行对比，IFA算法参数设定为：popsize=30， max gen=100；ELM参数设定为：隐含层和输出层神经元数量分别30和1，寻优对比曲线如图1所示。

由图1(a)-图1(d)中最佳适应度寻优曲线对比可知，与其他算法相比，IFA算法优化ELM具有更高的故障诊断准确率和更快的收敛速度。由表2和图2(a)-图2(d)可知，GA_ELM[12]、PSO_ELM[13]和FA_ELM[14]的电力电容器故障诊断的准确率和误判率均差于IFA_ELM算法进行电力电容器故障诊断的准确率和误判率，IFA算法的电力电容器故障诊断的准确率和误判率分别为98.45%和1.55%，优于效果最好，与其他算法比较可知，IFA_ELM可以有效提高电力电容器故障诊断的准确率和降低误判率，为电力电容器故障诊断提供新的方法和途径。

(a) IFA_ELM

(b) GA_ELM

(c) PSO_ELM

(d) FA_ELM

图1 寻优对比图

(a) IFA_ELM

(b) GA_ELM

(c) PSO_ELM

(d) FA_ELM

图2 Dos攻击检测结果图

表2 精度对比

5 总结

针对ELM分类预测的结果易受其初始输入权值和阀值的影响，提出一种改进萤火虫算法优化ELM的电力电容器故障诊断模型。选择电力电容器故障诊断的准确率为适应度，通过IFA优化ELM的初始输入权值和阀值，实现电力电容器故障自适应诊断。研究结果表明，与其他算法比较可知，IFA_ELM可以有效提高电力电容器故障诊断的准确率和降低误判率，为电力电容器故障诊断提供新的方法和途径。