PSO——RBFNN在发电机转子绕组匝间短路故障诊断中的应用

刘 帅 徐伟娜

1中信重工工程技术有限责任公司（471039）

2矿山重型装备国家重点实验室（中信重工机械股份有限公司）（471000）

1 基于PSO-RBF优化算法的设计及流程

首先是PSO算法的微粒编码[1]，在确定RBF神经网络的内部参数后，要将径向基函数神经网络的核函数的中心矢量、宽度和网络权值的初始值转换成一个新的位置向量进行编码。

PSO-RBF优化算法的设计步骤:

1）获得RBF神经网络的用于测试和训练网络的输入、输出样本数据。

2）确定RBF神经网络的内部参数组成，并用改进的微粒群算法进行编码，然后初始化改进的微粒群[2]。

3）对每一个微粒个体进行译码，获得微粒相应的RBF神经网络的控制参数，确定输入数据在此径向基神经网络下的相应的输出，并把其与输出数据送到径向基神经网络的目标函数，获得微粒的个体极值。

线性减小惯性权重的方法为[3]:

式中:wMin、wMax分别为微粒群算法的最小和最大的加权因子，iterMax为微粒总的迭代数目，iter为现在迭代数目。

为了改善算法的收敛性，在该方法中，对w、c1和c2的值分别有了确定，以改善算法的收敛。即将改写为:

式中，φ=c1+c2＞4，其设置为:c1=2.05、c2=2.05。

4）对微粒的目标函数进行分析判断，找到微粒群的全局极值[4]。

5）对微粒群算法的全局极值是否满足终止的条件进行判断。如果满足结束条件，退出PSO的寻优过程，转入第（7）步。

6）对微粒群的每一个微粒进行更新然后再转向第（3）步。

7）对微粒群中最优的全局极值所对应的微粒个体进行译码，并作为径向基神经网络的初值开始网络训练。

8）编码微粒群局部优化的参数，分析能否达到改进的微粒群算法的终止条件，即全局极值能否满足预先设置的数值，倘若误差超过预先的数值，则再次返回（6）进行基于改进微粒群优化的全局寻优过程以求最优的效果。

2 PSO-RBF算法在发电机转子绕组匝间短路中的诊断

这里用Matlab7.0仿真软件，将发电机的有功功率P、无功功率Q、励磁电流If、机端电压U等参数作为发电机转子绕组匝间短路的特征量，作为PSO-RBF神经网络的输入量。RBF神经网络有四个输入神经元，其分别代表发电机的U、If、P和Q这四个电气量，神经网络的输出层有一个神经元，可以分别表示各种运行状况。

文章中各种算法对故障诊断样本的输出结果和诊断结果见表1和见表2。

各算法的均方根误差比较见表3。

从表1和表2可以看出，对于发电机故障样本的诊断，文章中的算法基本上均优于遗传优化算法，尤其是在发电机正常运行时，这里算法明显优于遗传优化算法（如样本5，6，7，8）。对于发电机轻微的转子绕组匝间短路（如匝间短路5%），文章算法也得到了很好的诊断（如样本3、样本4）。同时文章算法的诊断误差也均小于5%。从表3可以看出，文章改进的算法与其它两种算法相比，其均方根误差最小，即其预测输出的结果与实际发生的转子绕组匝间短路情况最相符合，做出了最准确的诊断。

表1 部分故障样本的输出结果

表2 算法的部分故障样本诊断结果

表3 三种算法的比较

3 结论

文章采用了基于改进的微粒群优化RBF网络的混合算法，并将该算法应用于发电机转子绕组匝间短路的诊断中。仿真试验表明，经过改进的微粒群优化的RBF神经网络，不但可以诊断转子绕组匝间短路故障及预测匝间短路的严重程度，而且其精度和准确性也优于基于遗传算法优化的RBF神经网络（尤其是对于轻微的转子绕组匝间故障）。总之，该混合算法在发电机转子绕组匝间短路故障中的诊断取得了比较满意的结果，是有效可行的。