|
自适应遗传算法在变压器局部放电超高频
模式识别中的应用
王国利1，郑 浩2，郝艳捧1，李彦明3
（1.清华大学 深圳研究生院，广东 深圳518055；
2.安徽淮南电力公司，安徽 淮南232007；
3.西安交通大学，陕西 西安710049）
摘 要：采用自适应遗传算法（AGA）作为神经网络的学习算法，对实验室中变压器局部放电超高频自动识别系统检测到的5种放电类型进行了模式识别。实验结果表明，AGA神经网络解决了BP神经网络对初始权值敏感、收敛速度慢和容易局部收敛的问题，具有较高的识别率和较强的推广能力，可以很好地应用于变压器局部放电的超高频模式识别中。
关键词：变压器；局部放电超高频检测；模式识别；自适应遗传算法；神经网络
Application of adaptive genetic algorithm to ultrahighfrequency partial discharge pattern recognition in transformers
WANG Guoli1, ZHENG Hao2, HAO Yanpeng1, LI Yanming3
(1.Graduate School at Shenzhen,Tsinghua Univ.,Shenzhen,Guangdong 518055,China;
2.Huainan Electric Power Corp.,Huainan,Anhui 232007,China;
3.Xian Jiaotong Univ.,Xian,Shaanxi 710049, China)
Abstract:An automated recognition system of ultrahighfrequency （UHF） partial discharge（） designed by the authors has been put forward to study the discharge properties in transformers. This paper presents adaptive genetic algorithm （AGA） to train neural network（NN） to distinguish between basic types of defects in transformers.Test results show that AGANN,as compared with BPNN,can overcome slow convergence and possibility of being trapped at locally minimum value.Thus,the convergence, discrimination and generalization ability of AGANN is improved remarkably.
Keywords:transformer;UHF PD detection;pattern recognition;adaptive genetic algorithm;neural network
变压器局部放电超高频检测技术具有检测频率高、信息量大、抗干扰性能好和可用于在线检测等优点[1]，研究工作正逐步深入进行[2～5]。在以前的工作中，笔者利用研制的局部放电超高频测量系统[6]探讨了变压器超高频检测的有效性，为进一步的研究奠定了基础。近年来，计算机辅助测试系统在变压器局部放电检测中的应用越来越广泛[7]。笔者将计算机辅助测试系统与超高频检测技术相结合组成超高频变压器局部放电自动识别系统，将超高频传感器测得的电磁信号，经放大、滤波后进行A/D转换，然后把提取到的多个工频周期的高频窄带时域信号送入计算机进行数据处理和分析，得出各种谱图和统计量，由此来分析变压器的局部放电情况。
变压器绝缘体系中的放电类型很多，不同的放电类型对绝缘的破坏作用有很大差异，因此有必要对各种放电类型加以区分。对变压器局部放电超高频自动识别系统所得的放电谱图进行模式识别，可以区分不同类型的绝缘内部缺陷。将神经网络用于局部放电模式识别，大大提高了识别的可靠性和实用性，目前广泛采用的是基于误差反向传播算法（BP算法）的多层前馈神经网络[8～10]。BP算法在局部寻优时比较成功，但也存在一些问题，如：对初始权值和阈值的选取敏感；容易陷入局部极小点，致使学习过程失效；算法收敛速度慢，效率低。
遗传算法[11]是一种借鉴生物进化思想的高度并行、随机、自适应搜索算法。它由于要维持具有一定规模的群体，就必须同时处理搜索空间中的若干点，而不像梯度下降算法那样只处理单点，从而有助于搜索全局最优点，免于陷入局部最小。遗传算法的参数中交叉概率和变异概率的选择是影响算法行为和性能的关键所在，直接影响算法的收敛性。如能在算法运行过程中，根据适应度的变化自适应地改变交叉概率和变异概率，则可大大提高遗传算法的计算效率。基于上述考虑，本文采用自适应遗传算法（AGA）作为神经网络的学习算法，研究变压器局部放电超高频的模式识别问题。
1局部放电超高频信号的特征提取
变压器绝缘结构中发生的局部放电类型主要有5种：油中针板放电（A）、纸或纸板内部放电（B）、油中气泡放电（C）、纸或纸板沿面放电（D）和悬浮放电（E），文献[12]构造了相应的变压器典型局部放电模型，然后采用文献[6]中的局部放电超高频测量系统（主体包括超高频传感器和频谱分析仪），在实验室中进行测量，由本文研制的局部放电超高频自动识别系统进行信号采集、特征提取和模式识别。局部放电超高频自动识别系统总框图如图1所示。
1.1采集信号
首先，采集程序设置参数（如带宽、中心频率等）和放电对应的宽带频域数据，与背景噪声相比较，选取最优频率作为中心频率；然后，将频谱分析仪设置成点波（point on wave，POW）模式，调节中心频率至最优，带宽设置为5 MHz，此时频谱分析仪恰好显示一个工频的时域信号，采集多个工频周期的高频窄带时域放电信号。
1.2计算并生成统计谱图
局部放电具有明显的随机性，对100个工频放电信号进行统计处理，得到局部放电的各种分布谱图，包括：最大放电量相位差分布Hq，max(φ）、平均放电量相位差分布Hq，av(φ）、放电次数相位差分布Hn(φ）、局部放电量幅值分布H(q）和局部放电能量分布H(W）共5种二维放电谱图，以及三维放电谱图φ-q-n。
1.3计算并生成指纹
对上述5种重要的二维放电谱图计算统计量，用参数定量描述各种分布的形状特征，包括偏斜度Sk、突出度Ku、局部峰个数Pe、放电不对称度Q、相位不对称度Φ、互相关因子cc和相位中值Mn等共37个特征量，用于放电类型的自动识别。图2为典型内部放电的特征量。
1.4模式识别
采用基于自适应遗传算法的神经网络进行模式识别，将已知的放电模式输入网络，经过有限次的学习训练过程，网络经自我调节内部神经元之间的权值，自行建立模型库，当未知缺陷的特征量被输入时，与已知模型进行比较，找出最相似的，从而达到识别的目的。
2基于自适应遗传算法的神经网络实现
本文采用三层前馈神经网络进行放电的模式识别，将自适应遗传算法作为神经网络的学习算法。首先，对神经网络的权系数和阈值进行编码，形成所谓染色体，然后模拟自然界的进化过程，对染色体进行选择、交叉和变异操作，使染色体不断进化，最终产生代表问题最优解的染色体，经反编码得到优化的网络权系数和阈值。
2.1标准遗传算法
标准遗传算法的主要过程描述如下：
a)参数编码。随机产生神经网络权值和阈值的初始值，选择16位有符号二进制数，对其进行编码。
b)初始化群体。选定种群规模，随机产生种群中的每个个体。
c)适应度评估检测。对某一个体所表示的神经网络结构，计算出训练集中全部样本的实际输出与期望输出的标准差E：
式中：M——训练集中的样本个数；
Si——第i个样本的神经网络实际输出；
Hi——第i个样本的神经网络期望输出。
定义评价个体优劣的适应度函数F为：
F=C－E（2）
式中C为常数，其值取为比最大的标准差E还大的一个常数。F越大，网络的实际输出和期望输出的误差越小。
d)遗传算子操作。使用选择、交叉、变异等遗传算子对当前群体中的个体进行操作，以形成下一代新的个体。
e)收敛准则。循环执行计算适应度、遗传算子这两个步骤，直到满足某个收敛准则。
2.2自适应遗传算法
交叉概Pc和变异概率Pm对遗传算法的运行性能有较大的影响，如果Pc和Pm的值选择失当，可能会破坏优良基因结构或发生“近亲”交叉，使进化过程过早收敛或降低收敛速度。因此，Srinvivas等提出一种自适应遗传算法，Pc和Pm能够随适应度自动改变。当种群各个体适应度趋于一致或者趋于局部最优时，使Pc和Pm增加；而当群体适应度比较分散时，使Pc和Pm减少。同时，对于适应值高于群体平均适应值的个体，对应于较低的Pc和Pm，使该解得以保护进入下一代；而低于平均适应值的个体，相对应于较高的Pc和Pm，使该解被淘汰掉。因此，自适应的Pc和Pm能够提供相对某个解的最佳Pc和Pm。
当适应度为最大适应度时，交叉率和变异率的值为零。这种调整方法对于群体处于进化后期比较合适，但对于进化初期不利，这很容易使进化走向局部最优解的可能性增加。为此，做进一步的改进，使群体中适应度为最大适应度的个体，其Pc和Pm不为零，分别提高到Pc2和Pm2，这就相应地提高了群体中表现优良个体的Pc和Pm，使得它们不会处于一种近似停滞不前的状态。为了保证每一代的优良个体不被破坏，采用精英选择策略，使它们直接复制到下一代。因此，Pc和Pm的计算表达式如下：
在式（3）和式（4）中：
f——适应度集的元素；
f′——f的导数；
fav——适应度平均值；
fmax——适应度最大值。
而且，
自适应遗传算法能够根据适应度的大小自适应地选取杂交概率和突变概率，具有比标准遗传算法高得多的收敛速度；而且，AGA在保持群体多样性的同时，保证遗传算法的收敛性。
3识别结果及分析
根据统计算子的数目，神经网络的输入层神经元个数定为37；输出层神经元个数取5，相应于5种放电模式，取其期望输出为HA(1，0，0，0，
HD(0，0，0，1，0)，HE(0，0，0，0，1)；隐含层神经元个数取10。群体规模参数λ=50，选择概率Ps=0.1，Pc1=0.9，Pc2=0.6，Pm1=0.1，Pm2=0.001。终止条件为连续三代群体的平均适应度之差小于0.001。BP算法中初始权值和阈值取[-1，1]，学习步幅和惯性系数分别取0.5和0.9。
选取合适的训练样本集对提高网络的识别能力十分重要。一定要合理挑选样本，以使训练样本能涵盖全部样本的变化范围，这样，经训练的神经网络可以达到较高的识别率。为此，每种放电模型都有5个以上的样品，这些样品的材料和结构完全相同，但尺寸等方面有一定差别，而且对同一个样品，在相同条件下采集多个样本，以确保实验结果具有良好的统计性和可重复性。同时，改变试品、试品的外施电压及各种环境因素，采集能充分包含各种条件下具有代表性的放电样本。最后，将5种放电模型的多个局部放电测量结果随机地分成两组，一组样本集用于神经网络的学习，另一组样本集不经过网络学习环节，直接用于神经网络识别，以判断网络的学习效果和推广能力。
利用测试样本集分别对BP-NN和AGA-NN进行测试，识别结果如表1所示。表2列出了每种放电类型的具体识别情况。每种放电类型选取5组随机的数据，对每组数据，两种算法分别执行20次，取其平均结果。
从表1、表2的识别结果可以看出：BP-NN的识别能力较AGA-NN的低；当考虑各种随机因素（如电极尺寸、外施电压及各种环境因素）的影响时，BP-NN的推广能力和稳定性较差，而且，当参数选取不当时很容易陷入局部极小点，无法完成识别任务；而AGA-NN解决了BP-NN对初始权值敏感、收敛速度慢和容易局部收敛等问题，具有较高的识别率和较强的推广能力，受各种随机因素影响较小，应用范围广泛。
利用学习样本集分别用BP算法和AGA训练神经网络，一个典型的神经网络输出误差变化关系如图3所示，其中AGA的一代相当于BP算法的一步，两者的计算时间也基本相同。可见基于AGA的神经网络（以下简称“AGA-NN”）较基于BP算法的神经网络（以下简称“BP-NN”）在全局优化意义上能更加稳定、快速地收敛。
4结论
a)采用变压器局部放电超高频自动识别系统采集多个工频周期的高频窄带时域放电信号进行统计，得到的各种谱图和统计量可用于放电的模式识别。
b)采用AGA作为神经网络的学习算法，对实验室模拟的5种变压器放电类型进行了模式识别。实验结果表明，AGA-NN解决了BP-NN对初始权值敏感、收敛速度慢和容易局部收敛的问题，具有较高的识别率和较强的推广能力，可以很好地用于变压器局部放电超高频模式识别中。
参考文献
［1］王国利，郝艳捧，李彦明.电力变压器局部放电检测技术的现状和发展[J].电工电能新技术，2001，20(2)：52—57.
［2］RUTGERS W R，FU Y H.UHF PDDetection in a Power Transformer[A].10th.ISH（vol4）[C]，Montreal：[s.n]，1997219—222
［3］JUDD M D，CLEARY G P，BENNOCH C J，et alPower transformer monitoring using UHF sensors：site trials[A].Proceedings of the 2002 IEEE International Symposium on Electrical Insulation[C]，Boston：[s.n]，2002.145—149.
［4］JUDD M D，CLEARY
[1] [2] 下一页
|
网友评论：（只显示最新10条。评论内容只代表网友观点，与本站立场无关！）
