基于多种人工智能技术集成的电力变压器故障诊断

臧宏志， 徐建政， 俞晓冬

（山东大学电气工程学院，山东省 济南市 250061）

    摘  要: 本文提出的算法综合了进化规划、模糊理论、人工神经网络、范例推理四种人工智能技术的优点，弥补了单种人工智能技术的缺陷，缩小了样本间的数据差异，优化了网络初始权值，大大提高了人工神经网络的收敛性。人工神经网络的拓扑结构及训练样本经过大量的计算进行筛选确定，并通过基于范例推理的专家系统检索出最佳源范例并给出诊断结论。诊断结果表明，本方法能较准确地判别电力变压器故障。
    关键词:人工神经网络；进化算法； 模糊理论； 范例推理

1  引言
    根据故障发生时变压器油中溶解气体的成分及其含量，利用人工神经网络的反向传播网络进行变压器的故障诊断是近年来的研究热点之一。但BP网络存在着诸如收敛缓慢，易陷入局部极小,对初值要求严格等缺点。本文提出利用改进进化规划算法优化网络权（阈）值初始值，避免了陷入局部极小；在训练过程中，采用具有自适应调整能力的网络学习算法，改善了网络的收敛能力；在输入数据的处理方面，利用隶属度函数对搜集到的样本数据进行归一化模糊处理，缩小了样本间的数据差异，从而有助于改善网络的收敛性能；同时辅之一基于范例推理的专家系统，通过找出最佳源范例，提供一诊断结论作为参考，从而建立起故障征兆与故障原因的映射关系。
2  确定合适的隶属度函数
    为了更合理、充分地利用原始数据中蕴含的信息，用模糊隶属度函数对油中溶解气体原始数据进行预处理是合乎实际情况的，关键在于怎样选取合适的隶属度函数^[1]。考虑故障发展的连续性和在计算中的归一化要求，本文以一种“反正切”型函数分布作为特征气体含量的隶属度函数。
    在变压器油中溶解气体有7种主要组成成分：对之进行分析，记为。求取特征气体相对含量隶属度的处理算法如下：

    对应的隶属度值：

3  利用进化规划优化权值初始值
    通常采用二进制对网络的权值进行编码，将所有权值连接成串形成一个染色体，每个染色体对应一个网络。当网络较大时，每个染色体的编码非常长，从而使搜索空间急剧增加，降低算法的搜索效率。而且由于网络权值是实型值，遗传算法是用离散值逼近网络权值，必然影响精度，并有可能因某些实数权值无法近似表达而使网络的训练失败。本文用进化算法对遗传算法进行了改进，抛弃了交叉运算，而只用变异来维持上下两代之间的联系。这样就大大减少了运算量和迭代次数，但收敛精度不足，本文只是用该算法来搜索初始权值，而不需要太精确的搜索，因而可以采用。
    首先，对神经网络各层的权值及阈值赋初值若干组（在-1~1间随机取数），后输入样本数据进行前向计算，输出层的输出结果与教师结果相比较得到误差。在遗传过程中，把误差最小的几组解保留下，并计算这几组解的每个对应元素，即权值的聚合度和聚合中心。定义聚合中心为它们的算数平均数，聚合度为每个解距聚合中心的平方和，而对误差次小的几组解进行变异。聚合度最小的权值的最优解很可能在聚合中心附近，所以把它们变异为聚合中心，而对聚合度较小的权值把它们变异为聚合中心后，再加一个加权的符合正态分布的随机扰动；而把剩下的变异为原来值再加一个加权的符合正态分布的随机扰动。在遗传的下一代中，都补充进一些随机解，以增大搜索范围。当迭代次数很大而又没有进化到满意解时，引入网络误差作为启发性知识，改变加权值。改进后的进化算法不仅运算简单，而且收敛的速度和精度都有很大的提高。
4  基于范例推理的专家系统
    基于征兆相近的故障变压器很可能具有相同的故障原因，利用Person积矩相关系数为相似度指标检索与待诊变压器故障征兆最相近的范例，在范例检索过程中选取：C₂H₂，C₂H₄，C₂H₆，CH₄，H₂，CO₂，CO等7种气体为检索特性指标，检索最佳源范例，源范例x和目标范例y间的Person积矩相关系数可用下式表示^[3]：

式中 分别表示范例x 和y的第i个特性指标，分别表示范例x和y的均值。
5  人工神经网络拓扑结构的建立
    本文在BP网络的训练过程中采用以下自适应调整学习率的改进算法^[7]，它改善了网络的收敛能力，其权值的调整过程为：

式中  w(k)为网络权值；为学习速率；D(k)为k时刻的负梯度。同时，各层之间采用不同的神经元作用函数，也提高了网络的收敛能力。
    为了提高ANN的正确诊断，选择合适的输入向量、输出向量及ANN的拓扑结构是必要的。本文经过大量的仿真计算，由正判率、迭代次数及网络结构的复杂程度等比较，确定ANN采用7-40-20-4的拓扑结构（见表1）。ANN输出分导电过热、导磁回路过热、涉及固体绝缘放电、不涉及固体绝缘放电等四个主要的事故类型^[3]。

6  集成人工智能技术用于变压器故障诊断的算法
    本算法采用隶属度函数在归一化的同时还考虑了故障发展的连续性，并充分利用了进化算法的全局搜索能力，以及 ANN的自学习能力及高度非线性映射的能力，从而得到较准确的诊断结果；另外辅之最佳源范例的结果。二者之间还进行权重调整，如果专家系统对某一种故障非常准确（输入源范例与最佳目标范例相关系数较大），这种故障类型专家系统的判断一直优于神经网络的判断,那么最后的结论将赋予专家系统模块结论更多的权重 。
    图1、图2两个框图列出了该算法具体的流程。

7  实例分析
    （1）山东电网某变压器油中气体含量（mL/L）如下：
    H₂=2004，CH₄=9739，C₂H₄=5113，C₂H₆=2750，C₂H₂=0，CO₂=9596，CO=1737。模糊处理后送入BP网络，网络的输出为（0.0233，0.9517，0.0122，0.0128），诊断结论为导磁回路过热。最佳范例结果为一次线圈引线与铁芯螺栓相碰，产生环流引起过热，实测结果证明了这一结论。
    （2）某台变压器油中气体含量（mL/L）如下：H₂=127，CH₄=107，C₂H₄=154，C₂H₆=11，C₂H₂=224，CO₂=973，CO=174。模糊处理后送入BP网络，网络的输出为（0.0346，0.0338，0.9133，0.0183），诊断结论为固体绝缘放电。最佳范例结果为二次线圈对铁芯放电，线圈有一贯通性的损伤，与实测结果基本相符。
    以上实例表明，本算法对变压器故障进行诊断是有效正确的。
8  结论
    （1）利用进化算法用合理的隶属度函数对网络的输入数据进行归一化处理，不但减小了样本数据间的差异，而且反映了故障的连续性，改善了网络的收敛性能；对网络权值初始值进行优化处理，在全局范围内进行搜索，避免了BP网络易陷入局部极小的缺陷，采用改进的BP算法进行网络的训练，其权值的调整过程具有自调整能力，提高了网络的分类能力，最佳源范例的确定对故障的进一步确认提供了指导；
    （2）本算法结合了进化算法、模糊理论、人工神经元网络、范例推理四种人工智能技术的优点，实现故障的综合诊断，诊断性能有了较大的改善。故障实例的大量检验结果表明，诊断的结果是理想的，有效地提高了对变压器的故障识别能力，正判率达90％以上。

参考文献

[1] 张建文，赵大光，董连文. 基于模糊数学的变压器故障诊断系统[J].高电压技术，1998，12(24)：6-8.
[2] 杨启平，薛五德. 基于人工神经网络的变压器故障诊断[J]. 变压器，2000, 3(37)：33-36.
[3] 钱政，严璋. 范例推理结合神经网络诊断变压器故障[J]. 高电压技术，2000，8(26)：4-8.
[4] Zhang Y, Ding X, Liu Y. An artificial neural network approach to transformer fault diagnosis[J]. IEEE Transactions on Power Delivery，1996，11(4)：1836-1841.
[5] Huang Yann-chang，Yang Hong-Tzer. Developing a new tansformer fault diagnosis system through evolutionary fuzzy logic[J]. IEEE Transaction on Power Delivery, 1997, 12(2): 1342-1349.
[6] Angeline P J. An evolutionary algorithm that constructs recurrent neural networks[J]. IEEE Trans on Neural Networks, 1994, 5(1)：54-65.
[7] 袁曾任. 人工神经元网络及其应用[M]. 北京：清华大学出版社，1996.