BP神经网络在变压器故障诊断中的应用..docxVIP

3.4.5 网络参数选择及运行结果在选定训练样本以及神经元个数后，对本网络进行训练运行。对于单隐层的神经网络来说参数的设定相对较简洁：隐层的传递函数设置为tansig,输出层的传递函数设置purelin，训练函数选用收敛性最好的LM函数，收敛误差设置为0.001。为了便于观察网络内权值阈值的变化和回想结果与理想结果的比较，这里给出网络训练后的权值阈值数据以及回想结果： 输入层与隐层的连接权值InputWeights= 隐层与输入层的连接权值LayerWeights= 隐层阈值Bias1= 输出层阈值Bias2= 回想结果= 可以发现回想结果大体与理想输出是相符合的，但是其中也不乏部分样本的输出值远偏离了相应二进制数值的范围，说明BP在收敛过程部分区域精度并没有达到要求，这会造成的了预测的严重误差并与理想输出相去甚远。训练效果如图3.4所示，运行294步之后达到了规定的收敛误差。将预测结果转换为数字编码后通过图3.5可以发现此时BP的预测准确性不高只有68%（训练样本以及测试样本参见4.6.1及4.6.2节），因此本节设计的BP模型由于本身固有的问题以及预测概率性问题根据目前的准确性是仍然难以独立胜任变压器的实际故障诊断的。 图3.4 BP训练误差结果 图3.5 预测值与实际值对比3.5 本章小结本节针对传统变压器故障诊断方法的缺点，利用神经网络自我学习的特性和分组归类的功能为油色谱的故障诊断带来了新思路。通过参数的反复仿真对比，本文最终确定的BP神经网络为单隐层结构，输入量为3组特征气体的比值，隐含层的神经元节点数为11，输出量为变压器7种状态的7个二进制数。本章介绍了BP网络的基本原理并着重讲解了设计基于BP网络的变压器有色谱故障诊断模型的仿真过程，但是最终的预测准确性不是很理想只达到了68%，因此还需要对此模型进行一系列的优化才可以将此诊断方法应用到实际当中去。第四章 基于改进遗传算法优化BP神经网络的变压器故障诊断遗传算法(Genetic Algorithm，简称GA)是根据达尔文生物进化论中的自然选择和遗传学的原理来模拟生物进化过程的数学计算模型。这是一种具有随机性的搜索方法并具有并行计算、高效率、全局搜索的特点，且不会像其他算法一样受到可微、连续等条件的约束。和自然界的遗传进化类似特定问题可以比喻为自然环境，遗传算法的每一代就好比与生活在这个环境中的自然个体，对于不同的具体问题可以规定一个描述个体适应度的函数来对个体做出评价（也称为个体的环境适应度），能适应环境生存的个体繁殖到下一代，不适应环境的则面临死亡最终被淘汰。经过多少代的遗传筛选后，剩下的个体就成为了最适应这个环境生存的个体，相对于已经淘汰的旧个体具有巨大的优越性，对于该问题的处理也是最佳的求解。4.1 算法基本思想遗传算法起源于利用基因编码组成的种群，且该种群拥有一定数量类似于染色体的个体，而这个种群则相当于包含问题的解的解集。在生物学中，基因对个体的本质起决定性的作用，多个基因则组成一个染色体。因此，需要先对对象进行编码，将对象变形为基因型，所以可以用一组特定的数列来表示基因构成。在第一代种群产生之后，个体之间逐代繁衍并进化组成出对环境适应性更高的种群。所以对于特定的问题，需要设置一个有针对性的适应度函数，对每代个体进行适应度的评价并进行基因的交叉和变异操作得到新的基因个体，这些新个体便组成了新的种群。当具体问题中的遗传进化完成的时候，将最终种群中的最优个体进行解码，译码后的个体便是此问题的最优解了。遗传算法有两个已证明的理论依据：模式定理、积木块假设。遗传算法的数学基础是Holland的模式定理[60]，定理表明遗传算法最优解的样本曲线可以呈指数增长趋势，这说明GA可以实现对于最优解的全局搜索而很难陷入局部最小值。相比而言，积木块假设则点名了GA可以根据适应度函数在经过各种遗传算子操作后，产生最优解。4.2 遗传算法的实现依据上述遗传算法的原理， 得出GA是一种不断重复迭代以求得最优个体的搜索算法，迭代流程如图4．1所示。 图4.1 遗传算法运算过程由图4.1可以看出，遗传算法极少对个体进行单独操作，而主要是对种群进行整体操作，加快了遗传的效率。从图中可知选择、交叉和变异三个算子构成了所有的遗传操作，这些操作算法使得遗传算法区别于其他算法又优越于其他算法。遗传算法中包含以下五个基本要素并且要素构成了GA的核心：(1)参数编码：(2)初始群体设定；(3)适应度函数的设计；(4)遗传操作设计；(5)控制参数设定(主要是指群体大小和使用遗传操作的概率等)[61]。4.2.1 参数编码使用遗传算法解决特定问题时，首先需要进行的就是编码，作为GA算法的基础，编码的地位将会逐渐体现出来。编码方法除了决定个体染色体的排列顺序之外