基于蚁群算法电力变压器绝缘故障诊断研究.docVIP

基于蚁群算法电力变压器绝缘故障诊断研究 　　摘要：神经网络在电力变压器故障诊断中已取得了成功应用，但存在容易陷入局部最优和收敛速度慢等缺点。针对这些缺点，基于蚁群算法基本原理，将蚁群算法引入变压器故障诊断。建立了适合变压器故障诊断中神经网络训练的启发信息计算公式，提出了蚁群算法在变压器故障诊断中的新方法。与BP神经网络方法诊断结果进行比较，算法有更高的故障识别率、收敛速度和诊断精度。 　　关键词：变压器；故障诊断；蚁群算法；神经网络 　　作者简介：彭宇（1979-），女，北京人，华北电力大学经济与管理学院硕士研究生，北京市电力公司顺义供电公司，工程师。（北京 　　102206） 　　中图分类号：TM407 文献标识码：A 文章编号：1007-0079（2013）23-0225-02 　　电力变压器作为电力系统中最重要和最贵重的设备，其运行的安全性与电网供电可靠性有直接关系。所以，电力变压器的故障诊断技术一直都是研究的焦点，传统的故障诊断方法主要是根据变压器油中溶解气体的组成、含量与故障类型和故障严重程度之间有密切关系的原理而得出的，俗称油中溶解气体分析法（DGA法）。基于DGA法得出的实用性算法中应用最为广泛的是三比值法。该方法通过计算C2H2/C2H4，CH4/H2，C2H4/C2H6三种比值，根据已知的编码规则和故障类别，查表确定故障类别。但此方法存在“编码盲区”问题，即有时会出现“无编码”问题的情况。由于上述缺陷，有学者在此方法基础上发展出了专家系统、模糊数学、人工神经网络等方法来判别变压器故障，取得了一些成效，但都有或多或少的不足之处。专家系统在辨别变压器故障时往往具有复杂性、不完全性、模糊性；模糊数学在处理故障诊断时隶属函数确定困难，容易过多引入人的主观臆断；人工神经网络在学习过程中收敛慢，对初始设置较敏感且容易陷入局部最优。 　　本文基于DGA法知识，提出蚁群神经网络作为诊断变压器故障的新方法。该方法利用了人工神经网络映射非线性能力和泛化能力强等优点，同时利用蚁群优化（ACO）算法来改善其存在的缺点，使变压器的故障诊断准确率和快速性都得到了提高，通过算例仿真验证了方法???高效性和正确性。 　　一、蚁群优化（ACO）算法基本原理 　　ACO算法是一种模拟蚂蚁群体在寻找食物时能找到距食物最短路径的仿生随机搜索算法。蚁群中每个蚂蚁个体间不直接通信，而是通过在其经过的路径上留下一种叫“信息素”的分泌物来引导其他个体的行为，某条路径上经过的蚂蚁越多，留下的信息素也越多，后来的蚂蚁被吸引到该条路径上的概率也就越大。这样，通过先行者的先验知识传递给后来者，将最终导致最优路径选择成功。 　　二、神经网络中ACO算法的模型 　　本文针对BP神经网络在训练中存在的对初值设置较敏感、收敛速度慢和容易陷入局部最优等缺点，利用ACO算法的全局优化和启发式寻优特征来寻找BP神经网络的最优权值，使得神经网络能够具有更加优越的智能寻优能力。 　　1.基本原理 　　神经网络的训练过程可以看作是一个找到一组最优的权值组合的优化问题。这组最优的权值组合可使得BP神经网络的输出结果与期望结果间的误差最小。 　　因为TSP问题是蚁群算法成功解决了的经典问题，所以此处采用神经网络权值的寻优问题与TSP问题同比对照来说明权值组合的寻优过程。 　　假设网络中有n个参数，包括所有权值和阈值。首先，按一定顺序对这些参数进行排列，记为h1，h2，…hn，对于参数hi（1≤i≤n），将其设置为N个随机非零值，形成集合Shi（1≤i≤n）。此时，让蚁群从蚁巢出发去寻找食物，也就是每只蚂蚁在集合Shi中选择一个权值，在全部集合中选择一组神经网络权值。这里的一个权值就相当于TSP问题中的一座城市（下文称其为“虚拟城市”）。当蚂蚁对所有虚拟城市完成了一次拜访，就是在全部集合中选择了一组权值，就算找到了食物。由各只蚂蚁找到的这组权值作为神经网络的计算用权值得到的结果与真实值相比较，得出计算误差，这个误差值就相当于TSP问题中路径的路程。路径的选择目标是要求得的路径路程为所有路径之中的最小值，神经网络权值的选择目标也就是要求得到的误差值是所有神经网络权值组合中使计算误差为最小的一组。用得到的误差值对蚂蚁在选择虚拟城市（权值）时的信息素进行反馈调整。将这个过程反复进行，直至全部蚂蚁收敛到同一组权值，或达到给定的迭代数上限时停止搜索。 　　2.算法基本步骤 　　对于一个有n个参数的神经网络训练问题，设定蚂蚁数量为m。基本步骤如下： 　　（1）初始化。 　　确定备选权值：将神经网络所有权值的取值区间 [Wmin，Wmax]均匀地划分为μ个子区域，将每个子区域边界上的点作为一个备选权值。 　　令时间t=0、循环次数NC=0，设每个点都具有相同的信