量子遗传算法在变压器故障诊断模型中应用.docVIP

量子遗传算法在变压器故障诊断模型中应用 　　摘 要： 传统的BP神经网络诊断模型容易陷入局部最优，且诊断正确率较低，因此，提出将量子遗传算法应用于RBF网络诊断模型。首先确定RBF神经网络的输入输出、建立RBF网络模型，然后把归一化后的数据送入RBF网络模型，利用量子遗传算法对RBF神经网络进行优化，得到最优诊断模型，最后输出诊断结果。用Matlab进行仿真，其结果表明该算法解决了系统容易陷入局部最优的问题，在训练48代后就快速获得最优解，加快了网络的收敛速度。同时RBF神经网络的泛化能力也得到很好的改善，故障诊断正确率达93%，远远高于传统神经网络模型。 　　关键词： 变压器； 故障诊断； BP神经网络； 量子计算； RBF神经网络； 量子遗传算法 　　中图分类号： TN98?34； TP391.9 文献标识码： A 文章编号： 1004?373X（2018）15?0129?04 　　Application of quantum genetic algorithm in transformer fault diagnosis model 　　GONG Ruikun， ZHOU Guoqing 　　（North China University of Science and Technology， Tangshan 063000， China） 　　Abstract： The traditional BP neural network diagnosis model is easy to fall into local optimum， and has low diagnostic accuracy. Therefore， the quantum genetic algorithm is applied to RBF network diagnosis model， with which the input and output of RBF neural network are determined to establish the RBF diagnosis model， the normalized data is sent to the RBF diagnosis model. The quantum genetic algorithm is used to optimize the RBF neural network to obtain the optimal diagnostic model and output the diagnosis result. The Matlab simulation results show that the algorithm can solve the problem that the system is easy to fall into local optimum， obtain the optimal solution after training 48 generations， and speed up the network convergence rate. The generalization ability of RBF neural network is improved greatly， the fault diagnosis accuracy can reach up to 93%， which is much higher than that of the tradition neural network model. 　　Keywords： transformer； fault diagnosis； BP neural network； quantum computing； RBF neural network； quantum genetic algorithm 0 引 言 　　变压器的运行状态是否正常至关重要，因为它决定了整个电力系统是否能够正常运行，所以我们要避免和减少变压器故障的发生[1]。但是由于变压器结构比较复杂，传统的三比值法和色谱分析法不能准确地反映出故障类型和特征气体之间的关系[2]。 　　对于变压器故障诊断多用BP神经网络算法。但是BP神经网络的搜索求解算法是沿梯度下降，所以当学习样本的数目较多、输入输出比较复杂时，容易陷入局部极小值，且收敛速度慢[3]。针对上述问题，本文提出将量子遗传算法应用于RBF神经网络诊断模型。 1 RBF神经网络 1.1 RBF神经网络基本原理 　　径向基函数（RBF）神经网络结构相对简单，学习能力强，而且有唯一最佳逼近值，具有较好的全局逼近能力[4]。由于RBF神经网络训练方法