陳耀輝, 馬星河
(1.平頂山天安煤業股份有限公司 十礦, 河南 平頂山 467000;2.河南理工大學 電氣學院, 河南 焦作 454003)
礦用變壓器作為煤礦供電系統中必不可少的部分,在確保煤炭安全生產中發揮著至關重要的作用。礦用變壓器是否正常運轉,直接影響礦井電力的供應、人員的安全等一系列問題,關乎煤礦企業是否能正常生產經營。因此,對煤礦變壓器故障診斷一直是廣大學者研究的重點,傳統變壓器故障診斷方式有人工檢測法、特征氣體判別法等,其缺陷是檢測速度慢、準確率不高、耗費大量人力物力等缺陷。目前,智能化診斷方法被大量應用于故障診斷,比如遺傳算法[1]、粒子群算法、蜂群算法[2]、布谷鳥算法[3-5]等,上述算法是智能化算法的初期產物,雖然相對于傳統的故障檢測方法有很大優勢,但也存在不足。比如文獻[6]是單一的BP神經網絡對變壓器進行故障診斷,該方法容易使神經網絡算法陷入局部極小值;文獻[7]是粒子群算法與BP神經網絡結合,其缺陷是粒子群算法存在計算公式復雜的問題,計算量大;文獻[8]將布谷鳥算法結合支持向量機結合對變壓器進行故障診斷,其缺陷是收斂速度慢、易陷入局部最優;文獻[5]中提到的傳統三比值法原理簡單,但編碼過于絕對且不能全面反映故障類型;文獻[9]提出了基于支持向量機的變壓器故障診斷方法,但其本質上屬于二分類算法,面對多分類問題時分類效率低、不易構造學習器[10]??傊悄軆灮惴ㄔ\斷電氣設備故障有很多不足之處。
綜上所述,本文提出了一種基于改進CS-BP神經網絡算法的礦用變壓器故障診斷方法。該方法主要是利用CS算法優化BP神經網絡的閾值和權值,彌補了BP神經網絡易陷最小值、收斂速度慢、精度低等缺陷,提高了礦井變壓器故障診斷正確率,大大縮短了故障診斷的所需時間,為煤礦安全高效運行提供更有力的保證。
布谷鳥是一種鳥類,俗稱杜鵑,是一種具有獨特生殖策略的鳥類家族。布谷鳥作為一種生物元啟示算法,具有參數少、易操作的特點。這種算法是一種在布谷鳥種類內的新舊更新選優過程。一些類似于杜鵑鳥的物種會將自己的卵產在公共巢穴中,并且它們甚至會移除他人的卵,以增加它們自己卵的孵化概率。經過一代代的尋優搜索,最終獲得最優鳥蛋,即所求算法的最優解[11]。
布谷鳥算法是根據隨機的方式尋找適合自己產卵的巢穴,其模擬杜鵑寄生育雛的行為。首先,設定3個規則[12]:
1) 每只布谷鳥隨機選擇一個巢,并在巢內產卵。
2) 在選擇的巢中,將優質卵的最好巢穴傳給下一代,即相傳優質解。
3) 對于一定數量的巢,宿主布谷鳥發現一個外來卵的概率為p?,p?∈[0,1]。此時宿主布谷鳥選擇扔掉外來的卵,或者離開原巢,建造一個新的。
在布谷鳥搜索算法中,其所選擇寄生產卵的鳥窩為一個解,用新一代的解代替上一代較差的解?;谏鲜鲆巹t,布谷鳥尋窩路徑與位置的更新公式如下:
(1)
Levy(λ)~u=t-λ(1<λ≤3)
(2)
步長公式:
?=?o(xg,i-xbest)
(3)
?o為常數,xbest為當前最優解。
式(2)中λ為冪次系數,u為正態分布的隨機數。
(4)
u,v服從標準正態分布,λ=1.5。
(5)
綜合上述公式,布谷鳥位置更新如下:
(6)
Xg+1,i=Xg,i+r(Xg,i-Xbest)
(7)
r為縮放因子,在[0,1]之間隨機取數,Xg,i和Xbest代表g代的兩個隨機數。
在標準的布谷鳥優化算法中,采用Levy飛行隨機生成步長,該步長穩定性較差,不易掌握步長變化的趨勢,時大時小。當步長較小時,搜索速度會有所降低,與之相對應的,當步長較大時,搜索精度降低,因此提出一種自適應步長的布谷鳥搜索算法。該算法根據不同搜索階段的結果,動態調節算法步長的大小,更好地平衡搜索速度和搜索精度之間的關系[13]。引入公式:
(8)
式中:xi為第i個鳥巢的位置;xb為當前最優的鳥巢位置;dmax為當前最優位置與當前鳥巢之間的距離。其中最優鳥穴的位置自適應調節策略為:
si=smin+(smax-smin)di
(9)
式中:smax為最大步長,smin為最小步長。
由式(8)和(9)可以看出,當鳥窩位置越優時,步長越小。否則,步長越大。這種根據上一代迭代的結果進行調節新一代的移動步長,具有良好的自適應性,使算法的精度和搜索速度都有較大提高。
神經網絡作為模擬腦組織的一種算法,它采用梯度搜索技術,通過誤差反向傳播訓練的多層前饋網絡。其目的是獲取最優的權值和閾值,并得到實際值和理論值的最小均方誤差。神經網絡算法結構一般分為3層:輸入層、隱含層、輸出層。每一層的基本單元為神經元。其結構如圖1所示:
圖1 BP神經網絡結構
設i={a1,…,ah,…an}為輸入層故障診斷特征向量;O={c1,…,cj,…cq}為輸出層故障診斷向量,激活函數為S型函數。假設有5個輸入信號,隱含層為m個節點,輸出層為n個節點,θ為閾值,Oi是第i個神經元的輸出,vij是j神經元到i神經元的權值。
(10)
由式(10)可以得出隱含層第g個神經元,輸出層第k個神經元輸出為:
(11)
(12)
式中:c為常數。
均方誤差和為:
(13)
式中:Oe輸出值的期望值。
權值調節公式為:
(14)
(15)
式中:ωjk,ωjg為權值修正量;η為學習速率。
CS-BP模型流程如圖2所示。
圖2 CS-BP模型流程
本文以DGA(Dissolved Gas Analysis)中各氣體含量作為神經網絡算法輸入。在變壓器故障診斷模型中,將H2、CH4、C2H6、C2H4、C2H2作為5種主要成分氣體作為輸入信號,輸出是代表變壓器不同故障類型的二維編碼如表1所示,故障診斷結構如圖3所示。
表1 故障類型編碼表
圖3 CS-BP神經網絡變壓器故障診斷結構
通過與其他優化算法相比較,改進CS-BP神經網絡使變壓器故障診斷的準確率更高,如表2所示。
為驗證CS-BP算法的實用性,通過變壓器中氣體數據進行仿真驗證。當變壓器工作異常時,根據產生的不同氣體含量可判別相應的故障類型。將采集到的變壓器氣體數據作為CS-BP神經網絡輸入值[14]。仿真驗證時,設定神經網絡輸入的向量數為5個,隱含層節點數為10個,輸出層量為4個,隱含層和輸出層的傳遞函數分別為tansig和logsig函數。迭代次數最大設為1 000次,學習精度goal為 0.000 1。
表2 優化算法比較
根據仿真圖4,改進后的CS-BP算法和標準的BP算法相比,當標準BP算法陷入局部尋優時,CS-BP算法能跳出局部尋優,收斂速度和精度都有顯著提升,算法穩定性也更好。根據仿真圖5表明,改進后的CS-BP算法,輸出值與目標輸出的擬合性較好,證明本文所采用的改進CS-BP算法故障診斷的準確性較好。
圖4 CS-BP網絡仿真
圖5 實際輸出和目標輸出的擬合
由實例的分析結果可知,改進后的布谷鳥算法優化神經網絡性能好,參數簡單;避免了BP神經網絡產生局部最小值、收斂速度慢等缺陷;比遺傳算法、粒子群算法等優化算法性能更好,對礦井變壓器故障診斷準確率更高。改進CS-BP神經網絡能夠有效監測變壓器的正常運轉,保證煤礦生產順利,具有一定的工業價值。