一種改進CS-BP神經網絡算法的礦用變壓器故障診斷方法*

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)

0 引言

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。

1 布谷鳥算法

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。

2 自適應布谷鳥算法

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。

3 基于布谷鳥算法優化的BP神經網絡

3.1 BP神經網絡

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。

3.2 改進CS算法優化神經網絡診斷模型

CS-BP模型流程如圖2所示。

圖2 CS-BP模型流程

4 變壓器故障診斷模型

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

5 結論

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。