基于改进粒子群算法的变压器故障诊断研究

《基于改进粒子群算法的变压器故障诊断研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、检测与仪表化工自动化及仪表，2010，37(7)：43—46ControlandInstrumentsinChemicalIndustry基于改进粒子群算法的变压器故障诊断研究李凌，倪远平，孙婧雅(昆明理工大学信息工程与自动化学院，昆明650051)摘要：针对基本粒子群算法存在收敛慢、易陷入局部极值的缺点，分析了粒子群算法中惯性权重和加速因子的作用，对其作了修改，并用改进后的粒子群算法训练神经网络，应用在变压器故障诊断上。仿真结果表明：改进后的粒子群算法迭代次数少，收敛速度比改进的BP算法快，可以对变压器的故障类型进行区分。关键词：

2、改进粒子群算法；变压器故障诊断；神经网络；收敛速度中图分类号：TPl83文献标识码：A文章编号：1000-3932(2010)07-0043-041引言几十年来，国内外众多专家先后提出了多种以油中特征气体为依据的判断变压器故障的方法，如罗杰斯法(Rogers)、三比值法(IEC)、特征气体法、气液平衡法、电协研法等⋯，目前应用比较成熟和广泛的是三比值法。虽然三比值法经过多次改进，但是在实际分析中仍有不在其中的故障类型，而且多种故障混合时，用三比值法就很难进行判断。所以，专家学者们陆续研究出了多种智能故障诊断方法，如神经网络、专家系统

3、、模糊控制等，并且都取得了可喜的成果。粒子群算法是一种新兴的智能进化算法，具有搜索能力强大、参数少、算法简便等优点，但是也存在收敛慢、易陷入局部极值的缺点，所以本文对基本粒子群算法的惯性权重和加速因子做出了改进，并尝试用改进后的粒子群算法训练BP神经网络，应用在变压器故障诊断上。实验仿真证明改进的粒子群算法应用在变压器故障诊断上是可行、有效的。2基本粒子群算法粒子群优化算法(PSO)最早是由Ebcrhart和Kennedy忙“1博士于1995年提出的，起源于对鸟类捕食的研究。种群是由多个粒子的集合组成的，每个粒子代表一个潜在解，每个

4、粒子的搜索行为是受到群中其它粒子的经验或知识影响的。PSO初始化为一群随机粒子，通过迭代找到最优解，每次迭代中，粒子通过跟踪个体极值(pbest)和全局极值(gbest)来寻找最优解。基本粒子群算法按照式(1)、式(2)更新速度和位置：口≥1=co口：+cIrl(P：一z：)+c2／'2(P：一z：)(1)石21="譬1+茗：(2)式中：r。和，：——随机函数rand()生成的[0，1]之间均匀分布的随机数；Co——惯性权重；c。，C2——加速因子，表示粒子向自身极值(pbest)和全局极值(gbest)推进的随机加速权值。3惯性权

5、重和加速因子的改进c。能够限制上一步微粒的飞行速度对此时速度的影响，c．能够控制微粒自身的搜索经验对当前微粒飞行速度的影响，c：能够控制其它微粒的搜索经验对当前微粒飞行速度的影响。C。的大小反映了收敛能力的强弱，c。取值较大时全局收敛能力较强，局部收敛能力弱，c。较小时局部收敛能力较强，全局能力较弱。开始可以给c。一个较大的正值(一般取1)，然后逐渐的减小其值，本文考虑在搜索过程中对c。进行动态改进，使惯性权重c。随粒子迭代次数的增大而呈现非线性递减趋势，这种改进能够加快算法的收敛速度，从而能够逼近全局最优解。本文考虑采用的方法区别

6、于其他改进方法的是惯性权重的表现形式不同，此方法经过验证，能够有效地摆脱局部极值的缺点，改进的公式见式(3)：●一Cco(k)=1一甜×e‘(3)式(3)中，c。随着迭代次数的增加而呈现动态非线性减小的趋势，通常情况下，认为c。(k)取[0．4，1．2]之间的常数时算法性能较好。∞可以取[0，1]之间的常数，经过验证，认为取0．2时效果较好。其中G为最大迭代步数，k为当前迭代次数，CO(k)可以看作是迭代次数的函数。对加速因子的改进如式(4)、式(5)：c，：气+譬(。。。一。。。)(4)L，c：=ch+等(c。飞)(5)c。随当前

7、迭代次数的增加而线性减小，c：随迭代次数的增加而线性增加，经过试验，认为c．在收稿日期：2010-03-09(修改稿)基金项目：国家自然科学基金资助项目(30860055)·44·化工自动化及仪表第37卷[0．25，2．25]区间内递减，c：在[0．25，2．25]区间内递增时优化效果较好。这种改进可以使得粒子在开始的时候有较强的全局收敛能力，而在后期有较强的局部收敛能力，不容易陷入局部极值点。4改进粒子群算法应用于变压器故障诊断的研究4．1BP算法BP网络又称多层并行网，应用较为广泛，结构如图1所示。BP算法的核心思想是利用梯度下

8、降法来调整权值、阈值，使得网络误差最小，网络的学习过程是误差一边向后传播一边修正权值的过程”再1。但是BP算法存在一定的缺陷，易陷入局部极小值、收敛较慢，为了克服BP算法存在的缺陷，利用本文改进的粒子群算法代替BP算法来训练神经网络(