基于CMPSO—BP算法的变压器故障诊断

《基于CMPSO—BP算法的变压器故障诊断》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、第26卷第4期电力科学与工程Vol_26．No．42010年4月ElectricPowerScienceandEngineeringApr．，2010基于CMPSO—BP算法的变压器故障诊断孙娜(华北电力大学电气与电子工程学院，河北保定071003)摘要：将基于遗传算法交叉变异思想的改进粒子群优化(CMPSO)算法和误差反向传播(BP)算法相结合构成的CMPSO—BP混合算法用于训练神经网络，该混合算法有效克服常规BP和PSO—BP算法独立训练神经网络的缺陷，并应用于变压器溶解气体分析的智能故障诊断实验。诊断结果表明，CMPSO—BP

2、混合算法较BP及PSO—BP算法具有较高的诊断准确率。关键词：电力变压器；故障诊断；交叉变异；神经网络；粒子群中图分类号：TM410．7文献标识码：A0引言1概念电力变压器是电力系统中最重要的设备之一，1．1粒子群算法其故障诊断技术的研究一直是国内外学者关注的粒子群算法(PSO)是一种生物进化算法。热点。由于人类经验在此问题中的重要作用，结该算法具有实现简单、收敛速度快的特点。算法合历史数据，采用人工智能技术进行变压器故障的数学描述如下：分类就显得很有实际意义⋯。近年来，利用人工设搜索空间为m维，总粒子数为17,，第i个神经网络中的反

3、向传播神经网络(BPNN)进行变粒子的位置表示为向量X=(⋯，压器的故障诊断已有成功的实例。。然而，BP⋯，)，第i个粒子的速度表示为向量Vi=通常采用梯度下降法求解，在处理高维、小样本(⋯，¨⋯，)，第i个粒子迄今为决策问题时易出现“过学习”、收敛速度慢、陷止搜索到的最优位置为pBest=(PP，⋯，入局部极小等问题。由于粒子群算法(ParticleP¨⋯，P)，整个粒子群迄今为止搜索到的最优SwarmOptimization，PSO)具有很强的全局优化能位置为gBest。=(gg⋯，g⋯，g)。每力，用它来训练BP能较好地克服上述

4、缺点。但当个粒子的速度和位置按以下公式进行更新：学习样本数目多，输入／输出关系较为复杂时，BP(t+1)=WV“(t)+C1[p(t)一(t)]+网络的收敛速度非常缓慢，收敛精度不高，甚至c：[g(t)一(￡)j(1)不收敛。改进的BP算法较标准BP算法在收敛速(t+1)=(t)+(t+1)(2)度和寻找全局最优解方面有所改善。但仍然不能式中：1≤i≤n，1≤m。(t)，(t+1)分满足实际要求。为此，笔者探讨了一种将基于交别表示第i个粒子在维方向上的当前速度和更新叉变异思想的改进粒子群算法CMPSO算法与BP后的速度；(t)，(t+

5、1)分别表示第i个粒算法相结合的改进粒子群反向传播(CMPSO—子在．维方向上的当前位置和更新后的位置；C，BP)算法。应用CMPSO优化BP网络的权值。并c为常量，称为加速因子；，叼为[0，1]的随将CMPSO优化的BP网络(CMPSO—BP)应用于机数；W为惯性权重，其表达式为：电力变压器数据分析，实现了变压器的故障诊断。W=W一iter(W一Wi)／iter⋯(3)实验结果表明，将该方法应用变压器的故障诊断1．2带交叉变异算子的PSO算法CMPSO中，得到了较高的诊断精度。粒子群算法利用个体极值和全局极值两个信息来知道粒子下一步

6、的迭代位置。算法运行过程收稿日期：2009—12—29。作者简介：孙娜(1979一)，女，讲师，主要研究方向为智能信息处理，E—mail：nana_ss@126．tom。第4期孙娜基于CMPSO—BP算法的变压器故障诊断中，某粒子若发现一个当前最优位置且恰好为局子群优化(CMPSO)算法与BP算法相结合，形成部最优点，其他粒子会迅速向其靠拢，这样粒子一种新的改进粒子群CMPSO—BP混合算法，具群无法再重新搜索新的全局极值gBest，算法容易体学习算法步骤为：出现早熟收敛情况，陷入局部最优。为了克服这(1)根据神经网络的输入、输出样本

7、集建立个缺陷，本文提出一种带交叉变异算子的改进的神经网络的拓扑结构，初始化网络的权值和阈值，PSO算法。该算法在搜索过程中引入了交叉算子将神经元之间所有的连接权值和阈值编码成实数和变异算子，很大程度上克服了标准粒子群优化向量表示种群中的个体粒子。算法易陷入局部最优点的不足，同时也保证了收(2)把权值和阈值映射为一群粒子，初始化敛速度和搜索精度。粒子的初始位置、速度、惯性权重、加速因子本文采用遗传算法交叉操作的思想：每一次c和C，规定种群的规模、最大迭代次数，初始迭代中，取适应度好的前一半粒子直接进入下一化pBest，gBest等。代，

8、后一半粒子放人一个选择池中两两配对，随(3)根据输入、输出样本对神经网络输入的机产生一个交叉点进行交叉，产生和父代同样数样本进行学习训练，计算出每个粒子适应度函数目的子代，再和父代做比较，适应度好的一半进值，根据式(1)