摘 要： 本文針對BP算法易陷入局部極小、收斂速度慢的缺點，根據(jù)遺傳算法（Genetic Algorithms，GA）具有全局尋優(yōu)的特點，將二者結(jié)合起來提出了一種混合算法：GA-BP算法，并將該算法成功應(yīng)用于變壓器超高頻局部放電模式識別。將變壓器油中局部放電超高頻測量系統(tǒng)所得到的局部放電的特征量作為輸入，分別用BP算法和混合算法進(jìn)行模式識別。實驗結(jié)果表明GA-BP算法具有收斂速度快、全局最優(yōu)的優(yōu)點，并且這種算法可以推廣應(yīng)用于其他實際系統(tǒng)中。
　　關(guān)鍵詞： 變壓器 局部放電 BP算法 遺傳算法 模式識別
　　
　　1.引言
　　隨著電力系統(tǒng)的發(fā)展和電壓等級、容量的不斷提高，局部放電已經(jīng)成為電力變壓器絕緣劣化的重要原因，因而局部放電的檢測也就成為變壓器絕緣狀況監(jiān)測的重要手段［１］。變壓器絕緣體系中的放電類型很多，不同的放電類型對絕緣的破壞作用有很大差異，因此有必要對各種放電類型加以區(qū)分，從而能夠更好地進(jìn)行變壓器故障定位和故障處理。
　　人工神經(jīng)網(wǎng)絡(luò)自20世紀(jì)90年代開始就用于放電類型的模式識別，由于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)類似于人類大腦的神經(jīng)元，具有自學(xué)習(xí)的能力。因此在很多應(yīng)用中取得了比較好的效果，但是它也存在局限性。由于利用梯度下降法全局尋優(yōu)，因此網(wǎng)絡(luò)收斂的速度很慢，而且常常會陷入局部極小點。
　　本文嘗試用基于遺傳算法的BP網(wǎng)絡(luò)實現(xiàn)放電類型的模式識別，用遺傳算法來實現(xiàn)全局優(yōu)化以克服BP神經(jīng)網(wǎng)絡(luò)的局限性［２］，提高模式識別的準(zhǔn)確度。最后，用所提出的基于遺傳算法BP與一般BP進(jìn)行比對。實驗結(jié)果顯示前者明顯提高了模式識別的準(zhǔn)確性及快速性，這對于進(jìn)一步進(jìn)行變壓器故障定位和故障處理有重要意義。
　　2.試驗原理及方法
　　首先我們引入純BP神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，通常具有三層或三層以上的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層（隱層）和輸出層。以三層BP神經(jīng)網(wǎng)絡(luò)為例，設(shè)W為第j個輸入到第i個隱層節(jié)點的連接權(quán)值，θ為隱層節(jié)點的閾值，W為第k個輸出節(jié)點到第i個隱節(jié)點的連接權(quán)值，q為輸出節(jié)點的閾值，O為輸出層的輸出。三層BP網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。
　　根據(jù)Kolmogorov定理，本文中選用的BP網(wǎng)絡(luò)采用N×2N+1×M的三層網(wǎng)絡(luò)結(jié)構(gòu)。其中，N表示輸入特征向量的分量數(shù)，M表示輸出狀態(tài)類別總數(shù)。中間層神經(jīng)元的作用函數(shù)為Tansig，輸出層神經(jīng)元的作用函數(shù)為logsig。
　　然后用遺傳算法［３］調(diào)節(jié)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，并用優(yōu)化后的BP網(wǎng)絡(luò)進(jìn)行試驗，其步驟如下：
　?、俪跏蓟N群P，包括種群規(guī)模、交叉概率Pc及變異概率Pm，隨機(jī)化W、θ、W、q，采用實數(shù)編碼。
　?、谟嬎忝恳粭l染色體的評價函數(shù)，按蒙特卡羅法來選擇個體
　　p=f/f
　　其中，f為第i條染色體的適應(yīng)度，用誤差平方和來衡量，即
　　f=1/E（i）
　　E（i）=∑∑（O-T）
　　p為學(xué)習(xí)樣本數(shù)，k為輸出層節(jié)點數(shù)。
　?、垡愿怕蔖c對個體進(jìn)行交叉操作，沒有選中的直接復(fù)制，產(chǎn)生新的種群。采用算數(shù)交叉，即：
　　x（i）=αx（i）+（1-α）x（i+1）
　　x（i+1）=αx（i+1）+（1-α）x（i）
　　其中，x為選中的染色體。
　?、芤愿怕蔖m對個體x（i）進(jìn)行變異操作，產(chǎn)生新的個體x'（i）。
　　⑤將新個體插入種群P中，重新計算種群中個體的適應(yīng)值。
　?、奕绻阉鞯綕M足要求的個體（達(dá)到誤差要求ε），轉(zhuǎn)第⑧步，否則轉(zhuǎn)第三步。
　?、哒业阶顑?yōu)的個體后，將最優(yōu)染色體解碼即得到網(wǎng)絡(luò)的連接權(quán)系數(shù)和閾值。
　?、嗬眠z傳算法優(yōu)化好的網(wǎng)絡(luò)權(quán)值，用BP算法訓(xùn)練網(wǎng)絡(luò)直到精度ε。
　　最后將BP網(wǎng)絡(luò)所得結(jié)果和基于GA的BP網(wǎng)絡(luò)所得結(jié)果對比分析。
　　3.實驗及結(jié)果分析
　　變壓器油紙絕緣結(jié)構(gòu)中的四種主要放電類型，分別是懸浮放電、沿面放電、內(nèi)部放電和油中針板放電。首先采用變壓器超高頻測量系統(tǒng)在不同的電壓等級、不同的電極尺寸、不同的中心頻率對這四種放電類型的數(shù)據(jù)進(jìn)行了采集。
　　將采集到的數(shù)據(jù)送入計算機(jī)進(jìn)行處理，生成局部放電的二維譜圖并從中提取包括偏斜度Sk、突出度Ku、放電不對稱度Q、相位不對稱度Φ、互相關(guān)因子cc和相位中值μ等統(tǒng)計算子，以此作為放電的特征量來區(qū)分不同類型的放電［４］。由于變壓器局部放電超高頻檢測系統(tǒng)所提取的特征量的數(shù)量比較多，太多的特征量會增加樣本學(xué)習(xí)過程中的計算量，提高模型的復(fù)雜程度，結(jié)合經(jīng)驗，最終選擇了平均放電譜圖的{Q、cc、Sk+、Sk-、Ku+、Ku-}作為輸入向量，來進(jìn)行局部放電的模式識別［５］。
　　隨機(jī)抽取四種放電類型的樣本數(shù)據(jù)一共200組，每種模式50組，來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。為了驗證方法的有效性，又提取了每種模式30組數(shù)據(jù)對訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試。
　　用這些訓(xùn)練數(shù)據(jù)對一般BP進(jìn)行訓(xùn)練，一般21步后達(dá)到目標(biāo)值0.001，訓(xùn)練性能為0.00029，運(yùn)行時間為3.216000s。對于基于遺傳算法的BP網(wǎng)絡(luò)，選取初始種群為P=30，GA訓(xùn)練目標(biāo)ε=AbtF46VfLg9OgEkOac1mZvnahFlMcygEHGwqmvJoA6g=0.4，遺傳算法在經(jīng)過大約200代的計算時，達(dá)到權(quán)值和閾值的最優(yōu)，且BP算法經(jīng)過8步的運(yùn)算，即達(dá)到目標(biāo)值0.001，訓(xùn)練性能為0.00016，運(yùn)行時間0.605000s?？梢娀贕A的BP網(wǎng)絡(luò)在運(yùn)算速度上要優(yōu)于一般BP算法。
　　用BP神經(jīng)網(wǎng)絡(luò)和GA-BP算法的模式識別結(jié)果比較如表1。由統(tǒng)計結(jié)果可以看出一般BP算法也可以對放電的類型進(jìn)行分類，但是由于BP算法隨機(jī)選取初始權(quán)值的范圍較小，這樣就易陷入局部最小而使訓(xùn)練失敗，成功率比較低。而用基于GA的BP算法時，對放電類型的模式識別率明顯高于純BP算法。從實驗所得結(jié)果及統(tǒng)計分析可知基于GA的BP網(wǎng)絡(luò)運(yùn)算速度及準(zhǔn)確率都要優(yōu)于純BP算法。
　　綜上所述，BP算法進(jìn)行分類時，由于算法本身局限性，初始權(quán)值和閾值隨機(jī)選取且選取的空間小，導(dǎo)致容易陷入局部極小而使訓(xùn)練失敗?；谶z傳算法的BP網(wǎng)絡(luò)先用GA算法在全局空間上搜索權(quán)值和閾值的最優(yōu)點，然后用BP算法在最優(yōu)點附近尋優(yōu)，達(dá)到最優(yōu)值。這樣就有效地克服了一般BP算法容易陷入局部最優(yōu)的缺點。另外，基于遺傳算法的BP網(wǎng)絡(luò)的訓(xùn)練速度也明顯優(yōu)于一般BP算法的訓(xùn)練速度。
　　4.結(jié)語
　　本文所提出的基于遺傳算法的BP網(wǎng)絡(luò)可以對變壓器超高頻局部放電模式識別，并克服了一般BP算法的不足。實驗結(jié)果表明BP算法易陷入局部極小的缺點，而用遺傳算法先對權(quán)值進(jìn)行整個解空間的優(yōu)化，縮小優(yōu)化空間，然后由BP網(wǎng)絡(luò)進(jìn)行搜索，可以克服BP算法全局搜索能力不足，易陷入局部極小的問題，同時也提高了BP算法的速度。
　　
　　參考文獻(xiàn)：
　　［1］王國利.油浸式電力變壓器局部放電特高頻檢測技術(shù)研究.西安：西安交通大學(xué)，2003.
　?。?］鄭力新.遺傳算法在控制系統(tǒng)工程應(yīng)用的研究.天津大學(xué)，2002.
　?。?］雷英杰等.MATLAB遺傳算法工具箱及應(yīng)用.西安電子科技大學(xué)出版社.
　　［4］王國利，鄭毅，沈嵩等.AGA-BP神經(jīng)網(wǎng)絡(luò)用于變壓器超高頻局部放電模式識別.電工電能新技術(shù)，2003，22（2）：629.
　?。?］李延沐，袁鵬等.基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)（ANFIS）的變壓器超高頻局部放電模式識別，2005，24（4）：30-33.