基于鲸鱼算法优化PNN的变压器故障诊断
时间:2022-12-05 20:50:04 来源:柠檬阅读网 本文已影响 人
李宏玉, 毛泉, 祁忠伟,2, 李洪强, 孙钧太
(1.东北石油大学 电气信息工程学院,黑龙江 大庆 163318;
2.大庆油田第二采油厂第七作业区,黑龙江 大庆 163414)
随着电能需求的日益扩大,电力系统在各个领域占据的位置越来越不可或缺,电力变压器作为其中必不可少的一部分,一旦出现故障将会对人们的生活产生很大的影响。因此,快速精准地判断出变压器故障类型变得尤为重要。目前已有很多智能算法相互结合并应用到该领域,比如果蝇算法、免疫算法、差分进化算法和神经网络等,这些智能算法在进行故障诊断的同时也存在部分缺陷。文献[1]将蜂群算法与反向传播(back propagation,BP)神经网络相结合进而寻找最优参数,虽然故障诊断精度得到一定提高,但存在容易陷入局部最优等问题。文献[2]运用单一神经网络的故障诊断,缺陷是训练结果不成熟,训练收敛速度慢。文献[3]运用粒子群算法对模糊神经网络进行参数优化,该算法虽然可以很快收敛,但是它的目标搜索能力不足,需要很大的计算量。
概率神经网络(probabilistic neural network,PNN)具有跳出局部最优、泛化能力强和收敛速度快等优势。平滑因子的选取直接关系到PNN在实际诊断中的应用。为了增强PNN的故障诊断能力,在PNN的基础上引入鲸鱼优化算法[4](whale optimization algorithm,WOA),并应用到电力变压器的故障诊断中。
1989年,PNN由Specht[5]提出,是将高斯函数作为基函数,Parzen窗口函数作为激活函数发展而来的前馈型神经网络,具有网络结构固定、容错性好、设置参数少和良好的分类能力等优点。因此,PNN适用于电力变压器故障诊断。
PNN通常由输入层、模式层、求和层和输出层4层组成,图1为其网络拓扑结构。
图1 PNN拓扑结构
输入层负责接收训练神经网络的样本数据,其节点数量由样本的向量维数决定。模式层将特征向量加上权值系数进行求和。输入层和模式层之间的输出表达式如式(1)所示。
(1)
求和层是将同类型的上一层单元输出进行汇总,该层的神经元只与上一层相同类型的神经元有关。输出层通过归一化得出不同类型样本的概率,并通过输出概率对样本类型进行分类。
2016年,WOA由Mirjalili等[6]人提出,这是一种新型的功能强大的群智能优化算法,它不仅有搜索能力强、正反馈等特点,还可以实现全局优化。该算法包括三个行为:包围猎物、气泡网攻击和搜索猎物。
2.1 包围猎物
WOA算法假定最优解为目标猎物的位置,其他鲸鱼个体将试图更新和代理相对位置,表达式如式(2)所示。
D=|C·X*(t)-X(t)|
(2)
X(t+1)=X(t)-A·D
(3)
式中:X*(t)为最优解位置;X(t)为目前所在位置;t为迭代次数;A和C为调节系数。A、C表示为:
A=2a·rand1-a
(4)
C=2rand2
(5)
式中:rand1和rand2为(0,1)中的随机实数;
a为由2到0逐渐递减的因子。a表示为:
(6)
式中:tmax为群体迭代次数的最大值。
2.2 气泡网攻击
WOA算法中,气泡网攻击分为收缩包围机制和螺旋更新机制。收缩包围机制如式(3)所示,螺旋更新机制如式(7)所示。
X(t+1)=X*(t)+Dqeblcosθ(2πl)
(7)
式中:l为(-1,1)随机数;
b为常数,表示对数螺旋形状;
Dq为鲸鱼与猎物之间的距离。Dq表达式如式(8)所示。
Dq=|X*(t)-X(t)|
(8)
假定座头鲸在猎杀目标猎物的时候,通过50%的概率选择是收缩包围还是螺旋更新机制来更新位置。具体表达式为:
(9)
图2 WOA-PNN算法的流程图
2.3 搜索猎物
座头鲸能够随机搜寻所在范围内的目标,表达式如式(10)所示。
D=|C·Xm(t)-X(t)|
(10)
X(t+1)=Xm(t)-A·D
(11)
式中:Xm(t)为鲸鱼随机位置。
采用WOA-PNN网络模型,先利用WOA优化参数平滑因子,使PNN的分类能力得到加强,在变压器故障诊断的精度与收敛速度上都得到了很大提高。算法的基本流程如图2所示。
3.1 故障特征选取
在传统的变压器故障诊断中,通常通过油中溶解气体的含量来判断变压器故障类型。本文以三比值法(CH4/H2、C2H2/C2H4、C2H4/C2H6)为输入量,将正常、中低温过热、高温过热、低能放电和高能放电等5种故障类型作为网络输出量。将变压器故障类型进行编码,故障类型编码表如表1所示。
表1 故障类型编码表
3.2 样本数据的选择
本文通过分析变压器的故障气体数据,用来对WOA-PNN模型基于变压器故障诊断的能力进行验证。本文从文献[7-9]中选取了298组已经确定故障类型的故障气体数据,随机选择200组样本进行网络训练,剩下的98组测试样本用来测试WOA-PNN模型的故障诊断能力。
3.3 诊断结果与分析
网络模型选择3个输入向量、5个输出向量的结构,以变压器油中常见的5种气体的比值(CH4/H2、C2H2/C2H4、C2H4/C2H6)作为网络的输入,故障类型编码作为输出。设定鲸鱼群体规模为20,迭代次数为100,个体维数为1,个体上限为100,个体下限为0.01。WOA适应度曲线如图3所示。
由图3可以看出,曲线最初波动幅度较大,通过WOA对最优个体位置的全局搜索,平滑因子不断被优化,曲线逐渐趋向收敛,该模型在迭代次数50次左右时,PNN神经网络找到最优平滑因子,证实了WOA收敛速度较快,目标搜索能力较强,相比较其他优化算法得到了显著提高。
为了验证WOA-PNN网络模型在网络训练能力上得到改进,
图3 WOA适应度曲线
分别用PNN和WOA-PNN建立变压器故障诊断模型得到优化结果,如图4、图5所示。
网络训练误差用来衡量网络训练的能力。由图5可知,训练过程中,WOA-PNN的训练误差较小,训练能力约为97%。由图4可知,PNN的训练误差较大,约为70%。这表明在迭代过程中,WOA-PNN的网络训练能力更强。
为了验证WOA-PNN故障诊断模型的准确性,利用98组测试样本分别测试WOA-PNN和PNN的诊断情况。图6为PNN的测试结果,图7为WOA-PNN的测试结果。表2列出了优化前后的故障诊断能力对比。
图6 PNN网络预测效果
图7 WOA-PNN网络预测效果
表2 变压器故障诊断准确率比较
由表2可知,WOA-PNN算法对变压器的故障诊断能力较强,准确率达到了93.88%,而PNN的诊断准确率只有79.59%。通过测试结果可以看出,WOA-PNN模型在诊断准确率,收敛速度和网络训练能力上都得到了很大的进步,表示该模型在变压器故障诊断领域有很大的实用性。
随着“智慧能源系统”工程的建设,变压器故障诊断也受到高度关注。在传统的变压器故障诊断中,PNN神经网络中平滑因子的选择对输出结果造成了很大的影响。本文在PNN神经网络的基础上,引入了一种新型的搜索优化算法——WOA,组成了WOA-PNN网络模型,通过WOA全局寻优获得最优平滑因子。通过试验仿真结果可以看出,WOA-PNN算法在故障诊断的精度和速度上都有了很大的突破,具有更好的稳定性和网络适应能力,为其他领域故障诊断创造了一种可能。
猜你喜欢 故障诊断变压器神经网络 比亚迪秦EV充电系统故障诊断与排除汽车实用技术(2022年16期)2022-08-31基于神经网络的船舶电力系统故障诊断方法舰船科学技术(2022年11期)2022-07-15迈腾B81.8T起动机无法启动故障诊断分析汽车实用技术(2022年9期)2022-05-20MIV-PSO-BP神经网络用户热负荷预测煤气与热力(2022年2期)2022-03-09基于改进Hopfield神经网络的对地攻击型无人机自主能力评价北京航空航天大学学报(2021年4期)2021-11-24理想变压器的“三个不变”与“三个变”中学生数理化(高中版.高考理化)(2020年11期)2020-12-14变压器经济运行分析与应用智富时代(2018年12期)2018-01-12变压器经济运行分析与应用智富时代(2018年12期)2018-01-12三次样条和二次删除相辅助的WASD神经网络与日本人口预测软件(2017年6期)2017-09-23理想变压器的理解和应用中学生数理化·高二版(2016年5期)2016-05-14