神经网络在变压器超高频局部放电模式识别中的应用.pdf

第3 4 卷V 0 1 3 4第3 期N o 3山东大学学报(工学版)J O U R N A LO FS H A N D O N GU N I V E R S I T Y(E N G I N E E R I N GS C I E N C E)2 0 0 4 年6 月J u n 2 0 0 4文章编号：1 6 7 2 3 9 6 1(2 0 0 4)0 2-0 0 5 1-0 4神经网络在变压器超高频局部放电模式识别中的应用殷录民1，张慧芬2(1 山东大学后勤处，山东济南2 5 0 0 6 1；2 济南大学信息科学与工程学院，山g,济南2 5 0 0 2 2)摘要：结合自适应遗传算 5 去-(A G A)和B P 算法各自的优点，构造了A G A-B P 混合算法作为神经网络的学习算法实验结果表明，A G A-B P 神经网络既解决了B P 神经网络对初始权值敏感和容易局部收敛的问题，又提高了A G A 神经网络的收敛速度、稳定性和求解质量，具有较高的识别率和较强的推广能力关键词：超高频局部放电；模式识别；神经网络中图分类号：T M 8 5 5文献标识码：AA p p l i c a t i o no fn e u r a ln e t w o r ki nU H FP Dp a t t e r nr e c o g n i t i o no ft r a n s f o r m e r sY I NL u m i n l，Z H A N GH u i f e d(1 L o g i s t i c sr a m m 舯e n t，S h a n d o n gU n i v，J i n a n2 5 0 0 6 1，C h i n a；2 S c h o o lo fI n f o r m a t i o nS c i a n dE n g，J i n a nU n i v，J i n a n2 5 0 0 2 2，C h i n a)A b s t r a c t：B yc o m b i n i n gA d a p t i v eG e n e t i cA l g o r i t h m(A G A)w i t hB a c k P r o p a g a t i o n(B P)a l g o r i t h m，a nA G A B Ph y b r i da l g o r i t h mi sp r e s e n t e dt ot r a i nn e t w o r k T e s tr e s u l t st h a tt h ep r o p o s e dA G A-B P-N Na l g o r i t h mo v e r-c o m e st h es e n s i t i v i t yo fB P-N Nt oi n i t i a lw e i g h ta n dl o c a lc o n v e r g e n c e，a n di m p r o v e st h ec o n v e r g e n c er a t e，s t a b i l i t ya n ds o l u t i o nq u a l i t yo fA G A N N A sar e s u l t，A G A B P-N Na l g o r i t h mi sp o s s e s s e do fh i g h e rr e c o g n i t i o nr a t e sa n dg e n e r a l i z a t i o na b i l i t y K e yw o r d s：u h r a h i g h f r e q u e n c yP Dd e t e c t i o n；p a t t e r nr e c o g n i t i o n；n e u r a ln e t w o r k(N N)0引言神经网络用于局部放电模式识别提高了识别的主要有B P 算法和A G A 算法B P 算法在局部寻优时比较成功，但也存在收敛速度慢、效率低、容易陷入局部极小点等问题 2 1 A G A 算法(自适应遗传算法)能够根据适应度的大小自适应地选取杂交概率和突可靠性和实用性目前神经网络广泛采用的算法变概率，在保持群体多样性的同时，保证了算法的收收稿日期：2 0 0 3 1 1 2 4作者简介：殷录民(1 9 7 0 一)，男，工程师主要研究方向为供配电网故障检测 万方数据5 2山东大学学报(工学版)第3 4 卷敛性【3】它克服了上述B P 算法存在的缺点然而A G A 同样也存在不足之处，当其搜索到最优解附近时，无法精确地确定最优解的位置，即它在局部搜索空间不具备微调能力结合B P 算法和A G A 算法各自的优点，构造了一种基于A G A B P 混合学习算法的神经网络，应用于变压器超高频局部放电的模式识别中1基于B P 算法的神经网络由于B P 算法使用了梯度搜索作为寻优途径，所以一旦神经网络的输入、输出映射关系复杂时，误差能量函数在其空间中的全局最小点附近将出现许多局部极小点，如果神经网络的权系数初值设置不当，就很容易使学习过程收敛缓慢甚至不收敛，或者使权系数在学习结束时收敛于某个局部极小点，导致神经网络进入错误的工作状态，不能正确识别大量未知的输入模式采用s 型函数的三层B P 网络的学习算法如下：设输人层、隐含层和输出层的结点数分别为，L，M 对习=i J I I 练样本P(P=1，2，q)，它的期望输出为叱，k=1，2，M，而实际输出响应为，k=1，2，M，则误差6 斗=(咄一)，各输出误差的平方和可表示为：=各e X(1)通过改变网络中各个加权系数可使得E 尽可能小，根据L M S 的最陡下降算法并采用惯性调整策略可得到各个权重系数的调整量：A w(2(+1)=叩颦(如一)强(1 一)k+a 埘警(t)(2)A(。1(t+1)=uM礴 k=l(咄一)(1 一)侧譬危用(1 一k)+a 训：H t)(3)式中，叼为学习步幅；口为惯性系数；t，t+1 为学习的时序编号2基于自适应遗传算法A G A 的神经网络与B P 算法不同，A G A 在网络学习过程中不采用梯度和其他辅助信息，只根据适应度的大小对神经网络权系数和阈值的编码进行遗传操作，得到最优解要解决的主要问题是：1)对权系数和阈值进行编码；2)定义适应度函数遗传算法的样本编码通常采用二进制编码，同样，A G A 神经网络的权值和阈值作为遗传算法的样本，选择使用1 6 位有符号二进制对其进行编码，样本的取值范围为 一3 2 7 6 7，3 2 7 6 7 由于人工神经网络的权值和阈值基本上在 一1，1 区间，所以A G A神经网络的权值和阈值(也就是A G A 算法的初始值)按均匀分布在区间 一1，1 内生成因此，将区间 一1，1 上的值映射到 一3 2 7 6 7，3 2 7 6 7 的整数上设既是神经网络的第i 个神经元的第，个权值，则阢i 可表示为：形i=(1 0 0 1，1 0 1)X1 3 2 7 6 7 将网络的所有连接权值和节点阈值按顺序编成一串，形成一个个体随机产生的个个体形成初始群体对某一个体所表示的神经网络结构，计算出训练集中全部样本的实际输出与期望输出的标准差：E=q 高出s l H l 丫(4)式中，M 为训练集中的样本个数；S I，H 1 分别为神经网络的实际输出和期望输出通常在神经网络中，收敛的条件是标准差越来越小；而在A G A 算法中，评价个体优劣的适应度函数则往往是越大其被选择复制的机会也越大，故样本的实际输出与期望输出的标准差E 不能直接用作A G A 算法的适应度函数因此，A G A 神经网络的适应度函数的定义为：F=C E(5)式中，c 为常数，其值取为比最大的标准差E 还大的一个常数适应度越大，网络的实际输出和期望输出的误差越小 万方数据第3 期殷录民，等：神经网络在变压器超高频局部放电模式识别中的应用5 33基于A G A B P 混合学习算法的神经网络在A G A B P 神经网络中，网络的训练分为两步：首先利用A G A 训练神经网络，使其定位于权空间全局最优或近似全局最优的附近，然后采用B P 算法进行局部搜索，使其迅速地收敛到最终的优化值A G A 的作用是宏观搜索，处理的是大范围搜索问题，而B P 算法中线性搜索过程的作用是极值局部搜索，即微观搜索，处理的是小范围搜索和搜索加速问题混合遗传算法的基本构成框架如图1 所示图1 混合遗传算法构成示意图F i g 1F l o w c h a r to fA G A B Ph y b r i da l g o r i t h m算法的具体实现描述如下：1)初始化有限个数群体的染色体，并作为当前代P(o)，t=O；2)计算P(t)中染色体的适应度，根据适应度选择交配池内的父母染色体；3)根据自适应的交叉概率只和变异概率P。把交叉操作和变异操作应用到父母染色体，并产生下一代P(t+1)，t=t+1；4)如果P(t)中的染色体不满足终止条件1，转至02)，否贝0 转至05)；5)如果满足终止条件2，则结束否则，用群体中适应度最大的染色体初始化网络权值，t=0；6)按式(1)计算误差分量；7)按式(2)，(3)计算并修正网络的权值；8)如果满足终止条件2，则结束，否则转到6)这里，终止条件1 指的是A G A 训练终止的条件，终止条件2 指的是整个混合算法终止的条件4局部放电特征的提取变压器绝缘结构中发生的局部放电类型主要有5 种【4】：油中尖板(A)，纸或纸板内部放电(B)，油中气泡放电(C)，纸或纸板沿面放电(D)和悬浮放电(E)局部放电具有明显的随机性，采用参考文献 5 中的超高频测量系统，对1 0 0 个工频周期的超高频放电信号进行统计，可以得到局部放电的各种分布谱图，包括峨一(9)，乩。(妒)，H。(驴)，H(q)，H(P)，它们能全面地描述局部放电的特征，可用于区分不同类型的局部放电模式识别结果的正确与否关键在于放电信号特征的提取采用上述五种分布谱图的统计算子作为神经网络的输入量，包括偏斜度S。，突出度K。，局部峰个数P。，放电不对称度Q，相位不对称度9，互相关因子C C 和相位中值M。共3 7 个特征量，进行放电类型的自动识别5B P，A G A，A G A B P 神经网络对超高频局部放电的模式识别及评价每种放电模型选取5 个以上的样品，这些样品的材料和结构完全相同，但尺寸等方面有一定差别；而且对同一个样品，在相同条件下采集多个样本，以确保实验结果具有良好的统计性和可重复性最后，将多个5 种放电模型的局部放电测量结果随机地分成两组，一组样本集用于神经网络的学习，另一组样本集不经过网络学习环节，直接用于神经网络识别，以判断网络的学习效果及推广能力利用学习样本集分别用B P 算法，A G A 和A G A B P 混合算法训练神经网络，一个典型的神经网络输出误差变化关系如图2 所示，其中A G A 算法的一代相当于B P 的一步，两者的计算时间也基本相同由图2 可以看出，要达到同样的误差0 0 0 01，B P 网络、万方数据山东大学学报(工学版)第3 4 卷A G A 网络和A G A B P 神经网络需要的迭代次数分别为2 41 4 1，27 1 6 和16 8 5 次，可见A G A B P 神经网络较B P 神经网络和A G A 神经网络，在全局优化意义上能更加稳定、快速地收敛些V制幢霹迭代次数图2 神经网络误差输出变化F i g 2E r r o ro u t p u t so ft h r e en e u r a ln e t w o r k s利用测试样本集分别对B P，A G A 和A G A B P 网络进行测试，识别结果如表1 所示表1 局部放电类型识别结果训练样正确识别数识别总数识别率()放电本数类型全部样B P 二A G A A G A-B FB P-A G A A G A B P本数N NN NN NN NN NN NA驯5 02 2 3 02 8 3 02 9 3 07 3 39 3 39 6 7B驯5 02 7 3 03 0 3 03 0 3 09 01 0 01 0 0C2 0，5 02 6 3 02 9 3 03 0 3 08 6 79 6 71 0 0D2 0 5 02 8 3 03 0 3 03 0 3 09 3 31 0 01 0 0E2 0，5 02 7 3 02 9 3 03 0 3 09 09 6 71 0 0从表1 的识别结果可以看出，B P 神经网络的识别能力较A G A 神经网络和A G A B P 神经网络偏低；同时也表明当考虑各种随机因素(电极尺寸、外施电压及各种环境因素的影响)时，B P 神经网络的推广能力和稳定性较差；更有甚者，当参数选取不当时很容易陷入局部极小点，无法完成识别任务A G A 算法的收敛速度快、训练误差小，较B P 算法的性能有很大提高，但多次实验发现，单独的A G A 算法对于找出全局最优解缺乏保证，也就是其局部峰值的搜寻能力不强，体现在训练后期时常出现振荡而A G A B P 混合算法，综合了两种算法的优点，其收敛速度、训练误差精度和训练时收敛的可靠性都比前两种算法有较大的提高A G A B P 神经网络具有较高的识别率和较强的推广能力，受各种随机因素影响较小，应用范围广泛参考文献：1 G U L S K IE，K R I V D AA N e u r a ln e t w o r k sa sat o o lf o rr e c o g n i t i o no fp a r t i a ld i s c h a r g e s J I E E ET r a mO nE l e c t r i c a lI n s u l a t i o n，1 9 9 3，2 8(6)：9 8 4-1 0 0 1 2 X I NY E v o l v i n ga r t i f i c i a ln e u r a ln e t w o r k s J P r o c e e d i n g so ft h eI E E E，1 9 9 9，8 7(9)：1 4 2 3 1 4 4 7 3 B E Y E RHG，D E BK O ns e l f-a d a p t i v ef e a t u r e si nr e a lp a r a r i l-e t e rr e v o l u t i o n a r ya l g o r i t h n f l s J I E E ET r a mO nE v o l u t i o n a r yC o m p u t a t i o n，2 0 0 1，5(3)：2 5 0-2 7 0 4 王国利，郝艳捧，李彦明，等电力变压器典型局放模型放电脉冲的特性研究 J 高电压技术，2 0 0 1，2 7(2)：5 8 5 王国利，郝艳捧，李彦明变压器油中局部放电信号超高频特性的研究 J 电工电能新技术，2 0 0 2，2 1(1)：4 9 5 3(编辑：陈斌)万方数据神经网络在变压器超高频局部放电模式识别中的应用神经网络在变压器超高频局部放电模式识别中的应用作者：殷录民，张慧芬作者单位：殷录民(山东大学,后勤处,山东,济南,250061)，张慧芬(济南大学,信息科学与工程学院,山东,济南,250022)刊名：山东大学学报(工学版)英文刊名：JOURNAL OF SHANDONG UNIVERSITY(ENGINEERING SCIENCE)年，卷(期)：2004,34(3)被引用次数：5次 参考文献(5条)参考文献(5条)1.王国利;郝艳捧;李彦明 变压器油中局部放电信号超高频特性的研究期刊论文-电工电能新技术 2002(01)2.王国利;郝艳捧;李彦明 电力变压器典型局放模型放电脉冲的特性研究期刊论文-高电压技术 2001(02)3.Beyer H G;DEB K On self-adaptive features in real parameter revolutionary algorithms外文期刊2001(03)4.Xin Y Evolving artificial neural networks外文期刊 1999(09)5.Gulski E;KRIVDA A Neural networks as a tool for recognition of partial discharges 1993(06)本文读者也读过(10条)本文读者也读过(10条)1.何兰香.荆文忠.刘铁英.HE Lan-xiang.JING Wen-zhong.LIU Tie-ying 基于神经网络的局部放电模式识别方法研究期刊论文-信息技术2009,33(1)2.李梅芳.郑殿春 神经网络在局部放电模式识别中的应用期刊论文-中国校外教育（理论）2008(4)3.阳国庆.郑殿春.孙学勇.YANG Guo-qing.ZHENG Dian-chun.SUN Xue-yong 基于小波神经网络局部放电模式识别方法的实验研究期刊论文-哈尔滨理工大学学报2005,10(5)4.李延沐.袁鹏.牟磊.李彦明.LI Yan-mu.YUAN Peng.MOU Lei.LI Yan-ming 基于自适应神经模糊推理系统(ANFIS)的变压器超高频局部放电模式识别期刊论文-电工电能新技术2005,24(4)5.唐琪.林韩.陈金祥.唐志国 电力变压器结构对UHF局部放电在线检测的影响期刊论文-福建电力与电工2007,27(2)6.田质广.孟宪尧.张慧芬 模糊B样条神经网络在变压器超高频局部放电模式识别中的应用期刊论文-电子技术应用2004,30(10)7.王国利.郑毅.沈嵩.郝艳捧.李彦明 AGA-BP神经网络用于变压器超高频局部放电模式识别期刊论文-电工电能新技术2003,22(2)8.杨孝华.廖瑞金.胡建林.白仕雄 基于BP人工神经网络的XLPE电力电缆局部放电的模式识别期刊论文-高压电器2003,39(4)9.徐斌.王晶.李彦明.XU Bin.WANG Jing.LI Yan-ming 变压器中局部放电超高频信号传播的仿真研究期刊论文-高压电器2007,43(4)10.姚林朋.张丽.钱勇.黄成军.郭灿新.刘君华.王辉.江秀臣 基于Weibull分布的电缆局部放电特征研究会议论文-2009 引证文献(5条)引证文献(5条)1.何兰香.荆文忠.刘铁英 基于神经网络的局部放电模式识别方法研究期刊论文-信息技术 2009(1)2.全玉生.何秋宇.卢天盛.马彦伟.王辰 电力变压器局放信号抗干扰与模式识别期刊论文-电力自动化设备2008(1)3.全玉生.马彦伟.郑彬.何秋宇 基于时域脉冲特征量的神经网络方法在变压器局放模式识别中的应用期刊论文-现代电力 2006(6)4.全玉生.马彦伟.何秋宇.李学鹏.杨俊伟 基于模糊概率论的变压器局放信号模式识别法期刊论文-电力系统自动化 2006(4)5.孙学勇 神经网络在局部放电模式识别中的实验研究学位论文硕士 2005 本文链接：http:/