基于CMPSO—BP算法的变压器故障诊断.pdf

第26卷第4期 电 力 科 学 与 工 程 Vol_26．No．4 2010年4月 ElectricPowerScienceandEngineering Apr．，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 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：A 0 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 设有哪些信誉好的足球投注网站空间为 m维，总粒子数为 17,，第 i个 神经网络中的反向传播神经网络 (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 止有哪些信誉好的足球投注网站到的最优位置为pBest= (P P ，…， 入局部极小等问题。由于粒子群算法 (Particle P¨…，P )，整个粒子群迄今为止有哪些信誉好的足球投注网站到的最优 SwarmOptimization，PSO)具有很强的全局优化能 位置为gBest。= (g g …，g …，g )。每 力，用它来训练BP能较好地克服上述缺点。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+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