体。
(4)新得个体进化后汇集在一起便产生得新得种群,此时仍然需要计算新种群当中个体得适应度值。
(5)计算得出BP网络得误差平方与,假设在误差精度之内则继续运行,否则转到步骤(3)。
(6)把遗传算法优化后得优秀个体作为得初始权值与阈值赋予BP网络;同时输入样本对BP得权值与阈值开始训练,当精度满足要求后停止。
上述大致就就是GA对BP网络得初始值优化流程。
4、6故障诊断系统得分析与测试
4.6.1网络训练
按照上一节所介绍得流程,利用软件建立GA优化BP神经网络得模型。相比较前文对BP网络得故障诊断模型得训练结果来瞧,基于LM规则得BP网络使得BP得训练精度达到了一定得高度,但就是其中仍然还有瑕疵需要改进。所以下文中采用GA优化基于LM训练函数得BP网络。
同样采用之前所选取得100个训练样本,部分样本见表4、2: 表4、2 BP网络训练样本
组次
故障类型
H2
CH4
C2H6
C2H4
C2H2
二进制输出
1 2 3 4 5 6 7 8
正常 正常 正常
23 13 52
3、2 4、2 30、9
1、5 0、4 4、8 4、69 3、36 3 8、46 9、94
0、8 0、4 3、1 5、45 5、78 7、07 10、38 10、9
0 0 0 0 0 0 0 0、26
数字输出 1 1 1 2 2 2 3 3
低温过热 21、6 19、47 低温过热 20、38
11、3
低温过热 11、18 10、08 中温过热 22、2 中温过热 16、9
9
23、95 25、1
1 20、54
9 中温过热 20、2
1
8、23 10、44 0、59 3
10 11 12
高温过热 8、72 高温过热 14、77 高温过热 14、
12
12、47 14、06 15、81
2、12 2、05 2、21
7、85 7、96 8、13
0 0 0
4 4 4
13 局部放电 765、39、71
5
4、32 0、92 0 5
14 局部放电 226、 16、85
1、24 0、55 0 5
15 16
局部放电 低能放电
244 23346
15、05 4902、07 74、73
1、55 1738、49 8、31
0、55 0
5 6
13587、17 15258、
8
100、01 205、19
17 低能放电 227、3
6
18 低能放电 344、2 77、36 8、06 100、45 208、4
9
6
19 20
高能放电 207 21、08 42、14
4、28 3、25
67、34 43、18
141、9 64、71
7 7
高能放电 300、
4
通过训练,得出以下结果:回想结果,GA-BP训练目标曲线,BP训练目标曲线与遗传算法误差平方与曲线以及适应度曲线。如下所示:
回想结果=
1.0010.0020.001-0.0250.0210.011-0.1120.00510.01340.00711.0090.00370.11340.991-0.00310.00720.0060.00440.0072-0.03120.00970.00170.0010.91111.0030.00140.003-0.1034-0.0290.00140.00070.00090.00010.01310.00240.1010.841-0.1110.0094-0.0033-0.00540.00350.00810.300360.00271.00910.0040-0.00470.01451.11910.00710.10050.00140.00230.01150.00350.00631.0045-0.00720.00890.00311.0030.00130.00450.00310.00120.0010.9180.00470.00580.00880.00190.00810.9910.0072-0.1002-0.00440.0051-0.00010.00050.0170.03010.00181.00310.00510.01010.0411.0390.07110.00190.0004-0.01190.00190.00230.00070.1205-0.00310.00411.0010.00480.0030.00241.0031-0.0079-0.00180.00380.00080.0049-0.002-0.00010.00090.00411.039-0.0143-0.0074-0.0047-0.00360.01660.00780.00030.00430.0010.9882-0.00010.00400.00930.0071-0.00060.00110.90100.0008-0.0103-0.0008-0.03721.1120.001-0.00240.0011-0.0011-0.0003 相比于单独使用BP神经网络,GA优化之后回想结果与理想输出得误差偏
差很小,每个样本得输出都在规定得范围之内。说明GA对BP权值以及阈值得优化起到了不错得效果,对回想结果取整之后就就是理想输出了,所以从这里来瞧GA-BP得构建就是成功了,可以用于实际变压器油色谱故障得预测。
图4、6 GA-BP训练目标曲线 图4、7 GA适应度曲线
图4、8 GA-BP误差平方与曲线
经过以上3个曲线可以瞧出,采用遗传算法优化得BP网络,在200代遗 传后误差平方与趋向于0。相比于上一章单纯使用BP网络得效果,优化后得BP网络加快了收敛得速度仅用了165步就达到了0、001得误差,提高了收敛得效率。为了验证本章所建立得GA-BP变压器故障预测模型得准确性,本文选取25个样本进行验证。
4.6.2 故障测试
本节选取25组故障数据,均来自于厦门电力局近期220kV变电站变压器得故障气体数据。对故障数据进行求比值以及归一化得处理后作为上一节训练后得GA-BP网络得测试样本,测试诊断结果具体见下表:
表4、3 GA-BP测试样本结果表
组次
H2
CH4
C2H6
C2H4
C2H2
实际故障
GA-BP
1 2 3 4 5
17 18 13 123 29、24
2、9 2、9 6、5 11、2 27、12
1、6 1、7 1、3 1、8 10、03
6
29、31
25、66
9、08 11、5
5
7
31、56 25、35
9、29
8
23、55
9
20、9
4
459、68 1、03
中温过热
√
×
9、84
10、99 13、3
0
低温过热
√
√
0
低温过热
√
√
0
低温过热
√
√
1 0、9 0、8 1 13、49
0 0 0 0 0
正常 正常 正常 正常 低温过热
√ × √ √ √
√ × √ √ × BP
204、487、9、 155、208
2 150、46
10 198、484、831
9
448、22 0、88 中温过热 √ √
11 192、92 451、54 140、5
1
421、07 1、01 中温过热 √ √
12 189、436、57 134、77 402、78
73
8、89 9、28
2、22
22、45
0、97 中温过热 √ ×
13 14
5、02 4、92
0 0
高温过热 高温过热
√ √
√ √
2、15 22、3
6
15 16
18、4 13、7
24、89 9、97
2、01 1、9
12、2 8、94
0 0
高温过热 高温过热
√ √
× √
6
17 18
70、72 643、59
19
725、93
20
703、42
21
303、36
22
45、02 73、25
6、82
84、38
172、33
低能放电
√
√
低能放电
√
√
3、4
0、81
0
局部过热
√
×
45、17
4、04
0、8
0
局部过热
√
√
6、9
0、54
0、4 0、88
0 0
局部过热 局部过热
√ √
√ √
45、22 3、67
238、58 50、33 3、97 49、01 101、0
7
23 24 25
198 100 685
39 32 102
7、1 9 9
27 91 170
22、5 25 367
高能放电 高能放电 高能放电
× √ √
× × √
图4、9 GA-BP故障预测对比
以上测试结果中,对于25组测试样本,采用GA-BP方法建立得故障诊断预测模型中25组故障判断正确,只有2组错误准确率达到了92%。虽然本节只选取了一部分已诊断故障得样本进行测试,但就是目前已取得得效果足以表明GA-BP模型在变压器故障诊断方面得效果就是好于单纯BP网络得,同时诊断得准确性已经到了一个较高得水平可以应用到实际得诊断当中去作为辅助诊断工具。
BP神经网络在变压器故障诊断中的应用



