基于蚁群算法的变压器智能故障诊断系统

　　摘要： 基于变压器溶解气体分析数据，介绍了采用基于蚁群算法的神经网络方法，建立变压器在线智能故障诊断系统。变压器油中溶解气体数据的训练和诊断表明，蚁群算法的收敛速度快，克服了网络陷入局部极小值的缺陷，具有较高的诊断准确率，是一种切实有效的方法。

　　变压器是电力系统中重要的电力设备，承担着电压变换、电能分配与传输的重要任务，其运行的可靠性直接影响到整个电力系统的运行费用及经济效益。为保证变压器正常、稳定地运行，必须有效防止变压器可能发生的各种故障。现有的变压器故障诊断中，基本上是采用基于油中溶解气体分析(DGA)的特征气体法、国际电工委员会(IEC)三比值法、罗杰斯(Rogers)四比值法等，这些方法是通过先确定故障类型(故障模式)，然后把故障样本按照一定的规则或经验分配到模式中去，并对同一模式中的样本提取模式特征量来实现的。然而，这些传统的检测方法在实际应用中仍存在着一定的不完善性和局限性，如对于同一组试验数据，采用不同诊断方法，有时会得到不同的诊断结果。随着人工智能技术的发展，变压器故障诊断技术也取得了很大进展，人工神经网络中的误差反向传播 (BP)网络结构简单、可塑性强，具有很强的学习能力和模式分类能力，可以采用BP网络根据变压器油中的溶解气体的组成成分来对变压器故障进行诊断。但 BP网络采用的网络权值学习算法大多是BP算法，其网络训练费时，而且存在局部极小值的固有缺陷，从而影响了故障诊断的准确性、快速性和有效性u 。为此，提出应用蚁群算法来优化神经网络，并应用于变压器的故障诊断，具有训练时间短、计算精度高和全局收敛等优点。

　　l 蚁群算法的基本原理

　　蚁群算法(Ant Colony Algorithm，简称ACA)是由意大利学者多里戈、马尼佐和科洛龙等在20世纪90年代初提出来的，它是一种基于模拟蚂蚁群行为的随机搜索优化算法，A C A算法主要通过蚂蚁群体之间信息传递达到寻优目的。蚂蚁在运动过程中，能够在它所经历的路径上留下一种被称为信息素的化学物质，蚂蚁能感知这种物质的存在及其浓度，并以此指导自己的运动方向，蚂蚁总是倾向于朝着该物质浓度高的方向移动。因此，某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大，这是一种由蚂蚁群的集体行为表现出的信息正反馈现象，蚂蚁个体之间就是通过这种信息交流方式进行路径的最优选择从而达到最快捷搜索食物源的目的。

　　2 基于蚁群算法的神经网络训练

　　目前， 大多数神经网络都使用梯度下降法进行训练，如BP算法、遗传算法、模拟退火算法等。蚁群算法具有全局优化和启发式寻优的特点，用它作为神经网络的学习算法，可避免目前上述算法的诸多缺陷，以提高运算效率。蚁群算法的基本过程为：假设需训练的神经网络中有in个参数，它包括所有的权值和阂值，记为P，对其中任一参数P (1≤ ≤ in)，将其设置为Ⅳ 个可能的随机非零数，组成集合 定义蚁群中蚂蚁的数目为S，全部蚂蚁从蚁巢出发去寻找食物，每只蚂蚁从集合 出发，根据集合中每个元素的信息素状态，随机地从每个集合 中唯一地选择一个元素，并对所选元素的信息素做相应调节。当蚁群中的蚂蚁在所有集合中完成元素的选择后，它就到达食物源，并按原路径返回蚁巢，同时按一定的规则调节集合中所选元素的信息素。这一过程反复进行，当全部蚂蚁收敛到同一路径时，表明找到了网络参数的最优解。利用蚁群算法优化训练神经网络的主要步骤归纳如下：
　　(1)令时间t和迭代次数NC为零，设置最大迭代次数NC，令集合 (14 ≤ 脚)中的元素 在初始时刻的信息素 全部蚂蚁置于蚁巢。

　　(2)启动所有蚂蚁，对每只蚂蚁k(k：1，2，? ，S)从集合 开始，根据下述路径选择概率规则，依次在每个集合中选择一个元素。

　　路径选择规则：对于集合 任意一只蚂蚁k，根据公式(1)计算的概率随机地选择它的第 个元素。

　　(3)重复步骤(2)，直至蚁群中的所有蚂蚁全部到达食物源。

　　(4)置t=t+m，NC=NC+1，根据各蚂蚁选择的权值计算神经网络的输出和误差，并记录当前最优解。

　　(5)当进化趋势不明显或迭代次数NC≥NC?时，则迭代结束，输出最优解。

　　3 神经网络在变压器故障诊断中的应用

　　3.1输入与输出量的确定

　　当变压器内部存在潜伏性过热或放电故障时，就会出现H2、cH 、c。H6、c。H 和c。H2等故障气体，随着发热和放电程度的不同，所产生的气体种类、油中溶解气体的的浓度、各种气体的比例关系也不相同。利用不同故障情况下变压器油中溶解的H，、CH 、C。C H 和CH2这5种气体中的每种气体分别占气体含量总和的百分比作为神经网络的输入矢量;采用无故障(Y )、低温过热(Y。)、中温过热(Y。)、高温过热(Y )、低能放电(Y )、高能放电(Y )6种故障性质类型作为神经网络的输出矢量，其中低温、中温和高温过热中的温度分别设定为小于300℃、300～700℃和大于700℃3种情况，低能放电主要指局部放电和较微弱的火花放电，而高能放电主要指电弧放电和较强烈的火花放电。如果网络某输出神经元值越大，说明发生该类型故障的可能性或严重程度就越大。如当变压器出现高温过热故障时，Y 的期望输出为“1”，而其它期望输出均为“0” 。

　　3.2故障样本数据的选取及神经网络的训练

　　选取对变压器经过吊芯处理检查后的1 00组故障数据作为训练样本，将变压器油中溶解的H。CH 、C6、C。H 和C。H。气体含量相对值的百分比作为神经网络的输入量，对应的故障类型作为网络的期望输出值。表1中列出21组部分训练用故障样本数据。

　　根据选定的100组训练样本，利用BP算法、蚁群算法分别对神经网络进行学习训练，根据所给的实际训练样本数目、经验公式和实际训练结果，最终确定网络隐含层节点个数是14。

　　从训练结果来分析，对于相同层次、结构、训练样本、训练次数和误差容限，基于蚁群算法与常规BP算法相比，神经网络训练时间更短，训练准确度也有了较大的提高。不同算法的训练结果如表2所示。

　　3.3故障诊断实例分析

　　采用实际检测到的15组非训练样本的变压器故障数据作为测试样本输入上面已训练好的神经网络，得到如表3所示的诊断结果，并将蚁群神经网络诊断结果、实际故障以及特征气体法、IEC三比值法、罗杰斯(Rogers)法等判断结果进行比较，可以明显看出，提出的基于蚁群算法的神经网络方法要比其它几种方法的诊断准确性要高，从而提高了变压器故障诊断的可靠性和准确度。

　　4 结语

　　基于蚁群算法的神经网络具有蚁群算法和神经网络的双重优点，既有神经网络的广泛映射能力，又有蚁群算法的高运算效率，有效地解决常规BP算法收敛速度慢、容易陷入极小值等缺点，具有较强的全局和局部搜索能力。采用蚁群算法对神经网络进行训练，并应用于变压器的油中溶解气体在线智能故障诊断，诊断速度快、准确率高，是今后变压器智能故障诊断的一种切实可行的技术方案。

　　参考文献

　　[1]潘吴，侯清兰.基于粒子群优化算法的BP网络学习研究[J].计算机工程与应用，2006(16)：41—42.

　　[2]王华春，于湘涛，马平.变压器常见故障及人工神经网络在其诊断中的应用[J].自动化技术与应用，2003(9)：64-66.