一种基于遗传算法的改进神经网络的开关柜状态监测方法
技术领域
本发明属于电力***局部放电位置诊断技术领域,尤其涉及一种基于遗传 算法的改进神经网络的开关柜状态监测方法。
背景技术
随着时代的进步,电力***实现快速发展:装机量、发电量呈指数趋势增 长,但人们不再满足于有电可用,对用电质量的要求越来越高。因此电力*** 的安全稳定运行至关重要,输配电设备作为构成电力***的基本原件,其设备 的安全可靠性是保证整个电力***正常运行的关键。开关柜是常见的输配电设 备,在电力***进行发电、输电、配电和电能转换的过程中,用于开合、控制 和保护用电设备。由于制作工艺不达标、操作不当等诸多原因会引起开关柜局 部放电,若不加以监测而任其发展至严重程度,最终将导致开关柜内绝缘破坏 而引发安全事故,给发电企业带来巨大的经济损失和负面的社会影响。
为了防止开关柜发生故障,有必要实时检测开关柜内部情况,比如仪器仪 表室运行状态、母线室电缆线线损、二次设备室负载水平等等,还需有效识别 确定开关柜内部缺陷状态,提醒现场巡检人员维护。在开关柜故障早期,依靠 人工检测或者传统的检测方法对开关柜各个模块进行故障检测是非常困难的工 作,需要耗费大量的人力和物力,为此,引入神经网络应用于故障诊断方面对 开关柜状态监测具有现实的指导意义。虽然将神经网络应用于开关柜状态监测 的研究已有很多,但在实际运用中,仍然存在判断精度不高,执行效率低下等 一系列的问题,这使得***的可用性大大降低,此外开关柜内部结构复杂、信 号时变能力强,提高了神经网络的识别难度。因此,有必要在神经网络理论基 础上引入遗传算法,达到优化网络参数、进一步提高模型识别准确率的目的。
发明内容
本发明的目的是提供一种通过分析开关柜内部绝缘缺陷空气分解特性,采 用遗传算法对BP神经网络优化,有效提高开关柜状态信息识别率的开关柜监测 方法。
为实现上述目的,本发明采用的技术方案是:一种基于遗传算法的改进神 经网络的开关柜状态监测方法,包括首先确定整个***模型参数;然后引入遗 传算法对BP神经网络进行优化;由遗传算法确定最优权值、阈值,将其作为 BP神经网络初始参数用于模型预测,根据测试结果修正模型误差参数;最后结 合训练模型预测开关柜内部运行状态。
在上述的基于遗传算法的改进神经网络的开关柜状态监测方法中,监测方 法的实现包括以下步骤:
步骤1、获取数据;模拟开关柜常见绝缘劣化缺陷类型,建立对应实验模型, 采集气体组分信息,包括浓度c,生成速率v,作为BP神经网络输入对象,并 将采集的数据存储至数据库;根据实验训练学习样本预测开关柜当前运行状态;
步骤2、明确检测对象;根据步骤1中采集的数据,选择具有代表性气体, 作为BP神经网络输入对象,确定BP神经网络拓扑结构;将步骤1中数据作为 参考,在不同开关柜绝缘劣化缺陷模型下确定气体组分信息包括浓度c,生成速 率v,以此作为样本数据用于BP神经网络训练;
步骤3、采用遗传算法确定BP神经网络最优权值、阈值;根据步骤2所确 定BP神经网络拓扑结构,确定遗传算法编码规则、编码方式,根据适应值函数 对初始种群进行选择,判断是否满足停止条件,满足停止条件则执行步骤4,否 则对父代执行交叉变异操作,形成子代种群,不断重复操作直至满足停止条件;
步骤4、采用BP神经网络算法建立开关柜绝缘劣化缺陷预测模型;结合步 骤3确定BP神经网络初始化权值、阈值,从数据库提取数据用于BP神经网络 预测,将开关柜内气体组分信息,包括浓度c、生成速率v作为BP神经网络输 入对象,将开关柜常见绝缘劣化缺陷模型作为输出,不断训练调整BP神经网络 学习速率、权值、阈值,直至BP神经网络误差满足设定误差阈值停止迭代,完 成开关柜绝缘劣化缺陷模型的训练;
步骤5、结合训练模型预测开关柜内部运行状态;通过步骤3、4确定开关 柜内部绝缘劣化缺陷模型下气体组分信息间相互关系,现场采集气体组分信息, 当开关柜内某些特征气体浓度c或生成速率v超过设定阈值时,首先采用遗传 算法确定BP神经网络最优权值、阈值,提高***训练效率,再结合BP神经网 络,根据训练结果预测开关柜当前绝缘劣化缺陷模型,分析对应开关柜内部缺 陷状态,从而实现对开关柜内部状态监测。
在上述的基于遗传算法的改进神经网络的开关柜状态监测方法中,步骤1 所述开关柜内部绝缘劣化缺陷模型包括固体金属突出物缺陷模型、绝缘子气隙 缺陷模型、绝缘子表面金属污秽模型、自由金属微粒缺陷模型,对应于开关柜 内气隙放电、沿面放电、悬浮电位放电、电晕放电局部放电状况。
在上述的基于遗传算法的改进神经网络的开关柜状态监测方法中,步骤3 所述遗传算法包括确定编码规则、初始种群生成、确定目标函数、确定结束条 件、适者生存、遗传进化;并优化遗传算法中目标函数、遗传进化参数。
在上述的基于遗传算法的改进神经网络的开关柜状态监测方法中,步骤4 所述BP神经网络分为BP神经网络初始化、隐含层和输出层输出计算、误差计 算、权值、阈值更新和调整学习速率、确定结束条件;并优化BP神经网络的学 习速率参数。
本发明的有益效果:对传统开关柜故障检测技术做出改进,通过分析不同 劣化缺陷模型下组分气体信息简化测量难度,考虑BP神经网络易限于局部最优 解的状况,引入遗传算法进行修正从而提高检测精度,实现开关柜故障早期预 警,有效降低开关柜故障率,保证电网安全运行。
附图说明
图1是本发明一个实施例基于遗传算法的改进神经网络的开关柜状态监测 方法流程示意图;
图2是本发明一个实施例训练样本流程示意图;
图3是本发明一个实施例优化初始权值及阈值流程示意图;
图4是本发明一个实施例训练模型预测流程示意图;
图5是本发明一个实施例现场测试框架图。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
本实施例是通过以下技术方案来实现的,一种基于遗传算法的改进神经网 络的开关柜状态监测方法,本实施例流程如图1所示,包含以下步骤:
1、开始获取数据。模拟开关柜常见绝缘劣化缺陷类型,建立对应实验模型, 结合实验平台分析开关柜发生绝缘劣化缺陷时空气分解特性,间隔10min通过 气体测试仪分析组分分析、分解特性等(气体组分信息如浓度c、生成速率v), 逐步提高空气分解气室内放电量、电压值,直至观察明显局部放电现象停止实 验,更换绝缘劣化缺陷模型继续实验,模型测试完毕后结束实验,将采集的数 据存储至数据库。现场测试时,选用电化学传感器作为检测传感器,一般安置 在开关柜母线室检测开关柜运行状态,采集气体组分信息浓度c,确定气体生成 速率v,作为BP神经网络输入层,根据实验训练学习样本预测开关柜当前运行 状态。
2、确定检测对象。不同绝缘劣化缺陷模型下气体组分特性如浓度、生成速 率不一样,根据步骤1中记录数据,选择具有代表性气体,作为BP神经网络输 入对象,由此确定BP神经网络拓扑结构,由于BP神经网络易陷入局部最优解 的状况,本实施例结合遗传算法对BP神经网络初始化权值及阈值通过全区域搜 索确定最优值。
将步骤1中数据作为参考,在不同开关柜绝缘劣化缺陷模型下确定组分气 体信息。例如开关柜内由于气隙放电通过绝缘子内部气隙缺陷引发局部放电时, 气体A、气体B、气体C为主要特征组分,对应浓度信息cA、cB、cC,对应速 率生成信息vA、vB、vC,以此作为样本数据用于BP神经网络训练。
3、基于遗传算法确定BP神经网络最优权值及阈值。
训练样本流程如图2所示,结合步骤2中开关柜内气体组分信息,确定BP 神经网络拓扑结构,确定遗传算法编码规则、编码方式,根据适应值函数对初 始种群进行选择,判断是否满足停止条件,是则执行步骤4,否则对父代执行交 叉变异操作,生产子代种群,不断重复操作直至满足停止条件。
本实施例为解决开关柜现场数据采集误报、操作失误等问题,对遗传算法 中目标函数做出改进,结合单次BP神经网络***输出误差,确保输出的权值及 阈值可作为BP神经网络最优初始化参数;在迭代过程中,为提高迭代效率,采 用自适应交叉率Pc、自适应变异率Pm改进遗传变异过程。权值及阈值最优化流 程如图3所示。
具体过程如下:
3.1确定编码规则
编码把有待遗传算法优化的参数按照一定的规则组成染色体串,主要是对 BP神经网络的连接权值和阈值进行编码,由于BP神经网络的连接权值和阈值 为区间(0,1)以内,采用实数编码,染色体长度L由BP神经网络拓扑结构确定。
3.2初始种群生成
确定初始种群数N(一般取50-200),根据染色体长度确定初始种群维度L: 种群N的第i个元素称为第i个个体,L维数组的第j个元素称为第j个基因(i=1、 2、3、…、N,j=1、2、3、…、L)。
采用随机数法在[0,1]区间内产生一个均匀分布的随机数,即为个体,直至 完成样本初始化。
3.3确定目标函数
目标函数方程如下:
式中,g(i)为第i个个体在BP神经网络训练下输出误差。
3.4确定结束条件
确定算法最大迭代次数D及输出误差μ。
若种群迭代次数达到最大迭代次数,停止迭代;若目标函数值不断调整后 小于或等于输出误差,停止迭代。
满足上述条件中任一项即停止迭代,输出当前种群中个体目标函数值最大 的权值及阈值,作为BP神经网络初始化权值及阈值。
3.5适者生存、遗传进化
将所有个体按照轮盘赌选择法进行筛选(当前被筛选种群作为父代种群), 执行交叉、变异操作形成子代,判断子代种群数是否为N,是则执行步骤3.4, 否则执行步骤3.5。
具体过程如下:
(1)由步骤3.3得到父代中每个个体的适应度f(i);
(2)计算每个个体被遗传到下一代群体中的概率Pi;
(3)计算出每个个体的累积概率Qi;
(4)在[0,1]区间内产生一个均匀分布的伪随机数r;
(5)若r<Qi,则选择个体i,否则,选择个体q,使得:Qq<r≤Qq成立;
(6)重复(4)、(5)共N次形成子代;
(7)对子代执行交叉、变异操作。
设定初始交叉率Pc1、初始交叉率Pm1,计算子代交叉率Pci和变异率Pmi, 采用单点交叉、单点变异方式对父代执行交叉、变异操作。
交叉率Pci:
i=1、2、3、...、D
变异率Pmi:
i=1、2、3、...、D
式中,fmax为父代种群中适应值的最大值,fmin为父代种群中适应值的最小 值,favg为父代种群平均适应值,f’为交叉的两个个体较高的适应值,i表示当前 迭代代数,D表示最大迭代次数,Pci表示第i代交叉率,Pmi表示第i代变异率。
交叉操作:在父代种群中随机选择两个个体作为父代交叉个体,在[1,L]区 间上随机选择数值E,将第一个个体的第E+1号到第L号基因复制到第二个个 体的首端,将第二个个体的第E+1号到第L号基因复制到第一个个体的尾端, 得到子代交叉个体。
变异操作:在父代种群中随机选择一个个体作为父代变异个体,在[1,L]区 间上随机选择数值E,在[0,1]区间内产生一个均匀分布的伪随机数r,将变异 个体的第E号基因代表数值替换为r得到子代变异个体。
(8)重复(7)直至子代样本为N,执行步骤3.4。
步骤4、基于BP神经网络的开关柜绝缘劣化缺陷模型预测。
训练模型预测流程如图4所示,结合步骤3确定BP神经网络初始化权值阈 值,从数据库提取数据用于神经网络预测,将开关柜内气体浓度c、生成速率v 作为神经网络输入层,将开关柜常见劣化缺陷模型为输出,不断训练调整BP神 经网络学习速率、权值阈值,直至BP神经网络误差满足设定误差阈值停止迭代, 完成开关柜绝缘劣化缺陷模型训练。现场测试检测气体组分信息,考虑到开关 柜半封闭式结构,需设计气体检测阈值排除环境干扰,超过人为设定阈值时开 始检测分析,检测、反馈开关柜内部运行状态,并作为现场巡检人员维护依据。
本实施例为提高BP神经网络运行效率,采用遗传算法对优化初始权值及阈 值,在单次优化前以网络输出误差作为遗传算法目标函数值,以此保证遗传算 法优化BP神经网络的合理性,同时在BP神经网络学习过程中对学习速率进行 调整,有效提高学习速率。
具体过程如下:
步骤4.1BP神经网络初始化
由步骤2、步骤3初始化BP神经网络。
输入、输出序列:***输入层序列x[n]=[cA、cB、cC、…、vA、vB、vC、…], ***输出层序列y[l]=[y1、y2、y3、y4、..],采用步骤2中确定的检测参数,x[n] 对应于主要组分气体浓度、生成速率,y[n]对应于开关柜内劣化绝缘缺陷;由此 确定输入层n,隐含层m,输出层l;
权值、阈值:输入层和隐含层连接权值wij及隐含层和输出层之间连接权值 wjs,隐含层阈值wj、输出层阈值ks,采用步骤3中遗传算法作为初始化参数, 初始权值数W=n*m+m*l,初始阈值数K=m+l,则遗传算法编码长度L=W+K;
学习速率、激励函数:选择合适学习速率z和激励函数g(x)。
步骤4.2隐含层、输出层输出计算
根据输入变量x[n],连接权值w1以及隐含层阈值wm,计算隐含层输出H。
根据隐含层输出H,连接权值w2以及输出层阈值kl,计算输出层输出O。
步骤4.3误差计算
根据网络预测输出O和期望输出Y,计算网络预测误差E。
Es=Ys-Os s=12、...、l
步骤4.4权值阈值更新、调整学习速率
根据BP神经网络预测误差E更新BP神经网络连接权值、阈值。
连接权值更新:
wjs=wjs+zHjEsj=1、2、...、m;s=1、2、...、l
阈值更新:
ks=ks+Es s=1、2、...、l
学习速率更新:
0.0001≤λ≤0.001
步骤4.5确定结束条件
当BP神经网络预测误差E小于设定阈值时,停止迭代,否则返回步骤4.2。
完成对开关柜内某一特定缺陷模型时,更换模型缺陷继续学习,直至完成 对全部缺陷模型学习时停止算法。
步骤5、通过步骤3、4得到开关柜内部绝缘劣化缺陷模型下气体组分信息 间相互关系,现场布置传感器采集气体组分信息,现场测试框架图如图5所示, 当开关柜内某些特征气体浓度或生成速率超过设定阈值时,首先采用遗传算法 确定BP神经网络最优权值、阈值,提高***训练效率,再结合BP神经网络根 据训练结果预测开关柜当前劣化缺陷模型,分析对应开关柜内部缺陷状态,从 而实现对开关柜内部状态监测,提醒现场巡检人员维护,有效降低开关柜故障 率。
步骤1中开关柜内部绝缘劣化缺陷模型包括固体金属突出物缺陷模型、绝 缘子气隙缺陷模型、绝缘子表面金属污秽模型、自由金属微粒缺陷模型,对应 于开关柜内气隙放电、沿面放电、悬浮电位放电、电晕放电局部放电状况。
步骤3中遗传算法分为确定编码规则、初始种群生成、确定目标函数、确 定结束条件、适者生存、遗传进化,本实施例对遗传算法中目标函数、遗传进 化参数进行优化。
步骤4中BP神经网络分为BP神经网络初始化、隐含层和输出层输出计算、 误差计算、权值、阈值更新和调整学习速率、确定结束条件,本实施例对BP神 经网络的学习速率参数进行优化。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式,但是本领域普通技术人 员应当理解,这些仅是举例说明,可以对这些实施方式做出多种变形或修改, 而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。