GEP在變壓器故障診斷中的應(yīng)用

GEP在變壓器故障診斷中的應(yīng)用

變壓器是電力系統(tǒng)生產(chǎn)過程中的重要設(shè)備之一，它能否正常運(yùn)行直接影響到企業(yè)的經(jīng)濟(jì)效益和系統(tǒng)的安全運(yùn)行。近年來(lái)，對(duì)電力變壓器故障診斷新方法的探討和研究，引起了國(guó)內(nèi)外科研工作者的極大關(guān)注。油中溶解氣體分析，由于分析速度快、檢測(cè)靈敏度高和樣品用量少、能夠及時(shí)發(fā)現(xiàn)變壓器內(nèi)部存在的早期故障，已成為目前電力系統(tǒng)中對(duì)充油變壓器常規(guī)使用的重要監(jiān)測(cè)手段。常用的IEC三比值法及相關(guān)改良比值法在工程實(shí)際使用中暴露出編碼不全、編碼邊界過于絕對(duì)等缺點(diǎn)[4]。目前，在很多人工智能方法如人工免疫系統(tǒng)、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、聚類分析、灰色理論、支持向量機(jī)等[4-6]，它們中的1 種或幾種集成方法被應(yīng)用于電力變壓器故障珍斷系統(tǒng)中，但于電力變壓器的結(jié)構(gòu)復(fù)雜性和故障機(jī)理的多樣性，使得故障診斷的準(zhǔn)確率還需要進(jìn)一步提高。

　　基因表達(dá)式程序設(shè)計(jì)[1](Gene Expression Programming, GEP)是是葡萄牙科學(xué)家Candida Ferreira發(fā)現(xiàn)的一種基于基因型(Genome)和表現(xiàn)型(Phenomena)的新型遺傳算法。它綜合了GA和GP 的優(yōu)點(diǎn)，具有染色體簡(jiǎn)單、線性和緊湊、易于進(jìn)行遺傳操作等到優(yōu)點(diǎn)，這為解決電力設(shè)備的故障診斷問題提供了一條新的思路。本文對(duì)基因表達(dá)式程序設(shè)計(jì)算法加以改進(jìn)，提出自適應(yīng)基因表達(dá)式程序設(shè)計(jì)算法并將其應(yīng)用于電力變壓器 href=“ttp://byq.gkzhan.com”arget=_blank>變壓器故障珍斷，實(shí)例分析結(jié)果表明，該算法能有效地對(duì)電力變壓器 href=“tp://byq.gkzhan.com”target=_blank>變壓器的各種故障模式進(jìn)行檢測(cè)。

　　1. 變壓器故障診斷自適應(yīng)GEP算法

　　1.1 GEP算法[2-3]的改進(jìn)

　　GEP的個(gè)體是由多個(gè)長(zhǎng)度固定不變的基因組成的線性串染色體，然后這些個(gè)體被表示成表達(dá)式樹(Expression Trees, ET)。GEP染色體和表達(dá)式樹結(jié)構(gòu)簡(jiǎn)單清晰，通過簡(jiǎn)單的線性編碼和解碼規(guī)則可無(wú)歧義地互化。GEP將這兩者分別作為獨(dú)立個(gè)體，對(duì)GA和GP的優(yōu)點(diǎn)分別加以繼承，使遺傳操作易于實(shí)施，結(jié)果方便表達(dá)。它在符號(hào)回歸、分類和時(shí)間序列問題預(yù)測(cè)中廣泛應(yīng)用，成為了一個(gè)非常有力的數(shù)據(jù)挖掘工具。

　　為改善GEP算法性能，對(duì)GEP參數(shù)進(jìn)行自適應(yīng)調(diào)整：

　　1.1.1選擇算子：

　　受免疫算法抗體多樣性的啟發(fā)，多樣性可用來(lái)提高遺傳算法的全局搜索能力而不致陷于局部解。新的選擇算子不僅與個(gè)體適應(yīng)度有關(guān)，還與個(gè)體的濃度有關(guān)，個(gè)體濃度越大，選擇概率越小，個(gè)體濃度越小，選擇概率越大。個(gè)體的選擇概率

(1)

　　式(1)中， f(xi) 為個(gè)體 i 適應(yīng)度函數(shù)。種群中與個(gè)體i基因相似的個(gè)體越多，個(gè)體i被選中的概率越小。反之，與個(gè)體i基因相似的個(gè)體越少，個(gè)體i被選中的概率就越大。這使含有有效進(jìn)化基因的低適應(yīng)度個(gè)體也可獲得繁殖的機(jī)會(huì)。這在理論上保證了解的多樣性。

　　1.1.2 變異(轉(zhuǎn)換)Pm和重組pc算子：為加快GEP算法的收斂速度，變異(轉(zhuǎn)換)Pm和重組pc概率進(jìn)行自適應(yīng)調(diào)整：當(dāng)種群比較單一時(shí)，Pm和pc變化較大;反之，當(dāng)種群差別較大時(shí)，Pm和pc變化較小。同時(shí)當(dāng)種群中的個(gè)體適應(yīng)度較小時(shí)，Pm和pc變化較大;反之，當(dāng)種群中的個(gè)體適應(yīng)度較大時(shí)，Pm和pc變化較小。這樣在克服過早收斂和避免優(yōu)秀個(gè)體破壞之間選擇了折衷的方案，保證了群體的多樣性，克服了GEP算法的不成熟收斂，而達(dá)到全局最優(yōu)。

　　1.1.3 多種群進(jìn)化 受多種群并行進(jìn)化思想的啟發(fā)，改進(jìn)的GEP算法中嵌入多種群并行優(yōu)化與自適應(yīng)調(diào)整相結(jié)合的思路，將原種群按其特性劃分為幾個(gè)種群，每個(gè)子種群有其各自的特點(diǎn)，例如具有不同的pc與Pm，具有不同的種群規(guī)模，具有不同的進(jìn)化策略和算子，個(gè)體的特性分布也不同。這樣通過不同子種群之間的進(jìn)化，可以選取和保留每個(gè)種群的優(yōu)秀個(gè)體，避免了單種群進(jìn)化產(chǎn)生的過早收斂現(xiàn)象，同時(shí)又可以保持優(yōu)秀個(gè)體的進(jìn)化穩(wěn)定性。另外為了使每個(gè)種群進(jìn)化的靈活性，在pc與Pm的設(shè)置時(shí)，不再像以前那樣將它們?cè)O(shè)為定常值，使其能自動(dòng)調(diào)整參數(shù)值。

　　表1 種群參數(shù)特征

　　如表1所示，將某種群劃分為四類種群同時(shí)進(jìn)化。前三類種群按照各自的進(jìn)化策略并行進(jìn)化，種群4為保留子種群,它開始沒有個(gè)體,它是由前三類種群進(jìn)化過程中選取的優(yōu)秀個(gè)體組成,其作用在于保存前三類種群進(jìn)化的優(yōu)秀個(gè)體,使不遭受破壞,又使個(gè)體分布多樣性,同時(shí)其自身也在進(jìn)化,其pm,pc 均比較小,目的在于保持個(gè)體的穩(wěn)定性和多樣性.

　　1.2自適應(yīng)并行GEP算法的實(shí)現(xiàn)，自適應(yīng)并行GEP算法的實(shí)施步驟如下:

　　(1) 按表1隨機(jī)初如化種群1，種群2，種群3，種群規(guī)模分別為N1，N2，N3。

　　(2) 計(jì)算各種群中個(gè)體的擬合度，并判斷是否符合優(yōu)化準(zhǔn)則，若符合，輸出最佳個(gè)體及其代表的最優(yōu)解，并結(jié)束運(yùn)算;否則轉(zhuǎn)向(3)步。

　　(3) 根據(jù)公式(2)、(3)、(4)、(5)，每個(gè)子群體獨(dú)立地進(jìn)行一次自適應(yīng)GEP進(jìn)化。

　　(4) 每個(gè)個(gè)體根據(jù)公式(1)進(jìn)行選擇，產(chǎn)生下一代群體。

　　(5) 將各種群中的最優(yōu)個(gè)體注入到種群4中，并且從所有子種群體中找出一個(gè)最優(yōu)個(gè)體，再將此個(gè)體注入每個(gè)子群體中，替代各子種群體中的最差個(gè)體。

　　(6) 種群4按表1的pm,pc進(jìn)化產(chǎn)生新一代。

　　(7) 判斷是否符合優(yōu)化準(zhǔn)則。若滿足則結(jié)束本次計(jì)算，否則繼續(xù)第(2)步。

　　2. 自適應(yīng)GEP算法在電力變壓器故障診斷中的應(yīng)用

　　2.1 算法參數(shù)設(shè)置：

　　進(jìn)化代數(shù) max_ generation=1000 ; 終點(diǎn)集T={x1,x2,x3,x4,x5｝,其中x1,x2,x3,x4,x5分別代表H2，CH4，CH4，C2H4，C2H6，C2H2共5種氣體的體積數(shù);函數(shù)集F={+，—，*，/，L，E，～，Q，S，C｝。其中L代表自然對(duì)數(shù)，E代表 ，Q代表開方函數(shù)，～代表 ，S代表正弦函數(shù)，C代表余弦函數(shù)。

　　2.2實(shí)例分析

　　2.2.1 變壓器故障類型：有單一故障類型和多故障類型(見表2)

　　表2 變壓器故障類型

　　2.2.2 以下對(duì)由自適應(yīng)的GEP算法建模得到的結(jié)果與文獻(xiàn)[6]中得到的結(jié)果進(jìn)行比較，以某電力變壓器故障實(shí)例[6]作樣本集(表3)

　　表3預(yù)測(cè)模型的樣本集及與其他方法結(jié)果比較

　　從表3結(jié)果不難看出：自適應(yīng)的并行GEP算法均得出了正確的診斷結(jié)果，表明了該算法對(duì)電力變壓器多故障同時(shí)發(fā)生的情況有很高的診斷準(zhǔn)確率，其結(jié)果比BP神經(jīng)網(wǎng)絡(luò)、文獻(xiàn)[6]的免疫分類算法都優(yōu)。

　　3. 結(jié)束語(yǔ)

　　(1)新的選擇算子、變異(變換)、重組算子和多種群算子保證了種群的多樣性，確保算法不陷入局部最優(yōu)，而快速達(dá)到全局最優(yōu)。

　　(2)多種群算子突破了單一種群考慮信息的不足和解的單一化，以及現(xiàn)有多種群遺傳算法中局限于單一的固定的參數(shù)值。各種群是根據(jù)種屬的實(shí)際情況，使其能自動(dòng)調(diào)整參數(shù)值。這樣通過不同子種群之間的進(jìn)化，可以選取和保留每個(gè)種群的優(yōu)秀個(gè)體，避免了單種群進(jìn)化產(chǎn)生的過早收斂現(xiàn)象。同時(shí)，由于種群4保存了其他子種群的優(yōu)秀個(gè)體，確保了優(yōu)秀個(gè)體的進(jìn)化穩(wěn)定性，提高了算法的收斂速度。

　　(3)將改進(jìn)的GEP算法用于電力變壓器診斷中，故障診斷準(zhǔn)確率要高于BP神經(jīng)網(wǎng)絡(luò)和文獻(xiàn)[6]的人工免疫分類法，證明了本算法的有效性。

　　4. 創(chuàng)新點(diǎn)

　　改進(jìn)的自適應(yīng)并行GEP算法在電力變壓器故障診斷中的應(yīng)用是正確、高效的。實(shí)例結(jié)果表明它的電力變壓器故障診斷準(zhǔn)確率很高，從而說明本算法是高效的。