基于改进PSOBP混合算法的电力变压器故障诊断1.pdfVIP

第26卷第5期 电力自动化设备 V01．26No．5 PowerAutomation 2006年5月 Electric Equipment May2006囝 基于改进PSO—BP混合算法的 电力变压器故障诊断 魏星，舒乃秋，张霖，崔鹏程 (武汉大学电气工程学院，湖北武汉430072) 摘要：将改进的粒子群优化(PSO)算法与误差反向传播(BP)算法相结合构成混合算法训练人工神 经网络。改进的PSO算法中，惯性权重从最大到最小线性减小，以平衡局部和全局有哪些信誉好的足球投注网站能力，并将 类似“选择”的概念引入PsO算法，使该算法更好地协调全局和局部有哪些信誉好的足球投注网站能力，有利于更快寻找到全 局最优点。该算法有效地解决了常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小和 GA算法独立训练神经网络速度缓慢等缺点。将该算法应用于变压器故障诊断，仿真结果表明了该 算法具有较快的收敛速度和较高的计算精度。满足电力变压器故障诊断的要求。 关键词：改进PSO算法：人工神经网络；故障诊断；电力变压器 183 文献标识码：A 中图分类号：TM41：TP 将人工神经元网络(ANN)中的反向传播网络 据△E(t)调整学习率如下： (BPNN)用于电力变压器油中溶解气体分析(DGA)，进 Al 行变压器故障诊断已经有成功的先例[1-引。但学习样 叼(￡+1)=A叼(z)△E(￡)O (2) 本的数目多，输入／输出关系较为复杂时，BP网络的 叩(f+1)=卢J，7(￡)△E(￡)0卢1 (3) 收敛速度非常缓慢，收敛精度不理想，甚至不收敛[引。 式中 E(t)为第t代总的误差平方和；△E(￡)为第￡ 为提高故障诊断的准确性，文献[3．5]利用遗传算 次迭代后总误差平方和E(t)与第￡一1次迭代 法及其改进算法优化网络权值和阈值．避免了陷入 后总误差平方和E(￡一1)之间的差值；A，届为学 局部极小值。文献『6]提出的共轭梯度法虽然有较 习步长变化的比例因子。 高的收敛速度．但遗传算法存在变异和交叉操作．且 △E(￡)0表明第t次迭代有效，需增大学习步 编码方式比较复杂。本文将改进的粒子群优化 长；反之无效，需减小学习步长。这样就减小了无效 迭代，从而加快了网络的学习速度。 (PSO)算法与误差反向传播(BP)算法相结合构成的 混合算法应用于电力变压器故障诊断．它结合了2 2改进PsO算法 种算法的优点，具有训练快速和全局收敛的优点。 2．1 PSO算法的数学描述 1 BP算法的特点 PsO算法[，-8]是通过模拟鸟群的捕食行为来达 BP算法将网络的学习过程分为正向传播和反 到优化问题的求解。首先，在解空间随机初始化鸟 向传播2种交替过程。如果正向传播输出的误差平 群，鸟群中的每一只称为“粒子”，这些粒子在解空间 方和达不到预期精度．则沿误差的负梯度方向修正 以某种规律移动。经过若干次迭代后找到最优解。 各层神经元的权值和阈值。如此反复，直至网络全 粒子；可以表示为墨=(菇m戈m…，菇iD)，粒子的速 局误差平方和达到预期精度。由此可见．BP算法是 度以耽=(口“，勘m…，口iD)表示，每个粒子经过的最好 基于梯度下降法的．而梯度下降法的固有缺点是易 位置记为只