一种改进CS-BP神经网络算法的矿用变压器故障诊断方法*
时间：2023-06-02 18:15:31 来源：雅意学习网 本文已影响 人 
陈耀辉， 马星河
(1.平顶山天安煤业股份有限公司 十矿， 河南 平顶山 467000；
2.河南理工大学 电气学院， 河南 焦作 454003)
矿用变压器作为煤矿供电系统中必不可少的部分，在确保煤炭安全生产中发挥着至关重要的作用。矿用变压器是否正常运转，直接影响矿井电力的供应、人员的安全等一系列问题，关乎煤矿企业是否能正常生产经营。因此，对煤矿变压器故障诊断一直是广大学者研究的重点，传统变压器故障诊断方式有人工检测法、特征气体判别法等，其缺陷是检测速度慢、准确率不高、耗费大量人力物力等缺陷。目前，智能化诊断方法被大量应用于故障诊断，比如遗传算法[1]、粒子群算法、蜂群算法[2]、布谷鸟算法[3-5]等，上述算法是智能化算法的初期产物，虽然相对于传统的故障检测方法有很大优势，但也存在不足。比如文献[6]是单一的BP神经网络对变压器进行故障诊断，该方法容易使神经网络算法陷入局部极小值；
文献[7]是粒子群算法与BP神经网络结合，其缺陷是粒子群算法存在计算公式复杂的问题，计算量大；
文献[8]将布谷鸟算法结合支持向量机结合对变压器进行故障诊断，其缺陷是收敛速度慢、易陷入局部最优；
文献[5]中提到的传统三比值法原理简单,但编码过于绝对且不能全面反映故障类型；
文献[9]提出了基于支持向量机的变压器故障诊断方法,但其本质上属于二分类算法,面对多分类问题时分类效率低、不易构造学习器[10]。总之智能优化算法诊断电气设备故障有很多不足之处。
综上所述，本文提出了一种基于改进CS-BP神经网络算法的矿用变压器故障诊断方法。该方法主要是利用CS算法优化BP神经网络的阈值和权值，弥补了BP神经网络易陷最小值、收敛速度慢、精度低等缺陷，提高了矿井变压器故障诊断正确率，大大缩短了故障诊断的所需时间，为煤矿安全高效运行提供更有力的保证。
布谷鸟是一种鸟类，俗称杜鹃，是一种具有独特生殖策略的鸟类家族。布谷鸟作为一种生物元启示算法，具有参数少、易操作的特点。这种算法是一种在布谷鸟种类内的新旧更新选优过程。一些类似于杜鹃鸟的物种会将自己的卵产在公共巢穴中，并且它们甚至会移除他人的卵，以增加它们自己卵的孵化概率。经过一代代的寻优搜索，最终获得最优鸟蛋，即所求算法的最优解[11]。
布谷鸟算法是根据随机的方式寻找适合自己产卵的巢穴，其模拟杜鹃寄生育雏的行为。首先，设定3个规则[12]：
1) 每只布谷鸟随机选择一个巢，并在巢内产卵。
2) 在选择的巢中，将优质卵的最好巢穴传给下一代，即相传优质解。
3) 对于一定数量的巢，宿主布谷鸟发现一个外来卵的概率为p∂，p∂∈[0,1]。此时宿主布谷鸟选择扔掉外来的卵，或者离开原巢，建造一个新的。
在布谷鸟搜索算法中，其所选择寄生产卵的鸟窝为一个解，用新一代的解代替上一代较差的解。基于上述规则，布谷鸟寻窝路径与位置的更新公式如下：
(1)
Levy(λ)～u=t-λ(1<λ≤3)
(2)
步长公式：
∂=∂o(xg,i-xbest)
(3)
∂o为常数，xbest为当前最优解。
式(2)中λ为幂次系数，u为正态分布的随机数。
(4)
u，v服从标准正态分布，λ=1.5。
(5)
综合上述公式，布谷鸟位置更新如下:
(6)
Xg+1,i=Xg,i+r(Xg,i-Xbest)
(7)
r为缩放因子，在[0,1]之间随机取数，Xg,i和Xbest代表g代的两个随机数。
在标准的布谷鸟优化算法中，采用Levy飞行随机生成步长，该步长稳定性较差，不易掌握步长变化的趋势，时大时小。当步长较小时，搜索速度会有所降低，与之相对应的，当步长较大时，搜索精度降低，因此提出一种自适应步长的布谷鸟搜索算法。该算法根据不同搜索阶段的结果，动态调节算法步长的大小，更好地平衡搜索速度和搜索精度之间的关系[13]。引入公式：
(8)
式中:xi为第i个鸟巢的位置；
xb为当前最优的鸟巢位置；
dmax为当前最优位置与当前鸟巢之间的距离。其中最优鸟穴的位置自适应调节策略为：
si=smin+(smax-smin)di
(9)
式中：smax为最大步长，smin为最小步长。
由式(8)和(9)可以看出，当鸟窝位置越优时，步长越小。否则，步长越大。这种根据上一代迭代的结果进行调节新一代的移动步长，具有良好的自适应性，使算法的精度和搜索速度都有较大提高。
3.1 BP神经网络
神经网络作为模拟脑组织的一种算法，它采用梯度搜索技术，通过误差反向传播训练的多层前馈网络。其目的是获取最优的权值和阈值，并得到实际值和理论值的最小均方误差。神经网络算法结构一般分为3层：输入层、隐含层、输出层。每一层的基本单元为神经元。其结构如图1所示：
图1 BP神经网络结构
设i={a1,…,ah,…an}为输入层故障诊断特征向量；
O={c1,…,cj,…cq}为输出层故障诊断向量，激活函数为S型函数。假设有5个输入信号，隐含层为m个节点，输出层为n个节点，θ为阈值，Oi是第i个神经元的输出，vij是j神经元到i神经元的权值。
(10)
由式(10)可以得出隐含层第g个神经元，输出层第k个神经元输出为：
(11)
(12)
式中:c为常数。
均方误差和为：
(13)
式中:Oe输出值的期望值。
权值调节公式为：
(14)
(15)
式中:ωjk，ωjg为权值修正量;η为学习速率。
3.2 改进CS算法优化神经网络诊断模型
CS-BP模型流程如图2所示。
图2 CS-BP模型流程
本文以DGA(Dissolved Gas Analysis)中各气体含量作为神经网络算法输入。在变压器故障诊断模型中，将H2、CH4、C2H6、C2H4、C2H2作为5种主要成分气体作为输入信号，输出是代表变压器不同故障类型的二维编码如表1所示，故障诊断结构如图3所示。
表1 故障类型编码表
图3 CS-BP神经网络变压器故障诊断结构
通过与其他优化算法相比较，改进CS-BP神经网络使变压器故障诊断的准确率更高，如表2所示。
为验证CS-BP算法的实用性，通过变压器中气体数据进行仿真验证。当变压器工作异常时，根据产生的不同气体含量可判别相应的故障类型。将采集到的变压器气体数据作为CS-BP神经网络输入值[14]。仿真验证时，设定神经网络输入的向量数为5个，隐含层节点数为10个，输出层量为4个，隐含层和输出层的传递函数分别为tansig和logsig函数。迭代次数最大设为1 000次，学习精度goal为 0.000 1。
表2 优化算法比较
根据仿真图4，改进后的CS-BP算法和标准的BP算法相比，当标准BP算法陷入局部寻优时，CS-BP算法能跳出局部寻优，收敛速度和精度都有显著提升，算法稳定性也更好。根据仿真图5表明，改进后的CS-BP算法，输出值与目标输出的拟合性较好，证明本文所采用的改进CS-BP算法故障诊断的准确性较好。
图4 CS-BP网络仿真
图5 实际输出和目标输出的拟合
由实例的分析结果可知，改进后的布谷鸟算法优化神经网络性能好，参数简单;避免了BP神经网络产生局部最小值、收敛速度慢等缺陷；
比遗传算法、粒子群算法等优化算法性能更好，对矿井变压器故障诊断准确率更高。改进CS-BP神经网络能够有效监测变压器的正常运转，保证煤矿生产顺利，具有一定的工业价值。
