bp神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用

-.z.3.4.5網(wǎng)絡(luò)參數(shù)選擇及運(yùn)行結(jié)果在選定訓(xùn)練樣本以及神經(jīng)元個數(shù)后，對本網(wǎng)絡(luò)進(jìn)展訓(xùn)練運(yùn)行。對于單隱層的神經(jīng)網(wǎng)絡(luò)來說參數(shù)的設(shè)定相對較簡潔：隱層的傳遞函數(shù)設(shè)置為tansig,輸出層的傳遞函數(shù)設(shè)置purelin，訓(xùn)練函數(shù)選用收斂性最好的LM函數(shù)，收斂誤差設(shè)置為0.001。為了便于觀察網(wǎng)絡(luò)內(nèi)權(quán)值閾值的變化和回想結(jié)果與理想結(jié)果的比擬，這里給出網(wǎng)絡(luò)訓(xùn)練后的權(quán)值閾值數(shù)據(jù)以及回想結(jié)果：輸入層與隱層的連接權(quán)值InputWeights=隱層與輸入層的連接權(quán)值LayerWeights=隱層閾值Bias1=輸出層閾值Bias2=回想結(jié)果=可以發(fā)現(xiàn)回想結(jié)果大體與理想輸出是相符合的，但是其中也不乏局部樣本的輸出值遠(yuǎn)偏離了相應(yīng)二進(jìn)制數(shù)值的范圍，說明BP在收斂過程局部區(qū)域精度并沒有到達(dá)要求，這會造成的了預(yù)測的嚴(yán)重誤差并與理想輸出相去甚遠(yuǎn)。訓(xùn)練效果如圖3.4所示，運(yùn)行294步之后到達(dá)了規(guī)定的收斂誤差。將預(yù)測結(jié)果轉(zhuǎn)換為數(shù)字編碼后通過圖3.5可以發(fā)現(xiàn)此時BP的預(yù)測準(zhǔn)確性不高只有68%〔訓(xùn)練樣本以及測試樣本參見及節(jié)〕，因此本節(jié)設(shè)計的BP模型由于本身固有的問題以及預(yù)測概率性問題根據(jù)目前的準(zhǔn)確性是仍然難以獨(dú)立勝任變壓器的實際故障診斷的。圖3.4BP訓(xùn)練誤差結(jié)果圖3.5預(yù)測值與實際值比照3.5本章小結(jié)本節(jié)針對傳統(tǒng)變壓器故障診斷方法的缺點(diǎn)，利用神經(jīng)網(wǎng)絡(luò)自我學(xué)習(xí)的特性和分組歸類的功能為油色譜的故障診斷帶來了新思路。通過參數(shù)的反復(fù)仿真比照，本文最終確定的BP神經(jīng)網(wǎng)絡(luò)為單隱層構(gòu)造，輸入量為3組特征氣體的比值，隱含層的神經(jīng)元節(jié)點(diǎn)數(shù)為11，輸出量為變壓器7種狀態(tài)的7個二進(jìn)制數(shù)。本章介紹了BP網(wǎng)絡(luò)的根本原理并著重講解了設(shè)計基于BP網(wǎng)絡(luò)的變壓器有色譜故障診斷模型的仿真過程，但是最終的預(yù)測準(zhǔn)確性不是很理想只到達(dá)了68%，因此還需要對此模型進(jìn)展一系列的優(yōu)化才可以將此診斷方法應(yīng)用到實際當(dāng)中去。-.z.第四章基于改進(jìn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷遺傳算法(GeneticAlgorithm，簡稱GA)是根據(jù)達(dá)爾文生物進(jìn)化論中的自然選擇和遺傳學(xué)的原理來模擬生物進(jìn)化過程的數(shù)學(xué)計算模型。這是一種具有隨機(jī)性的搜索方法并具有并行計算、高效率、全局搜索的特點(diǎn)，且不會像其他算法一樣受到可微、連續(xù)等條件的約束。和自然界的遺傳進(jìn)化類似特定問題可以比喻為自然環(huán)境，遺傳算法的每一代就好比與生活在這個環(huán)境中的自然個體，對于不同的具體問題可以規(guī)定一個描述個體適應(yīng)度的函數(shù)來對個體做出評價〔也稱為個體的環(huán)境適應(yīng)度〕，能適應(yīng)環(huán)境生存的個體繁殖到下一代，不適應(yīng)環(huán)境的則面臨死亡最終被淘汰。經(jīng)過多少代的遺傳篩選后，剩下的個體就成為了最適應(yīng)這個環(huán)境生存的個體，相對于已經(jīng)淘汰的舊個體具有巨大的優(yōu)越性，對于該問題的處理也是最正確的求解。4.1算法根本思想遺傳算法起源于利用基因編碼組成的種群，且該種群擁有一定數(shù)量類似于染色體的個體，而這個種群則相當(dāng)于包含問題的解的解集。在生物學(xué)中，基因?qū)€體的本質(zhì)起決定性的作用，多個基因則組成一個染色體。因此，需要先對對象進(jìn)展編碼，將對象變形為基因型，所以可以用一組特定的數(shù)列來表示基因構(gòu)成。在第一代種群產(chǎn)生之后，個體之間逐代繁衍并進(jìn)化組成出對環(huán)境適應(yīng)性更高的種群。所以對于特定的問題，需要設(shè)置一個有針對性的適應(yīng)度函數(shù)，對每代個體進(jìn)展適應(yīng)度的評價并進(jìn)展基因的穿插和變異操作得到新的基因個體，這些新個體便組成了新的種群。當(dāng)具體問題中的遺傳進(jìn)化完成的時候，將最終種群中的最優(yōu)個體進(jìn)展解碼，譯碼后的個體便是此問題的最優(yōu)解了。遺傳算法有兩個已證明的理論依據(jù)：模式定理、積木塊假設(shè)。遺傳算法的數(shù)學(xué)根底是Holland的模式定理[60]，定理說明遺傳算法最優(yōu)解的樣本曲線可以呈指數(shù)增長趨勢，這說明GA可以實現(xiàn)對于最優(yōu)解的全局搜索而很難陷入局部最小值。相比而言，積木塊假設(shè)則點(diǎn)名了GA可以根據(jù)適應(yīng)度函數(shù)在經(jīng)過各種遺傳算子操作后，產(chǎn)生最優(yōu)解。4.2遺傳算法的實現(xiàn)依據(jù)上述遺傳算法的原理，得出GA是一種不斷重復(fù)迭代以求得最優(yōu)個體的搜索算法，迭代流程如圖4．1所示。圖4.1遺傳算法運(yùn)算過程由圖4.1可以看出，遺傳算法極少對個體進(jìn)展單獨(dú)操作，而主要是對種群進(jìn)展整體操作，加快了遺傳的效率。從圖中可知選擇、穿插和變異三個算子構(gòu)成了所有的遺傳操作，這些操作算法使得遺傳算法區(qū)別于其他算法又優(yōu)越于其他算法。遺傳算法中包含以下五個根本要素并且要素構(gòu)成了GA的核心：(1)參數(shù)編碼：(2)初始群體設(shè)定；(3)適應(yīng)度函數(shù)的設(shè)計；(4)遺傳操作設(shè)計；(5)控制參數(shù)設(shè)定(主要是指群體大小和使用遺傳操作的概率等)[61]。4.2.1參數(shù)編碼使用遺傳算法解決特定問題時，首先需要進(jìn)展的就是編碼，作為GA算法的根底，編碼的地位將會逐漸表達(dá)出來。編碼方法除了決定個體染色體的排列順序之外還對搜索空間的個體基因型與解空間表現(xiàn)型的轉(zhuǎn)換模式有極大的影響。同時，遺傳算法中的穿插、變異操作也都是需要以編碼為根底進(jìn)展操作的。所以說參數(shù)編碼是遺傳算法的開端，編碼方式直接會影響到算法的速率以及后續(xù)運(yùn)算的準(zhǔn)確性。如果編碼方式選擇的不恰當(dāng)，就會導(dǎo)致后面進(jìn)展的穿插、變異等運(yùn)算產(chǎn)生較大誤差，或者產(chǎn)生無解的現(xiàn)象。隨著GA的廣泛運(yùn)用，學(xué)者們已提出過很多不同的編碼方法，下面介紹其中兩個比擬常用的方法。(1)二進(jìn)制編碼方法對于一般的GA來說，通常采用的編碼方式是基于0、1的二進(jìn)制編碼，編碼長度并沒有確定的數(shù)值而是根據(jù)解決問題的需要而進(jìn)展不同的取值。二進(jìn)制形式編碼具有如下的優(yōu)點(diǎn)：只需要簡單離散化處理就可以將問題中的數(shù)值進(jìn)展編碼，解碼時只需進(jìn)展逆向操作；二進(jìn)制的編碼中的數(shù)字比擬少，只有0和1。這樣對于穿插及變異操作實現(xiàn)起來就很方便；編碼原則是使字符集盡量的小，并使二進(jìn)制編碼的字符在規(guī)定的范圍內(nèi)；二進(jìn)制編碼以模式定理為理論根底，便于對算法的理論層面分析。(2)浮點(diǎn)數(shù)編碼方法與二進(jìn)制編碼類似，個體的基因通過*取值范圍的隨機(jī)浮點(diǎn)數(shù)來表示，這種方法即為浮點(diǎn)數(shù)編碼方法。其中每個個體編碼長度就相當(dāng)于具體問題中的決策參數(shù)數(shù)量。4.2.2適應(yīng)度函數(shù)設(shè)計依據(jù)遺傳學(xué)的原理及"物競天擇，適者生存〞的自然法則，在遺傳進(jìn)化的過程中需要用一個標(biāo)準(zhǔn)來考察種群對環(huán)境的適應(yīng)程度，稱這個適應(yīng)的程度為種群的適應(yīng)度。對于具體的環(huán)境，適應(yīng)能力較強(qiáng)的種群相比于其他種群來說能夠繁衍進(jìn)化的幾率更大。這同樣也適用于遺傳算法，通過設(shè)定適應(yīng)度這個標(biāo)準(zhǔn)來評價優(yōu)化過程中每個解的適應(yīng)程度，并使得適應(yīng)度高的解有更多的生存時機(jī)。在解決具體問題應(yīng)用中通常采用一個函數(shù)來評價個體適應(yīng)能力，稱這個函數(shù)為適應(yīng)度函數(shù)。適應(yīng)度評價的一般流程如下所示[62]：(1)首先對具體的樣本個體進(jìn)展編碼串的解碼，隨后便可知道此個體編碼前的表現(xiàn)形式，即表現(xiàn)型；(2)根據(jù)步驟〔1〕中得到的表現(xiàn)型，利用數(shù)學(xué)公式進(jìn)展理論計算得出一個與該個體對應(yīng)的目標(biāo)值(3)對于不同類型的優(yōu)化問題，將步驟〔2〕中得到的目標(biāo)值作為參考依據(jù)，經(jīng)過一定程度的函數(shù)轉(zhuǎn)換后求解出個體的適應(yīng)度〔例如誤差〕。4.2.3遺傳算法的根本操作4.2.3.1選擇算子從上一代個體中選擇遺傳到下一代群體的優(yōu)質(zhì)個體的操作就是選擇算子。上一代的種群通過*種手段決勝出最優(yōu)個體后該個體遺傳到下一代的幾率就會更大，其他的適應(yīng)度較差的個體則被淘汰掉，這樣下一代種群的質(zhì)量得到了大幅度提升，進(jìn)而提高了種群整體的適應(yīng)度。選擇算子的步驟為：一、求出種群所包含個體的適應(yīng)度的代數(shù)和；二、計算單一個體的相對適應(yīng)度并作為該個體被選擇進(jìn)化到下一代種群中的依據(jù)；三、采用輪盤選擇操作，根據(jù)每個個體的選擇概率確定出該個體被選擇操作選中的次數(shù)。假設(shè)群體大小為，個體的適應(yīng)度值為，則個體即將被選上的幾率：〔4-1〕從4-1式中很容易可以看出，個體適應(yīng)度的大小與其被選中的幾率是成正向比例的。然而個體在進(jìn)展了選擇操作之后還需要進(jìn)展穿插、變異等操作，這中間也有一定幾率出現(xiàn)一些新的劣質(zhì)個體。并且由于選擇幾率的存在種群內(nèi)適應(yīng)度高的個體也可能會面臨漏選的風(fēng)險，所以除了上述的選擇算子外，還需要一些其它的數(shù)學(xué)方法進(jìn)展選擇。比例法選擇算子也是根據(jù)遺傳概率計算而生的一種算法。假設(shè)在解決具體的問題中需要*個體的適應(yīng)度，這就需要通過函數(shù)關(guān)系把目標(biāo)函數(shù)轉(zhuǎn)換映射成函數(shù)最大值問題，并且解必須是大于0的數(shù)，這里可以認(rèn)為這個函數(shù)就是適應(yīng)度函數(shù)。這個方法對于一般的GA來說很常用，可用來確定選擇算子并選擇出種群中遺傳到下一代的個體。4.2.3.2穿插算子在生物的遺傳進(jìn)化中，配對組合的兩個染色體的*個或幾個基因會相互交換，并由此產(chǎn)生新的生命。為了模仿自然界的這個規(guī)律GA也做了相應(yīng)處理，便引入一個穿插算子并利用這個算子來產(chǎn)生新的個體。穿插也是遺傳算法的一個重要組成局部，具體步驟為：一、根據(jù)經(jīng)歷或者解決問題的需要設(shè)置一穿插概率，然后在穿插概率的根底上把個體中*部位的基因通過*種方式進(jìn)展交換，便產(chǎn)生了新個體。以隨機(jī)生成的初始網(wǎng)絡(luò)種群中的兩個個體作為父代，通過穿插概率隨機(jī)選擇需要穿插的一點(diǎn)或者兩點(diǎn)。圖4．2即為選擇第三個基因進(jìn)展穿插換位的過程。圖4.2遺傳算法的點(diǎn)穿插過程4.2.3.3變異算子在生物遺傳進(jìn)化的過程中，常會出現(xiàn)因基因復(fù)制中出現(xiàn)差異而發(fā)生變異的現(xiàn)象，并會產(chǎn)生新的與之前不同的染色體。遺傳算法也參考這樣的原理，在穿插操作之后采用了變異算子。GA中的變異算子通過變異概率確定變異的基因位置并對該基因的值取負(fù)或者用其它等位基因的值來替換，以此使得個體進(jìn)展突變以引入更優(yōu)秀的個體。遺傳算法在遺傳過程中通常很難保證多樣性，所以就用變異算子來作為多樣性的補(bǔ)償。變異算子可以在當(dāng)前值附近搜索尋找更優(yōu)的解，這樣在使群體多樣性得到保障的同時為群體的優(yōu)化遺傳創(chuàng)造了條件。圖4.3為二進(jìn)制編碼的個體的變異操作。圖4.3根本位變異根本過程4.3遺傳算法的優(yōu)點(diǎn)缺陷傳統(tǒng)優(yōu)化算法在解決實際問題時往往會存在著很大的局限性，隨著問題類型的增加以及規(guī)模的擴(kuò)大，傳統(tǒng)優(yōu)化方法往往會出現(xiàn)較大的誤差。遺傳算法與傳統(tǒng)算法的區(qū)別主要表達(dá)在全局搜索以及尋優(yōu)的問題上，大體有如下幾個方面：(1)傳統(tǒng)優(yōu)化算法往往著手于單個初始值求取最優(yōu)解，但是這種方法容易使解陷入局部困境。相比而言遺傳算法則是從問題解的串集開場搜索，這種搜尋方式有利于擴(kuò)大范圍并進(jìn)展全局搜索。(2)遺傳算法不需要對空間知識和輔助信息進(jìn)展搜索，它只針對有限定的目標(biāo)函數(shù)和其相對應(yīng)的適應(yīng)度函數(shù)進(jìn)展搜索，GA的運(yùn)用范圍正因為這個特點(diǎn)而大大拓寬。并且適應(yīng)度函數(shù)不會受到連續(xù)、可微的限制，同時，可任意設(shè)置其定義域。(3)遺傳算法有多種轉(zhuǎn)換方式或者規(guī)則，可以根據(jù)實際需要進(jìn)展選擇；搜索的方向也是根據(jù)一定幾率按變遷規(guī)則進(jìn)展變化。(4)遺傳算法也有一定的自適應(yīng)和學(xué)習(xí)能力，可以用于一些復(fù)雜的非構(gòu)造對應(yīng)問題中。當(dāng)然遺傳算法也有一定的缺陷：遺傳算法沒有嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)表達(dá)式和證明，理論主要來源于進(jìn)化論以及遺傳進(jìn)化學(xué)說，所以其收斂性很難給出數(shù)學(xué)證明。當(dāng)遺傳算法過于簡單時，其在全局尋優(yōu)上收斂性就沒則有保障并且時常出現(xiàn)早熟的現(xiàn)象，結(jié)合文獻(xiàn)資料，分析其產(chǎn)生原因，主要有如下幾個方面：(1)群體規(guī)模的過大或者過小對于保證數(shù)據(jù)的多樣性以及計算量都很比擬大的影響。由于遺傳算法中算子均存在一定的隨機(jī)誤差，所以最終得到的值是否是問題的最優(yōu)解還是有待考慮的。(2)選擇時，群體中個體的選擇太小，模式競爭會被削弱，遺傳算子重組生成高階模式的能力降低，這樣便會導(dǎo)致算法停滯[63]。(3)如果問題中主要函數(shù)的非線性程度過高，遺傳算法的有效尋優(yōu)模式很可能會被破壞。這是由于當(dāng)最優(yōu)解附近為平面時，高階競爭模式中個體的適應(yīng)度差值會變的很小，導(dǎo)致無法或錯誤選擇最優(yōu)個體，算法惡性循環(huán)或者出現(xiàn)停滯。為改進(jìn)簡單GA的實際計算能力，大量研究人員的改進(jìn)工作也是分別從參數(shù)編碼方式、選擇適宜初始種群、確定遺傳算子、適應(yīng)度函數(shù)標(biāo)定等方面提出的。本文針對上一章建立的神經(jīng)網(wǎng)絡(luò)模型，通過建立適合于油色譜故障預(yù)測的適應(yīng)度函數(shù)以及種群多樣性兩個方面對遺傳算法進(jìn)展了改進(jìn)。4.4樣本的GA算法設(shè)計及改進(jìn)4.4.1GA的編碼方式遺傳算法較常用的編碼方式是二進(jìn)制碼，二進(jìn)制編碼就是將原問題的解集變換為串集，然后在位串集中進(jìn)展遺傳算法的算子操作，其結(jié)果在通過解碼過程復(fù)原成表現(xiàn)型后再利用適應(yīng)值進(jìn)展評估。二進(jìn)制編碼類由于與生物染色體的組成比擬相似，從而算法易于用生物的遺傳進(jìn)化理論來解釋并使后續(xù)的穿插、變異操作實現(xiàn)起來更方便。但二迸制編碼的方式在求解連續(xù)優(yōu)化問題的時候，也存在以下缺點(diǎn)：(1)相鄰實數(shù)的二進(jìn)制編碼也許會出現(xiàn)不小的Hamming距離，以31和32為例，31和32的二進(jìn)制表示為011111和10000，因此算法要從7轉(zhuǎn)換到8則必需改變5位二進(jìn)制值，這將大大降低遺傳算法的搜索效率。(2)二進(jìn)制編碼的求解精度以及串長需要實現(xiàn)確定，并而精度很難在算法運(yùn)行過程中隨時的自我調(diào)整。精度與串長也是一對相對的因素，精度的過大必然使得串長過長，同樣也會降低算法效率。由于神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值學(xué)習(xí)是一個繁雜的連續(xù)參數(shù)迭代尋優(yōu)搜索問題，采用二進(jìn)制編碼受到精度的保證編碼串會很長并且編碼之后還需要解碼，影響網(wǎng)絡(luò)學(xué)習(xí)的精度和速度。因此本診斷模型決定采用實數(shù)編碼，權(quán)值閾值均準(zhǔn)確到0.0001，因此神經(jīng)網(wǎng)絡(luò)所有權(quán)值和閾值需要按照其內(nèi)部次序連成一個長串，而神經(jīng)網(wǎng)絡(luò)的每個權(quán)值便對應(yīng)著串上的每一個位置。適應(yīng)度函數(shù)設(shè)計根據(jù)本章節(jié)的預(yù)測問題實際上就是將問題轉(zhuǎn)化為求取目標(biāo)值與實際輸出值之間的最小差問題，因此將適應(yīng)度函數(shù)定義為如下形式?？梢园l(fā)現(xiàn)：適應(yīng)度和與期望值的誤差是成反比關(guān)系的?！?-2〕其中，——第個樣本的神經(jīng)網(wǎng)絡(luò)的實際輸出；——目標(biāo)輸出；——輸出樣本的成對數(shù)目。始種群解空間的構(gòu)成及其初始種群數(shù)建立初始化解空間，初始代碼串權(quán)值閾值的變化范圍需要首先確定，這需在對問題的專業(yè)知識進(jìn)展相關(guān)考量后采用聯(lián)想試探的方式來確定可能的范圍。設(shè)計的范圍太大，將使搜索的效率變低：設(shè)計范圍太小了，也可能出現(xiàn)無解的情況。針對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值結(jié)合相關(guān)經(jīng)歷，這里選取權(quán)重及閾值的數(shù)值范圍分別為(-5，5)和(-3，3)。并在參考相關(guān)文獻(xiàn)后采用仿真比照的方法進(jìn)展種群規(guī)模確實定，分別對的種群數(shù)目進(jìn)展仿真測試，結(jié)果見表格。最終比照后認(rèn)為種群數(shù)目選擇30到達(dá)的效果最好。表不同種群初始化后的運(yùn)行結(jié)果種群數(shù)訓(xùn)練步長消耗時間誤差精度203040504286230567選擇算子設(shè)計本文采用輪盤式選擇方法〔如圖4.4〕。在此方法中，個體的適應(yīng)度代表輪盤中該個體代表的范圍所占的面積，所以面積的大小會直接影響個體被選擇的概率。下面是轉(zhuǎn)盤選擇的主要流程：(1)針對每個個體，計算出個體的適應(yīng)度值，其中，(種群規(guī)模)。(2)并計算種群中個體適應(yīng)度值之和：〔4-3〕圖4.4轉(zhuǎn)盤式選擇策略圖(3)計算出個體適應(yīng)度占適應(yīng)度之和的比例，則個體被選擇的概率。(4)對于單一個體，計算出該個體的累計概率：〔4-4〕選擇過程是利用選擇概率把轉(zhuǎn)盤分成份，并按照概率的大小構(gòu)造如下圖的轉(zhuǎn)盤(其中每一份的面積要表達(dá)出概率的關(guān)系)，例如第個扇形的面積為。在進(jìn)展選擇操作時，轉(zhuǎn)動輪盤進(jìn)展隨機(jī)選擇，如果選中在第個扇形面積內(nèi)，則就選擇這個個體。具體實現(xiàn)時首選需要設(shè)定一個的隨機(jī)產(chǎn)生的數(shù)，并且該值處于區(qū)間內(nèi)，如果，則就選擇第個個體，否則選擇第個個體()，使得成立。穿插算子的選擇在參考實數(shù)編碼的根底上本文采用整體算術(shù)方式作為本文故障診斷模型中遺傳算法的穿插算子，流程如下：設(shè)是兩個前代解向量，與是表示經(jīng)過穿插操作后得到的兩個后代向量。整體算術(shù)的穿插算子是：在范圍內(nèi)隨機(jī)生成一組數(shù)，利用此隨機(jī)數(shù)再結(jié)合以下兩個公式計算產(chǎn)生新的后代，公式如下：〔4-5〕〔4-6〕其中，通過式4-5和式4-6不難發(fā)現(xiàn)，后代分量仍然處在的范圍內(nèi)。因為算術(shù)穿插除了進(jìn)展了向量因子位置的交換外，還對向量因子的值作了適當(dāng)調(diào)動，因此該算子的搜索范圍相比于離散穿插的搜索范圍在數(shù)值上要大許多。這個穿插過程實質(zhì)上就是對先代解向量進(jìn)展插值操作，后代向量生成與兩個前代解向量的值的周圍。變異算子的選擇傳統(tǒng)的遺傳算法中的算子與代數(shù)不存在直接的關(guān)聯(lián)。但是由于傳統(tǒng)GA缺少局部搜索的能力，隨著算法的不斷演變，將難以取得理想效果。有相關(guān)文獻(xiàn)對這種情況提出了改進(jìn)方法，Z.Michalewic將變異算子與個體的適應(yīng)度值(即個體本身)相聯(lián)系，變異范圍在演化的初期會比擬大，但是隨著演化進(jìn)程的不斷推進(jìn)，可變異的空間就變的越來越小。這無形當(dāng)中起了一種自我調(diào)整的作用，也就是讓適應(yīng)度小的個體在較大的變異范圍內(nèi)搜索，使其更容易發(fā)生變異，這也使得該個體適應(yīng)度變大的幾率增加。其具體描述如下：假設(shè)父代為，其定義區(qū)間為為。將父代因子變異后生成的新的父代為。隨機(jī)變異的方式有兩種，如下式所示：=〔4-7〕其中的定義為：。表示將隨機(jī)生成的正整數(shù)除以之后所得的結(jié)果，表示此時進(jìn)化的代數(shù)，是演化代數(shù)的最大值，是一個取值的常數(shù)，表示之間隨機(jī)生成的數(shù)。改進(jìn)的GA對BP網(wǎng)絡(luò)故障診斷模型的優(yōu)化遺傳算法對神經(jīng)網(wǎng)絡(luò)的優(yōu)化本文第三章設(shè)計了用于解決變壓器故障診斷的BP神經(jīng)網(wǎng)絡(luò)模型，該模型簡潔可塑性良好，但是最終取得的預(yù)測結(jié)果不夠理想并容易陷入局部最小值。仔細(xì)斟酌發(fā)現(xiàn)這是由于BP是基于梯度下降原理的收斂方法，然而這種收斂方法自身就極易被局部極值所影響，這也導(dǎo)致了之前BP網(wǎng)絡(luò)故障預(yù)測的準(zhǔn)確性很差。相比而言遺傳算法優(yōu)點(diǎn)就是只需要設(shè)定一個適應(yīng)度函數(shù)并不需要其他的輔助知識和信息，且不會受到函數(shù)可微、連續(xù)的限制，這就出不會陷入局部最優(yōu)的情況，可以更廣泛在全局范圍內(nèi)到達(dá)最優(yōu)。本文運(yùn)用遺傳算法對BP網(wǎng)絡(luò)的隨機(jī)權(quán)值和閾值的初始化賦值進(jìn)展優(yōu)化，使得BP訓(xùn)練時能得到更方便收斂的權(quán)值和閾值。神經(jīng)網(wǎng)絡(luò)權(quán)值的訓(xùn)練過程可以比作一個函數(shù)優(yōu)化的問題，根本的方式就是通過反復(fù)的迭代調(diào)整尋求最優(yōu)解。BP網(wǎng)絡(luò)的初始化中權(quán)值和閾值都是隨機(jī)賦予而不是可以進(jìn)展設(shè)定的，這也使得每次網(wǎng)絡(luò)運(yùn)行的結(jié)果都不一樣。假設(shè)權(quán)值和閾值初始化時并沒有被賦予適宜的值，這會導(dǎo)致后續(xù)的訓(xùn)練收斂速度很慢或許陷入局部最優(yōu)，這樣都將會影響整個網(wǎng)絡(luò)的權(quán)值大小。然而運(yùn)用遺傳算法對網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)展屢次的迭代尋優(yōu)可以在BP初始化時就可以得到適應(yīng)度良好的權(quán)值和閾值，遺傳優(yōu)化的過程如下所示：(1)對初始權(quán)值閾值進(jìn)展編碼，進(jìn)展隨機(jī)排列并與BP網(wǎng)絡(luò)的權(quán)值閾值一一對應(yīng)。(2)輸入訓(xùn)練樣本，計算目標(biāo)函數(shù)值，結(jié)適宜應(yīng)度函數(shù)，篩選出連接權(quán)值閾值的適應(yīng)度優(yōu)劣并選擇適應(yīng)度較大的個體。(3)利用穿插、變異操作，進(jìn)化當(dāng)前設(shè)定群體并由此而產(chǎn)生下一代新的較優(yōu)群體。(4)重復(fù)步驟，這樣BP網(wǎng)絡(luò)初始的權(quán)值閾值會不斷進(jìn)展自我修正，循環(huán)直到滿足目標(biāo)條件的精度為止。優(yōu)化步驟以下圖是遺傳算法優(yōu)化BP網(wǎng)絡(luò)故障診斷模型的根本流程圖:圖4.5GA-BP算法流程圖(1)初始化種群P，設(shè)定變異穿插概率并對任意一個權(quán)值、閾值和、進(jìn)展初始化；種群規(guī)模設(shè)置為30，編碼方式為實數(shù)編碼，遺傳進(jìn)化的最大迭代次數(shù)設(shè)置為200。(2)計算每個個體適應(yīng)度，再按照概率進(jìn)展選擇：〔4-8〕式中，為個體的適應(yīng)度值，并且再引入誤差信號的平方對適應(yīng)度值進(jìn)展衡量，這里稱之為遺傳誤差平方。下式中為誤差平方：〔4-9〕〔4-10〕其中，為染色體數(shù)目；為學(xué)習(xí)樣本數(shù)目；為輸出層節(jié)點(diǎn)數(shù)；為教師信號。(3)以概率對個體和進(jìn)展穿插操作，之后產(chǎn)生新的個體和，同時沒有進(jìn)展穿插操作的個體，就可以直接復(fù)制；同樣以該概率進(jìn)展變異，然后產(chǎn)生個體的新個體。(4)新的個體進(jìn)化后聚集在一起便產(chǎn)生的新的種群，此時仍然需要計算新種群當(dāng)中個體的適應(yīng)度值。(5)計算得出BP網(wǎng)絡(luò)的誤差平方和，假設(shè)在誤差精度之內(nèi)則繼續(xù)運(yùn)行，否則轉(zhuǎn)到步驟(3)。(6)把遺傳算法優(yōu)化后的優(yōu)秀個體作為的初始權(quán)值和閾值賦予BP網(wǎng)絡(luò)；同時輸入樣本對BP的權(quán)值和閾值開場訓(xùn)練，當(dāng)精度滿足要求后停頓。上述大致就是GA對BP網(wǎng)絡(luò)的初始值優(yōu)化流程。故障診斷系統(tǒng)的分析與測試網(wǎng)絡(luò)訓(xùn)練按照上一節(jié)所介紹的流程，利用軟件建立GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的模型。相比擬前文對BP網(wǎng)絡(luò)的故障診斷模型的訓(xùn)練結(jié)果來看，基于LM規(guī)則的BP網(wǎng)絡(luò)使得BP的訓(xùn)練精度到達(dá)了一定的高度，但是其中仍然還有瑕疵需要改進(jìn)。所以下文中采用GA優(yōu)化基于LM訓(xùn)練函數(shù)的BP網(wǎng)絡(luò)。同樣采用之前所選取的100個訓(xùn)練樣本，局部樣本見表4.2：表4.2BP網(wǎng)絡(luò)訓(xùn)練樣本組次故障類型H2CH4C2H6C2H4C2H2二進(jìn)制輸出數(shù)字輸出1正常230100000012正常130100000013正常520100000014低溫過熱0010000025低溫過熱0010000026低溫過熱30010000027中溫過熱0001000038中溫過熱001000039中溫過熱0010000310高溫過熱00001000411高溫過熱00001000412高溫過熱00001000413局部放電00000100514局部放電226.00000100515局部放電24400000100516低能放電233460000010617低能放電0000010618低能放電0000010619高能放電2070000001720高能放電00000017通過訓(xùn)練，得出以下結(jié)果：回想結(jié)果，GA-BP訓(xùn)練目標(biāo)曲線，BP訓(xùn)練目標(biāo)曲線和遺傳算法誤差平方和曲線以及適應(yīng)度曲線。如下所示：回想結(jié)果=相比于單獨(dú)使用BP神經(jīng)網(wǎng)絡(luò)，GA優(yōu)化之后回想結(jié)果與理想輸出的誤差偏差很小，每個樣本的輸出都在規(guī)定的范圍之內(nèi)。說明GA對BP權(quán)值以及閾值的優(yōu)化起到了不錯的效果，對回想結(jié)果取整之后就是理想輸出了，所以從這里來看GA-BP的構(gòu)建是成功了，可以用于實際變壓器油色譜故障的預(yù)測。圖4.6GA-BP訓(xùn)練目標(biāo)曲線圖4.7GA適應(yīng)度曲線圖4.8GA-BP誤差平方和曲線經(jīng)過以上3個曲線可以看出，采用遺傳算法優(yōu)化的BP網(wǎng)絡(luò)，在200代遺傳后誤差平方和趨向于0。相比于上一章單純使用BP網(wǎng)絡(luò)的效果，優(yōu)化后的BP網(wǎng)絡(luò)加快了收斂的速度僅用了165步就到達(dá)了0.001的誤差，提高了收斂的效率。為了驗證本章所建立的GA-BP變壓器故障預(yù)測模型的準(zhǔn)確性，本文選取25個樣本進(jìn)展驗證。4.6.2故障測試本節(jié)選取25組故障數(shù)據(jù)，均來自于廈門電力局近期220kV變電站變壓器的故障氣體數(shù)據(jù)。對故障數(shù)據(jù)進(jìn)展求比值以及歸一化的處理后作為上一節(jié)訓(xùn)練后的GA-BP網(wǎng)絡(luò)的測試樣本，測試診斷結(jié)果具體見下表：表4.3GA-BP測試樣本結(jié)果表組次H2CH4C2H6C2H4C2H2實際故障GA-BPBP11710正常√√2180正?！痢?130正?！獭?12310正?！獭?0低溫過熱√×60低溫過熱√√70低溫過熱√√80低溫過熱√√9487.9.中溫過熱√×10中溫過熱√√11中溫過熱√√12中溫過熱√×130高溫過熱√√140高溫過熱√√150高溫過熱√×160高溫過熱√√170局部過熱√√180局部過熱√√190局部過熱√√200局部過熱√×21低能放電√√22低能放電√√231983927高能放電××241003299125高能放電√×256851029170367高能放電√√圖4.9GA-BP故障預(yù)測比照以上測試結(jié)果中，對于25組測試樣本，采用GA-BP方法建立的故障診斷預(yù)測模型中25組故障判斷正確，只有2組錯誤準(zhǔn)確率到達(dá)了92％。雖然本節(jié)只選取了一局部已診斷故障的樣本進(jìn)展測試，但是目前已取得的效果足以說明GA-BP模型在變壓器故障診斷方面的效果是好于單純BP網(wǎng)絡(luò)的，同時診斷的準(zhǔn)確性已經(jīng)到了一個較高的水平可以應(yīng)用到實際的診斷當(dāng)中去作為輔助診斷工具。本章小結(jié)本章節(jié)介紹了遺傳算法的根本原理，并對其中的操作算子作了簡要描述。針對油色譜故障預(yù)測的問題，本章設(shè)計了對應(yīng)的選擇、穿插、變異算子，使得本文的遺傳算法優(yōu)化BP模型更切近于本課題。本章采用Matlab搭建了基于GA-BP的故障，設(shè)置了GA的相關(guān)參數(shù)后采用了100個樣本進(jìn)展訓(xùn)練，通過觀察訓(xùn)練后適應(yīng)度曲線可以看出改進(jìn)后的診斷模型使得訓(xùn)練個體的適應(yīng)度有層次性的不斷提高收斂速率較快，學(xué)習(xí)速率比基于L-M訓(xùn)練規(guī)則下的BP網(wǎng)絡(luò)有了明顯提高。最終又從假設(shè)干近期已診斷故障數(shù)據(jù)中選取了25組具有代表性的油色譜樣本數(shù)據(jù)，作為對故障診斷模型的測試數(shù)據(jù)。結(jié)果顯示只有2組故障診斷出現(xiàn)了錯誤，但是總體上可