基于遗传算法优化BP神经网络的变压器故障诊断

大型电力变压器是电力系统的枢纽设备之一,其运行状况将直接影响电力系统的安全运行,一旦发生故障将对电力系统和终端用户造成重大的影响和危害。因此,研究变压器故障诊断技术,提高变压器的运行维护水平,对电力系统的安全运行具有重要的现实意义。 变压器油中溶解气体分析法是诊断变压器内部故障的有效手段。由于神经网络具有并行分布处理、自适应、联想、记忆及聚类和容错性等诸多优点,适于变压器内部故障发生及发展多过程、多故障的多模式系统诊断。BP神经网络具有简单和可塑的优点,但是BP算法是基于梯度的方法,这种方法的收敛速度慢,且常受局部极小点的困扰,当学习样本数目多、输入输出关系较为复杂时,网络收敛速度缓慢,收敛精度不理想,甚至不收敛。遗传算法具有全局寻优的能力,可有效的改善BP神经网络收敛速度和收敛精度,提高故障诊断成功率。 本文针对变压器故障气体及故障类型的特点,建立了结构为3-13-7型的变压器故障诊断BP神经网络模型。提出了遗传算法优化BP神经网络初始权重和阈值和在BP神经网络运行过程实现遗传算法对权重和阈值寻优两种优化方法。应用这两种方法和传统改进方法对网络模型进行训练和比较。并将经遗传算法优化的BP网络模型应用于变压器故障诊断,训练和诊断结果表明:系统采用的两种GA优化算法分别在106步和113步达到收敛,明显的高于L-M优化的BP法的211步,收敛速度分别提高了49.8%和46.4%。通过对30组样本的测试,检验了故障诊断系统的诊断准确率分别达到96.7%和93.3%,明显高于我国现行的DT/T722-2000标准所推行的改良三比值法,极大的提高了诊断的可靠性和准确性。