神经网络在变压器超高频局部放电模式识别中的应用.pdf

万方数据

放电模式识别中的应用神经网络在变压器超高频局部殷录民1，张慧芬2引言transformersramm舯ent，ShandongApplicationofneuralnetworkinUHFPDpatternrecognition250022，China)Algorithm(AGA)withBack—Propagation(BP)algorithm，anwords：uhra—high—frequencynetwork(NN)0神经网络用于局部放电模式识别提高了识别的主要有BP算法和AGA算法．BP算法在局部寻优时比较成功，但也存在收敛速度慢、效率低、容易陷入局部极小点等问题[21．AGA算法(自适应遗传算法)能够根据适应度的大小自适应地选取杂交概率和突可靠性和实用性‘¨．目前神经网络广泛采用的算法变概率，在保持群体多样性的同时，保证了算法的收第34卷第3期山东大学学报(工学版)SCIENCE)2004年6月摘要：结合自适应遗传算"5去-(AGA)和BP算法各自的优点，构造了AGA-BP混合算法作为神经网络的学习算法．实验结果表明，AGA-BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题，又提高了AGA神经网络的收敛速度、稳定性和求解质量，具有较高的识别率和较强的推广能力．关键词：超高频局部放电；模式识别；神经网络文献标识码：AHui．fed(1．LogisticsSci．Eng．，JinanalgorithmandUNIVERSITY(ENGINEERINGJun．2004文章编号：1672—3961(2004)02-0051-04(1．山东大学后勤处，山东济南250061；2．济南大学信息科学与工程学院，山／g,济南250022)中图分类号：TM855YINLu．minl，ZHANGUniv．，Jinan250061，China；2．SchoolInformationAbstract：BycombiningAdaptiveGeneticAGA—BPhybridispresentedtrainnetwork．TestresultsthattheproposedAGA-BP-NNsensitivityBP-NNinitialweightlocalconvergence，andimprovesstabilitysolutionqualityAGA—NN．Asresult，AGA—BP-NNpossessedhighergeneralizationability．Keydetection；patternrecognition；neural收稿日期：2003—11—24作者简介：殷录民(1970一)，男，工程师．主要研究方向为供配电网故障检测V01．34No．3JOURNALOFSHANDONGcomesconvergencerecogni—tiontorate，ratesover-a
万方数据

E=q高出sl—Hl丫礴[k∑=l(咄一％)％(1一％)侧譬’危用(1一k)]％+Aw∥(2(￡+1)=叩颦(如一％)强(1一％)k+基于BP算法的神经网络‘=各eX基于自适应遗传算法AGA的神经网络a△埘警’(t)a△训：Ht)设既是神经网络的第i个神经元的第，个权值，则敛性【3】．它克服了上述BP算法存在的缺点．然而AGA同样也存在不足之处，当其搜索到最优解附近时，无法精确地确定最优解的位置，即它在局部搜索空间不具备微调能力．结合BP算法和AGA算法各自的优点，构造了一种基于AGA．BP混合学习算法的神经网络，应用于变压器超高频局部放电的模式识别中．1由于BP算法使用了梯度搜索作为寻优途径，所以一旦神经网络的输入、输出映射关系复杂时，误差能量函数在其空间中的全局最小点附近将出现许多局部极小点，如果神经网络的权系数初值设置不当，就很容易使学习过程收敛缓慢甚至不收敛，或者使权系数在学习结束时收敛于某个局部极小点，导致神经网络进入错误的工作状态，不能正确识别大量未知的输入模式．采用．s型函数的三层BP网络的学习算法如设输人层、隐含层和输出层的结点数分别为Ⅳ，L，M．对习=iJII练样本P(P=1，2，⋯，q)，它的期望输出为叱，k=1，2，⋯，M，而实际输出响应为‰，k=1，2，⋯，M，则误差6斗=(咄一％)，各输出误差的平方和可表示为：通过改变网络中各个加权系数可使得E尽可能小，根据LMS的最陡下降算法并采用惯性调整策略可得到各个权重系数的调整量：A(。。1’(t+1)=(3)式中，叼为学习步幅；口为惯性系数；t，t+1为学习的时序编号．2与BP算法不同，AGA在网络学习过程中不采用梯度和其他辅助信息，只根据适应度的大小对神经网络权系数和阈值的编码进行遗传操作，得到最优解．要解决的主要问题是：1)对权系数和阈值