本发明涉及电气设备检测技术，具体涉及一种基于ga(遗传算法)-bpnn(反向传播神经网络)的局部放电模式识别方法。
背景技术：
随着现代工业的发展和城市化水平的提高，为了满足日益增长的用电需求，电力系统规模在不断增大，电力系统运行安全越来越受到重视。开关柜、变压器等高压电气设备作为电网系统中的重要设备，其平稳运行是电力系统正常运行的可靠保证。高压电气设备最主要的故障类型为绝缘故障，其产生的主要原因为设备绝缘结构发生了局部放电现象。对高压电气设备进行局部放电在线检测能够及时判断该设备绝缘状态，有助于提早发现设备存在的绝缘缺陷，及时进行维修避免突发故障，造成不必要的损失。高压设备绝缘故障主要原因是产生局部放电现象，绝缘介质根据受到损伤的位置和种类，会产生不同的局部放电类型。局部放电模式识别作为局部放电在线检测的关键技术，能够有效的判断高压设备绝缘缺陷类型，为综合判断高压电气设备的运行状态和绝缘性能提供了参考。
传统的局部放电模式识别主要通过专家经验进行现场判断，在效率和准确率方面都不尽如人意。随着机器学习的广泛传播和发展，人工神经网络(ann)已广泛应用到各个行业中，在高压电气领域，bp神经网络已成为主要的局部放电模式识别方法，较传统的专家经验提高了效率和识别准确率。
但利用bp神经网络进行局部放电模式识别的方法仍存在以下问题：①易受初始权值和阈值影响；②易陷入局部最优解，导致学习失败；③收敛慢，学习效率低；导致识别准确率不高。
技术实现要素：
针对现有技术的不足，本发明提供一种基于ga-bpnn的局部放电模式识别方法，本发明具有收敛速度快、识别准确率高的优点，可准确识别高压电气设备局部放电类型。
为达到上述目的，本发明采用如下技术方案：
基于ga-bpnn的局部放电模式识别方法，包括以下步骤：
(1)根据特征参数和局部放电类型确定bp神经网络结构；
(2)设定bp神经网络参数；
(3)遗传算法参数设计；
(4)根据神经网络训练中小数据样本训练集比例要大于2/3的原则，将500组局部放电信号数据样本中450组作为训练数据训练神经网络，50组作为测试数据测试网络的模式识别能力，并将数据归一化；
(5)训练bp神经网络，利用全局误差函数ep计算遗传算法种群中的每一个个体的适应度值f；
(6)通过遗传操作，选择、交叉及变异筛选出具有最佳适应度值个体并计算新个体适应度值；
(7)判断是否满足结束条件，若满足要求，则进行解码得到最佳的bp神经网络输入层与隐含层间连接权值ωij、隐含层与输出层间连接权值ωjk、隐含层节点阈值ap和输出层节点阈值bp，否则返回遗传算法继续寻找最佳适应度值个体；
(8)利用得到的最佳连接权值和阈值重新训练bp神经网络，对局部放电测试数据进行局部放电模式识别。
进一步地，步骤(1)中利用统计特征参数方法从prpd图谱提取出16个统计特征参数作为bp神经网络的输入向量xp，采用内部放电、沿面放电、电晕放电三种常见的放电类型作为神经网络的输出向量yp，因此对应的输入层节点数n＝16，输出层节点数m＝3；
通过参考经验公式(7)、(8)及(9)确定隐含层节点数q的取值范围；
q<n-1(8)
q＝log2n(9)
在公式(7)中，a为0～10之间的常数，最佳隐含层节点数q首先通过参考公式确定取值范围和初始隐含层节点数，在进行神经网络模型训练时通过试凑法并跟据训练结果来确定，最终确定隐含层节点数为10，即bp神经网络结构为16-10-3。
进一步地，步骤(1)中特征参数提取步骤如下：
(1.1)对prpd图谱进行统计参数变换
将工频周期
(1.2)提取出偏度skewness、峰度kurtosis、局部峰值个数pn、互相关系数c、相位不对称度
其中偏度skewness反映局部放电相位分布
峰度kurtosis反映局部放电相位分布
局部峰个数pn反映局部放电相位分布
互相关系数c是反映局部放电相位分布
在式(4)中，
相位不对称度
在式(5)中，
放电量因数q反映局部放电相位分布
在式(6)中，
进一步地，步骤(2)中确定初始隐含层阈值ap和输出层阈值bp，初始化输入层、隐含层和输出层神经元之间的连接权值ωij、ωjk，给定学习速率η和误差精度ε，采用sigmoid函数为神经网络所选激励函数，如公式(10)；
公式(10)中，f(x)为sigmoid函数，x为自变量，e为自然常数。
进一步地，步骤(3)包括：
编码串长度：根据需要优化的目标，遗传算法的个体为整个bp神经网络的所有权值和阈值，由输入层节点到隐含层节点的连接权值ωij，隐含层节点到输出层节点的连接权值ωjk及隐含层节点阈值ap和输出层节点阈值bp组成；
编码方法：采用实数编码方法，每个实数取一个整数和五位小数，以保证精度均精确到0.00001，权值的取值范围为(-5,5)，阈值的取值范围为(-3,3)，神经网络的权值和阈值按一定的顺序串联，编码串上每一个位置对应着相应的权值和阈值；
运行参数：初始化遗传算法运行参数，包括种群规模m、遗传代数g、交叉概率pc和变异概率pm；
适应度函数：利用bp神经网络的全局误差函数ep计算遗传算法的个体适应度值f；
在式(11)中，ok为神经网络的第k个输出节点的计算输出，ypk为神经网络的相应节点期望输出，a为系数；遗传算法的适应度值与bp神经网络的全局误差成反比例关系，即全局误差越小的个体适应度越好，通过适应度值进行筛选。
进一步地，根据局部放电模式识别的三层bp神经网络结构16-10-3，共有190个权值和13个阈值，则一个遗传算法的个体编码长度为203。
与现有技术相比，本发明具有以下有益的技术效果：
本发明的方法首先利用统计特征参数方法对局部放电相位分布(phaseresolvedpartialdischarge,prpd)图谱进行特征值提取，并根据多组局部放电信号特征值构建bp神经网络模型进行训练，最后利用遗传算法得到bp神经网络最佳初始权值和阈值再次进行训练并进行局部放电模式识别；利用遗传算法全局搜索能力强且不易陷入局部最优解的特点，通过模拟自然进化过程搜索最优解得到bp神经网络最佳权值和阈值，利用ga与bpnn良好的耦合性，对比bpnn方法具有收敛速度快、识别准确率高的优点，解决了bp神经网络易受初始权值和阈值影响及陷入局部最优的问题，有效的提高了学习的效率和模式识别的准确率。
具体地：(1)利用bp神经网络对特征参数与其放电类型具有映射关系的局部放电信号进行模式识别，相较于传统专家经验模式识别方法，具有更高的识别率和效率。(2)利用遗传算法优化bp神经网络，筛选并确定神经网络最佳的初始权值和阈值，克服了bp神经网络识别性能对初始值的依赖性，且收敛速度快，数据处理能力高效。(3)所提算法能够应用于局部放电在线检测，结合超声波检测、地电波检测等局部放电在线检测方法可以有效的判断高压电气设备绝缘状态。
附图说明
图1为ga-bpnn流程图；
图2为bpnn训练迭代次数曲线图；
图3为ga-bpnn训练迭代次数曲线图；
图4为bpnn识别误差图；
图5为ga-bpnn识别误差图。
具体实施方式
下面结合具体实施例对本发明作进一步详细描述，但不作为对本发明的限定。
本发明提出了一种基于遗传算法(geneticalgorithm,ga)优化的bp神经网络(backpropagationneuralnetwork，bpnn)局部放电信号模式识别方法用以识别局部放电类型，进而判断绝缘缺陷类型。
由于局部放电信号的时域波形和时频图谱数据量非常巨大，直接对其进行模式识别是非常困难的。因此，为了有效的进行模式识别，利用较少的参数表征局部放电信号的本质和特性，需要对局部放电信号进行特征参数的提取。常见的局部放电特征参数提取方法有：统计特征参数、波形特征参数、weibull参数、分型特征参数、距特征参数。
本发明采用统计特征参数方法对局部放电信号进行特征参数提取，特征值提取基本步骤如下：
(1)对prpd图谱进行统计参数变换。将工频周期
(2)提取出偏度skewness、峰度kurtosis、局部峰值个数pn、互相关系数c、相位不对称度
表1统计特征参数
表1为统计特征参数表，其中偏度skewness反映局部放电相位分布
峰度kurtosis反映局部放电相位分布
局部峰个数pn反映局部放电相位分布
互相关系数c是反映局部放电相位分布
在式(4)中，
相位不对称度
在式(5)中，
放电量因数q反映局部放电相位分布
在式(6)中，
根据图1所示，ga-bpnn的基本步骤如下：
(1)根据特征参数和局部放电类型确定bp神经网络结构。利用统计特征参数方法从prpd图谱提取出16个统计特征参数作为bp神经网络的输入向量xp，三种常见的放电类型：内部放电、沿面放电、电晕放电作为神经网络的输出向量yp，因此对应的输入层节点数n＝16，输出层节点数m＝3。
对于隐含层节点数q的选取，目前理论上还没有一种统一的确定方法，普遍通过参考经验公式(7)、(8)及(9)进行确定隐含层节点数的取值范围。
q<n-1(8)
q＝log2n(9)
在公式(7)中，a为0～10之间的常数。最佳隐含层节点数q首先通过参考公式确定取值范围和初始隐含层节点数，在进行神经网络模型训练时通过试凑法并跟据训练结果来确定，最终确定隐含层节点数为10，即bp神经网络结构为16-10-3。
(2)设定bp神经网络参数，确定初始隐含层阈值ap和输出层阈值bp，初始化输入层、隐含层和输出层神经元之间的连接权值ωij、ωjk，给定学习速率η和误差精度ε，确定神经元激励函数，本发明神经网络所选激励函数为sigmoid函数。
(3)遗传算法参数设计：
编码串长度：根据需要优化的目标，遗传算法的个体为整个bp神经网络的所有权值和阈值，由输入层节点到隐含层节点的连接权值ωij，隐含层节点到输出层节点的连接权值ωjk及隐含层节点阈值ap和输出层节点阈值bp组成。根据局部放电模式识别的三层bp神经网络结构16-10-3，共有190个权值和13个阈值，则一个遗传算法的个体编码长度为203。
编码方法：常用的个体编码方法为二进制编码、格雷码编码、实数编码等。在ga-bp神经网络中选择实数编码方法，它具有以下优点：①精度高，适用于连续变量问题，避免了hamming悬崖问题；②适用于表示范围比较大的数值，适合较大空间进行并行搜索；③便于遗传算法与经典优化方法的混合使用。每个实数取一个整数和五位小数，以保证精度均精确到0.00001。权值的取值范围为(-5,5)，阈值的取值范围为(-3,3)，神经网络的权值和阈值按一定的顺序串联，编码串上每一个位置对应着相应的权值和阈值。
运行参数：初始化遗传算法运行参数，包括种群规模m、遗传代数g、交叉概率pc和变异概率pm。
适应度函数：为了得到最优的权值和阈值，利用bp神经网络的全局误差函数ep计算遗传算法的个体适应度值f。
在式(11)中，ok为神经网络的第k个输出节点的计算输出，ypk为神经网络的相应节点期望输出。a为系数。遗传算法的适应度值与bp神经网络的全局误差成反比例关系，即全局误差越小的个体适应度越好，通过适应度值进行筛选。
(4)根据神经网络训练中小数据样本训练集比例要大于2/3的原则，将500组局部放电信号数据样本中450组作为训练数据训练神经网络，50组作为测试数据测试网络的模式识别能力，并将数据归一化。
(5)训练bp神经网络，利用全局误差函数ep计算遗传算法种群中的每一个个体的适应度值f。
(6)通过遗传操作，选择、交叉及变异筛选出具有最佳适应度值个体并计算新个体适应度值。
(7)判断是否满足结束条件，若满足要求，则进行解码得到最佳的bp神经网络输入层与隐含层间连接权值ωij、隐含层与输出层间连接权值ωjk、隐含层节点阈值ap和输出层节点阈值bp。否则返回遗传算法继续寻找最佳适应度值个体。
(8)利用得到的最佳连接权值和阈值训练重新bp神经网络，对局部放电测试数据进行局部放电模式识别。
以下通过实验验证本发明方法的有效性：
利用训练好的bpnn与ga-bpnn分别对50组测试数据进行局部放电模式识别。bpnn与ga-bpnn训练迭代次数如图2、图3所示，对比bpnn，ga-bpnn具有更快的收敛速度。bpnn与ga-bpnn局部放电识别误差对比如图4、图5所示，识别能力对比如表2所示。
表2bpnn与ga-bpnn网络识别能力对比
对比两种神经网络识别能力可以得出，bpnn对于映射关系不明显，误差精度要求高且迭代次数多的复杂的局部放电信号，通过随机产生阈值和权值训练的bp神经网络模式识别能力和泛化能力较弱，准确率不高。而ga-bpnn通过遗传算法确定了最佳的权值和阈值，对局部放电类型的模式识别能力更强，具有较好的模式识别和泛化能力，且较好的解决了bp神经网络易受初始连接权值及阈值影响，容易陷入局部最优的问题。
参照上述实施例对本发明进行了详细说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本权利要求范围当中。
1.基于ga-bpnn的局部放电模式识别方法，其特征在于，包括以下步骤：
(1)根据特征参数和局部放电类型确定bp神经网络结构；
(2)设定bp神经网络参数；
(3)遗传算法参数设计；
(4)根据神经网络训练中小数据样本训练集比例要大于2/3的原则，将500组局部放电信号数据样本中450组作为训练数据训练神经网络，50组作为测试数据测试网络的模式识别能力，并将数据归一化；
(5)训练bp神经网络，利用全局误差函数ep计算遗传算法种群中的每一个个体的适应度值f；
(6)通过遗传操作，选择、交叉及变异筛选出具有最佳适应度值个体并计算新个体适应度值；
(7)判断是否满足结束条件，若满足要求，则进行解码得到最佳的bp神经网络输入层与隐含层间连接权值ωij、隐含层与输出层间连接权值ωjk、隐含层节点阈值ap和输出层节点阈值bp，否则返回遗传算法继续寻找最佳适应度值个体；
(8)利用得到的最佳连接权值和阈值重新训练bp神经网络，对局部放电测试数据进行局部放电模式识别。
2.根据权利要求1所述的基于ga-bpnn的局部放电模式识别方法，其特征在于，步骤(1)中利用统计特征参数方法从prpd图谱提取出16个统计特征参数作为bp神经网络的输入向量xp，采用内部放电、沿面放电、电晕放电三种常见的放电类型作为神经网络的输出向量yp，因此对应的输入层节点数n＝16，输出层节点数m＝3；
通过参考经验公式(7)、(8)及(9)确定隐含层节点数q的取值范围；
q<n-1(8)
q＝log2n(9)
在公式(7)中，a为0～10之间的常数，最佳隐含层节点数q首先通过参考公式确定取值范围和初始隐含层节点数，在进行神经网络模型训练时通过试凑法并跟据训练结果来确定，最终确定隐含层节点数为10，即bp神经网络结构为16-10-3。
3.根据权利要求2所述的基于ga-bpnn的局部放电模式识别方法，其特征在于，步骤(1)中特征参数提取步骤如下：
(1.1)对prpd图谱进行统计参数变换
将工频周期
(1.2)提取出偏度skewness、峰度kurtosis、局部峰值个数pn、互相关系数c、相位不对称度
其中偏度skewness反映局部放电相位分布
峰度kurtosis反映局部放电相位分布
局部峰个数pn反映局部放电相位分布
互相关系数c是反映局部放电相位分布
在式(4)中，
相位不对称度
在式(5)中，
放电量因数q反映局部放电相位分布
在式(6)中，
4.根据权利要求2所述的基于ga-bpnn的局部放电模式识别方法，其特征在于，步骤(2)中确定初始隐含层阈值ap和输出层阈值bp，初始化输入层、隐含层和输出层神经元之间的连接权值ωij、ωjk，给定学习速率η和误差精度ε，采用sigmoid函数为神经网络所选激励函数，如公式(10)；
公式(10)中，f(x)为sigmoid函数，x为自变量，e为自然常数。
5.根据权利要求4所述的基于ga-bpnn的局部放电模式识别方法，其特征在于，步骤(3)包括：
编码串长度：根据需要优化的目标，遗传算法的个体为整个bp神经网络的所有权值和阈值，由输入层节点到隐含层节点的连接权值ωij，隐含层节点到输出层节点的连接权值ωjk及隐含层节点阈值ap和输出层节点阈值bp组成；
编码方法：采用实数编码方法，每个实数取一个整数和五位小数，以保证精度均精确到0.00001，权值的取值范围为(-5,5)，阈值的取值范围为(-3,3)，神经网络的权值和阈值按一定的顺序串联，编码串上每一个位置对应着相应的权值和阈值；
运行参数：初始化遗传算法运行参数，包括种群规模m、遗传代数g、交叉概率pc和变异概率pm；
适应度函数：利用bp神经网络的全局误差函数ep计算遗传算法的个体适应度值f；
在式(11)中，ok为神经网络的第k个输出节点的计算输出，ypk为神经网络的相应节点期望输出，a为系数；遗传算法的适应度值与bp神经网络的全局误差成反比例关系，即全局误差越小的个体适应度越好，通过适应度值进行筛选。
6.根据权利要求5所述的基于ga-bpnn的局部放电模式识别方法，其特征在于，根据局部放电模式识别的三层bp神经网络结构16-10-3，共有190个权值和13个阈值，则一个遗传算法的个体编码长度为203。
技术总结