GEP在變壓器故障診斷中的應用
來源：昌昇自動化時間：2022-04-05
摘 要：變壓器油中溶解氣體分析是電力變壓器絕緣故障診斷的重要方法。文中將改進的基因表達式程序設計算法應用於電力變壓器故障診斷，利用新的選擇算子、變異（變換）、重組算子和多種群算子保證了種群的多樣性，確保算法不陷入局部最優，而快速達到全局最優。經實例分析，並將其結果與BP神經網絡和人工免疫分工算法的結果相比較，表明該算法能有效地對電力變壓器故障進行診斷，具有較高的診斷準確率。
關鍵詞：電力變壓器;故障診斷;基因表達式程序設計
0 引言
變bian壓ya器qi是shi電dian力li係xi統tong生sheng產chan過guo程cheng中zhong的de重zhong要yao設she備bei之zhi一yi，它ta能neng否fou正zheng常chang運yun行xing直zhi接jie影ying響xiang到dao企qi業ye的de經jing濟ji效xiao益yi和he係xi統tong的de安an全quan運yun行xing。近jin年nian來lai，對dui電dian力li變bian壓ya器qi故gu障zhang診zhen斷duan新xin方fang法fa的de探tan討tao和he研yan究jiu，引yin起qi了le國guo內nei外wai科ke研yan工gong作zuo者zhe的de極ji大da關guan注zhu。油you中zhong溶rong解jie氣qi體ti分fen析xi，由you於yu分fen析xi速su度du快kuai、檢測靈敏度高和樣品用量少、能夠及時發現變壓器內部存在的早期故障，已成為目前電力係統中對充油變壓器常規使用的重要監測手段。常用的IEC三比值法及相關改良比值法在工程實際使用中暴露出編碼不全、編碼邊界過於絕對等缺點[4]。目前，在很多人工智能方法如人工免疫係統、專家係統、神經網絡、聚類分析、灰色理論、支持向量機等[4-6]，它們中的1 種zhong或huo幾ji種zhong集ji成cheng方fang法fa被bei應ying用yong於yu電dian力li變bian壓ya器qi故gu障zhang珍zhen斷duan係xi統tong中zhong，但dan於yu電dian力li變bian壓ya器qi的de結jie構gou複fu雜za性xing和he故gu障zhang機ji理li的de多duo樣yang性xing，使shi得de故gu障zhang診zhen斷duan的de準zhun確que率lv還hai需xu要yao進jin一yi步bu提ti高gao。
基因表達式程序設計[1]（Gene Expression Programming, GEP）是是葡萄牙科學家Candida Ferreira發現的一種基於基因型（Genome）和表現型（Phenomena）的新型遺傳算法。它綜合了GA和GP 的優點，具有染色體簡單、線性和緊湊、yiyujinxingyichuancaozuodengdaoyoudian，zheweijiejuedianlishebeideguzhangzhenduanwentitigongleyitiaoxindesilu。benwenduijiyinbiaodashichengxushejisuanfajiayigaijin，tichuzishiyingjiyinbiaodashichengxushejisuanfabingjiangqiyingyongyudianlibianyaqiguzhangzhenduan，shilifenxijieguobiaoming，gaisuanfanengyouxiaodiduidianlibianyaqidegezhongguzhangmoshijinxingjiance。
1. 變壓器故障診斷自適應GEP算法
1.1 GEP算法[2-3]的改進
GEP的個體是由多個長度固定不變的基因組成的線性串染色體，然後這些個體被表示成表達式樹（Expression Trees, ET）。GEP染色體和表達式樹結構簡單清晰，通過簡單的線性編碼和解碼規則可無歧義地互化。GEP將這兩者分別作為獨立個體，對GA和GP的優點分別加以繼承，使遺傳操作易於實施，結果方便表達。它在符號回歸、分類和時間序列問題預測中廣泛應用，成為了一個非常有力的數據挖掘工具。
為改善GEP算法性能，對GEP參數進行自適應調整：
1.1.1選擇算子：
shoumianyisuanfakangtiduoyangxingdeqifa，duoyangxingkeyonglaitigaoyichuansuanfadequanjusousuonenglierbuzhixianyujubujie。xindexuanzesuanzibujinyugetishiyingduyouguan，haiyugetidenongduyouguan，getinongduyueda，xuanzegailvyuexiao，getinongduyuexiao，xuanzegailvyueda。getidexuanzegailv
（1）
式（1）中， f（xi） 為個體 i 適應度函數。種群中與個體i基因相似的個體越多，個體i被選中的概率越小。反之，與個體i基因相似的個體越少，個體i被選中的概率就越大。這使含有有效進化基因的低適應度個體也可獲得繁殖的機會。這在理論上保證了解的多樣性。
1.1.2 變異（轉換）Pm和重組pc算子：為加快GEP算法的收斂速度，變異（轉換）Pm和重組pc概率進行自適應調整：當種群比較單一時，Pm和pc變化較大;反之，當種群差別較大時，Pm和pc變化較小。同時當種群中的個體適應度較小時，Pm和pc變化較大;反之，當種群中的個體適應度較大時，Pm和pc變化較小。這樣在克服過早收斂和避免優秀個體破壞之間選擇了折衷的方案，保證了群體的多樣性，克服了GEP算法的不成熟收斂，而達到全局最優。
1.1.3 多種群進化 受多種群並行進化思想的啟發，改進的GEPsuanfazhongqianruduozhongqunbingxingyouhuayuzishiyingtiaozhengxiangjiehedesilu，jiangyuanzhongqunanqitexinghuafenweijigezhongqun，meigezizhongqunyouqigezidetedian，lirujuyoubutongdepc與Pm，juyoubutongdezhongqunguimo，juyoubutongdejinhuacelvehesuanzi，getidetexingfenbuyebutong。zheyangtongguobutongzizhongqunzhijiandejinhua，keyixuanquhebaoliumeigezhongqundeyouxiugeti，bimianledanzhongqunjinhuachanshengdeguozaoshoulianxianxiang，tongshiyoukeyibaochiyouxiugetidejinhuawendingxing。lingwaiweileshimeigezhongqunjinhuadelinghuoxing，zaipc與Pm的設置時，不再像以前那樣將它們設為定常值，使其能自動調整參數值。
表1 種群參數特征
如表1所示，將某種群劃分為四類種群同時進化。前三類種群按照各自的進化策略並行進化，種群4為保留子種群,它開始沒有個體,它是由前三類種群進化過程中選取的優秀個體組成,其作用在於保存前三類種群進化的優秀個體,使不遭受破壞,又使個體分布多樣性,同時其自身也在進化,其pm,pc 均比較小,目的在於保持個體的穩定性和多樣性.
1.2自適應並行GEP算法的實現，自適應並行GEP算法的實施步驟如下:
（1） 按表1隨機初如化種群1，種群2，種群3，種群規模分別為N1，N2，N3。
（2） 計算各種群中個體的擬合度，並判斷是否符合優化準則，若符合，輸出最佳個體及其代表的最優解，並結束運算;否則轉向（3）步。
（3） 根據公式（2）、（3）、（4）、（5），每個子群體獨立地進行一次自適應GEP進化。
（4） 每個個體根據公式（1）進行選擇，產生下一代群體。
（5） 將各種群中的最優個體注入到種群4中，並且從所有子種群體中找出一個最優個體，再將此個體注入每個子群體中，替代各子種群體中的最差個體。
（6） 種群4按表1的pm,pc進化產生新一代。
（7） 判斷是否符合優化準則。若滿足則結束本次計算，否則繼續第（2）步。
2. 自適應GEP算法在電力變壓器故障診斷中的應用
2.1 算法參數設置：
進化代數 max_ generation=1000 ; 終點集T=｛x1,x2,x3,x4,x5｝,其中x1,x2,x3,x4,x5分別代表H2，CH4，CH4，C2H4，C2H6，C2H2共5種氣體的體積數;函數集F=｛+，―，＊，/，L，E，～，Q，S，C｝。其中L代表自然對數，E代表 ，Q代表開方函數，～代表 ，S代表正弦函數，C代表餘弦函數。
2.2實例分析
2.2.1 變壓器故障類型：有單一故障類型和多故障類型（見表2）
表2 變壓器故障類型
2.2.2 以下對由自適應的GEP算法建模得到的結果與文獻[6]中得到的結果進行比較，以某電力變壓器故障實例[6]作樣本集（表3）
表3預測模型的樣本集及與其他方法結果比較
從表3結果不難看出：自適應的並行GEP算法均得出了正確的診斷結果，表明了該算法對電力變壓器多故障同時發生的情況有很高的診斷準確率，其結果比BP神經網絡、文獻[6]的免疫分類算法都優。
3. 結束語
（1）新的選擇算子、變異（變換）、重組算子和多種群算子保證了種群的多樣性，確保算法不陷入局部最優，而快速達到全局最優。
（2）多duo種zhong群qun算suan子zi突tu破po了le單dan一yi種zhong群qun考kao慮lv信xin息xi的de不bu足zu和he解jie的de單dan一yi化hua，以yi及ji現xian有you多duo種zhong群qun遺yi傳chuan算suan法fa中zhong局ju限xian於yu單dan一yi的de固gu定ding的de參can數shu值zhi。各ge種zhong群qun是shi根gen據ju種zhong屬shu的de實shi際ji情qing況kuang，使shi其qi能neng自zi動dong調tiao整zheng參can數shu值zhi。這zhe樣yang通tong過guo不bu同tong子zi種zhong群qun之zhi間jian的de進jin化hua，可ke以yi選xuan取qu和he保bao留liu每mei個ge種zhong群qun的de優you秀xiu個ge體ti，避bi免mian了le單dan種zhong群qun進jin化hua產chan生sheng的de過guo早zao收shou斂lian現xian象xiang。同tong時shi，由you於yu種zhong群qun4保存了其他子種群的優秀個體，確保了優秀個體的進化穩定性，提高了算法的收斂速度。
（3）將改進的GEP算法用於電力變壓器診斷中，故障診斷準確率要高於BP神經網絡和文獻[6]的人工免疫分類法，證明了本算法的有效性。
4. 創新點
改進的自適應並行GEP算法在電力變壓器故障診斷中的應用是正確、高效的。實例結果表明它的電力變壓器故障診斷準確率很高，從而說明本算法是高效的。
