專利名稱：聯(lián)合模糊理論和改進(jìn)遺傳算法的油浸式電力設(shè)備故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明屬于油浸式電力設(shè)備故障診斷方法領(lǐng)域，特別涉及一種聯(lián)合模糊理論和改 進(jìn)遺傳算法的油浸式電力設(shè)備故障診斷方法。
背景技術(shù)：
油浸式電力設(shè)備(如電力變壓器、油浸式互感器)是電力系統(tǒng)中重要的設(shè)備，做好 其運(yùn)行維護(hù)，特別是故障診斷工作，對(duì)于提高電力系統(tǒng)的安全可靠運(yùn)行、電能的可靠監(jiān)測(cè)具 有重要的意義。針對(duì)油浸式電力設(shè)備的故障診斷，采用油中溶解氣體分析法是十分有效的 方法。當(dāng)油浸式電力設(shè)備有故障前兆或者發(fā)生故障時(shí)，設(shè)備所用的變壓器油中就會(huì)分解出 一些氣體，檢測(cè)這些氣體的成分和含量，就能初步診斷電力設(shè)備的運(yùn)行狀態(tài)和故障程度，對(duì) 于電力設(shè)備的故障診斷和故障預(yù)防具有重要的意義。圍繞提高油浸式電力設(shè)備特別是變壓器的故障診斷準(zhǔn)確度，前人做過各種有益的 探索。這些探索主要基于如下一種思想，即將油中溶解氣體的脫氣、取樣以及分析進(jìn)行一系 列自動(dòng)化處理，以此來減小人工取氣進(jìn)行色譜分析對(duì)故障檢測(cè)帶來的誤差，提高故障檢測(cè) 的準(zhǔn)確度。這些研究和實(shí)踐在油中溶解氣體的提取和檢測(cè)環(huán)節(jié)取得了一定的成果，然而，這 些研究只是在如何更好地提取和檢測(cè)氣體上進(jìn)行了探索，對(duì)于所得氣體數(shù)據(jù)最終的處理方 法和判斷方法上卻沒有進(jìn)一步深入的進(jìn)行研究。例如專利申請(qǐng)?zhí)枮?00420052025. 8、名稱為《變壓器絕緣在線監(jiān)測(cè)裝置》的專利 申請(qǐng)文件，利用將油氣分離器置于色譜檢測(cè)控制箱之中的方法，以減少氣體在管線傳輸中 的損失和在管線中受外界溫度的影響，通過提高氣體純度來提高檢測(cè)準(zhǔn)確度和精度，設(shè)備 安裝調(diào)試方便。但是，并沒有涉及如何對(duì)檢測(cè)所得的數(shù)據(jù)在算法上提高故障判斷準(zhǔn)確度的 內(nèi)容。再如專利申請(qǐng)?zhí)枮?00920021615. 7、名稱為《絕緣油色譜分析系統(tǒng)》的專利申請(qǐng)文 件，不但系統(tǒng)結(jié)構(gòu)復(fù)雜，不利于在線檢測(cè)變壓器油的運(yùn)行狀態(tài)，而且在對(duì)所得數(shù)據(jù)的處理算 法上，同樣沒有新的內(nèi)容。再如專利申請(qǐng)?zhí)枮?00910009358. X、名稱為《全自動(dòng)絕緣油色譜分析系統(tǒng)》的專 利申請(qǐng)文件和專利申請(qǐng)?zhí)枮?00520087372. 9、名稱為《絕緣油色譜分析用自動(dòng)脫氣進(jìn)樣裝 置》的專利申請(qǐng)文件，其色譜分析系統(tǒng)可自動(dòng)完成絕緣油樣脫氣、取氣，進(jìn)行分析過程，并自 動(dòng)判斷充油電氣設(shè)備故障類型。但前者主要應(yīng)用于檢測(cè)部門的實(shí)驗(yàn)室色譜分析系統(tǒng)，對(duì)于 油浸式電力設(shè)備的場(chǎng)狀態(tài)檢測(cè)的意義不大；后者由于使用了色譜分析儀，因此系統(tǒng)在處理 氣體數(shù)據(jù)和提高判準(zhǔn)確度算法方面沒有突出的創(chuàng)新思想。目前，利用色譜分析的數(shù)據(jù)來判斷油浸式電力設(shè)備故障的方法有許多，如羅杰斯 法、特征氣體法、三比值法、IEC三比值法等。IEC三比值法，是根據(jù)IEC/IEEE編碼的油中氣 體分析方法，也是目前應(yīng)用最廣泛的油浸式電力設(shè)備狀態(tài)檢測(cè)方法。它利用變壓器油中的 H2, CH4, C2H6, C2H4, C2H25種特征氣體含量的比值以及CO，CO2的氣體含量來判斷油浸式電力設(shè)備的故障狀態(tài)。由于IEC三比值法存在編碼不全容易導(dǎo)致故障判斷精度不高這一缺點(diǎn)， 目前大多采用編碼數(shù)目多的改良IEC三比值法進(jìn)行油色譜分析。在實(shí)際故障診斷過程中發(fā)現(xiàn)，因改良IEC三比值法編碼的邊界條件過于絕對(duì)化而 降低了故障診斷準(zhǔn)確度，特別是在碰到多種故障同時(shí)發(fā)生的情況下，過于絕對(duì)的邊界條件 對(duì)診斷準(zhǔn)確度影響更大。究其原因，主要是因?yàn)楦牧糏EC三比值法的診斷依據(jù)就是根據(jù)5 種故障特征氣體的比值，并根據(jù)對(duì)應(yīng)的編碼規(guī)則，得出相應(yīng)的編碼，然后與改良三比值法相 關(guān)表格對(duì)照，尋找相應(yīng)的編碼以確定故障類型。由于編碼值的判定嚴(yán)格按照準(zhǔn)確的數(shù)值進(jìn) 行，但是故障嚴(yán)重程度是個(gè)漸進(jìn)過程，因此嚴(yán)格按照準(zhǔn)確數(shù)值進(jìn)行編碼值判定，容易引起編 碼值的判定失誤。舉例來說，按照改良IEC三比值法編碼規(guī)則表，當(dāng)0. 1彡CH4ZH2 < 1時(shí)， 編碼值為0，CH4/H2彡1時(shí)，編碼值為2，那么如果CH4/CH2 = 1. 01，按照規(guī)則，編碼值應(yīng)該為 2。但是我們知道，在油紙絕緣中存在局部放電時(shí)，油裂解產(chǎn)生的氣體主要是氫和甲烷，在低 溫過熱時(shí)，產(chǎn)生的氣體主要是甲烷，所以直接采用改良IEC三比值法，將產(chǎn)生錯(cuò)誤的診斷結(jié)果。

發(fā)明內(nèi)容
針對(duì)上述現(xiàn)有技術(shù)中存在的缺陷或不足，本發(fā)明的目的在于提出了一種聯(lián)合模糊 理論和改進(jìn)遺傳算法的油浸式電力設(shè)備故障診斷方法，通過改進(jìn)遺傳算法來優(yōu)化模糊邏輯 模糊隸屬度函數(shù)的參數(shù)，實(shí)現(xiàn)對(duì)目前應(yīng)用最廣泛的油浸式電力設(shè)備故障診斷方法——改良 IEC三比值法，在氣體比值邊界和故障編碼上的進(jìn)行模糊處理，并通過模糊推理得到故障診 斷結(jié)果，大幅度降低其他干擾氣體對(duì)診斷結(jié)果的影響，從而提高油浸式電力設(shè)備油中溶解 氣體色譜分析的準(zhǔn)確度和精度，提高油浸式電力設(shè)備的運(yùn)行可靠性。為了達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)。一種聯(lián)合模糊理論和改進(jìn)遺傳算法的油浸式電力設(shè)備故障診斷方法，針對(duì)目前常 用的改良IEC三比值法，通過聯(lián)合模糊理論和改進(jìn)遺傳算法模糊處理其氣體比值邊界和故 障編碼，并通過模糊推理得到故障診斷結(jié)果，其特征在于，具體步驟如下步驟1 采集油浸式電力設(shè)備油中5種氣體的測(cè)試樣本，即H2、CH4、C2H6、C2H4、C2H25 種特征氣體，并獲取5種氣體體積含量的比值參數(shù)xl = [C2H2] / [C2H4], x2= [CH4]/[H2]、x3 =[C2H2]/[C2H6]；步驟2 針對(duì)改良IEC三比值法的比值參數(shù)的邊界值0. 1、1、3，選擇“Gaussmf”函 數(shù)對(duì)其進(jìn)行模糊化改良，以獲得模糊化的邊界，并將“Gaussmf”函數(shù)作為比值參數(shù)xl、x2、 x3的模糊隸屬度函數(shù)；針對(duì)改良IEC三比值法的故障編碼值0、1、2，選擇“Gbellmf”函數(shù)對(duì) 其進(jìn)行模糊化改良，以獲得更加準(zhǔn)確的識(shí)別編碼，并將“Gbellmf”函數(shù)作為故障編碼值0、 1、2的模糊隸屬度函數(shù)；“Gaussmf”函數(shù)和“Gbellmf”函數(shù)的參數(shù)采用改進(jìn)型遺傳算法分別 獲取最優(yōu)值，具體過程如步驟3 ；步驟3 對(duì)傳統(tǒng)遺傳算法進(jìn)行改進(jìn)，并利用改進(jìn)型遺傳算法對(duì)模糊隸屬度函數(shù) “Gaussmf ”和“Gbellmf ”的參數(shù)進(jìn)行優(yōu)化，獲取“Gaussmf ”函數(shù)的最優(yōu)參數(shù)和“Gbellmf ”函 數(shù)的最優(yōu)參數(shù)，具體實(shí)現(xiàn)過程如下1)選擇二進(jìn)制編碼策略，把“Gaussmf”函數(shù)的原始參數(shù)(a，b)，“Gbellmf”函數(shù)的 原始參數(shù)(c，d，e)分別轉(zhuǎn)換為位串結(jié)構(gòu)編碼；
2)產(chǎn)生初始群體為10組群體中每組父代群體為84位二進(jìn)制編碼，父代群體由 12個(gè)參數(shù)對(duì)應(yīng)的二進(jìn)制編碼組成，其中12個(gè)參數(shù)為模糊隸屬度函數(shù)“Gaussmf”有2個(gè)參 數(shù)a、b，比值參數(shù)xl、x2、x3分別對(duì)應(yīng)3個(gè)“Gaussmf”函數(shù)共有6個(gè)參數(shù)；模糊隸屬度函數(shù) “Gbellmf”有3個(gè)參數(shù)c、d、e，其中e = 1為固定值，不需要優(yōu)化，故障編碼值0、1、2分別對(duì) 應(yīng)3個(gè)“Gbellmf”函數(shù)共有6個(gè)參數(shù)；同時(shí)，對(duì)傳統(tǒng)遺傳算法隨機(jī)產(chǎn)生初始群體的方法進(jìn)行了改進(jìn)采用提前通過預(yù)設(shè) 5組優(yōu)質(zhì)個(gè)體、隨機(jī)產(chǎn)生5組個(gè)體組合生成10組初始父代群體的群體產(chǎn)生方法；3)確定遺傳策略，包括依次采用選擇、交叉、變異方法，以及確定交叉概率pc、變 異概率pm等遺傳參數(shù)，具體的遺傳算法如下①選擇算法采用輪盤賭方法；根據(jù)初始群體的個(gè)體故障診斷準(zhǔn)確度按比例轉(zhuǎn)化為 選中概率，將10組初始群體分別編碼為1 10，分布在輪盤的10個(gè)扇區(qū)，相當(dāng)于轉(zhuǎn)動(dòng)10次 輪盤，獲得10次轉(zhuǎn)盤停止時(shí)指針位置，得到10個(gè)
之間的隨機(jī)數(shù)，指針停止在某一扇 區(qū)，該區(qū)所代表的個(gè)體即被選中，10次選擇中都未被選中的個(gè)體將被剔除，其位置將被多次 選中的個(gè)體替代；②交叉算法采用多點(diǎn)多位的交叉方法，交叉概率PC = 60%，具體交叉法為以交 叉概率pc任意選擇A，B兩組個(gè)體，并將每個(gè)個(gè)體的84位二進(jìn)制編碼按照30 I 54位分開，A， B兩組個(gè)體的前30位互相交換，產(chǎn)生新的兩組個(gè)體A’和B’ ；按照此方法，交叉產(chǎn)生10組新 的個(gè)體作為新的群體；③變異算法采用二進(jìn)制變異，即根據(jù)變異概率隨機(jī)選擇個(gè)體，對(duì)已選擇個(gè)體的84 位中的1位再通過隨機(jī)選擇進(jìn)行變異，將其中的1位從“1”變成“0”或從“0”變成“1”，初 始變異概率Pm= 10% ；④設(shè)定故障診斷準(zhǔn)確度閾值f，并重復(fù)步驟①、②、③進(jìn)行選擇、交叉、變異得到新 的遺傳個(gè)體，新的遺傳個(gè)體的故障診斷準(zhǔn)確度η與閾值f相比連續(xù)3次的差別小于1 %，則 增大變異概率，每次增大5%，直至增大到30%，反之，如果新的遺傳個(gè)體的故障診斷準(zhǔn)確 度η與閾值f相比連續(xù)3次的差別大于10%，則減小變異概率，每次減小5%，直至減小到 5% ；直到新的遺傳個(gè)體的故障診斷準(zhǔn)確度η大于閾值f并故障診斷準(zhǔn)確度η連續(xù)3次相 等，或者已完成預(yù)定迭代次數(shù)，即結(jié)束遺傳算法，獲得84位二進(jìn)制編碼最優(yōu)個(gè)體；步驟4 將步驟3中由改進(jìn)遺傳算法所得到的最優(yōu)個(gè)體前42位反解碼為比值參數(shù) xl、χ2、χ3分別對(duì)應(yīng)的3個(gè)“Gaussmf ”函數(shù)的6個(gè)參數(shù)；步驟5 將步驟3中由改進(jìn)遺傳算法所得到的最優(yōu)個(gè)體后42位反解碼為故障編碼 值0、1、2分別對(duì)應(yīng)的3個(gè)“Gbellmf”函數(shù)的6個(gè)參數(shù)；步驟6 利用if-then的模糊邏輯推理方法，將改良IEC三比值法對(duì)應(yīng)的26種故 障編碼類型轉(zhuǎn)換成26條if-then規(guī)則，每條規(guī)則為8位；步驟7 引入模糊理論求解函數(shù)“evalfis”，輸入5種氣體體積的比值參數(shù)xl，x2 和x3，利用步驟4獲得的已有優(yōu)化比值參數(shù)的模糊隸屬度函數(shù)“Gaussmf”對(duì)比值參數(shù)的邊 界值0. 1、1、3進(jìn)行模糊編碼，通過求解函數(shù)“evalfis”，利用步驟5中獲得的已有優(yōu)化故障 編碼值的模糊隸屬度函數(shù)“Gbellmf”并應(yīng)用步驟6中的編碼規(guī)則，即可得到改良IEC三比 值法的故障類型編碼。改良IEC三比值法作為油浸電力設(shè)備中溶解特征氣體的分析方法，在油浸電力設(shè)備故障檢測(cè)領(lǐng)域的作用是巨大的。在油浸電力設(shè)備故障檢測(cè)領(lǐng)域，應(yīng)用本發(fā)明提出的聯(lián)合 模糊理論和改進(jìn)遺傳算法的油浸電力設(shè)備中溶解氣體的改良IEC三比值分析法，其優(yōu)越性 主要體現(xiàn)在(1)采用模糊理論對(duì)改良IEC三比值法的邊界值進(jìn)行了模糊化處理，解決了改良 IEC三比值法因編碼邊界條件過于絕對(duì)而故障診斷準(zhǔn)確性不高的問題，對(duì)改良IEC三比值 法診斷準(zhǔn)確度的提高有一定的作用。(2)采用if-then的模糊邏輯推理方法對(duì)故障編碼進(jìn)行模糊處理，通過模糊推理 得到故障診斷結(jié)果，模糊理論的應(yīng)用使故障診斷結(jié)果更加接近實(shí)際工作情況。(3)采用自適應(yīng)調(diào)整變異概率的遺傳算法修正經(jīng)驗(yàn)?zāi)：`屬度函數(shù)，以獲得模糊 隸屬度函數(shù)的最優(yōu)參數(shù)，對(duì)于模糊理論在改良IEC三比值法上的應(yīng)用奠定了很好的基礎(chǔ)。(4)針對(duì)隨機(jī)初始化種群帶來的初始種群過于分散導(dǎo)致進(jìn)化代數(shù)增多的現(xiàn)象，采 用給定部分種群以對(duì)初始進(jìn)行一定的約束，加快進(jìn)化的效率，對(duì)于故障診斷速度的提高有 積極的意義。


圖1是聯(lián)合模糊理論和改進(jìn)遺傳算法的油浸式電力設(shè)備故障診斷方法的流程圖；圖2是通過遺傳算法獲得模糊隸屬度函數(shù)最優(yōu)參數(shù)的流程圖；圖3是通過遺傳算法優(yōu)化的3個(gè)輸入比值參數(shù)對(duì)應(yīng)的“Gaussmf”模糊隸屬度圖；圖4是通過遺傳算法優(yōu)化的3個(gè)輸出故障編碼對(duì)應(yīng)的“Gbellmf”模糊隸屬度圖。
具體實(shí)施例方式以下結(jié)合附圖和技術(shù)方案的原理及發(fā)明給出的實(shí)施例，對(duì)本發(fā)明作進(jìn)一步的詳細(xì) 說明。(1)技術(shù)方案總體思路本發(fā)明解決的核心命題是通過應(yīng)用遺傳算法和模糊理論改進(jìn)改良IEC三比值法 的邊界條件和編碼，提高其故障診斷準(zhǔn)確度，進(jìn)一步提高油浸式電力設(shè)備故障診斷準(zhǔn)確度， 從而提高設(shè)備的運(yùn)行可靠性。本發(fā)明采用改良IEC三比值法，尤其是結(jié)合模糊理論和改進(jìn) 遺傳算法，對(duì)改良IEC三比值法氣體比值參數(shù)邊界和故障編碼進(jìn)行模糊處理，并通過模糊 推理得到故障診斷結(jié)果，從而①解決了 IEC三比值法因編碼邊界條件過于絕對(duì)而故障診 斷準(zhǔn)確性不高的問題，對(duì)IEC三比值法診斷準(zhǔn)確度的提高有一定的作用。②利用模糊隸屬 度函數(shù)，使故障診斷結(jié)果更加接近實(shí)際工作情況。③采用自適應(yīng)調(diào)整變異概率的遺傳算法 修正經(jīng)驗(yàn)?zāi)：`屬度函數(shù)，最大限度地發(fā)揮改良IEC三比值法診斷準(zhǔn)確度。(2)具體實(shí)施例本發(fā)明按照一般判斷油浸式電力設(shè)備故障的方法，利用模糊隸屬度函數(shù)以及模糊 理論來通過優(yōu)化改良IEC三比值法的邊界條件以及輸入比值參數(shù)，提高改良IEC三比值法 故障診斷準(zhǔn)確，而所使用的模糊邏輯模糊隸屬度函數(shù)的最優(yōu)參數(shù)通過本發(fā)明中所述的改進(jìn) 遺傳算法來獲得。聯(lián)合模糊理論和改進(jìn)遺傳算法的油浸式電力設(shè)備故障診斷方法，其具體 方法流程圖見圖1。該故障診斷方法實(shí)現(xiàn)了故障特征氣體比值邊界和故障編碼的模糊處理， 并通過模糊推理得到故障診斷結(jié)果，通過本發(fā)明方法與改良IEC三比值法比較表明，該方法可以有效地提高油浸式電力設(shè)備故障診斷的準(zhǔn)確度。應(yīng)用本發(fā)明，具體步驟如下步驟1 采集油浸式電力設(shè)備油中5種氣體的測(cè)試樣本，即H2、CH4、C2H6、C2H4、C2H25 種特征氣體。并獲取5種氣體體積含量的比值參數(shù)Xl = [C2H2]/[C2H4]、x2= [CH4]/[H2]、 x3= [C2H2]/[C2H6]。本發(fā)明首先對(duì)具有吊芯結(jié)果的114組實(shí)驗(yàn)數(shù)據(jù)，表1給出了其中10組， 應(yīng)用改良三比值法進(jìn)行故障診斷，診斷準(zhǔn)確度為76. 4%。表110組吊芯結(jié)果實(shí)驗(yàn)數(shù)據(jù) 步驟2 —般情況下，由于油浸式電力設(shè)備發(fā)生故障時(shí)，往往不止發(fā)生一種故障， 即便只發(fā)生一種故障，其故障特征氣體成分的含量比也不是每次都按照故障氣體的產(chǎn)氣比 例發(fā)生，如果單一的按照IEC三比值法的明確邊界劃分方式將其結(jié)果劃分，易將故障歸錯(cuò) 類型。針對(duì)該不足，本發(fā)明對(duì)改良IEC三比值法輸入比值參數(shù)的邊界條件(如0. 1、1、3)，選 擇“Gaussmf ”函數(shù)對(duì)其進(jìn)行模糊化改良，以獲得模糊化的邊界條件，并將“Gaussmf ”函數(shù)作 為輸入比值參數(shù)(xl、x2、x3)的模糊隸屬度函數(shù)；針對(duì)改良選IEC三比值法輸出故障編碼 值(如0、1、2)，選擇“Gbellmf”函數(shù)對(duì)其進(jìn)行模糊化改良，以獲得更加準(zhǔn)確的識(shí)別編碼，并 將“Gbellmf”函數(shù)作為輸出識(shí)別結(jié)果(如0、1、2)的模糊隸屬度函數(shù)。在模糊隸屬度參數(shù) 的選擇上，一般是采用經(jīng)驗(yàn)來選擇參數(shù)的大小，這樣雖可以獲得比較好參數(shù)，但是很難能夠 獲得最優(yōu)的模糊隸屬函數(shù)的參數(shù)值。因而本發(fā)明利用改進(jìn)型的遺傳算法來獲取模糊隸屬度 函數(shù)的最優(yōu)參數(shù)。具體思想過程如圖2所示?！癎aussmf”函數(shù)和“Gbellmf”函數(shù)的參數(shù)采 用改進(jìn)型遺傳算法分別獲取最優(yōu)值的具體過程如步驟3。步驟3 對(duì)傳統(tǒng)遺傳算法進(jìn)行改進(jìn)，并利用改進(jìn)型遺傳算法對(duì)模糊隸屬度函數(shù)“Gaussmf ”和“Gbellmf ”的參數(shù)進(jìn)行優(yōu)化，獲取“Gaussmf ”函數(shù)的最優(yōu)參數(shù)和“Gbellmf ”函 數(shù)的最優(yōu)參數(shù)。為了解決傳統(tǒng)遺傳算法由于變異概率固定而容易造成子代進(jìn)化時(shí)容易得到局部 極值而結(jié)束算法的缺點(diǎn)，本發(fā)明對(duì)傳統(tǒng)的遺傳算法進(jìn)行了改進(jìn)，采用自適應(yīng)調(diào)整變異概率 的方法，以獲得更好的模糊隸屬度函數(shù)的參數(shù)。針對(duì)隨機(jī)初始化種群容易帶來初始種群過 于分散進(jìn)而導(dǎo)致進(jìn)化代數(shù)增多的現(xiàn)象，采用給定部分優(yōu)質(zhì)種群以對(duì)初始進(jìn)行一定的約束， 加快進(jìn)化的效率。改進(jìn)后的遺傳算法的描述如下1)選擇二進(jìn)制編碼策略，把“Gaussmf”函數(shù)的原始參數(shù)(a，b) ,“Gbellmf”函數(shù) 的原始參數(shù)(c，d，e)分別轉(zhuǎn)換為位串結(jié)構(gòu)編碼(如將“Gaussmf ”函數(shù)參數(shù)a = 2乘以10 后，轉(zhuǎn)換成二進(jìn)制編碼0010100)。具體方法為將2、0. 5兩個(gè)參數(shù)分別乘以10、100，變成 20、50，然后轉(zhuǎn)換成7位二進(jìn)制編碼，分別為0010100、0110010，相應(yīng)的措施也同樣應(yīng)用于 “Gbellmf”函數(shù)的原始參數(shù)(c，d，e)，所乘數(shù)為1，10，100，原則上要求乘完后的結(jié)果不超過 127，即能被7位二進(jìn)制碼表示但又不能小于0000001即可；2)產(chǎn)生初始群體為10組群體中每組父代群體為84位二進(jìn)制編碼，父代群 體中每個(gè)個(gè)體由12個(gè)參數(shù)對(duì)應(yīng)的二進(jìn)制編碼組成，其中12個(gè)參數(shù)為模糊隸屬度函數(shù) “Gaussmf”有 2 個(gè)參數(shù) a、b (如 a = 2、b = 0. 5)，比值參數(shù) xl、x2、x3 分別對(duì)應(yīng) 3 個(gè)“Gaussmf” 函數(shù)共有6個(gè)參數(shù)；模糊隸屬度函數(shù)“Gbellmf”有3個(gè)參數(shù)c、d、e (如0. 5、20、1)，其中最 后一位e = 1為固定值，不需要優(yōu)化，故障編碼值0、1、2分別對(duì)應(yīng)3個(gè)“Gbellmf”函數(shù)共 有6個(gè)參數(shù)；對(duì)于每個(gè)“Gaussmf”函數(shù)參數(shù)，將2、0. 5兩個(gè)參數(shù)分別乘以10、100，變成20、 50，然后轉(zhuǎn)換成7位二進(jìn)制編碼，分別為0010100,0110010 ；對(duì)每個(gè)“Gbellmf ”，將0. 5、20 分別乘以100、1后，進(jìn)行7位二進(jìn)制編碼，分別為0. 5*100 = 50 = 0110010,20*1 = 20 = 0010100。因此，兩個(gè)模糊隸屬度函數(shù)共有12個(gè)參數(shù)，每個(gè)參數(shù)有7位二進(jìn)制編碼，將他們 合并后得到一組84位二進(jìn)制編碼，該84位編碼即為一組父代個(gè)體。第二組父代個(gè)體可通 過改變“Gaussmf”和“Gbellmf”的參數(shù)獲得，如將前述2、0. 5以及0. 5,20分別采用模糊理 論修改為1. 8,0. 6和0. 4、18，再按照與上述相同的方法獲得第二組父代84位二進(jìn)制編碼； 同時(shí)，對(duì)傳統(tǒng)遺傳算法隨機(jī)產(chǎn)生初始群體的方法進(jìn)行了改進(jìn)采用提前預(yù)設(shè)5組優(yōu)質(zhì)個(gè)體、 隨機(jī)產(chǎn)生5組個(gè)體組合生成10組初始父代群體的群體產(chǎn)生方法，預(yù)設(shè)的5組個(gè)體為實(shí)驗(yàn)驗(yàn) 證相對(duì)比較優(yōu)質(zhì)的個(gè)體，可以減少遺傳迭代次數(shù)，并有利于獲得最優(yōu)后代群體，本發(fā)明所應(yīng) 用的5組優(yōu)質(zhì)個(gè)體如下pop(l, ) =
；pop (3，) =
；pop(5， ) =
；pop (7，) =
；pop (9，) =
；
其中pop (η, )，η代表個(gè)體的代碼，例如pop (1，)代表第一組個(gè)體，如上所示，5 組個(gè)體分別為1，3，5，7，9。3)確定遺傳策略，包括依次采用選擇、交叉、變異方法，以及確定交叉概率pc、變 異概率pm等遺傳參數(shù)，具體的遺傳算法如下①選擇算法采用輪盤賭方法；根據(jù)初始群體的個(gè)體故障診斷準(zhǔn)確度按比例轉(zhuǎn)化為 選中概率，將10組初始群體分別編碼為1 10，分布在輪盤的10個(gè)扇區(qū)，相當(dāng)于轉(zhuǎn)動(dòng)10次 輪盤，獲得10次轉(zhuǎn)盤停止時(shí)指針位置，得到10個(gè)W，l]之間的隨機(jī)數(shù)，指針停止在某一扇 區(qū)，該區(qū)所代表的個(gè)體即被選中，10次選擇中都未被選中的個(gè)體將被剔除，其位置將被多次 選中的個(gè)體替代；表2所示為本發(fā)明初始化的10個(gè)個(gè)體及其被選擇概率。采用輪盤賭方 式的選擇之后，個(gè)體8、10將被個(gè)體3、9替代，即群體中的8、10個(gè)體不復(fù)存在，3、9各被復(fù) 制一次，這個(gè)過程稱為再生。在此過程中，優(yōu)質(zhì)個(gè)體的被選中的概率明顯大于隨機(jī)產(chǎn)生的個(gè) 體，即其適應(yīng)度高于一般個(gè)體。按照該方法，經(jīng)過多次輪盤賭選擇之后，由于被選中概率大 (適應(yīng)度高)的個(gè)體將會(huì)被不斷復(fù)制，而被選中概率小的個(gè)體將被不斷淘汰，因此種群中的 個(gè)體適應(yīng)度將會(huì)越來越高。表2采用輪盤賭方法時(shí)個(gè)體被選中概率表 ②交叉是遺傳算法中重要的一個(gè)環(huán)節(jié)，在生物學(xué)上稱為雜交。通過任意挑選種群 中的兩個(gè)個(gè)體(父?jìng)€(gè)體)作為交叉對(duì)象，任意確定個(gè)體編碼中的一點(diǎn)作為交叉位置，兩個(gè)個(gè) 體在交叉位置以右的基因互換，形成兩個(gè)子個(gè)體。本發(fā)明中的交叉算法采用多點(diǎn)多位的交叉方法，交叉概率pc = 60%，具體交叉法為以交叉概率pc任意選擇A，B兩組個(gè)體，并將 每個(gè)個(gè)體的84位二進(jìn)制編碼按照30 I 54位分開，A，B兩組個(gè)體的前30位互相交換，產(chǎn)生新 的兩組個(gè)體A’和B’ ；按照此方法，交叉產(chǎn)生10組新的個(gè)體作為新的群體。例如，提取初始 化時(shí)產(chǎn)生的1、7號(hào)兩個(gè)父?jìng)€(gè)體pop(l, ) =
pop (7, ) =
將兩個(gè)父?jìng)€(gè)體“ I I，，前后的個(gè)體互換，生成兩個(gè)新的子個(gè)體pop，(1，)=
pop，(7, ) =
③如果只有選擇和交叉算法，隨著進(jìn)化代數(shù)的增加，種群中優(yōu)秀的個(gè)體不斷被復(fù) 制，近親繁殖現(xiàn)象嚴(yán)重，會(huì)使群體中較好個(gè)體充斥整個(gè)群體，出現(xiàn)“早熟”現(xiàn)象，由此得到的 個(gè)體并不一定是最優(yōu)秀的個(gè)體。為了解決“早熟”這一問題，采用自然界中變異的方法，對(duì) 少數(shù)父代個(gè)體進(jìn)行變異，生成新的子個(gè)體。本發(fā)明中，變異算法采用二進(jìn)制變異，即根據(jù)變 異概率隨機(jī)選擇個(gè)體，對(duì)已選擇個(gè)體的84位中的1位再通過隨機(jī)選擇進(jìn)行變異，將其中的 1位從“1”變成“0”或從“0”變成“1”，初始變異概率Pm= 10%。具體方法如下取1號(hào)個(gè)體pop(l, ) =
對(duì)“ 1，，為進(jìn)行變異，即采取翻轉(zhuǎn)操作，從“ 1，，變?yōu)椤?”后得到新的子個(gè)體pop(l, ) =
④設(shè)定故障診斷準(zhǔn)確度閾值f，并重復(fù)步驟①、②、③進(jìn)行選擇、交叉、變異得到新 的遺傳個(gè)體，新的遺傳個(gè)體的故障診斷準(zhǔn)確度η與閾值f相比連續(xù)3次的差別小于1%，則 增大變異概率，每次增大5%，直至增大到30%，反之，如果新的遺傳個(gè)體的故障診斷準(zhǔn)確 度η與閾值f相比連續(xù)3次的差別大于10 %，則減小變異概率，每次減小5%，直至減小到 5% ；直到新的遺傳個(gè)體的故障診斷準(zhǔn)確度η大于閾值f并故障診斷準(zhǔn)確度η連續(xù)3次相 等，或者已完成預(yù)定迭代次數(shù)，即結(jié)束遺傳算法，獲得84位二進(jìn)制編碼最優(yōu)個(gè)體；由于在未 使用遺傳算法和模糊理論之前，對(duì)具有吊芯結(jié)果的114組實(shí)驗(yàn)數(shù)據(jù)應(yīng)用改良三比值法進(jìn)行 故障診斷的診斷準(zhǔn)確度為76. 4%，因此本發(fā)明中起初設(shè)定閾值f = 80%。通過上述遺傳算 法的優(yōu)化，通過重復(fù)步驟①、②、③進(jìn)行選擇、交叉、變異的方法，將產(chǎn)生的個(gè)體通過114組 數(shù)據(jù)檢驗(yàn)，最終得到一個(gè)故障診斷準(zhǔn)確度最高的個(gè)體，并對(duì)該準(zhǔn)確度最高的個(gè)體進(jìn)行解碼， 將其所對(duì)應(yīng)的故障診斷準(zhǔn)確度求出。步驟4 將步驟3中由改進(jìn)遺傳算法所得到的最優(yōu)個(gè)體前42位反解碼為比值參數(shù) xl、x2、x3分別對(duì)應(yīng)的3個(gè)“Gaussmf”函數(shù)的6個(gè)參數(shù)。并將這3個(gè)“Gaussmf”函數(shù)分別 應(yīng)用于改良IEC三比值法的3個(gè)輸入比值參數(shù)xl，x2, x3，針對(duì)3個(gè)輸入比值參數(shù)對(duì)應(yīng)的“Gaussmf”模糊隸屬度圖如圖3所示，圖中縱坐標(biāo)都代表隸屬度，它的取值范圍為0 1之 間，橫坐標(biāo)為輸入比值參數(shù)值的值；圖3(a)為針對(duì)輸入比值參數(shù)Xl = [C2H2]/[C2H4]的模 糊隸屬度圖，圖3(b)為針對(duì)輸入比值參數(shù)x2= [CH4]/[H2]的模糊隸屬度圖，3 (c)為針對(duì) 輸入比值參數(shù)x3 = [C2H2]/[C2H6]的模糊隸屬度圖；步驟5 將步驟3中由改進(jìn)遺傳算法所得到的最優(yōu)個(gè)體后42位反解碼為故障編碼 值0、1、2分別對(duì)應(yīng)的3個(gè)“Gbellmf”函數(shù)的6個(gè)參數(shù)；并將這3個(gè)“Gbellmf”函數(shù)分別應(yīng) 用于改良IEC三比值法的3個(gè)輸出故障類型編碼，針對(duì)3個(gè)輸出故障編碼對(duì)應(yīng)的“Gbellmf” 模糊隸屬度圖如圖4所示，圖中縱坐標(biāo)都代表隸屬度，它的取值范圍為0 1之間，橫坐標(biāo) 對(duì)應(yīng)輸出故障類型編碼的值，由于本發(fā)明在if-then規(guī)則中對(duì)于每個(gè)輸出故障類型編碼都 加了 1，因此，對(duì)于圖4中4(a)，4(b)，4(c)來說，曲線對(duì)應(yīng)的橫坐標(biāo)在故障類型輸出判斷之 前都需要減去1 ；圖4(a)為針對(duì)第一個(gè)故障編碼的模糊隸屬度圖，圖4(b)為針對(duì)第二個(gè)故 障編碼的模糊隸屬度圖，4(c)為針對(duì)第三個(gè)故障編碼的模糊隸屬度圖；步驟6 利用if-then的模糊邏輯推理方法，將改良IEC三比值法對(duì)應(yīng)的26種故 障編碼類型轉(zhuǎn)換成26條if-then規(guī)則，每條規(guī)則為8位，改良IEC三比值法的編碼規(guī)則表 如表3所示；表3改良IEC三比值法的編碼規(guī)則表 注*表示比值在該故障類型識(shí)別中不重要。采用模糊邏輯的模糊推理方法，得到故障診斷結(jié)果。模糊規(guī)則如下rulelist = [12211211 ；13113111 ；13213211 ；11312311 ；12311311 ；13313311 ； 11112111 ；12111111 ；23123111 ；23223211 ；23323311 ；22121111 ；22221211 ；22321311 ； 21122111 ；21222211 ；21322311 ；33133111 ；33233211 ；33333311 ；31132111 ；31232211 ； 31332311 ；32131111 ；32231211 ；32331311]在規(guī)則中，對(duì)于編碼[12211211]，前3位數(shù)的值(1，2，3)表示輸入特征氣體比值 的輸入范圍。如對(duì)于[C2H2]/[C2H4]來說，1表示該比值小于0. 1，2表示該比值大于等于0. 1 且小于3，3表示該比值大于等于3。為了便于進(jìn)行MATLAB處理，將輸出編碼的位值加1，在 模糊推理出故障類型編碼后，故障類型編碼位置再減1。如對(duì)第1條模糊規(guī)則12211211，前 3位數(shù)122為輸入編碼，接下來的3位數(shù)112，實(shí)際值應(yīng)為001，倒數(shù)第2位表示是否應(yīng)用規(guī) 則，如果應(yīng)用規(guī)則，則為1，否則為0，最后1位為規(guī)則采用的運(yùn)算類型，1表示用and運(yùn)算，2 表示用or運(yùn)算。例如“士€([〇2!12]/[〇2!14]土8小于0. 1) and([CH4]/[H2] is大于等于0. 1且 小于 l)and([C2H2]/[C2H6]is 大于等于 1 且小于 3)then(Cl is 0) (C2 is 0) (C3 is 1)，，。步驟7 引入模糊理論求解函數(shù)“evalfis”，輸入5種氣體體積的比值參數(shù)xl，x2 和x3，利用步驟4獲得的已有優(yōu)化比值參數(shù)的模糊隸屬度函數(shù)“Gaussmf”對(duì)比值參數(shù)的邊 界值0. 1、1、3進(jìn)行模糊編碼，通過求解函數(shù)“evalfis”，利用步驟5中獲得的已有優(yōu)化故 障編碼值的模糊隸屬度函數(shù)“Gbellmf”并應(yīng)用步驟6中的編碼規(guī)則，即可得到改良IEC三 比值法的故障類型編碼。本發(fā)明通過遺傳算法對(duì)模糊隸屬度函數(shù)參數(shù)的優(yōu)化，故障診斷準(zhǔn) 確度有了進(jìn)一步提高，本發(fā)明最終的最優(yōu)個(gè)體通過吊芯結(jié)果的檢驗(yàn)，其故障診斷準(zhǔn)確度為 85. 1%。比改良IEC三比值法提高了 8. 7個(gè)百分點(diǎn)。
權(quán)利要求
一種聯(lián)合模糊理論和改進(jìn)遺傳算法的油浸式電力設(shè)備故障診斷方法，針對(duì)目前常用的改良IEC三比值法，通過聯(lián)合模糊理論和改進(jìn)遺傳算法模糊處理其氣體比值邊界和故障編碼，并通過模糊推理得到故障診斷結(jié)果，其特征在于，具體步驟如下步驟1采集油浸式電力設(shè)備油中5種氣體的測(cè)試樣本，即H2、CH4、C2H6、C2H4、C2H25種特征氣體，并獲取5種氣體體積含量的比值參數(shù)x1＝[C2H2]/[C2H4]、x2＝[CH4]/[H2]、x3＝[C2H2]/[C2H6]；步驟2針對(duì)改良IEC三比值法的比值參數(shù)的邊界值0.1、1、3，選擇“Gaussmf”函數(shù)對(duì)其進(jìn)行模糊化改良，以獲得模糊化的邊界，并將“Gaussmf”函數(shù)作為比值參數(shù)x1、x2、x3的模糊隸屬度函數(shù)；針對(duì)改良IEC三比值法的故障編碼值0、1、2，選擇“Gbellmf”函數(shù)對(duì)其進(jìn)行模糊化改良，以獲得更加準(zhǔn)確的識(shí)別編碼，并將“Gbellmf”函數(shù)作為故障編碼值0、1、2的模糊隸屬度函數(shù)；“Gaussmf”函數(shù)和“Gbellmf”函數(shù)的參數(shù)采用改進(jìn)型遺傳算法分別獲取最優(yōu)值，具體過程如步驟3；步驟3對(duì)傳統(tǒng)遺傳算法進(jìn)行改進(jìn)，并利用改進(jìn)型遺傳算法對(duì)模糊隸屬度函數(shù)“Gaussmf”和“Gbellmf”的參數(shù)進(jìn)行優(yōu)化，獲取“Gaussmf”函數(shù)的最優(yōu)參數(shù)和“Gbellmf”函數(shù)的最優(yōu)參數(shù)，具體實(shí)現(xiàn)過程如下1)選擇二進(jìn)制編碼策略，把“Gaussmf”函數(shù)的原始參數(shù)(a，b)，“Gbellmf”函數(shù)的原始參數(shù)(c，d，e)分別轉(zhuǎn)換為位串結(jié)構(gòu)編碼；2)產(chǎn)生初始群體為10組群體中每組父代群體為84位二進(jìn)制編碼，父代群體由12個(gè)參數(shù)對(duì)應(yīng)的二進(jìn)制編碼組成，其中12個(gè)參數(shù)為模糊隸屬度函數(shù)“Gaussmf”有2個(gè)參數(shù)a、b，比值參數(shù)x1、x2、x3分別對(duì)應(yīng)3個(gè)“Gaussmf”函數(shù)共有6個(gè)參數(shù)；模糊隸屬度函數(shù)“Gbellmf”有3個(gè)參數(shù)c、d、e，其中e＝1為固定值，不需要優(yōu)化，故障編碼值0、1、2分別對(duì)應(yīng)3個(gè)“Gbellmf”函數(shù)共有6個(gè)參數(shù)；同時(shí)，對(duì)傳統(tǒng)遺傳算法隨機(jī)產(chǎn)生初始群體的方法進(jìn)行了改進(jìn)采用提前通過預(yù)設(shè)5組優(yōu)質(zhì)個(gè)體、隨機(jī)產(chǎn)生5組個(gè)體組合生成10組初始父代群體的群體產(chǎn)生方法；3)確定遺傳策略，包括依次采用選擇、交叉、變異方法，以及確定交叉概率pc、變異概率pm等遺傳參數(shù)，具體的遺傳算法如下①選擇算法采用輪盤賭方法；根據(jù)初始群體的個(gè)體故障診斷準(zhǔn)確度按比例轉(zhuǎn)化為選中概率，將10組初始群體分別編碼為1～10，分布在輪盤的10個(gè)扇區(qū)，相當(dāng)于轉(zhuǎn)動(dòng)10次輪盤，獲得10次轉(zhuǎn)盤停止時(shí)指針位置，得到10個(gè)
之間的隨機(jī)數(shù)，指針停止在某一扇區(qū)，該區(qū)所代表的個(gè)體即被選中，10次選擇中都未被選中的個(gè)體將被剔除，其位置將被多次選中的個(gè)體替代；②交叉算法采用多點(diǎn)多位的交叉方法，交叉概率pc＝60％，具體交叉法為以交叉概率pc任意選擇A，B兩組個(gè)體，并將每個(gè)個(gè)體的84位二進(jìn)制編碼按照30|54位分開，A，B兩組個(gè)體的前30位互相交換，產(chǎn)生新的兩組個(gè)體A’和B’；按照此方法，交叉產(chǎn)生10組新的個(gè)體作為新的群體；③變異算法采用二進(jìn)制變異，即根據(jù)變異概率隨機(jī)選擇個(gè)體，對(duì)已選擇個(gè)體的84位中的1位再通過隨機(jī)選擇進(jìn)行變異，將其中的1位從“1”變成“0”或從“0”變成“1”，初始變異概率pm＝10％；④設(shè)定故障診斷準(zhǔn)確度閾值f，并重復(fù)步驟①、②、③進(jìn)行選擇、交叉、變異得到新的遺傳個(gè)體，新的遺傳個(gè)體的故障診斷準(zhǔn)確度n與閾值f相比連續(xù)3次的差別小于1％，則增大變異概率，每次增大5％，直至增大到30％，反之，如果新的遺傳個(gè)體的故障診斷準(zhǔn)確度n與閾值f相比連續(xù)3次的差別大于10％，則減小變異概率，每次減小5％，直至減小到5％；直到新的遺傳個(gè)體的故障診斷準(zhǔn)確度n大于閾值f并故障診斷準(zhǔn)確度n連續(xù)3次相等，或者已完成預(yù)定迭代次數(shù)，即結(jié)束遺傳算法，獲得84位二進(jìn)制編碼最優(yōu)個(gè)體；步驟4將步驟3中由改進(jìn)遺傳算法所得到的最優(yōu)個(gè)體前42位反解碼為比值參數(shù)x1、x2、x3分別對(duì)應(yīng)的3個(gè)“Gaussmf”函數(shù)的6個(gè)參數(shù)；步驟5將步驟3中由改進(jìn)遺傳算法所得到的最優(yōu)個(gè)體后42位反解碼為故障編碼值0、1、2分別對(duì)應(yīng)的3個(gè)“Gbellmf”函數(shù)的6個(gè)參數(shù)；步驟6利用if then的模糊邏輯推理方法，將改良IEC三比值法對(duì)應(yīng)的26種故障編碼類型轉(zhuǎn)換成26條if then規(guī)則，每條規(guī)則為8位；步驟7引入模糊理論求解函數(shù)“evalfis”，輸入5種氣體體積的比值參數(shù)x1，x2和x3，利用步驟4獲得的已有優(yōu)化比值參數(shù)的模糊隸屬度函數(shù)“Gaussmf”對(duì)比值參數(shù)的邊界值0.1、1、3進(jìn)行模糊編碼，通過求解函數(shù)“evalfis”，利用步驟5中獲得的已有優(yōu)化故障編碼值的模糊隸屬度函數(shù)“Gbellmf”并應(yīng)用步驟6中的編碼規(guī)則，即可得到改良IEC三比值法的故障類型編碼。
全文摘要
本發(fā)明屬于油浸式電力設(shè)備故障診斷方法領(lǐng)域，公開一種聯(lián)合模糊理論和改進(jìn)遺傳算法的油浸式電力設(shè)備故障診斷方法。該方法針對(duì)目前常用的改良IEC三比值法，通過聯(lián)合模糊理論和改進(jìn)遺傳算法模糊處理其氣體比值邊界和故障編碼，并通過模糊推理得到故障診斷結(jié)果。采用模糊理論對(duì)改良IEC三比值法的邊界值進(jìn)行了模糊化處理，解決了改良IEC三比值法因編碼邊界條件過于絕對(duì)而故障診斷準(zhǔn)確性不高的問題，對(duì)改良IEC三比值法診斷準(zhǔn)確度的提高有一定的作用。采用自適應(yīng)調(diào)整變異概率的遺傳算法修正經(jīng)驗(yàn)?zāi)：`屬度函數(shù)，以獲得模糊隸屬度函數(shù)的最優(yōu)參數(shù)，對(duì)于模糊理論在改良IEC三比值法上的應(yīng)用奠定了很好的基礎(chǔ)。
文檔編號(hào)G01R31/00GK101907665SQ20101022912
公開日2010年12月8日 申請(qǐng)日期2010年7月16日 優(yōu)先權(quán)日2010年7月16日
發(fā)明者劉朝偉, 吳洪艷, 周姝昱, 王小華, 白凡, 榮命哲, 龔東武 申請(qǐng)人:西安交通大學(xué);許繼集團(tuán)有限公司;河南邦泰合力管理咨詢有限公司