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