基于小生境遗传算法的变压器油色谱故障诊断方法
【技术领域】
[0001] 本发明属于智能电网在线监测方法技术领域，具体涉及一种基于小生境遗传算法 的变压器油色谱故障诊断方法。
【背景技术】
[0002] 变压器在电网中扮演着不可或缺的角色，是能量转换、传输的核心，同时也是电网 安全第一道防御系统中的关键枢纽设备。变压器故障不仅会带来经济上的损失，还可能会 造成大停电给人们带来恐慌与不便，所以对变压器进行故障诊断是发展智能电网的需要。
[0003] 现有的变压器故障诊断方法很多，其中油中溶解气体分析的研究尤为重要。其涉 及各种人工智能算法，如:BP神经网络为变压器的故障诊断问题提供了一种比较好的结构 体系，但存在着训练收敛速度慢、容易陷入局部极小点的缺点。专家系统能够有效地模拟故 障诊断人类专家来完成故障诊断过程，但也存在着知识获取困难、不确定性推理以及自学 习困难等许多技术问题。
[0004] 模糊控制能够用精确的数学工具将模糊的概念或自然语言清晰化，从而对故障现 象能够合理的加以量化等，但由于隶属函数和模糊规则的确定过程存在一定的人为因素， 缺乏令人信服的客观依据。
【发明内容】
[0005] 本发明的目的在于提供一种基于小生境遗传算法的变压器油色谱故障诊断方 法，采用小生境遗传算法分析故障油中气体特征信号，建立油色谱特征参数与故障类型的 对应关系，实现变压运行故障的判别，具有高效、快速及自适应学习能力强的特点。
[0006] 本发明所采用的技术方案，基于小生境遗传算法的变压器油色谱故障诊断方法， 具体按照以下步骤实施：
[0007] 步骤1、先针对具体问题对故障集选择合适的编码并输入数据产生初始种群，然后 计算个体适应度，最后按照适应度大小将种群中的个体重新排队；
[0008] 步骤2、对经步骤1形成的初始种群进行选择、交叉、变异操作；
[0009] 步骤3、经步骤2后，对种群进行小生境淘汰操作，重新计算适应度最终选择适应度 最大的染色体，即获得了故障类型的组合，完成基于小环境遗传算法的变压器油色谱故障 诊断。
[0010] 本发明的特点还在于：
[0011] 步骤1具体按照以下步骤实施：
[0012] 步骤1.1、根据故障诊断问题的因果模型，确定变压器故障诊断的征兆集和故障 集，其中征兆集用m表示，故障集用a表示；
[0013]变压器的故障征兆主要有12种：
[0014] 征兆编号:mi，对应的征兆类型为:总烃高；
[0015] 征兆编号:m2，对应的征兆类型为:总烃低；
[0016] 征兆编号:m3,对应的征兆类型为:H2<27% ;
[0017] 征兆编号:m4,对应的征兆类型为:27%<H2<90% ;
[0018] 征兆编号:m5,对应的征兆类型为:H2>100yL/L;
[0019] 征兆编号:m6，对应的征兆类型为:CH4>75% ;
[0020] 征兆编号:m7,对应的征兆类型为:C2H2<2% ;
[0021] 征兆编号:m8,对应的征兆类型为:2%<C2H 2<5.5%;
[0022] 征兆编号:m9,对应的征兆类型为:5.5%<C2H 2<18%;
[0023] 征兆编号:m1Q，对应的征兆类型为：18% <C2H2<65% ;
[0024] 征兆编号:mn，对应的征兆类型为:CH4>C2H4;
[0025] 征兆编号:m12,对应的征兆类型为:CH4<C2H4;
[0026] 变压器故障主要分为5种，分别如下：
[0027] 一般过热m，其表现形式为:温度低于500°C ;
[0028] 严重过热&2，其表现形式为:温度高于500 °C ;
[0029] 局部放电a3;
[0030] 火花放电a4;
[0031] 电弧放电a5;
[0032] 采用二进制编码方法，将染色体长度定为5(a5a4a3a2ai)，每一位中1表示故障发生， 〇表示故障未发生；
[0033] 步骤1.2、输入故障信号总烃以及出、014、(：2!16、(： 2!14、(：2!12这五种特征气体含量，并随 机产生初始种群。
[0034]步骤2具体按照以下步骤实施：
[0035]步骤2.1、按照适应度大小将初始种群中的个体重新排队，选择m个适应度大的个 体作为父代；
[0038] 在上式中，X、Y表示个体，N、M表示种群规模，SN SM表示种群空间；
[0039] 步骤2.2、经步骤2.1后，对当前种群进行交叉操作；
[0040] 步骤2.3、经步骤2.2后，对当前种群进行变异操作。
[0041 ]步骤2.2具体按照以下方法实施：
[0042]以交叉概率从当前群体中选出若干个体，对于选中的每一对个体，随机的选择同 一整数n，将双亲的基因码链在此位置相互交换，交叉概率具体按照如算法获得：
[0044] 在式中，pm为交叉概率，fmax为种群最大适应度，F为种群平均适应度，f为两个交叉 个体中适应度较大的一个，k 2、k4均为可调参数。
[0045] 步骤2.3具体按照以下方法实施：
[0046] 以变异概率从当前群体中随机选取若干个体，对于选中的个体，随机选取某一位 进行取反运算，即由1-0或由0-1，变异模拟生物进化过程中基因突变现象，得到新一代的 种群，即子代，具体算法如下：
[0048] 式中，Z表示子代个体，N表示种群规模；
[0049] 而变异概率按照如下方式计算获得：
[0051 ]在式中，p。为变异概率，fmax为种群最大适应度，F为种群平均适应度，f '为变异个 体的适应度，lu、k3为可调参数。
[0052]步骤3具体按照以下步骤实施：
[0053]步骤3.1、两个码字的对应比特取值不同的比特数，也就是说在一个有效编码集 中，任意两个码字的海明距离的最小值称为该编码集的海明距离；
[0054]计算m+n个的父代和子代个体的海明距离；
[0056] 其中，i = l，2,3. · ·，（M+N-l)，j = i+l，i+2, · · ·，（M+N);
[0057] 对于I |Xi-Xj I I =R的两个个体中比较适应度大小，将适应度小的个体给出一个罚 函数，将其作为新适应度与原适用度的比值，其中R为任意提前设定值；
[0058]步骤3.2、按照新适应度从大到小排序，以前若干个个体为下一代种群；
[0061 ] 在上式中，X(k+l)、Y(k+l)表示下一代种群的个体；
[0062]最终选择适应度最大的染色体，即获得了故障类型的组合，完成基于小环境遗传 算法的变压器油色谱故障诊断。
[0063]本发明的有益效果在于：
[0064] (1)本发明基于小生境遗传算法的变压器油色谱故障诊断方法，采用小生境遗传 算法分析故障油中气体特征信号，建立油色谱特征参数与故障类型的对应关系，实现变压 运行故障的判别。
[0065] (2)与现有方法相比，本发明基于小生境遗传算法的变压器油色谱故障诊断方法， 具有良好的自适应学习能力，诊断速度快、准确率高，可作为变压器故障实时诊断系统;基 于求解过程中群体中个体的多样性，避免了陷入局部最大，能够快速诊断出变压器的运行 状况，同时能够使网络有效收敛、大大提高网络的收敛速度和泛化能力。
【附图说明】
[0066] 图1是本发明基于小生境遗传算法的变压器油色谱故障诊断方法中涉及的故障诊 断系统的结构示意图；
[0067] 图2是本发明基于小生境遗传算法的变压器油色谱故障诊断方法中涉及的故障诊 断问题的因果模型示意图。
【具体实施方式】
[0068] 下面结合附图和【具体实施方式】对本发明进行详细说明。
[0069] 本发明基于小生境遗传算法的变压器油色谱故障诊断方法，如图1所示，具体按照 以下步骤实施：
[0070] 步骤1、先针对具体问题对故障集选择合适的编码并输入数据产生初始种群，然后 计算个体适应度，最后按照适应度大小将种群中的个体重新排队，具体按照以下步骤实施：
[0071] 步骤1.1、如图1所示，根据故障诊断问题的因果模型，确定变压器故障诊断的征 兆集和故障集，其中征兆集用m表示，故障集用a表示；
[0072]变压器的故障征兆主要有12种，如表1所示：
[0073]表 1
[0075]变压器故障主要分为5种，分别如下：
[0076] 一般过热m，其表现形式为:温度低于500 °C ;
[0077] 严重过热&2，其表现形式为:温度高于500°C ;
[0078] 局部放电a3;
[0079] 火花放电a4;
[0080] 电弧放电a5;
[0081] 采用二进制编码方法，将染色体长度定为5(a5a4a3a2ai)，每一位中1表示故障发生， 0表不故障未发生，如：10001表不故障为电弧放电和一般过热。
[0082] 步骤1.2、输入故障信号总烃以及H2、CH4、C2H 6、C2H4、C2H2这五种特征气体含量，并随 机产生初始种群。
[0083] 步骤2、对经步骤1形成的初始种群进行选择、交叉、变异操作，其目的在于:提高种 群平均适应度和防止过早收敛而产生局部最优解，具体按照以下步骤实施：
[0084] 步骤2.1、按照适应度大小将初始种群中的个体重新排队，选择m个适应度大的个 体作为父代；
[0087] 在上式中，X、Y表示个体，N、M表示种群规模，SN SM表示种群空间；
[0088] 步骤2.2、经步骤2