1、1392023 年第 5 期梁荣波等：基于 BSA 与 BP 神经网络的矿用变压器故障诊断梁荣波等：基于 BSA 与 BP 神经网络的矿用变压器故障诊断基于 BSA 与 BP 神经网络的矿用变压器故障诊断梁荣波 于 灏 李军霖（山东钢铁集团日照有限公司焦化厂，山东 日照 276800）摘 要 针对矿用变压器故障问题，提出了一种基于鸟群与 BP 神经网络算法的矿用变压器故障诊断方法。利用鸟群算法对 BP 神经网络进行优化，利用传统的粒子群算法和此算法分别对 BP 神经网络进行优化，并对矿用变压器诊断结果进行对比，有效地解决了 BP 神经网络训练时间长且易陷入局部最优的缺陷。关键词 矿用变压器；神
2、经网络；故障诊断中图分类号 TM407 文献标识码 A doi:10.3969/j.issn.1005-2801.2023.05.045Fault Diagnosis of Mining Transformer Based on BSA and BP Neural NetworkLiang Rongbo Yu Hao Li Junlin(Shandong Iron and Steel Group Rizhao Co.,Ltd.,Coking Plant,Shandong Rizhao 276800)Abstract:Aiming at the problem of mining transfo
3、rmer faults,a fault diagnosis method for mining transformers based on bird swarm and BP neural network algorithm is proposed.The bird swarm algorithm is used to optimize the BP neural network.The traditional particle swarm algorithm and this algorithm are used to optimize the BP neural network,and t
4、he diagnostic results of mining transformers are compared.Effectively solving the defects of long training time and easy falling into local optima in the BP neural network.Key words:mining transformer;neural network;fault diagnosis收稿日期 2022-10-15基金项目 山东省重点研发计划（2019GGX102049）作者简介 梁荣波（1994），男，山东日照人，20
5、20 年毕业于山东科技大学电气工程专业，硕士，助理工程师，现从事炼焦技术工作，研究方向：电力系统自动化。梁荣波等：基于 BSA 与 BP 神经网络的矿用变压器故障诊断梁荣波等：基于 BSA 与 BP 神经网络的矿用变压器故障诊断矿用变压器故障诊断通常采用油中溶解气体分析的方法，有文献提出将它与BP神经网络相结合，可以很大程度提高故障诊断准确率 1-2。但是，如果不对 BP 神经网络权值和阈值进行优化，将会造成训练的次数增多、收敛性较差等问题。将粒子群算法应用到优化 BP 神经网络，用在变压器故障诊断中，能够有效地缩短搜索的时间，提高准确率。但是粒子群算法不容易跳出局部最优的情况，得到的结果有可
6、能不够准确3-5。鸟群算法具有搜索并求取全局最优解的优势，通过利用鸟群算法优化 BP 神经网络，达到理想的诊断效果。1 鸟群算法（BSA）优化 BP 神经网络1.1 基本 BP 神经网络BP 神经网络算法目前被广泛应用于各类故障诊断中6-8，它主要由输入层、隐含层和输出层 3 部分构成。其构成图如图 1。在寻优的过程中，BP 神经网络具有两个不同的阶段，即信息正向传播阶段和误差反向传播阶段。当开始正向传播时，会从上至下，由输入层进行计算，一直到输出层。如果得到的值不是很理想，将会计算输出层的误差值，然后进行反向传播。通过误差的反向传播，各层的神经元都得到一个相对应的误差值。最后各层的神经元利用
7、这个误差值对本层神经元的权值和阈值进行修改。经过不断的修改，直到误差满足设定的精度为止。图 1 BP 神经网络结构图它的权值和阈值参数的优化公式为 jk（t+1）=jk（t）+j （1）1402023 年第 5 期 k（t+1）=k（t）+k （2）式中：、为神经网络的权值和阈值；、为学习参数；j、k为节点的误差信号值。1.2 鸟群算法介绍鸟群主要是由观察鸟的行为而演变出来的，具有以下规则：1）每只鸟主要存在两种行为：觅食行为和警惕行为。它们可以被看作是一种随机变量。2）在进行觅食的时候，每只鸟会将发现的最佳觅食位置进行记录并更新，在此期间把相应的位置作为鸟群的最佳觅食位置。3）当鸟类保持警惕
8、的时候，为了保证自己的安全会尽量靠近群体中心，而且一般情况下越靠近群体中心的鸟类储存的食物越多。4）鸟类会根据情况进行位置变化。当来到下一位置后，鸟类会根据食物储量的多少来判断自己是生产者还是乞讨者。在鸟群中，食物最多的鸟为生产者，食物最少的鸟则为乞食者，剩余的其他鸟则随机变换自己的身份。5）在鸟群中，作为生产者的鸟类会寻找食物，而作为乞讨者的鸟类将选择一位生产者一起进行觅食。在鸟群里，将存在的两种行为看作一个（0，1）中均匀分布的随机数，当该数不大于P（0P1）时，那么这个鸟觅食；否则，这个鸟保持警惕。选择觅食的鸟的最优位置可以根据式（3）求得：()()()()1,0,1 0,1ttti j
9、i ji ji jti ji jxxpxCrandgxSrand+=+（3）式中：rand（0,1）为服从高斯分布的随机数；,ti jx 为鸟的位置；pij为第 i 只鸟的最佳位置；gj为种群的当前最佳位置；C、S 为认知加速系数与社会进化系数。保持警惕的鸟在靠近种群中心时的位置可以根据式（4）求得：()()()()1,1,2,0,1 1,1ttti ji jji jti ji jxxAmeanxrandApxSrand+=+（4）11expipFitAaNsumpFit=|+（5）22expikiikpFitpFitpFitNAapFitpFitsumpFit=|+（6）式中：sumFiti
10、为整个种群的适应度之和；meanj为种群的平均适应度值；pFiti为第 i 只鸟的适应度值；a1、a2为 0，2 之间的常数；为较小的常数。随着时间的变化，鸟类也会不断地飞往其他位置上，假设变化的周期为 T，当到达新的位置后，生产者的鸟类将开始进行觅食，而跟随生产者的乞讨者也将跟随觅食。对于生产者和乞讨者的行为，可以通过以下两式求得。()1,0,1ttti ji ji jxxxrand+=+（7）()()1,0,1ttttti ji jk ji ji jxxxxxFLrand+=+（8）式中：FL 为服从于标准正态分布的随机数。1.3 BP 神经网络优化流程步骤 1：初始化鸟群算法各部分的参数
11、并设置觅食概率、认知加速系数和社会进化系数等参数。步骤 2：对每个鸟的目标适应度值进行计算，然后找出里面最小适应度的值，并将此最小适应度值作为局部的最优解，保留当前最好的个体位置。步骤 3：在考虑鸟群生物行为的基础上，对种群更新。当鸟群不进行迁移，根据觅食和保持警觉的行为，选择式（3）或式（4）对种群更新；若鸟群进行迁移，根据式（7）和式（8）对种群更新。步骤 4：对更新后鸟群的适应度值进行计算。将更新后计算的适应度值和旧的鸟群适应度值比较，选择保留最优解，并进行更新。步骤 5：判断是否满足停止条件，当最优解能够满足停止的条件，则输出最终最优解；如果不满足则返回步骤 3，当满足时停止。步骤 6
12、：在获得最优解后，将其作为 BP 神经网络的初始值用于接下来的学习训练。步骤 7：通过训练得到误差，然后调整网络的权值和阈值，经过多次迭代后得到最优训练网络。2 实例分析2.1 诊断模型确定矿用变压器常见的故障问题主要有 6 种情况，其中 3 种为放电情况：局部放电、火花放电、电弧放电，3 种为过热情况：高温过热、中温过热、低温过热。加上正常工作的情况，一共对应着 7 个输出层。将故障类型编码见表 1。矿用变压器中油产生的主要气体有 CO、CO2、H2、CH4、C2H4、C2H2与总烃（C），以这些气体（P1P6）作为输入层，通过将其带入图 1，可以得到 BP 神经网络矿用变压器故障诊断模型。
13、本 文 所 采 用 粒 子 群 算 法（PSO）参 数 取值 c1=c2=1.5，惯 性 因 子=0.8；BSA 参 数 取 值c1=c2=1.5，C=S=1，T=5。二者的种群大小都设置为1412023 年第 5 期梁荣波等：基于 BSA 与 BP 神经网络的矿用变压器故障诊断梁荣波等：基于 BSA 与 BP 神经网络的矿用变压器故障诊断60，最大迭代次数为 500 次。表 1 故障类型编码值故障类型编码值正常1000000低温过热0100000中温过热0010000高温过热0001000局部放电0000100火花放电0000010电弧放电00000012.2 实际案例分析本文算例为了减少误
14、差，提高结果的准确率，将 120 组变压器故障数据作为训练样本，70 组变压器故障数据作为测试样本。得到的样本数据见表2。表 2 样本数据分类故障类型训练样本数测试样本数正常149低温过热1710中温过热2819高温过热2414局部放电74火花放电116电弧放电198图 2 BP 神经网络的误差和迭代次数 图 3 PSO-BP 神经网络的误差和迭代次数 图 4 BSA-BP 神经网络的误差和迭代次数为了验证本文算法的有效性，分别依次使用 BP神经网络算法、PSO-BP 神经网络算法和 BSA-BP神经网络算法对数据进行优化训练。通过优化得到三者的误差和迭代次数关系图如图 2、图 3 和图 4所
15、示。由以上三图可以得知，当迭代次数不断增加，误差会有所减小。其中，BSA-BP 神经网络算法满足要求时迭代次数最少，为 160 次，而且训练时间最短；BP 神经网络算法、PSO-BP 神经网络算法分别为 350、250 次左右。除此之外，在收敛速度和精度上，BSA-BP神经网络算法更加优于另外两种。因此可以说明，鸟群算法（BSA）的优化使 BP 神经网络的参数更加合理，后期的收敛速度也更加快。通过把故障数据进行优化得诊断结果，见表3。表 3 诊断结果对比故障类型BPPSO-BPBSA-BP正判数准确率/%正判数准确率/%正判数准确率/%正常777.8888.9888.9低温过热880.0880
16、.0990.0中温过热1684.21789.41789.4高温过热1178.61285.71392.9局部放电375.041004100火花放电466.7583.3583.3电弧放电675787.5787.5从表中可以发现 BSA-BP 神经网络算法的准确率为 90.2%，是三者之中最高的，而其他两类算法样本的诊断准确率明显低于 BSA-BP 神经网络法，分别为 76.76%、87.83%。3 结语利用三种不同的算法对样本数据进行诊断，仿真得到了在三种算法下的误差和迭代次数的曲线。1422023 年第 5 期井人员的运输任务，其可靠性和运输效率直接决定了作业人员的安全性10。架空乘人装置不仅为上下井人员带来了便利，而且降低了煤矿安全事故的发生概率，为今后类似项目设计提供了参考。【参考文献】1 王为强.降低猴车掉绳率确保猴车安全运行 J.山东煤炭科技，2011（02）：238.2 张建新.双柳矿 33416 材料辅巷架空乘人装置布置及选型设计研究J.山西冶金，2020，43（06）：72-74.3 孙金栋，王建国.双巷道架空乘人装置的应用浅析 J.煤炭科技，2019，40（05）：89-