在线客服

咨询热线

改进模糊ARTMAP方法在电力系统诊断中的应用

作者:未知

  摘 要:人工神经网络用于复杂过程中故障诊断和状态监测,具有良好的发展前景。由于模糊ARTFAM(FAM)神经网络分类性能受训练样本序影响,提出一种利用改善贝叶斯信念方法并基于模糊ARTMAP集成的模型(BBM),并描述其在电力发电系统中作为故障检测和诊断的智能学习适用性。围绕检测循环水系统冷凝器传热性能展开试验,判断该模型在故障预测检测和诊断任务中的有效性。试验结果证明,采用BBM模型具有智能故障检测和诊断工具的解释能力,并能监测和诊断发电系统故障的复杂过程。
  关键词:故障检测;贝叶斯信念方法;模糊ARTMAP;神经网络;分类
  DOI:10. 11907/rjdk. 181978
  中图分类号:TP319 文献标识码:A 文章编号:1672-7800(2019)002-0128-04
  Abstract: The artificial neural network used in fault diagnosis and condition monitoring problem in the process of the complex has good prospects. Due to the fuzzy ARTFAM (FAM) neural network classification performance is affected by the training sample sequence, this paper puts forward a method of using improved bayesian belief and model based on fuzzy ARTMAP integration (BBM), and describes its in electric power systems as the applicability of the fault detection and diagnosis of intelligent learning. Experimental process is mainly used for detection of circulating water system in the condenser of the heat transfer performance, a series of experiments to determine the model to predict the effectiveness of the detection and diagnosis of task failure. The test results prove that the BBM model has the ability to interpret intelligent fault detection and diagnostic tools, and can monitor and diagnose the complex process of power system faults.
  Key Words: fault detection; Bayesian belief method; the fuzzy ARTMAP; the neural network; classification
  0 引言
  我國现代电力系统正进入智能化时代,目前电力需求不断增长,电力系统正常高效运行在电力建设中发挥着至关重要的作用,一旦某个环节遭遇故障,将影响整个系统运行并降低性能水平[1]。因此,建立一套高效的电力系统故障信息在线检测与分类系统,以便及时检测电力系统的各种故障、准确快速地将故障分类,对于电力系统故障诊断及预防意义重大[2]。
  人工神经网络(ANN)作为智能故障诊断工具,在电力系统工程中已有许多成功应用,包括使用神经网络进行短期电力负荷或价格预测及变压器故障诊断[3-4]。然而,传统神经网络方法对通用性的限制导致模型可能过度适合训练样本。随后,随着模糊理论的发展,建立了模糊ARTMAP(FAM)神经网络[5-7]解决该问题,其被用于发电厂循环水系统状态监测以及系统断路器、电力系统稳定器和有源电力滤波器故障检测。FAM是一个增量和监督网络模型,并根据自适应共振理论进行设计。尽管FAM能够克服稳定性-可塑性困境,但在实际应用中,FAM性能受到离线训练样本排列顺序的影响。针对该缺点,有学者提出一些被称为排序算法的预处理程序,如min-max聚类和遗传算法[8-10]。还有研究者为克服该问题并提高分类可靠性,提出许多融合技术。例如,Tang[11]采用FAM投票算法进行诊断检测,Loo[12]将基于概率多元投票策略的多元FAM应用于诊断和分类问题。但是排序算法和融合技术没有考虑训练样本个数的影响,排序算法诊断精度受样本总数影响。为减少训练样本数量和序列的影响,并提高FAM诊断准确性和可靠性,本文采用改进的贝叶斯信念法(BBM)组合多个FAM分类器,以表示在不同文本中的样本序列[13-15]。
  1 模糊ARTMAP基本原理
  FAM由两个ART模块组成,即ARTa模块和ARTb模块,其由一个内部映射域连接,由输入域的ARTa模块函数和输出域的ARTb模块函数进行聚类成的簇并形成一个关联域。每个模块由3层组成:标准化层F0,输入层F1和识别层F2。模糊FAM的结构见图1。当输出域是一组有限的类标签时,可以将FAM用作分类器[16-17]。FAM算法可以简单地描述为:
  ARTa模块接受输入模式,并且标准化的一个M维输入向量[α]被补码编码为一个2M维向量A:
  输入向量维数保持不变,表达式为:
  
  再输入样本A,通过类别选择功能选择存储在网格中的类别节点。   
  其中,[αa]是ARTa的選择函数,[Wαj]是第j个类节点的权向量。当一个获胜类节点被选择,一个警戒测试被用来检测原型模式和输入模式的相似性,[ρa]表示警戒参数,[Wαj]是第j个获胜节点。
  
  当上述类别匹配函数满足标准时,发生共振且开始学习,即根据下一个节点更新权重矢量[Wj]。
  
  [β]∈[0,1]是学习率。一个新的节点会创建在编码后的输入模式[Fα2]层中。同时对于ARTb同样的学习算法发生在目标模式中。
  在ARTa和ARTb发生共振后,在获胜节点[Fα2]层中通过映射域向ARTb产生一个预测。进行映射域警戒测试,如果测试失败,表明ARTa获胜节点在ARTb预测了一个错误的目标类别,则启动匹配追踪过程。在匹配追踪期间,[ρa]值增加,直到略高于[AWαj],然后对ARTa的另一个获胜节点进行新的搜索,持续该过程直到被选择[Fα2]节点可以在ARTb中作出正确预测[18]。
  2 贝叶斯信念方法改进
  2.1 基于改进贝叶斯信念方法的决策融合
  贝叶斯信念方法是基于分类器相互独立的假设,并将每个分类器的误差考虑在内。假设在模式空间Z中有M个类和K个分类器。分类器[ek]可被认为是一个函数,表示样本x由类器[ek]分配给类别j。
  其二维混淆矩阵可以表示为:
  该矩阵是在测试集上训练完[ek(x)]后执行[ek]获得的。每行i对应类[ci],每列j对应[ek(k)=j]。矩阵中[nkij]指来自类[ci]的输入样本被分类器[ek(x)]分配给类[cj]。在类[ci]的样本数量是[nki=][j=1M+1nkij],其中i=1,…,M,被[ek(x)]标记为j的样本数量为[nkj=][i=1Mnkij],其中j=1,…,M+1。在混淆矩阵基础上,可以通过信念函数为每个分类器计算分类信念度量。
  其中i=1,2,…,M,j=1,2,…,M+1。该方程的计算只适合于每个类样本数量相同的情况,当类样本数量不同时,由于信念分类的准确性下降,因此一个修改的信念IBk计算如下:
  当形成多个分类器e1,e2,…,ek相对应的信念B1,B2,…,Bk是基于基础分类器性能计算得出,结合所有融合分类器信念度量可以产生分类器系统最终信念度量,典型的组合策略是平均和相乘算法,由于后验问题估计不准确,本文采用平均估计后验概率,平均算法如下:
  因此,x被分类为j(j=1,2,…,M+1),根据信念作出最终决策。
  2.2 基于改进贝叶斯信念方法的模糊ARTMAP集成
  在改进贝叶斯信念方法的基础上,详细的模糊ARTMAP集成算法如下所示:
  步骤1:利用一个样本集合生成n个不同序列的训练样本集合。
  步骤2:分别训练n个训练样本集的模糊ARTMAP,并生成n个训练好的模糊ARTMAP。
  步骤3:测试样本分别输入n个训练过的模糊ARTMAP,混淆矩阵可根据式(7)生成。
  步骤4:通过公式(8)计算每个分类器分类信念度量。
  步骤5:通过组合等式获得多分类器系统的最终信念度量。
  步骤6:根据信念度量最大值对测试样本进行分类。
  3 实验仿真验证
  本文搜集了电力工程循环水系统2 439个样本的基础数据。每个数据样本由12个特征在不同温度和压力测量的电容器入口和出口点及其它重要信息组成。以下案例用以评估BBM作为预测智能故障检测和诊断模型的适用性。
  冷凝器是循环水系统的一种主要组件。汽轮机冷凝器使用循环水从低压流中去除废热能,同时,保持冷凝器真空最低的恒定水平。因此,冷凝器传热对冷凝器反压力有很大影响,一个高效传热过程将协助冷凝器反压力维持在较低水平。保持合适的等级冷凝器反压力,高涡轮发电才可以保持工作效率。因此,压力和温度等因素的排气蒸汽和冷却水对冷凝器的冷凝性能有重要影响。搜集2 439个数据样本用于检测和监测传热条件。每个数据样本有12个特征,传热条件可以分为冷凝器传热效率高或效率低两种状态。在数据库中,有1 248个数据样本显示低效传热性能,1 191个数据样本显示高效传热性能。本文为评估BBM在预测冷凝器的传热效率性能进行实验。
  由于训练样本数据排序可能影响单个FAM分类准确性,并且单个输出用于表示类别预测会导致分类准确性较低。为准确观察BBM集成工作的效果及改善后的泛化能力,利用改进的贝叶斯信念方法,按照训练样本不同数据的排序训练BBM,同时利用排序后的数据对FAM进行测试训练。
  在诊断训练阶段,FAM和BBM性能训练是一个保守模型中进行快速学习的过程,其中[β]设置为1、[αa]设置为0.001。另外为了保证稳定、可塑的性能,警戒参数[ρa]设置为0.5,集合大小设置为5。
  在实验中,采用修剪策略删除[Fα2]节点产生的具有较低影响因子的原型类别,其被认为是网络冗余节点。修剪的目的是减少FAM产生的原型类别大小,同时保持网络性能。修剪阈值从0.0改变到0.95,与基线警戒参数值固定至0.5。因更高的值将消除大部分训练网络节点,所以并不适用。表2显示了在不同阈值下排序后的多组数据训练FAM的预测性能和BBM的预测性能在准确性上的比较,显而易见BBM性能优于FAM预测性能,同时可以发现阈值在0.55左右时两种模型的预测性能准确性都较高,精度保持在90%以上,如果继续增大阈值,则会降低模型准确性,这可能是由于过度剪枝的不良影响造成的,如编码在原型节点中的重要信息被删除。
  4 结语
  本文介绍了一种新颖可靠的BBM集成方法,并将其应用于电力工程中循环水系统传热性故障预测诊断[19-20]。由于FAM分类性能受训练样本序列影响,采用基于改进贝叶斯信念方法的集成方法解决该问题,利用不同顺序的训练样本将一组FAM输出结果组合并最后获得融合决策。结果表明,当使用BBM模型时,系统故障检测准确度提高。实验结果证明,BBM集成方法能够准确、可靠地诊断故障类别,与其它预测检测方法相比,具有更好的诊断性能,因此BBM集成神经网络在电力系统检测方面具有良好的应用前景。   参考文献:
  [1] 杨国强. 基于数据挖掘的电力系统异常数据辨识与调整[J]. 应用能源技术,2011(1):25-28.
  [2] 石美,吴谦,李海波,等. 凝汽器故障诊断方法的研究[J]. 科技创新导报,?2011?(1)?:54.
  [3] DOWNS J, HARRISON R F, CROSS S S. Evaluating a neural network decision-support tool for the diagnosis of breast cancer [J].  Conference on Artificial Intelligence in Medicine, 1995,934:239-250.
  [4] DENNY G. F16 jet engine trending and diagnostics with neural networks [J].  Optical Engineering and Photonics in Aerospace Sense, 1993:419-412.
  [5] QIU J B, FENG G, YANG J. A new design of delay-dependent robust H-infinity filtering for discrete-time T-S fuzzy systems with time-varying delay [J].  IEEE Transaction on Fuzzy Systems, 2009:1044-1058.
  [6] JAVADPOUR R,KNAPP G M. A fuzzy neural network approach to machine condition monitoring [J].  Computers and Industrial Engineering,2003,45?(2)?:323-330.
  [7] DAGHER I, GEORGIOPOULOS M, HEILEMAN G L, et al. An ordering algorithm for pattern presentation in fuzzy ARTMAP that tends to improve generalization performance [J].  IEEE Transaction Neural Network,1999, 10(43):768-778.
  [8] PALANIAPPAN R, ESWARAN C. Using genetic algorithm to select the presentation order of training patterns that improves simplified fuzzy ARTMAP classification performance [J].  Applied Soft Computing, 2009, 3(9):100-106.
  [9] 黃新波,宋桐,王亚娜,等. 基于贝叶斯和模糊L-M网络的变压器故障诊断[J].  电力建设,?2014?,?35?(2)?:1-6.
  [10] 韩敏,程磊,唐晓亮,等. 模糊ARTMAP神经网络在TM影像分类中的应用[J].  信息与控制,2004,?33?(5)?:623-627.
  [11] CARPENTER G A, GROSSBERG S, MARKUZON N, et al. Fuzzy ARTMAP: a neural network architecture for incremental supervised learning of analog multidimensional maps[J].  IEEE Transactions on Neural Networks, 1992,?3?(5):698-713.
  [12] DA R, LIN C F. Failure detection and isolation structure for global position system autonomous integrity monitoring[J]. Journal of Guidance, Control and Dynamics, 2012,?18?(2)?:291-297.
  [13] 张凯,钱锋,刘漫丹. 模糊神经网络技术综述[J]. 信息与控制,2003,32(5):431-435.
  [14] LIANG J N,YANG S,WINSTANLEY A. Invariant optimal feature selection: a distance discriminant and feature ranking based solution [J]. Pattern Recognition,2008,?41?(5)?:1429-1439.
  [15] 吕强. 神经网络模糊规则抽取及其应用[J]. 控制工程,2008(S1):104-106+109.
  [16] 秦安文. 模糊ARTMAP神经网络在一维信息聚类分析中的应用[J]. 山东工业大学学报,1999,29?(5)?:490-496.
  [17] GEORGIOPOULOS M, FERNLUND H, BEBIS G, et al.  Order of search in fuzzy ART and fuzzy ARTMAP: effect of the choice parameter [J].  IEEE ACM Transactions on Networking, 1996,?9?(9)?:1541-1559.
  [18] 崔国友,庞佑军,王亦平. 基于保局投影和SFAM网络的装备故障智能诊断[J]. 中国造船,2011,52 (3):198-203.
  [19] 师黎. 基于软计算的故障诊断机理及其应用研究[D]. 上海:上海大学,2007.
  [20] 杨毓英,史习智,李国奕. 基于Fuzzy ARTMAP的室性早搏诊断规则获取[J]. 自然科学进展,1999(5):448-455.
  (责任编辑:江 艳)
转载注明来源:https://www.xzbu.com/8/view-14803818.htm