摘 要：變壓器油中溶解氣體分析是電力變壓器絕緣故障診斷的重要方法,。文中將改進的基因表達式程序設(shè)計算法應(yīng)用于電力變壓器故障診斷,，利用新的選擇算子、變異（變換）,、重組算子和多種群算子保證了種群的多樣性,，確保算法不陷入局部最優(yōu)，而快速達到全局最優(yōu),。經(jīng)實例分析,，并將其結(jié)果與BP神經(jīng)網(wǎng)絡(luò)和人工免疫分工算法的結(jié)果相比較，表明該算法能有效地對電力變壓器故障進行診斷,，具有較高的診斷準確率,。
關(guān)鍵詞：電力變壓器;故障診斷;基因表達式程序設(shè)計
0 引言
變壓器是電力系統(tǒng)生產(chǎn)過程中的重要設(shè)備之一，它能否正常運行直接影響到企業(yè)的經(jīng)濟效益和系統(tǒng)的安全運行,。近年來,，對電力變壓器故障診斷新方法的探討和研究，引起了國內(nèi)外科研工作者的極大關(guān)注,。油中溶解氣體分析,，由于分析速度快、檢測靈敏度高和樣品用量少,、能夠及時發(fā)現(xiàn)變壓器內(nèi)部存在的早期故障,，已成為目前電力系統(tǒng)中對充油變壓器常規(guī)使用的重要監(jiān)測手段。常用的IEC三比值法及相關(guān)改良比值法在工程實際使用中暴露出編碼不全,、編碼邊界過于絕對等缺點[4],。目前，在很多人工智能方法如人工免疫系統(tǒng),、專家系統(tǒng),、神經(jīng)網(wǎng)絡(luò)、聚類分析、灰色理論,、支持向量機等[4-6]，它們中的1 種或幾種集成方法被應(yīng)用于電力變壓器故障珍斷系統(tǒng)中,，但于電力變壓器的結(jié)構(gòu)復雜性和故障機理的多樣性,，使得故障診斷的準確率還需要進一步提高。
　　基因表達式程序設(shè)計[1]（Gene Expression Programming, GEP）是是葡萄牙科學家Candida Ferreira發(fā)現(xiàn)的一種基于基因型（Genome）和表現(xiàn)型（Phenomena）的新型遺傳算法,。它綜合了GA和GP 的優(yōu)點,，具有染色體簡單、線性和緊湊,、易于進行遺傳操作等到優(yōu)點,，這為解決電力設(shè)備的故障診斷問題提供了一條新的思路。本文對基因表達式程序設(shè)計算法加以改進,，提出自適應(yīng)基因表達式程序設(shè)計算法并將其應(yīng)用于電力變壓器故障珍斷,，實例分析結(jié)果表明，該算法能有效地對電力變壓器的各種故障模式進行檢測,。
1. 變壓器故障診斷自適應(yīng)GEP算法
　　1.1 GEP算法[2-3]的改進
　　GEP的個體是由多個長度固定不變的基因組成的線性串染色體,，然后這些個體被表示成表達式樹（Expression Trees, ET）。GEP染色體和表達式樹結(jié)構(gòu)簡單清晰,，通過簡單的線性編碼和解碼規(guī)則可無歧義地互化,。GEP將這兩者分別作為獨立個體，對GA和GP的優(yōu)點分別加以繼承,，使遺傳操作易于實施,，結(jié)果方便表達。它在符號回歸,、分類和時間序列問題預測中廣泛應(yīng)用,，成為了一個非常有力的數(shù)據(jù)挖掘工具。
　　為改善GEP算法性能,，對GEP參數(shù)進行自適應(yīng)調(diào)整：
　　1.1.1選擇算子：
　　受免疫算法抗體多樣性的啟發(fā),，多樣性可用來提高遺傳算法的全局搜索能力而不致陷于局部解。新的選擇算子不僅與個體適應(yīng)度有關(guān),，還與個體的濃度有關(guān),，個體濃度越大，選擇概率越小,，個體濃度越小,，選擇概率越大。個體的選擇概率
　　 （1）
　　式（1）中,， f（xi） 為個體 i 適應(yīng)度函數(shù),。種群中與個體i基因相似的個體越多，個體i被選中的概率越小,。反之,，與個體i基因相似的個體越少,，個體i被選中的概率就越大。這使含有有效進化基因的低適應(yīng)度個體也可獲得繁殖的機會,。這在理論上保證了解的多樣性,。
　　1.1.2 變異（轉(zhuǎn)換）Pm和重組pc算子：為加快GEP算法的收斂速度，變異（轉(zhuǎn)換）Pm和重組pc概率進行自適應(yīng)調(diào)整：當種群比較單一時,，Pm和pc變化較大;反之,，當種群差別較大時，Pm和pc變化較小,。同時當種群中的個體適應(yīng)度較小時,，Pm和pc變化較大;反之，當種群中的個體適應(yīng)度較大時,，Pm和pc變化較小,。這樣在克服過早收斂和避免優(yōu)秀個體破壞之間選擇了折衷的方案，保證了群體的多樣性,，克服了GEP算法的不成熟收斂,，而達到全局最優(yōu)。

　　1.1.3 多種群進化 受多種群并行進化思想的啟發(fā),，改進的GEP算法中嵌入多種群并行優(yōu)化與自適應(yīng)調(diào)整相結(jié)合的思路,，將原種群按其特性劃分為幾個種群，每個子種群有其各自的特點,，例如具有不同的pc與Pm,，具有不同的種群規(guī)模，具有不同的進化策略和算子,，個體的特性分布也不同,。這樣通過不同子種群之間的進化，可以選取和保留每個種群的優(yōu)秀個體,，避免了單種群進化產(chǎn)生的過早收斂現(xiàn)象,，同時又可以保持優(yōu)秀個體的進化穩(wěn)定性。另外為了使每個種群進化的靈活性,，在pc與Pm的設(shè)置時,，不再像以前那樣將它們設(shè)為定常值，使其能自動調(diào)整參數(shù)值,。
　　表1 種群參數(shù)特征


　　如表1所示,，將某種群劃分為四類種群同時進化。前三類種群按照各自的進化策略并行進化,，種群4為保留子種群,它開始沒有個體,它是由前三類種群進化過程中選取的優(yōu)秀個體組成,其作用在于保存前三類種群進化的優(yōu)秀個體,使不遭受破壞,又使個體分布多樣性,同時其自身也在進化,其pm,pc 均比較小,目的在于保持個體的穩(wěn)定性和多樣性.
　　1.2自適應(yīng)并行GEP算法的實現(xiàn),，自適應(yīng)并行GEP算法的實施步驟如下:
　　（1） 按表1隨機初如化種群1，種群2,，種群3,，種群規(guī)模分別為N1，N2,，N3,。
　　（2） 計算各種群中個體的擬合度,，并判斷是否符合優(yōu)化準則，若符合,，輸出最佳個體及其代表的最優(yōu)解,，并結(jié)束運算;否則轉(zhuǎn)向（3）步。
　?。?） 根據(jù)公式（2）,、（3）、（4）,、（5）,，每個子群體獨立地進行一次自適應(yīng)GEP進化。
　?。?） 每個個體根據(jù)公式（1）進行選擇,，產(chǎn)生下一代群體。
　?。?） 將各種群中的最優(yōu)個體注入到種群4中,，并且從所有子種群體中找出一個最優(yōu)個體，再將此個體注入每個子群體中,，替代各子種群體中的最差個體,。
　　（6） 種群4按表1的pm,pc進化產(chǎn)生新一代,。
　?。?） 判斷是否符合優(yōu)化準則。若滿足則結(jié)束本次計算,，否則繼續(xù)第（2）步,。
2. 自適應(yīng)GEP算法在電力變壓器故障診斷中的應(yīng)用
　　2.1 算法參數(shù)設(shè)置：
　　進化代數(shù) max_ generation=1000 ; 終點集T=｛x1,x2,x3,x4,x5｝,其中x1,x2,x3,x4,x5分別代表H2，CH4,，CH4,，C2H4，C2H6,，C2H2共5種氣體的體積數(shù);函數(shù)集F=｛+,，—，＊，/,，L,，E，～,，Q,，S，C｝,。其中L代表自然對數(shù),，E代表 ，Q代表開方函數(shù),，～代表 ,，S代表正弦函數(shù)，C代表余弦函數(shù),。
　　2.2實例分析
　　2.2.1 變壓器故障類型：有單一故障類型和多故障類型（見表2）
　　表2 變壓器故障類型


　　2.2.2 以下對由自適應(yīng)的GEP算法建模得到的結(jié)果與文獻[6]中得到的結(jié)果進行比較,，以某電力變壓器故障實例[6]作樣本集（表3）
　　表3預測模型的樣本集及與其他方法結(jié)果比較


　　從表3結(jié)果不難看出：自適應(yīng)的并行GEP算法均得出了正確的診斷結(jié)果，表明了該算法對電力變壓器多故障同時發(fā)生的情況有很高的診斷準確率,，其結(jié)果比BP神經(jīng)網(wǎng)絡(luò),、文獻[6]的免疫分類算法都優(yōu)。
3. 結(jié)束語
　?。?）新的選擇算子,、變異（變換）、重組算子和多種群算子保證了種群的多樣性,，確保算法不陷入局部最優(yōu),，而快速達到全局最優(yōu)。
　?。?）多種群算子突破了單一種群考慮信息的不足和解的單一化,，以及現(xiàn)有多種群遺傳算法中局限于單一的固定的參數(shù)值。各種群是根據(jù)種屬的實際情況,，使其能自動調(diào)整參數(shù)值,。這樣通過不同子種群之間的進化，可以選取和保留每個種群的優(yōu)秀個體,，避免了單種群進化產(chǎn)生的過早收斂現(xiàn)象,。同時，由于種群4保存了其他子種群的優(yōu)秀個體,，確保了優(yōu)秀個體的進化穩(wěn)定性,，提高了算法的收斂速度。
　?。?）將改進的GEP算法用于電力變壓器診斷中,，故障診斷準確率要高于BP神經(jīng)網(wǎng)絡(luò)和文獻[6]的人工免疫分類法,，證明了本算法的有效性。
4. 創(chuàng)新點
　　改進的自適應(yīng)并行GEP算法在電力變壓器故障診斷中的應(yīng)用是正確,、高效的,。實例結(jié)果表明它的電力變壓器故障診斷準確率很高，從而說明本算法是高效的,。
參考文獻：
　　[1] FERREIRA C. Gene Expression Programming A New Adaptive Algorithm for Solving Problems[J].Complex Systems 2001,13（2）:87-129.
　　[2]龔文引,，蔡之華?；虮磉_式程序設(shè)計在復雜函數(shù)自動建模中的應(yīng)用[J],。系統(tǒng)仿真學報，2006,18（6）:1450-1454.
　　[3] 杜欣,，劉坤起等,。改進的基因表達式程序設(shè)計實現(xiàn)復雜函數(shù)的自動建模[J]。微計算機信息,，2006，22（6）：295-297,。
　　[4]孫才新,，陳偉根等。電氣設(shè)備油中氣體在線監(jiān)測及故障診斷技術(shù),。北京：科學出版社,，2004。
　　[5]林俊,，章兢等,。基于BP網(wǎng)絡(luò)的變壓器油中溶解氣體在線監(jiān)測,。電力系統(tǒng)自動化,，2001，25（8）：62-64,。
　　[6]熊浩,，孫才新等。電力變壓器故障診斷的人工免疫網(wǎng)絡(luò)分類算法,。電力系統(tǒng)自動化,，2006，30（6）,，：57-60,。