GEP在变压器故障诊断中的应用

(3)步。

　　(3) 根据公式(2)、(3)、(4)、(5)，每个子群体独立地进行一次自适应GEP进化。

　　(4) 每个个体根据公式(1)进行选择，产生下一代群体。

　　(5) 将各种群中的最优个体注入到种群4中，并且从所有子种群体中找出一个最优个体，再将此个体注入每个子群体中，替代各子种群体中的最差个体。

　　(6) 种群4按表1的pm,pc进化产生新一代。

　　(7) 判断是否符合优化准则。若满足则结束本次计算，否则继续第(2)步。

　　2. 自适应GEP算法在电力变压器故障诊断中的应用

　　2.1 算法参数设置：

　　进化代数 max_ generation=1000 ; 终点集T={x1,x2,x3,x4,x5｝,其中x1,x2,x3,x4,x5分别代表H2，CH4，CH4，C2H4，C2H6，C2H2共5种气体的体积数;函数集F={+，—，*，/，L，E，～，Q，S，C｝。其中L代表自然对数，E代表 ，Q代表开方函数，～代表 ，S代表正弦函数，C代表余弦函数。

　　2.2实例分析

　　2.2.1 变压器故障类型：有单一故障类型和多故障类型(见表2)

　　表2 变压器故障类型

　　2.2.2 以下对由自适应的GEP算法建模得到的结果与文献[6]中得到的结果进行比较，以某电力变压器故障实例[6]作样本集(表3)

　　表3预测模型的样本集及与其他方法结果比较

　　从表3结果不难看出：自适应的并行GEP算法均得出了正确的诊断结果，表明了该算法对电力变压器多故障同时发生的情况有很高的诊断准确率，其结果比BP神经网络、文献[6]的免疫分类算法都优。

　　3. 结束语

　　(1)新的选择算子、变异(变换)、重组算子和多种群算子保证了种群的多样性，确保算法不陷入局部最优，而快速达到全局最优。

　　(2)多种群算子突破了单一种群考虑信息的不足和解的单一化，以及现有多种群遗传算法中局限于单一的固定的参数值。各种群是根据种属的实际情况，使其能自动调整参数值。这样通过不同子种群之间的进化，可以选取和保留每个种群的优秀个体，避免了单种群进化产生的过早收敛现象。同时，由于种群4保存了其他子种群的优秀个体，确保了优秀个体的进化稳定性，提高了算法的收敛速度。

　　(3)将改进的GEP算法用于电力变压器诊断中，故障诊断准确率要高于BP神经网络和文献[6]的人工免疫分类法，证明了本算法的有效性。

　　4. 创新点

　　改进的自适应并行GEP算法在电力变压器故障诊断中的应用是正确、高效的。实例结果表明它的电力变压器故障诊断准确率很高，从而说明本算法是高效的。