（电力系统及其自动化专业论文）基于免疫混合智能算法的变压器故障诊断研究.pdf

声明尸明 f i i ii i ii i i ii llfri l f rfpijf i j i 17 8 5 4 4 1 本人郑重声明：此处所提交的硕士学位论文基于免疫混合智能算法的变压 器故障诊断研究，是本人在华北电力大学攻读硕士学位期间，在导师指导下进行 的研究工作和取得的研究成果。据本人所知，除了文中特别加以标注和致谢之处 外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得华北电 力大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本 研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 学位论文作者签名： 关于学位论文使用授权的说明 本人完全了解华北电力大学有关保留、使用学位论文的规定，即：学校有 权保管、并向有关部门送交学位论文的原件与复印件；学校可以采用影印、缩 印或其它复制手段复制并保存学位论文；学校可允许学位论文被查阅或借阅； 学校可以学术交流为目的，复制赠送和交换学位论文；同意学校可以用不同方 式在不同媒体上发表、传播学位论文的全部或部分内容。 ( 涉密的学位论文在解密后遵守此规定) 作者签名： 托一4 簋丛篓 名 期 签 f 虾”导 日 硒 i ， 曩；飞f 华北电力大学硕士学位论文摘要 摘要 大型电力变压器是电力系统的重要变电设备，其运行状态直接影响系统的安全 ，在线检测并实时诊断变压器状态具有十分重要的意义。人工免疫算法是一种新 的智能算法，具有高度的自适应性，并且具有学习，记忆和模式识别能力。本文 出两种免疫混合智能算法：免疫r b f 混合智能诊断算法用免疫聚类算法确定r b f 经网络隐含层中心的数量和初始位置，减少了网络训练的计算量，提高了网络的 化能力；免疫支持向量机混合智能诊断方法，用免疫聚类算法对所获取的数据进 预选取，利用支持向量机识别类内变压器故障。经过实例验证，这两种算法在变 器故障诊断的应用中都取得了较好的诊断效果。 关键词：变压器，故障诊惭，免疫聚类，r b f ，支持向量机 a b s t r a ct l a 学p o w e rt r a n s f o r m e ri sv e r yi m p o r t a n tt r a n s f o r m a t i o ne q u i p m e n ti np o w e rs y s t e m , w h i c hr u n n i n gs t a t ed i r e c t l ya f f e c t ss e c u r i t yo fs y s t e m , s ot h a to nl i n em e a s u r ea n dd i a g n o s i s t r a n s f o r m e rc o n d i t i o n sh a v ev e r yi m p o r t a n tf u n c t i o no ns y s t e ms t a b i l i t y a r t i f i c i a li m n l u n e s ) ，s 惋mi san o wi n t e l l i g e n ta l g o r i t h mw h i c hi si n s p i r e db yb i o l o g i c a li m m u n e , w h i c h i sh i g h l y p a r a l l da d a p t i v es y s t e mw i t he a p a b i l i t yi nl e a r n i n g , m e m o r ya c q u i s i t i o n , a n dp a t t e r n r e c o g n i t i o na n ds oo n t h i sp a p e rp r e s e n t st w om e t h o d s0 1 1f a u l td i a g n o s i so fp o w e r t r a n s f o r m e r ：t h ea r t i f i c i a li m m u n er b fn e u r a ln e t w o r k1 1 5 0i m m u n ec l u s t e r i n ga l g o r i t h mt o i m m u n ec l u s t e r i n ga l g o r i t h m , w h i c hc a nr e d u c et h et r a i n i n g c o m p u t a t i o n a lc o m p l e x i t yo f n e u r a ln e t w o r k sa n di m p r o v ec a p a c i t yo fn e t w o r kg e n e r a l i z a t i o n ；t h eh y b r i di n t e l l i g e n t a l g o r i t h mo fi m m u n es u p p o r tv e c t o rm a c h i n e sp r o - s e l e c t e dt h ed a t a 、析n lt h ei l l l m u n e c l u s t e r i n ga l g o r i t h m ， a n dt h es u p p o r tv e c t o rm a c h i n ei su s e df o rt r a n s f o r m e rf a u l t d i a g n o s i s t h r o u g he x a m p l e sa n a l y s i sa n dc o m p a r i s o nr e s u l t ss h o wt h a tt h et w om e t h o d so f f a u l td i a g n o s i sc a nb ee v i d e n t l yi m p r o v e d r e nj i n g ( p o w e rs y s t e ma n di t sa u t o m a t i o n ) d i r e c t e db ya s s o c i a t ep r o f h u a n gj i a d o n g k e y w o r d s ：p o w e rt r a n s f o r m e r , f a u l td i a g n o s i s ，a r t i f i c i a li m m u n ec l u s t e r i n g ， r b f s u p p o r tv e c t o rm a c h i n e ， 隹，。“it 华北电力大学硕士学位论文目录 目录 中文摘要 英文摘要 。 第一章引言1 1 1 选题的背景及研究意义l 1 2 目前已有的诊断方法：l 1 2 1 油中溶解气体分析法( d g a ) 1 1 2 2 人工神经网络2 1 2 3 模糊推理3 1 3 人工免疫算法3 1 3 1 人工免疫系统的研究现状3 1 3 2 人工免疫的应用5 1 4 基于免疫的变压器故障诊断研究现状7 1 5 本文的主要工作7 第二章免疫系统和人工免疫理论分析8 2 1 免疫学基本概念8 2 2 免疫系统组成及结构分析9 2 3 免疫应答过程分析1 l 2 3 1 免疫应答n 2 3 2 免疫应答的特征1 2 2 3 3 免疫系统的特点1 2 2 4 人工免疫算法1 3 2 4 1 免疫算法的基本步骤1 4 2 4 2 常用的免疫算法1 4 2 4 2 1 克隆选择算法1 4 2 4 2 2 否定选择算法：1 5 2 4 2 3 人工免疫网络算法1 5 2 4 3 人工免疫算法与其他算法的比较：1 6 2 4 3 1 人工免疫算法与遗传算法的比较1 6 2 4 3 2 人工免疫算法与人工神经网络的比较1 7 2 5 本章，j 、结1 8 第三章基于免疫聚类r b f 的变压器故障诊断研究19 3 1r b f 神经网络j 1 9 华北电力大学硕士学位论文目录 3 1 1r b f 神经网路的结构1 9 3 1 2r b f 神经网络学习算法2 0 3 2 免疫聚类r b f 变压器故障诊断2 0 3 2 1 聚类分析2 0 3 2 2 核聚类人工免疫网络的构成2 2 3 2 3 算法收敛性说明2 3 3 2 4 用于变压器故障诊断的免疫聚类r b f 2 4 3 2 4 1 免疫聚类算法描述2 4 3 2 4 2 免疫聚类r b f 的变压器故障诊断2 5 3 3 本章小结二2 7 第四章基于免疫支持向量机的变压器故障诊断研究2 8 4 1 支持向量机( s v i l ) 基本原理。2 8 4 1 1 广义最优分类超平面2 8 4 1 2 支持向量机分类算法2 9 4 1 3s v m 的优点。3 3 4 1 4 支持向量机存在的问题3 4 4 2 基于免疫聚类支持向量机的变压器故障诊断模型3 5 4 2 1 免疫算法描述。3 5 4 2 2 诊断流程3 6 4 3 本章小结3 8 第五章结论与展望4 0 参考文献。4 2 致谤l 4 5 在学期间发表的学术论文和参加科研情况4 6 1 1 选题的背景及研究意义 第一章引言 随着国民经济的快速和稳定发展，我国的电力系统正向大电网、大容量、超高 压、自动化的方向发展，对电气设备的可靠性要求越来越高。早期电气设备采用的 是事后维修的方式，但对于大型电气设备，发生突发性事故将造成巨大损失，因此 其后发展为对电气设备进行定期停电试验的预防性维修，虽然预防性试验的方法及 经验已经发挥过不少积极作用，但是也暴露出了实际工作中不经济、试验条件不同 于设备运行条件、不能及时准确地发现故障等问题。考虑到预防性维修的局限性， 为降低停电和维修费用，提出了状态检修这一概念，其具体内容就是对运行中的电 气设备的状况进行连续的实时或定时在线监测，对反映状况变化的信息进行分析处 理后对设备的状况做出诊断，并结合历年离线试验的数据和运行经验做出维修方 案，安排必要的维修，做到有的放矢地进行维修。 电力系统中，电力变压器担负着电网间电压变化、电能转化的功能，是重要的 变电设备，其运行状态直接关系到整个电力系统的可靠性和经济型。变压器由于其 电气结构复杂，工作环境恶劣，是有较大的概率出现故障的设备，对电力系统的稳 定运行有重要的影响，一旦出现故障，容易造成巨大的经济损失。因此在线监测变 压器状态，尽早发现并及时排除潜在故障，是保障供电可靠性的重要手段，已经成 为一项具有重要理论和实用价值的课题。 变压器故障种类繁多，原因复杂多变，故障征兆和原因机理复杂，因此准确判 断变压器故障性质及故障部位一直是研究的难点。国内外的专家在长期运行实践中 提出不少监测变压器潜伏性故障的方法，如电气试验、油中溶解气体分析( d g a ) 等。目前应用较多的是利用油中溶解气体的有效信息和电气试验，结合人工智能技 术进行变压器故障智能诊断，模糊数学、遗传算法、人工神经网络和专家系统在变 压器故障诊断中已获得了应用，这些智能诊断方法以及它们的融合，促进变压器故 障诊断技术的不断发展。 1 2 目前已有的诊断方法 变压器故障诊断是根据故障特征来判断其故障类型、定位故障位置或者确定故 障原因等，为变压器的检修提供智能化的决策。 1 2 1 油中溶解气体分析法( d g a ) 华北电力大学硕士学位论文 d g a 的原理是如下：正常情况下，变压器内部绝缘油及有机绝缘材料在热和 电的作用下，会逐渐老化分解，产生甲烷( c h 4 ) 、乙烷( c 2 h 6 ) 、乙烯( c 2 h 4 ) 、乙 炔( c 2 h 2 ) 、氢气( h 2 ) 等气体，这些气体大部分溶解在油中。当存在潜伏性过热 或放电故障时，就会加快气体的产生速度，因此可以根据油中特种气体的含量及其 产气速率对变压器故障类型及其程度进行判断。哈斯特( h a l s t e r d ) 用热动力雪平 衡理论计算出在热平衡状态下形成的气体与温度的关系如下表1 1 所示： 表1 1 不同故障类型产生的气体 故障类型主要气体组份 次要气体组分 油过热 c h 4 , c 2 战 油和纸过热 c h 4 , c 2 h 4 ，c o , c 0 2 油纸绝缘中局部放电h 2 ，c h 4 , c o 油中火花放电 毋h 2 ，c 2 h 2 h 2 ，c 2 1 1 6 h 2 ，c 2 h 6 c 2 h 2 ，c 2 l kc 0 2 油中电弧h 2 ，c 2 h 2c i - 1 4 ，岛h 4 c 2 h 6 迪塑堑生皇塑堡：鱼坠g q ! 堡垒 垫：鱼些：鱼垦 d g a 方法已被证明是检测变压器故障的一种简单有效的方法，国内外许多专 家对d g a 方法的研究取得了许多有价值的成果，形成了一些实用性算法，如i e c 推荐的三比值法、罗杰斯比值( r o g e r s ) 法、d o r n e r b u r g 法等，它们的共同特点是 对变压器油中溶解的各种气体的比值进行编码，然后由相应的编码查出对应的故 障虽然以上方法在变压器故障诊断中得到了广泛的应用，但仍存在一些缺陷，不 管是罗杰斯比较法还是三比值法都存在“编码盲点 问题，即根据编码规则得到的 编码超出了已知的故障列表，因而无法确定故障性质；当多种故障同时发生时，难 以区分 二 1 2 2 人工神经网络 从八十年代中后期开始，基于人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ) ，简称 ( a n n ) 的变压器故障诊断方法得到了迅速的发展。人工神经网络代表了一种新的 方法体系，它以分布的方式存储信息，利用网络的拓扑结构和权值分布实现非线性 信息的映射，并利用全局并行处理实现从输入空间到输出空间的非线性信息交换。 在经历了几十年的研究和发展后，己形成一套严密系统的理论，并以强大的并行处 理能力、非线性映射能力、分布式存储能力和自适应学习能力为电力变压器的故障 诊断研究提供了一种全新的思路。将人工神经网络和变压器油中溶解气体的分析相 结合，有助于解决变压器的i e c 三比值法等传统诊断方法编码不全等问题。在变压 器故障诊断的应用中，神经网络从变压器油中溶解气体数据中获得其中隐含的诊断 规律，从而不需要变压器故障诊断的相关知识就可以进行故障诊断，而且能根据实 2 华北电力大学硕士学位论文 际变压器的油中溶解气体数据对网络进行自适应调整。但是神经网络容易收敛到局 部最优解，为了解决这个问题，已经提出了许多结合其它方法的学习方法：利用小 波方法提取故障特征，有效消除了干扰信号对神经网络诊断精度的干扰；结合遗 传算法的多层前馈网络，从而进行网络训练的初始权值是全解空间中的最优解口1 ； 采用再逼近能力，分类能力和学习速度优于b p 网络的径向基函数神经网络b 1 。 1 2 3 模糊推理 模糊推理方法是建立在模糊集合论、模糊i f o t h c n 规则和模糊推理等概念基础上 的计算方法“1 。模糊推理由于符合人类的自然思维过程，易于处理定性知识等特点， 在数据分类、自动控制、决策分析、专家系统、实践序列预测、机器人和模式识别 等众多领域得到了成功的应用。 模糊方法也是故障诊断方法研究的一个重要分支，其用于故障诊断重要形式有 直接基于模糊推理的方法和基于自适应模糊阈值的残差评价方法等。模糊诊断是根 据模糊集合论征兆空间与故障状态空间的某种映射关系，由征兆来诊断故障。由于 模糊集合论研究尚未成熟，两模糊集合之间的映射关系规律确定等内容还没有统一 的方法可循，加上因系统本身不确定的和模糊的信息，以及要对每一个征兆和特征 参数确定其上下限和合适的隶属度函数，导致模糊诊断应用有局限性，通常模糊集 合论中元素隶属度的确定和两模糊集合之间的映射关系规律的确定只能依靠经验 和大量实验来确定嗨1 。 此外还有一些其他的故障诊断方法，如基于向量机的变压器故障诊断方法，该 方法通过寻求结构化风险最小，实现经验风险和置信范围的最小化，从而在小样本 环境下得到较好的统计规律，但是支持向量机方法的知识表达性及可解释性差。 贝叶斯分类器具有计算简单、分类性能良好等优点，但是它的属性变量之间相 互独立的假设在很多情况下并不成立，对发生频率较低的事件的预测效果不好，即 对小概率事件和样本数据分类效果较差，且学习过程容易存在组合爆炸的问题，这 些对变压器诊断是很不利的。 基于粗糙集理论的变压器故障诊断方法缺乏对复杂系统的处理机制，对边界区 域的刻画过于简单，对分析的样本数据有较高要求，而变压器故障数据的特点是： 有噪声，有很多“冗余”数据。由于这些实际的特点，粗糙集理论不适合用于变压 器故障数据的分析，。 1 3 人工免疫算法 1 3 1 人工免疫系统的研究现状 3 华北电力大学硕士学位论文 随着科学技术的不断发展，各学科技术互相交叉、渗透，在信息科学领域尤为 突出，计算机科学技术的迅猛发展使得人们对生物体系的探索不断深入。2 0 世纪 6 0 年代以来，模拟某一自然现象或过程以及生物系统特性的理论和技术层出不穷， 比如模拟退火算法、人工神经网络、模糊系统等自然计算方法，已在多个领域得到 广泛应用。 人工免疫系统是继人工神经网络、遗传算法和蚁群系统之后，又一个从生物系 统中获得灵感，并与计算机技术相结合用于解决工程实际问题的计算机模型。人工 免疫系统是生物免疫学与计算机科学相结合的产物，生物免疫系统是人工免疫系统 的结构和工作原理的重要思想来源 人工免疫是一种受生物免疫启发的新型人工智能。基于免疫学原理建立的人工 免疫网络具有与神经网络类似的自适应性和学习能力，但它是建立在多个进程动态 合作基础上的，基于免疫学的免疫算法具有与遗传算法类似的进化机制，但它能够 实现精确控制群体多样性和特异性。它所具有的分布式、自适应、动态平衡和学习、 记忆、识别能力，为智能控制提供一种新颖而有效的方法，其研究成果涉及到控制、 数据处理、优化学习和故障诊断等许多领域，已经成为继神经网络、模糊逻辑和进 化计算后人工智能的又一研究热点 大约从2 0 世纪中叶开始，人们就己经开始注意到生物系统，尤其是人类自身 功能及结构的模仿，由此产生了许多新的研究领域。如人工神经网络、模糊控 i ；| 、 进化计算、遗传算法及免疫算法等 2 0 世纪7 0 年代，j 如坞首先提出了免疫系统的网络假说，并以此开创了人工免 疫系统的基础理论一独特型网络理论订制。p e r e l s o n 在独特型网络理论的基础上进一 步给出了免疫网络的数学框架，从而加快了人工免疫系统在计算机科学方面的发展 9 1 1 9 8 6 年，f a r m e r n 们基于免疫网络的假说，构造了一个免疫系统的动态模型，并 提出了一些学习算法的构造思想，这些为人工免疫系统的实际应用指明了方向他 的工作对于人工免疫系统的发展尤其是在信息安全领域应用的发展具有十分重要 意义。 人工免疫系统继承了生物免疫系统的许多优良特性，这些特性使得人工免疫系 统很快的成为学术界研究的热点，并成为计算智能研究的一个崭新的分支 e v o l u t i o n a r yc o m p u t a t i o n ，i e e et r a n s a c t i o no ne v o l u t i o n a r yc o m p u t a t i o n 等许多国 际期刊将人工免疫系统作为重要议题。在2 0 0 1 年和2 0 0 2 年i e e et r a n s a c t i o no n e v o l u t i o n a r yc o m p u t a t i o n 还相继出版了人工免疫系统专辑。此外，人工免疫系统也 一成为计算机国际学术会议的热点议题，如i e e es y s t e m ，m a na n dc y b e m e t i c s 国际会 议从1 9 9 7 年开始每年组织专门的人工免疫系统研讨会，还有g e c c o ( g e n e t i ca n d 4 o ne v o l u t i o n a r yc o m p u t a t i o n ) 等国际会议也将人工免疫系统作为讨论的主题之一。2 0 0 2 年9 月在英国k e n t 大学 还成功召开了第一届人工免疫系统国际学术会议i c a r i s ( 1 s ti n t e r n a t i o n a l c o n f e r e n c eo na r t i f i c i a li m m u l l es y s t e m s ) 。 目前，世界上绝大多数的研究成果出自美国、英国和日本这三个国家的研究人 员。巴西c a m p i n s 大学的d ec a s t r o 博士最早在其博士论文中总结了人工免疫系统， 并试图建立人工免疫系统的统一框架结构。该领域主要的研究组织和计划有：美国 m e m p h i s 大学计算机科学和数学学院的d r p a n k e rd a s g u p t a 博士研究的基于免疫学 的入侵检测系统；美国新墨西哥大学的f o r r e s t 博士领导的研究计算机安全和分布 式变化检测；威尔士大学的e h u n t 和d e n s i ec o o k e 领导的i s y s 重复以上过程，直到抗体数量达到预定的规模。 鬯 2 4 2 常用的免疫算法 2 4 2 1 克隆选择算法 克隆选择原理与自然选择的共同点是显而易见的，最合适的克隆是识别抗原最 佳的克隆。抗体克隆选择学说认为，在抗原侵入机体时，克隆选择机制在机体内选 择能识别和消灭响应抗原的免疫细胞，使之激活、分化和增殖，进行免疫应答以最 终消除抗原。在这个过程中，克隆的父代与子代间只有信息的简单复制，没有不同 信息的交流，无法促进抗体种群进化，因此，需要对克隆以后的子代进行进一步处 理。在人工免疫系统中，克隆选择对应着一个亲和力成熟的过程，即对抗原亲和力 较高的抗体在克隆选择机制作用下经历复制和变异，其亲和力逐步提高而“成熟一。 经历变异后的免疫细胞分化为浆细胞和记忆抗体，当类似抗原再次入侵机体时，这 些记忆抗体能产生比原来具有更高亲和力的抗体，在免疫记忆的基础上产生二次免 疫应答，从而执行高效持久的免疫功能。 克隆选择算法的基本要点如下： ( 1 ) 随机选择抗原作用于b 细胞群，并计算所有细胞的亲和力； ( 2 ) 选择部分高亲和力b 细胞作为免疫反应细胞，分别进行克隆增殖，增殖 数目与细胞亲和力成正比； ( 3 ) 增殖的细胞群通过细胞的高频变异， 变异越小； ( 4 ) 计算成熟的克隆细胞群体的亲和力， 的b 细胞进入记忆细胞库； 1 4 经历成熟过程，其中亲和力越大， 从克隆细胞群中选择一个亲和力高 ( 5 ) 随机产生新细胞替换部分低亲和力的b 细胞。 克隆算法采用高频变异克隆作为主要的操作算子，搜索速度很快。该算法用于 字符识别、多目标和多模态函数优化以及t s p 问题求解，获得较好的结果，体现出 较强的优化能力。 2 4 2 2 否定选择算法 计算机的安全问题与生物免疫系统所遇到的问题具有惊人的相似性，两者都要 在不断变化的环境中维持系统的稳定性。免疫系统分布的、灵活的、自适应和鲁棒 性的解决方式，正是计算机安全领域所期望得到的。f o r r e s t 等人根据免疫系统的自 己月e 己的区别原则，研究了一种检测变化的否定选择算法。提出的算法与t 细胞 成熟过程中经历的“否定选择 过程有着相似的原理：随机产生检测器，删除那些 检测到自己的检测器，以使那些检测劭非己的检测器保留下来。 否定选择算法所依赖的三个重要准则是：每种检测算法是唯一的；检测是概率 性的；一个鲁棒性的系统能随机的检测外来的活动而非搜索已知的模式。否定选择 算法为免疫算法在计算机网络安全领域的应用奠定了理论基础。近年来，随着计算 机网络的飞速发展，安全问题也从简单的计算机病毒检测，扩展到基于主机的入侵 检测和网络安全，这些都可以从免疫系统的信息处理机制中获得启示。但是由于该 算法针对性强，不具有通用性，电力变压器故障诊断是多种故障的诊断，而非单一 故障诊断，故而否定选择算法不适用于电力变压器故障诊断。 2 4 2 3 人工免疫网络算法 目前，两个比较有影响的人工免疫网络模型是t i m m i s 等人的资源受限人工免 疫系统( r e s o u r c el i m i t e da r t i f i c i a li m m u n es y s t e m ，r l a i s ) 和c a s t o 等人的a i n e t 。 资源受限人工免疫系统是t i m m i s 在c o o k 和h u n t 研究的基础上提出的，他还给出 了人工识别球( a r t i f i c i a lr e c o g n i t i o nb a l l ，a r b ) 的概念。t i m m i s 认为a r b 的作用 与b 细胞的功能是类似的，人工免疫系统是由固定数量的a r b 组成。进一步的类 比自然免疫系统，认为a r b 受到的刺激包括：抗原的主要刺激p s ；邻近抗体的刺 激n n 以及邻近抗体的抑制n s ；而且，抗体的克隆水平可以a r b 受到的刺激来确定。 c a s t o 的a i n c t 算法模拟了免疫网络对抗原刺激的刺激过程，主要包括抗体一抗原识 别、免疫克隆增殖、亲和力成熟以及网络抑制。但是，目前的免疫网络模型普遍存 在自适应能力比较差、参数比较多、而且过分依赖对网络节点的增减来保持网络动 态，缺乏对免疫网络非线性信息处理能力认识等缺陷；同时，算法设计的出发点一 般都集中在数据压缩上，因此，限制了算法的应用范围n 钔。 免疫算法与免疫机理的关系如表2 1 所示 1 5 华北电力大学硕士学位论文 免疫学 体液免疫 原理 克隆选择 克隆选 择原理 独特型 免疫网 络原理 细胞分化繁殖 记忆细胞获取 亲和成熟 克隆抑制 动态平衡维持 免疫算子 克隆选择 细胞克隆 记忆细胞演化 亲和突变 克隆抑制 免疫选择 募集新成员 免疫算子的含义 进化群中亲和力较高的抗体被确定性选择 被选中的抗体各繁殖一定数目的克隆 分化的部分细胞作为记忆细胞更新记忆 对克隆的各基因依据母体的亲和力进行突变 浓度高及亲和力较低的克隆被清除 依据抗体浓度及亲和力按概率随机选择抗体 随机产生自我抗体插入抗体群 2 4 3 人工免疫算法与其他算法的比较 2 4 3 1 人工免疫算法与遗传算法的比较 人工免疫算法和遗传算法具有较大的相似性：二者都包含有遗传、变异、交叉 算予，属于进化算法。遗传算法是一种基于自然选择和基因遗传学原理的搜索算法， 它根据“优胜劣汰j 适者生存 的生物进化规则来进行搜索计算和问题求解，对许 多用传统的数学方法难以解决的问题，特别是最优化问题，g a 提供了一个行之有 效的新途径。人工免疫算法不仅采用交叉、变异算子来维持解个体的多样性，还通 过解抗体的浓度调节机制促进和抑制解抗体的产生，从而增强解抗体多样性的选择 功能，进一步确保算法能够收敛到全局最优解 总的来说，二者的不同体现在以下几方面： ( 1 ) 生物学机理：免疫系统的算法是在个体基础上发展的；遗传算法的生物 学机理是基于达尔文的物种宏观进化思想发展的； ( 2 ) 搜索目的：人工免疫算法不仅搜索全局最优解，还搜索多峰值函数的多 个极值；遗传算法以搜索问题的全局最优解为目标； ( 3 ) 变异和交叉的作用：人工免疫中，变异率很高，交叉运算是一种辅助的 操作；遗传算法中，交叉式主要算子，变异率极低； ( 4 ) 网络更新：人工免疫算法中引入了抗体浓度作为评价指标，通过部分适 应度低的抗体的“死亡一实现网络的动态更新，保持系统的亚动力学性；遗传算法 中没有这样的操作； ( 5 ) 记忆细胞库概念：记忆细胞库是根据免疫系统具有免疫记忆的特点设计 的，在人工免疫算法结束后，将问题的最后的解及问题的特征参数存储到记忆单元 中，以便下次遇到同类问题迅速激发响应；遗传算法中没有相应的概念。 1 6 免疫算法同遗传算法相比，已经从机理上加强了全局搜索下的局部搜索；而且 克隆选择机制使得对同一抗体采用多种改变策略成为可能。 2 4 3 2 人工免疫算法与人工神经网络的比较 人工免疫系统与人工神经网络在结构、学习、知识存储等方面的特点见表2 - 2 所示。 免疫系统和神经系统都是复杂的生物系统，它们采用学习、记忆和关联互补的 方式来解决识别和分类问题，但是二者实现识别和学习的根本机制是不同的。此外， ；免疫系统最主要特征是多样性而非局部或全局最优收敛性；免疫系统具有自组织记 忆，并且能够在相当长的时间内记住分类信息。 免疫系统分为识别器和效应器，其中效应器机制就是消灭抗原的机制；对于神 经网络来说也可以做一个类似的分解，鼹感应器和驱动器两部分。免疫系统中记忆 的获得是通过保留带有信息的记忆细胞实现的；在神经系统中，记忆的同化作用是 通过改变神经元之间的连接权值而不是改变神经元本身来获得。二者相似的是：各 别抗体的死亡不会损害到整个免疫系统的性能，而个别神经元的频繁死亡也不会对 整个神经系统的性能造成太大影响。 免疫系统与神经系统的一个重要不同在于它们与外部环境之间的相互作用不 同。免疫系统中通过改变受体的数目和亲和力实现学习；而神经系统通过改变权值 来实现学习，但是这种连接又是确定的，不同于免疫响应中的交叉反应，免疫算法 能够象实际的免疫系统一样产生所需的多种抗体以及调节克隆增殖。 免疫系统和神经系统在信息处理方式上还有以下不同： ( 1 ) 免疫系统利用移动的免疫个体组成场所形成通讯网络，而神经网络使用 实际线路硬件连接网路； 表2 2 人工神经网络与人工免疫系统的比较 1 7 华北电力大学硕士学位论文 ( 2 ) 免疫系统用于特殊的模式识别，而神经网络用于一般模式识别； ( 3 ) 免疫系统形成没有中心的网络，而神经网络形成等级系统。 图2 3 中比较了人工免疫系统与神经网络算法的主要步骤： 抗原耨激 2 5 本章小结 输入模式 图2 3 免疫系统与神经网络算法的主要步骤 本章分别介绍和总结了自然免疫系统和人工免疫系统，着重讨论了具有代表性 的克隆选择算法、否定选择算法和人工免疫网络算法自然免疫系统是人工免疫系 统的生物学源泉，理论免疫学中的计算免疫学成果是人工免疫系统的生物学理论基 础，二者相互促进共同发展。最后，本章将人工免疫算法与遗传算法和神经网络算 法进行了比较和分析，进一步阐明了人工免疫算法的优良性能。 1 8 p 。 华北电力大学硕士学位论文 第三章基于免疫聚类r b f 的变压器故障诊断研究 3 1r b f 神经网络 3 1 1r b f 神经网路的结构 最基本的r b f 神经网络包括如下三层：输入层、隐含层和输出层。其中每层 的作用都不相同：输入层作用是把r b f 网络和外界连接起来；隐含层的作用是将 输入层空间到隐含层空间之间进行非线性变换，使得在低维空间内的线性不可分问 题在高维空间内线形可分，因此其具有较高的维数；输出层是线性的，是网络对输 入矢量的响应乜们。 一 ，埠譬 隐含层的激活函数为径向基函数，通常都满足m i c c h e l l i 的定理，其中有三个 径向基函数在r b f 神经网络中占有重要地位： ( 1 ) 多二次( m u l t i q u a d r i c s ) 函数： ! 烈五q ) = ( x 2 + 0 ) 2 ( i = l ，2 ，k ) ( 2 ) 逆多二次( i n v e r s em u l t i q u a d r i c s ) 函数： 9 ( 五c f ) ：( i _ l ，2 ，k ) p + 茸) 2 ( 3 ) 高斯( c a u s s ) 函数： 帆细( _ 呼 ( i = i ， 其中，仃为隐含层的中心宽度。 本文采用高斯核函数作为r b f 神经网络隐含层的基函数，高斯核函数具有如 下优点： ( 1 ) 表示形式简单清晰，即使对多变量输入也不会增加太多的计算量； 1 9 华北电力大学硕士学位论文 ( 2 ) 光滑性好，任意阶导数均存在； ( 3 ) 解析性好，便于进行理论分析。 3 1 2r b f 神经网络学习算法 r b f 神经网络的隐含层的基函数通常为具有局部接受域的函数，即只有输入落 在输入空间一个较小的指定区域中时，隐含层节点才能做出有意义的响应。 构成r b f 神经网络的基本思路是：用径向基函数作为隐含层单元的“基 ，构 成隐含层空间，当径向基函数的中心确定后，这种映射关系也就确定了。隐含层与 输出空间的映射却是线性的，即网络的输出时隐含层节点的线性加权和由此可知： 从整体上看，网络由输入到输出的映射是非线性的，而隐含层到输出的映射是线性 的 挝 构建r b f 神经网络的关键点是隐含层的生成，这包括隐含层节点数目的确定、 隐含层中心和宽度的确定。隐含层节点的数目影响着网络的复杂性以及网络的泛化 能力。如果节点数目太少，网络模型就会受到限制，降低了网络的泛化能力：如果 节点数目太过，将会大大增加计算量。隐含层中心的位置选取是最关键的，不恰当 的中心位置会使r b f 神经网络无法正确反映出输入样本空间实际划分，即无法实 现从非线性的输入空间到线性的输出空间的转换。隐含层中心的宽度也是影响r b f 神经网络分类能力的一个重要因素：宽度过大，类与类之间的界限就会变模糊，分 类精度不高；宽度过小，核函数覆盖的区域就会交小，网络的泛化能力减弱。 针对以上问题，本文采用免疫聚类算法确定r b f 网络隐含层的中心数日和位 置。 3 2 免疫聚类r b f 变压器故障诊断 3 2 1 聚类分析 聚类分析是根据模式间的相似程度自动地进行分类的，或者说它是通过运用某 种相似性的度量方法把相似度大的模式聚为一类。聚类时的基本出发点是使类内的 相似度尽量大，类间的相似度尽量小，同一类的模式比不同类的模式更相似。卜衢1 。 一般来说，聚类分析后，应该给出对各模式类别的描述，模式类别的描述方法 有如下几种： ( 1 ) 选取模式类别的质量中心或者最接近质量中心处的样本作为模式类的描 述： ( 2 ) 选取模式类别中n 个最特殊的目标作为对该模式类别的描述； 2 0 华北电力大学硕士学位论文 ( 3 ) 确定模式类别之间的对称轴或者转动轴作为模式类别的描述； ( 4 ) 用各模式类别的正态分布函数作为模式类别的描述； ( 5 ) 采用分类树的形式对模式类别进行描述； ( 6 ) 采用逻辑合取式对模式类别进行描述。 基于样本和核的相似度量的聚类分析是一种动态聚类分析方法，采用这种聚类 分析方法是因为其本身具有的三个突出优点 2 e - s e ： ( 1 ) 以模式类的核而不是数据本身作为搜索的对象，通过迭代的方法不断的 优化聚类准则函数，这种迭代算法不仅可以简化搜索过程而且本身具有继续学习能 力； ( 2 ) 模式类的核可以根据实际问题的特点和条件选择多种形式，从而扩展了 这一方法的应用范围； ( 3 ) 这种方法最终获得的聚类结果是各模式类别的核，这一结果更加集中体 现了各模式的特征，从而方便总结模式类别的规律，以便进一步研究和应用。 概括前面的基于核的聚类分析方法的过程，可以总结为以下几个步骤口卜3 5 1 ： ( 1 ) 确定聚类准则，聚类准则就是聚类结果的评价标准； ( 2 ) 确定模式类别的核的表达方式； ( 3 ) 确定核的修改策略； ( 4 ) 从核的初始形式开始，不断的用聚类准则函数进行评价，并基于评价值 来修改聚类核，直到聚类准则函数直达一个稳定值。 从上面的聚类分析步骤可以得出，这种聚类分析方法在具体应用时也存在一些 问题： ( 1 ) 核的形式的选择：虽然核的形式可以选择为函数、特征点或中心点等， 但是如果模式类别的核选择函数的形式表达，便于应用传统聚类方法来实现，但是 应用范围受到限制，而其它形式的核采用传统聚类分析方法时，实现有一定的困难； ( 2 ) 核的修改方法缺乏理论指导：核的修改应该使得聚类准则函数得以优化， 同时修改方式不仅要考虑核的形式而且要考虑对聚类准则函数的全局优化。 针对基于核的聚类分析方法的缺陷，用人工免疫网络的形式来实现聚类分析， 正好可以克服上述两个问题： ( 1 ) 抗原就是原始数据，抗体就是模式类的核； 2 1 华北电力大学硕士学位论文 ( 2 ) 利用人工免疫网络的“学习 过程实现核的修改； ( 3 ) 在最后结果中的稳定网络，将表达原始数据组中各个模式类的核，而这 些核是以特征值互连所构成的子网络的形式表现出来。 同时人工免疫网络模型中一些非常有效的关键点也被引入到免疫聚类r b f 的 设计中，它们包括口引： ( 1 ) 通过抗体网络的形式来进行学习和记忆； ( 2 ) 以抗原和抗体的相似性度量来实现识别； ( 3 通过克隆和变异来产生适当的抗体，从而使网络中的抗体结构可以反映 抗原特征； ( 4 ) 通过抗体之间的刺激和抑制作用来保持网络的稳定，同时使网络具有继 续学习的能力，即一旦有新的抗原刺激，网络结构马上做出反应； ( 5 ) 控制网络的规模，使得在新抗体加入的同时，删除无用的抗体 3 2 2 核聚类人工免疫网络的构成 从人工免疫的一般模型框架出发，先根据问题特点确定核聚类人工免疫网络的 抗原、抗体的形式，以及系统的构成，明确应用目标。 ( 1 ) 抗原：反映在神经网络中相当于被优化的r b f 神经网络目标函数； ( 2 ) 抗体：各模式类的特征值，即能被用于r b f 神经网络隐含层中心的反映 变压器油中溶解气体特征值的数据项； ( 3 ) 系统结构：抗体通过相互作用构成的网络； ( 4 ) 应用目标是使免疫网络通过“学习胗后，能够反映原始数据组所包含的 模式类，即r b f 隐含层的聚类中心。 于是，整个网络的构成规则为： ( 1 ) 网络由数据项组成，每个数据项包括一个数据值、一个刺激度值以及数 据量值即该数据项所包含的相同数据的个数； ( 2 ) 网络中的数据项之间存在连接，两个数据项之间是否连接由两个数据项 的相似度以及一个阈值确定：如果数据项之间的相似度大于阈值则连接，否则，就 不连接； ( 3 ) 每一组互连的数据所构成的子网络，就代表一个模式类i ( 4 ) 通过训练，网络最终达到一个稳定的结构，这个稳定的结构就是聚类分 2 2 华北电力大学硕士学位论文 析的结果，每个子网络就是一个模式类的核。 由于这种基于人工免疫网络的聚类方法，本质就是利用网络的结构形式，以改 善聚类准则为指导，通过适当的算法和训练数据，不断地改善网络结构，最终得到 各个模式类的聚类核，这里的模式类的核是以各类型的特征值来表示的。所以，这 个过程就是一个特征抽取过程，根据前面关于人工免疫系统的一般框架中学习算法 的描述，算法具体实现步骤如下： ( 1 ) 确定几个关键参数值； 一 ( 2 ) 将样本数据分为三组：初始网络数据( 用于构造初始网络，即初始的抗 体) 、训练数据( 用于训练网络，即抗原) 、测试数据( 用于对结果进行测试，代表 新的抗原) ； ( 3 ) 由初始网络数据构成初始网络：计算数据项之间的相似度，大于连接阈 值的就建立连接，否则就不连接； ( 4 ) 提供训练数据，计算网络中各数据项的刺激度值( 即抗体的评价值) ； ( 5 ) 将刺激度值高的数据项存入记忆库； ( 6 ) 以各数据项的刺激度值为依据，进行克隆选择、交叉、变异操作； ( 7 ) 由新的数据项和记忆库中的数据项一起构造新的网络； ( 8 ) 判断结束条件是否满足，是，则结束，否，则转去第( 4 ) 不继续训练。 3 2 3 算法收敛性说明 相关研究得到如下结论：在基于样本和核的相似性度量的聚类分析方法中，如 果所采用的核修改方式，满足以下条件：即如果通过修改后的核能使聚类准则函数 值减少的话，则用修改后的核重新对样本集合中的元素聚类所得到的聚类集合，其 相应的聚类准则函数值将进一步减少“。所以可以证明，基于这样的核修改策略的 基于样本和