BP神經(jīng)網(wǎng)絡(luò)在油浸式變壓器過(guò)熱性故障診斷中的應(yīng)用

曾成碧，蒲 維，曾先鋒

(1.四川大學(xué)電氣信息學(xué)院，四川 成都 610065;2.四川電力科學(xué)研究院，四川 成都 610072;3.西昌電業(yè)局，四川 西昌 615000)

中國(guó)電力變壓器絕緣故障診斷仍采用傳統(tǒng)的故障診斷方法［1］，其中三比值法應(yīng)用效果較好［2－3］，解決了不少實(shí)際問(wèn)題，但是電力變壓器故障現(xiàn)象本身是復(fù)雜的非線性的關(guān)系，因變壓器的電壓等級(jí)、運(yùn)行環(huán)境、絕緣結(jié)構(gòu)以及所處的系統(tǒng)不一樣等眾多因素，使得三比值法判斷出故障類(lèi)型的準(zhǔn)確性受到很大影響，其準(zhǔn)確率在80%以下。近年來(lái)許多智能方法用于電力變壓器絕緣診斷中，取得較好的效果［4－6］。但仍然存在一些缺點(diǎn)，比如訓(xùn)練時(shí)間長(zhǎng)、收斂速度慢等。根據(jù)BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn)［7］，建立以變壓器油中溶解氣體組分含量為樣本數(shù)據(jù)，對(duì)不同的隱含層數(shù)目進(jìn)行了仿真分析，通過(guò)比較確定了適用于變壓器絕緣故障診斷的BP神經(jīng)網(wǎng)絡(luò)模型。通過(guò)研究表明，這種方法提高了神經(jīng)網(wǎng)絡(luò)的收斂速度，符合電力變壓器故障診斷系統(tǒng)的實(shí)際情況，準(zhǔn)確率高。

1 基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型

1.1 建立模型

電力變壓器故障診斷技術(shù)是實(shí)現(xiàn)從故障征兆到故障空間的映射，從而實(shí)現(xiàn)對(duì)故障的識(shí)別和診斷。利用變壓器油中溶解氣體分析法的檢測(cè)數(shù)據(jù)對(duì)油浸變壓器進(jìn)行故障診斷，實(shí)際上是完成氣體組分到故障類(lèi)型的一個(gè)復(fù)雜的非線性映射。BP神經(jīng)網(wǎng)絡(luò)診斷變壓器故障就是根據(jù)變壓器油中氣體的成分含量來(lái)進(jìn)行的，變壓器的過(guò)熱和放電故障將引起油中氣體含量的變化，通過(guò)分析特征氣體的成分，實(shí)現(xiàn)對(duì)變壓器故障性質(zhì)的判斷。

在故障診斷中，將已知的故障現(xiàn)象及其結(jié)論確定為訓(xùn)練學(xué)習(xí)的樣本空間，輸入可由I={a1，a2，…，an}表示，表示各種故障現(xiàn)象;輸出可由O={c1，c2，…，cn}表示，ci∈［0，1］表示屬于不同故障的隸屬度(概率)。選擇樣本經(jīng)過(guò)訓(xùn)練學(xué)習(xí)，確定網(wǎng)絡(luò)結(jié)構(gòu)，然后就可以根據(jù)訓(xùn)練樣本以外的故障現(xiàn)象診斷出故障狀況，這就是人工神經(jīng)網(wǎng)絡(luò)診斷變壓器故障原理。

必須指出的是，傳統(tǒng)BP算法的誤差減小時(shí)，極易陷入局部最小點(diǎn)。一旦訓(xùn)練樣本數(shù)目過(guò)多，輸入輸出關(guān)系復(fù)雜，網(wǎng)絡(luò)的收斂速度變得緩慢，表現(xiàn)為對(duì)網(wǎng)絡(luò)的初始值要求很高，不恰當(dāng)?shù)木W(wǎng)絡(luò)初始值會(huì)造成BP算法的收斂振蕩，甚至不收斂。由于每次訓(xùn)練網(wǎng)絡(luò)初始值的給定是隨機(jī)的，因此可以通過(guò)不斷的重新訓(xùn)練來(lái)達(dá)到要求。

1.2 設(shè)計(jì)BP網(wǎng)絡(luò)模型的幾個(gè)要點(diǎn)

1.2.1 網(wǎng)絡(luò)學(xué)習(xí)樣本的選擇

表1 故障類(lèi)型的學(xué)習(xí)樣本數(shù)據(jù)

學(xué)習(xí)樣本的好壞很大程度上決定著B(niǎo)P網(wǎng)絡(luò)的訓(xùn)練效果，收集學(xué)習(xí)樣本集時(shí)著重從以下幾點(diǎn)考慮:集中各種故障樣本的百分比應(yīng)當(dāng)同實(shí)際變壓器故障發(fā)生的機(jī)率大致相當(dāng)，如變壓器高溫過(guò)熱故障較多，樣本中就多包含一些高溫過(guò)熱故障的樣本;考慮到變壓器運(yùn)行中各種因素的影響，收集了具有代表性的變壓器油中溶解氣體分析樣本95例，分別來(lái)自不同電壓等級(jí)的變壓器，具有較好的廣泛性。經(jīng)過(guò)反復(fù)調(diào)試和比較，最終從中挑選的學(xué)習(xí)樣本舉例見(jiàn)表1所示。

1.2.2 輸入量和輸出量的確定

對(duì)反映變壓器內(nèi)部故障最優(yōu)價(jià)值的油中溶解特征氣體主要有 CH4、C2H4、C2H2、C2H6、H2、CO 和CO2。CO和CO2雖然對(duì)分析固體絕緣很有價(jià)值，但對(duì)故障類(lèi)別判斷的影響不大，當(dāng)輸入向維數(shù)過(guò)多時(shí)，會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)過(guò)于復(fù)雜，會(huì)出現(xiàn)對(duì)學(xué)習(xí)樣本要求苛刻、網(wǎng)絡(luò)訓(xùn)練次數(shù)增加、分類(lèi)能力顯著下降的問(wèn)題;另外，為了避免神經(jīng)網(wǎng)絡(luò)的飽和，輸入量不宜過(guò)大，不宜直接采用氣體含量作為輸入，可采用百分比或各種歸一化處理。因此，這里采用5種氣體組分比值作為輸入，即 H2/∑、CH4/∑、C2H6/∑、C2H4/∑、C2H2/∑作為輸入矢量(其中∑為 CH4、C2H4、C2H2、C2H6、H25 種氣體含量的總和)，進(jìn)行神經(jīng)網(wǎng)絡(luò)診斷研究。

DL/T 722－2000《變壓器油中溶解氣體分析和判斷導(dǎo)則》將變壓器故障類(lèi)型分為9種，即低溫過(guò)熱(低于150℃)、低溫過(guò)熱(150～300℃)、中溫過(guò)熱(300～700℃)、高溫過(guò)熱(高于700℃)、局部放電、低能放電、低能放電兼過(guò)熱、電弧放電、電弧放電兼過(guò)熱，這里將故障類(lèi)型定為8類(lèi)，即輸出層采用低溫過(guò)熱、中溫過(guò)熱、高溫過(guò)熱、局部放電、低能放電、低能放電兼過(guò)熱、電弧放電、電弧放電兼過(guò)熱作為8個(gè)輸出神經(jīng)元，分別對(duì)應(yīng) O1、O2、O3、O4、O5、O6、O7、O8，輸出值最大為1，表示屬于此類(lèi)故障，數(shù)值越大表明屬于該類(lèi)型故障的可能性越大;數(shù)值越小表明屬于該類(lèi)型故障的可能性越小，輸出值最小為0，表示完全不屬于此類(lèi)故障。

1.2.3 不同隱含層神經(jīng)元數(shù)目對(duì)BP網(wǎng)絡(luò)收斂性能的影響

當(dāng)網(wǎng)絡(luò)確定為選擇隱含層時(shí)，隱含層神經(jīng)元數(shù)目便成為決定網(wǎng)絡(luò)結(jié)構(gòu)的主要因素，選擇最佳網(wǎng)絡(luò)結(jié)構(gòu)不僅能改善網(wǎng)絡(luò)收斂性能，也有利于增強(qiáng)網(wǎng)絡(luò)的泛化推廣能力。只要選擇合適的隱含層神經(jīng)元數(shù)目，構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)就可以進(jìn)行故障診斷。

針對(duì)隱含層神經(jīng)元數(shù)目尚無(wú)可靠的確定規(guī)則，需要根據(jù)實(shí)際情況和經(jīng)驗(yàn)反復(fù)比較來(lái)確定。下面采用L－M算法，期望誤差設(shè)為0.01時(shí)，使用不同隱含層神經(jīng)元數(shù)目對(duì)60組學(xué)習(xí)樣本進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖1～圖3所示。

從圖中可以看出，當(dāng)隱含層神經(jīng)元數(shù)目較少時(shí)，網(wǎng)絡(luò)不能很好地學(xué)習(xí)，訓(xùn)練次數(shù)明顯增加，當(dāng)神經(jīng)元數(shù)目進(jìn)一步減少時(shí)，網(wǎng)絡(luò)訓(xùn)練誤差將不能收斂，如圖3所示，可見(jiàn)，太少的隱層神經(jīng)元數(shù)會(huì)使網(wǎng)絡(luò)難以適應(yīng)，陷入局部最小的可能性較大。隱層神經(jīng)元太多，使學(xué)習(xí)能力增強(qiáng)，能夠確保網(wǎng)絡(luò)收斂，但同時(shí)也使得網(wǎng)絡(luò)過(guò)于復(fù)雜，導(dǎo)致訓(xùn)練時(shí)間顯著增加，圖1示出了隱節(jié)點(diǎn)數(shù)為30個(gè)時(shí)的訓(xùn)練誤差曲線，雖然網(wǎng)絡(luò)顯示了很高的學(xué)習(xí)能力，只用了4輪循環(huán)迭代就使網(wǎng)絡(luò)誤差減小至期望誤差之下，但其花費(fèi)的訓(xùn)練時(shí)間比20個(gè)隱節(jié)點(diǎn)的3倍還要多。理論分析表明，太多的隱節(jié)點(diǎn)數(shù)能夠加速網(wǎng)絡(luò)學(xué)習(xí)能力，但其泛化能力明顯減弱。針對(duì)網(wǎng)絡(luò)模型這里選擇10～18個(gè)隱含層神經(jīng)元數(shù)都是可行的，為了適當(dāng)加快訓(xùn)練過(guò)程中誤差的下降速度，最終將隱含層神經(jīng)元數(shù)目確定為16個(gè)。

表2 測(cè)試樣本的BP網(wǎng)絡(luò)診斷結(jié)果(μL/L)

圖1 隱含層30個(gè)神經(jīng)元的計(jì)算結(jié)果

圖2 隱含層20個(gè)神經(jīng)元的計(jì)算結(jié)果

圖3 隱含層5個(gè)神經(jīng)元的計(jì)算結(jié)果

2 BP神經(jīng)網(wǎng)絡(luò)故障診斷計(jì)算過(guò)程及診斷結(jié)果

將BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法轉(zhuǎn)化為實(shí)際的學(xué)習(xí)過(guò)程，其原理如下。令輸入層故障診斷向量為I={a1，a2，…，an}，O={c1，c2，…，cn}為輸出故障診斷向量，隱含層神經(jīng)元數(shù)為 H={b1，b2，…，bn}，V=Vn×p與 W=Wp×q為各層之間連接權(quán)值，m為給定的樣本數(shù)。先給出輸入層與隱含層單元之間、隱含層與輸出層單元之間的連接權(quán)以及隱含層單元閥值θi，輸出層單元閥值γi賦以［－1，1］之間的隨機(jī)值。根據(jù)BP算法的推導(dǎo)過(guò)程，則每個(gè)模式對(duì)(Ak，Tk)(k=1，2，…m)經(jīng)過(guò)學(xué)習(xí)后，BP神經(jīng)網(wǎng)絡(luò)輸入故障征兆向量I后，其實(shí)際輸出O與期望輸出TK在允許誤差下是近似相等的。因此，BP神經(jīng)網(wǎng)絡(luò)的輸出O就是實(shí)際故障模式的近似，從而獲得故障問(wèn)題的近似診斷解。

用65組樣本數(shù)據(jù)對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后用訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)30組測(cè)試樣本進(jìn)行檢驗(yàn)，測(cè)試樣本進(jìn)行變壓器故障診斷的結(jié)果如表2所示。

從診斷結(jié)果看出，BP神經(jīng)網(wǎng)絡(luò)診斷模型能夠較為準(zhǔn)確地判斷出變壓器故障類(lèi)型，其準(zhǔn)確率達(dá)到了88.57%，比傳統(tǒng)的三比值法高出14個(gè)百分點(diǎn)，可見(jiàn)，所提出的基于L－M改進(jìn)算法建立的BP網(wǎng)絡(luò)故障診斷模型具有快速的收斂速度和較好的診斷能力，在變壓器故障診斷中應(yīng)用效果好于三比值法。

3 結(jié)語(yǔ)

依據(jù)變壓器故障氣體和故障類(lèi)型的特點(diǎn)，設(shè)計(jì)了基于油中溶解氣體特征量的BP神經(jīng)網(wǎng)絡(luò)模型，針對(duì)BP網(wǎng)絡(luò)隱含層最佳結(jié)構(gòu)難以確定的問(wèn)題，設(shè)計(jì)了針對(duì)不同隱含層神經(jīng)元數(shù)目的仿真。仿真表明，對(duì)變壓器絕緣故障來(lái)說(shuō)，隱含層神經(jīng)元數(shù)目的多少也有一定的規(guī)律可循，解決前面診斷算例的隱含層神經(jīng)元數(shù)目在10～18之間都是可行的。訓(xùn)練和診斷結(jié)果表明，所建立的BP神經(jīng)網(wǎng)絡(luò)診斷模型具有較高的診斷準(zhǔn)確度，效果優(yōu)于改良三比值法。

［1］操敦奎.變壓器油中氣體分析診斷與故障檢查［M］.北京:中國(guó)電力出版社，2005.

［2］楊振勇.《變壓器油中溶解氣體分析與判斷導(dǎo)則》判斷變壓器故障的探討［J］.變壓器，2008，45(10):24 －26.

［3］徐桂敏，楊正祥.概率神經(jīng)網(wǎng)絡(luò)在油浸式變壓器故障診斷中的應(yīng)用［J］.科技咨詢(xún)，2011(9):143.

［4］周天春，楊麗君，廖瑞金，等.基于局部放電因子向量和BP神經(jīng)網(wǎng)絡(luò)的油紙絕緣老化狀況診斷［J］.電工技術(shù)學(xué)報(bào)，2010，25(10):18 －23.

［5］E.A.Mohamed，A.YAbdelaziz.A Neural Network － based Scheme for Fault Diagnosis of Power Transformer［J］.E-lectric Power Systems Research，2005，75(2):29 －39.

［6］汪曉明，何萍，吳花，等.CP組合神經(jīng)網(wǎng)絡(luò)在基于DGA的變壓器絕緣故障診斷中的應(yīng)用［J］.高壓電器，2008，44(6):543 －547

［7］魏海坤.神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的理論與方法［M］.北京:國(guó)防工業(yè)出版社，2005.