基于人工智能技術(shù)的變壓器故障診斷

摘 要：分析了電力變壓器故障氣體和故障類型之間的關(guān)系，利用SOM網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)的特點(diǎn)對(duì)電力變壓器的故障類型進(jìn)行分類診斷建模。實(shí)例分析表明，SOM網(wǎng)絡(luò)能很好的對(duì)電力變壓器的故障類型進(jìn)行分類診斷。

關(guān)鍵詞：人工智能；SOM網(wǎng)絡(luò)；故障診斷

中圖分類號(hào)：TM407

隨著我國(guó)經(jīng)濟(jì)社會(huì)的不斷發(fā)展，對(duì)電力能源的需求量及其穩(wěn)定性要求不斷提高。用來改變電壓和電流的電力變壓器是電力傳輸系統(tǒng)中的關(guān)鍵設(shè)備，它運(yùn)行的穩(wěn)定與否直接影響到民用和工業(yè)用電的安全和穩(wěn)定，直接影響著社會(huì)生活的各個(gè)方面[1]。因此，電力部門每年都投入大量的人力、物力來檢查、維修所屬轄區(qū)內(nèi)的各個(gè)變壓器，以此保障變壓器的工作安全及穩(wěn)定。這種對(duì)電力變壓器定期檢查的方法具有很大的盲目性，浪費(fèi)了大量的人力和物力資源。

電力變壓器故障具有多種類型，比較復(fù)雜。如果能在變壓器工作過程中及早對(duì)其隱含的故障進(jìn)行預(yù)測(cè)性的診斷，就能進(jìn)一步提高電力供應(yīng)的穩(wěn)定性和安全性[2]，更好的保障社會(huì)的生產(chǎn)和生活。為了能對(duì)電力變壓器的故障進(jìn)行有效的診斷，本文嘗試引入人工智能技術(shù)中的自組織映射網(wǎng)絡(luò)[3]（Self-Organizing Feature Maps，簡(jiǎn)稱SOM）方法對(duì)電力變壓器的故障進(jìn)行診斷，以期能更早、更快的發(fā)現(xiàn)變壓器中潛在的故障問題，便于對(duì)變壓器進(jìn)行維護(hù)和維修。

1 SOM網(wǎng)絡(luò)的基本原理

1.1 SOM網(wǎng)絡(luò)的基本結(jié)構(gòu)

SOM網(wǎng)絡(luò)[3]也稱為Kohonen網(wǎng)絡(luò)，1981年由芬蘭學(xué)者Teuvo Kohonen提出。SOM網(wǎng)絡(luò)模型模擬人體大腦神經(jīng)系統(tǒng)的自組織功能，采用無監(jiān)督學(xué)習(xí)方法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，本質(zhì)上它是一種競(jìng)爭(zhēng)型的神經(jīng)網(wǎng)絡(luò)模型。一個(gè)最基本的SOM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 SOM網(wǎng)絡(luò)的基本結(jié)構(gòu)

從圖1中可以看到，在SOM網(wǎng)絡(luò)中，網(wǎng)絡(luò)結(jié)構(gòu)分為兩層：輸入層和競(jìng)爭(zhēng)層。SOM網(wǎng)絡(luò)的神經(jīng)元之間具有兩種不同類型的權(quán)值：一種是輸入層和競(jìng)爭(zhēng)層神經(jīng)元之間的連接權(quán)值；另一種是競(jìng)爭(zhēng)層神經(jīng)元之間的互連權(quán)值，該權(quán)值的大小控制著競(jìng)爭(zhēng)層神經(jīng)元之間相互作用的強(qiáng)弱。輸入層和競(jìng)爭(zhēng)層的神經(jīng)元通過連接權(quán)值wij進(jìn)行連接，競(jìng)爭(zhēng)層中的神經(jīng)元也通過它們之間的互聯(lián)權(quán)值進(jìn)行聯(lián)系。輸入層接收信號(hào)的輸入，通過連接權(quán)值wij把信號(hào)向競(jìng)爭(zhēng)層傳輸。信號(hào)到達(dá)競(jìng)爭(zhēng)層后，競(jìng)爭(zhēng)層的神經(jīng)元對(duì)輸入的信號(hào)進(jìn)行分析，尋找當(dāng)中的規(guī)律，最后對(duì)相似的信號(hào)類別進(jìn)行歸類、合并。SOM網(wǎng)絡(luò)的學(xué)習(xí)過程分為三個(gè)階段：（1）競(jìng)爭(zhēng)階段。在該階段，網(wǎng)絡(luò)接收信號(hào)的輸入，網(wǎng)絡(luò)中的神經(jīng)元分別計(jì)算每個(gè)輸入信號(hào)的判別函數(shù)值Y。當(dāng)網(wǎng)絡(luò)中的神經(jīng)元滿足MAX（Y）時(shí)，則該神經(jīng)元就為獲勝者；（2）合作階段。興奮神經(jīng)元鄰近處理神經(jīng)元的空間位置由獲勝神經(jīng)元決定；（3）權(quán)值調(diào)整階段。興奮神經(jīng)元修正它們的激勵(lì)參數(shù)，以便使它們對(duì)今后相似的輸入信號(hào)能有一個(gè)增強(qiáng)的響應(yīng)。

1.2 SOM網(wǎng)絡(luò)的基本步驟[4]

2 變壓器故障診斷概述

目前，大部分充油電力變壓器主要采用油-紙結(jié)構(gòu)進(jìn)行絕緣[5]。大量的研究實(shí)驗(yàn)和運(yùn)行經(jīng)驗(yàn)表明，工作中的充油電力變壓器在長(zhǎng)期的熱和電的作用下，有機(jī)絕緣材料將逐漸老化、分解，此時(shí)在變壓器內(nèi)部將會(huì)產(chǎn)生少量的CO、CO2以及各種低分子烴類溶解于變壓器的油中，當(dāng)變壓器內(nèi)部出現(xiàn)隱藏的問題時(shí)，就會(huì)大量產(chǎn)生CO、CO2以及各種低分子烴類氣體。當(dāng)前對(duì)充油電力變壓器最常用的故障檢測(cè)手段是油中溶解氣體分析（Dissolved Gases Analysis，簡(jiǎn)稱DGA）技術(shù)[6]。通過對(duì)溶于油中的氣體進(jìn)行測(cè)量，并利用各種方法，如色譜技術(shù)等，對(duì)測(cè)量到的氣體進(jìn)行分析，根據(jù)分析結(jié)果就能進(jìn)一步判斷變壓器設(shè)備內(nèi)部是否存在異常，進(jìn)而推斷變壓器設(shè)備的故障類型。

不同故障類型所產(chǎn)生的氣體也不同，根據(jù)1999年國(guó)際電工委員會(huì)（International Electrotechnical Commission，簡(jiǎn)稱IEC）制定的60599導(dǎo)則并結(jié)合實(shí)際情況，本文將電力變壓器典型故障確定為低能放電、高能放電、低溫過熱、高溫過熱、圍屏放電、匝間故障、開關(guān)故障以及接地故障等8種類型。

3 SOM網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用

收集了某電網(wǎng)共225筆電力變壓器故障數(shù)據(jù)，如表1所示。其中，除了CO和CO2這兩種氣體外，其它烴類氣體所給出的數(shù)值都代表該故障氣體占總烴量的比例。

表1 收集到的變壓器故障樣本數(shù)據(jù)（部分）

以表1中的數(shù)據(jù)共9筆進(jìn)行驗(yàn)證，其余的216筆數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練。本文實(shí)驗(yàn)的輸出為8種不同類型的變壓器故障，連同正常狀態(tài)公共9種變壓器狀態(tài)，因此把SOM網(wǎng)絡(luò)的競(jìng)爭(zhēng)層設(shè)計(jì)為3×3的二維平面。實(shí)驗(yàn)硬件環(huán)境為P4 3G Hz、2G 內(nèi)存，在WinXP下利用MATLAB 7.0編程進(jìn)行仿真測(cè)試，經(jīng)過600次訓(xùn)練后，SOM網(wǎng)絡(luò)的權(quán)值趨于穩(wěn)定。利用測(cè)試數(shù)據(jù)對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試，最終結(jié)果為：3 5 1 7 9 2 3 4 6。從結(jié)果中很容易知道，編號(hào)為3和8的變壓器同屬于同一故障，其余測(cè)試樣本分屬于不同的故障。測(cè)試數(shù)據(jù)顯示，利用SOM網(wǎng)絡(luò)對(duì)變壓器故障進(jìn)行診斷，效果良好。

4 結(jié)束語

電力變壓器正常工作與否關(guān)系到社會(huì)的生產(chǎn)和居民生活的用電安全和穩(wěn)定。針對(duì)常規(guī)電壓器定期檢查維護(hù)費(fèi)時(shí)費(fèi)力的缺點(diǎn)，本文引入人工智能技術(shù)中的SOM神經(jīng)網(wǎng)絡(luò)方法對(duì)電力變壓器的故障進(jìn)行診斷。實(shí)例分析表明，SOM網(wǎng)絡(luò)能很好的對(duì)電力變壓器的故障進(jìn)行診斷，具有一定的推廣前景。

參考文獻(xiàn)：

[1]史江萍，修偉光，王大玲.變壓器故障診斷專家系統(tǒng)的設(shè)計(jì)[J].沈陽(yáng)工程學(xué)院學(xué)報(bào)，2007（01）：61-65.

[2]杜文霞，呂峰，句希源.基于BP神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷[J].變壓器，2007（44）：45-47.

[3]Vesanto J，Alhoniemi E.Clustering of the Self- organizing map[J].IEEE Transaction on Neural Networks，2000（03）：586-600.

[4]李春華，李寧，史陪軍.自組織特征映射神經(jīng)網(wǎng)絡(luò)原理和應(yīng)用研究[J].北京師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2006：543-547.

[5]彭劍，羅安，周柯等.變壓器故障診斷中信息融合技術(shù)的應(yīng)用[J].高電壓技術(shù)，2007（33）：144-147.

[6]銀濤.基于概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷的應(yīng)用[J].電氣應(yīng)用，2006（10）：15-17.

作者簡(jiǎn)介：譚子平（1978-），男，壯族，廣西柳州人，助理工程師，研究方向：電氣自動(dòng)化。

作者單位：廣西中煙工業(yè)有限責(zé)任公司柳州卷煙廠，廣西柳州 545006