基于BP人工神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷

楊 蕾

（國網(wǎng)河南省電力公司 電力科學(xué)研究院計量中心，河南 鄭州 450000）

在電力系統(tǒng)中，電力變壓器承擔(dān)著能力的傳輸和分配作用，具有重要的地位。其可靠的運行關(guān)系到整個電網(wǎng)的安全與穩(wěn)定。而變壓器油箱中油溶解氣體分析技術(shù)，通過定量地分析變壓器中溶解氣體的成分和比重，確定氣體的含量，及時預(yù)判變壓器內(nèi)部的潛在故障［1］。

變壓器故障診斷有很多種方，常用的方法有羅杰斯法、三值法、電研協(xié)法等。但這些方法只是實踐經(jīng)驗的總結(jié)［2］。近些年，隨著人工智能技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)在故障診斷中得到了廣泛應(yīng)用［3］。人工神經(jīng)網(wǎng)絡(luò)具有并行處理、學(xué)習(xí)、記憶、自適應(yīng)等性質(zhì)，廣泛應(yīng)用于自動控制和故障診斷中［4-5］。BP神經(jīng)網(wǎng)絡(luò)是一種模擬動物神經(jīng)網(wǎng)絡(luò)行為特征，通過調(diào)整網(wǎng)絡(luò)權(quán)值和閥值來修正網(wǎng)絡(luò)輸出誤差，具有很強的非線性逼近能力和自學(xué)習(xí)能力［6］，在故障檢測中取得了很好的效果。

1 氣體溶解法在故障診斷中的原理

目前，變壓器故障診斷中應(yīng)用最廣的是油中溶解氣體分析法，即通過變壓器油中溶解氣體的分析來判斷變壓器存在故障類型，判斷原理如下［7］。

正常情況下，在變壓器油箱內(nèi)的有機絕緣材料會隨著時間的變化而分解，產(chǎn)生各種氣體，如CH4、C2H6、C2H2、H2、CO和CO2等。這些氣體絕大多數(shù)都易溶解于油中，當(dāng)電網(wǎng)負荷變大，變壓器過載運行而發(fā)熱時，這些氣體隨溫度升高會加速產(chǎn)生。大量的實驗結(jié)果證明，變壓器的油中溶解氣體比重與故障的嚴重程度有著非常密切的聯(lián)系，在正常情況下，其中碳的氧化物成分最多；當(dāng)油紙絕緣材料中存在局部放電時，裂解氣體主要是H2和CH4；當(dāng)溫度高于正常溫度不多時，CH4的比例比增加；隨著溫度的不斷升高，C2H2、C2H4的產(chǎn)生逐漸增多；當(dāng)存在電弧故障，溫度會急劇升高，此時油中C2H2比重較高。因此，通過測量和分析油中特征氣體的含量，就能提前發(fā)現(xiàn)變壓器內(nèi)部潛在的故障。

在分析變壓器故障類型時，由于油中氣體含量與單一類型的故障之間并沒有確定的映射關(guān)系，而且氣體的含量的也很難準確推測，加之實際現(xiàn)場數(shù)據(jù)的采集能力也很有限，在實際應(yīng)用中，傳統(tǒng)方法往往很難實現(xiàn)，這就給變壓器故障診斷帶來很多不便。

2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播算法，也是工程上運用最廣的算法［8］，通過不斷調(diào)整權(quán)值和閥值，使其輸入與輸出的誤差逐不斷減小。具體算法如圖1所示：

圖1 BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)

Setp1:網(wǎng)絡(luò)初始化。設(shè)P個輸入，q個輸出，m個樣本。輸入層與中間層的權(quán)值為wih，隱含層與輸出層的權(quán)值為who，隱含層和輸出層的閥值分別為θ和γ，計算精度為ε，最大學(xué)習(xí)次數(shù)為Μ，誤差函數(shù)：

d為期望輸出，y為實際輸出。

Setp2:輸入樣本。選取第k個樣本x（k）和對應(yīng)的輸出d（k）。

Setp3:計算隱含層輸入uh（k）和隱輸出vh（k），計算輸出層輸入（k）和輸出y（ok）：

Setp4:計算誤差函數(shù)的偏導(dǎo)函數(shù)：

Setp5:用輸出層神經(jīng)元的δo（k）和隱含層神經(jīng)元輸出vh（k）修正連接權(quán)值who和閥值θ：

其中η為學(xué)校率，在（0，1）之間。

Setp6：對網(wǎng)絡(luò)權(quán)值wih和和θ進行修正：

Setp7：計算全局誤差E：

Setp8:判斷E是否滿足要求。如果E＜ε或?qū)W習(xí)次數(shù)大于Μ時，程序結(jié)束；否則進入下次迭代。

圖2 BP神經(jīng)網(wǎng)絡(luò)診斷算法流程圖

3 實例仿真

3.1 數(shù)據(jù)源

本文從近年來相關(guān)文獻中收集了大量具有明確結(jié)論的變壓器故障數(shù)據(jù)。通過對數(shù)據(jù)進行分析，得到了5種典型故障類型。低能放電（ER1）、高能放電（ER2）、中低溫過熱（ER3）、高溫過熱（ER4）和正常。為了降低數(shù)據(jù)之間互斥性，需要先對原始數(shù)據(jù)進行歸一化處理，用式（13）降低氣體之間互斥性。

表1 實驗樣本分類情況

表2 BP網(wǎng)絡(luò)診斷結(jié)果

3.2 輸入層節(jié)點數(shù)的確定

在變壓器油中溶解的氣體與故障類型相對應(yīng)的有5種特征氣體（CH4、C2H6、C2H4、C2H2、H2）。所以，以這5種特征氣體在變壓器油箱中的溶解比重作為網(wǎng)絡(luò)的輸入，即輸入層節(jié)點確定為5個。

3.3 輸出層節(jié)點數(shù)的確定

對變壓器進行故障診斷時，設(shè)定輸出結(jié)果為正常（10000）、低溫過熱（01000）、高溫過熱（00100）、低能量放電（00010）和高能放電（00001）。所以輸出層節(jié)點為5個。

3.4 數(shù)據(jù)仿真

圖3 神經(jīng)網(wǎng)絡(luò)誤差收斂曲線

取上述特征樣本對網(wǎng)絡(luò)進行訓(xùn)練學(xué)習(xí)，圖3為標準BP神經(jīng)網(wǎng)絡(luò)算法的誤差—訓(xùn)練次數(shù)變化曲線。圖中橫坐標為訓(xùn)練次，誤差精度0.0001。

4 結(jié)語

本文針對變壓器故障檢測，利用變壓器油中特征氣體5種特征氣體（CH4、C2H6、C2H4、C2H2、H2）作為參考量，利用BP神經(jīng)網(wǎng)絡(luò)算法，通過不斷修改網(wǎng)絡(luò)的權(quán)值與閥值來達到預(yù)測故障的目的，克服了傳統(tǒng)方法依靠人為經(jīng)驗的不足，具有較高的實用價值。

［1］應(yīng)鴻，李天云，張宇輝.變壓器故障診斷的神經(jīng)網(wǎng)絡(luò)法［J］.東北電力學(xué)院學(xué)報，1996，20（12）:54-58.

［2］孫才新，等.變壓器油中溶解氣體分析中的模糊模式多層聚類故障診斷方法的研究［J］.中國電機工程學(xué)報，2001，21（2）：37-41.

［3］熊忠陽，楊青波，張玉芳.改進PSO-BP神經(jīng)網(wǎng)絡(luò)在變壓器故障檢測中的應(yīng)用［J］.計算機應(yīng)用，2010，30（3）:783-792.

［4］LinCE，LingJM，Huang CL.An Expert System forTran sformer Fault Diagnosis and Maintenance Using Dissolved Gas Analysis［J］.IEEE Trans.On Power Delivery，1993，8（1）:231-238.

［5］WangZ，LiuY，PJ Griffin.An Artificial Neural Net work Approach to Trans-former Faults Diagnosis［J］.IEEE Trans.On Power Delivery，1998，13（10）：1224-1229.

［6］孫文韜.反向傳播神經(jīng)網(wǎng)絡(luò)原理研究及優(yōu)化方法［J］.中國科技博覽，2011（32）：511-512.

［7］劉立兵，惠鵬飛.電力變壓器故障預(yù)測與診斷仿真研究［J］.計算機仿真，2010，27（12）：303-306.

［8］袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用［M］.北京:清華大學(xué)出版社，1999.