基于BP網(wǎng)絡(luò)改進模糊評判隸屬度函數(shù)的變壓器狀態(tài)評估*

唐　麟　張宏鵬

(西安工業(yè)大學(xué)電子信息工程學(xué)院　西安　710021)

?

基于BP網(wǎng)絡(luò)改進模糊評判隸屬度函數(shù)的變壓器狀態(tài)評估*

唐麟張宏鵬

(西安工業(yè)大學(xué)電子信息工程學(xué)院西安710021)

摘要通過對當(dāng)前國內(nèi)電力變壓器狀態(tài)檢修現(xiàn)狀的分析,以模糊理論為基礎(chǔ),論文提出一種采用模糊綜合評判結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法對隸屬度函數(shù)的訓(xùn)練優(yōu)化來評估電力變壓器工作狀態(tài)的方法。此方法根據(jù)影響變壓器健康狀態(tài)的因素與其內(nèi)部器件的對應(yīng)關(guān)系,利用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本,得出訓(xùn)練好的最優(yōu)隸屬度函數(shù),以此判斷出相應(yīng)內(nèi)部器件的健康狀態(tài)。驗證了結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法的模糊方法的評估結(jié)果比僅僅采用模糊理論評估的結(jié)果更準(zhǔn)確。

關(guān)鍵詞狀態(tài)評估; 模糊綜合評判; BP神經(jīng)網(wǎng)絡(luò)

Improved Fuzzy Evaluation Based on BP Network Membership Function of the Transformer Condition Assessment

TANG LinZHANG Hongpeng

(School of Electronic Information Engineering, Xi’an Technological University, Xi’an710021)

AbstractThrough analyzing the current situation of the present domestic state overhaul of electric power transformer, based on the fuzzy theory, a method is presented that is used for training the membership of fuzzy comprehensive evaluation combined with BP neural network algorithm to optimize membership function to evaluate the working state of power transformer. The method according to the influencing factors of transformer health status and its internal components, the relation between the parameters provided by the transformer, the training samples of BP neural network are used to train good optimal membership functions, which can be used for judging the health status of the corresponding internal device. It is verified that the results of fuzzy method of combining the BP neural network algorithm evaluation have more accuracy than the results of fuzzy theory to evaluate.

Key Wordsstatus assessment, fuzzy comprehensive evaluation, BP neural network

Class NumberTP207

1引言

電力變壓器在電力系統(tǒng)中有著舉足輕重的地位,其運行的穩(wěn)定性和安全性直接影響到整個電力系統(tǒng)的安全可靠。但是,由于維修、運輸、安裝和制造等因素造成的變壓器故障極大地威脅著電網(wǎng)的穩(wěn)定運行,故提高變壓器運行安全和穩(wěn)定性的應(yīng)用研究,成為了變壓器運行維護中的重要研究方向。要使變壓器穩(wěn)定工作,除了得用質(zhì)量有保障的變壓器外,還要提高變壓器的維護和檢修水平。

由于變壓器故障原因和故障征兆間存在著復(fù)雜的隨機性,故難以用確定的模型加以描述,模糊綜合評判[1]能較好地處理事物的不確定性,因此,將其廣泛地應(yīng)用到變壓器狀態(tài)評估領(lǐng)域。同時,為使系統(tǒng)能夠更加完善達到自學(xué)習(xí)的功能,采用BP神經(jīng)網(wǎng)絡(luò)對隸屬度函數(shù)進行訓(xùn)練,使初步評估值與標(biāo)準(zhǔn)值接近,盡量減小誤差以便使系統(tǒng)在后期對同等級的變壓器的評估更加準(zhǔn)確。

2模糊綜合評判模型

模糊綜合評判是對那些需要涉及多個因素才能評價的事物,或其總體的好壞不僅受到某一因素影響的事物,充分利用所有影響因素中蘊含的有利信息,并做出一個能綜合這些因素的總體評判。比較好地解決人類思維的主動性和模糊性。

1) 建立評估對象因素集

把變壓器的運行狀態(tài)作為評估對象,綜合變壓器的內(nèi)部器件。建立影響因素集合[2]U={u1,u2,…,un},按某種屬性將因素分為s類,即Ui={ui1,ui2,…,uini}。

2) 建立評語集

根據(jù)設(shè)備狀態(tài)量對設(shè)備狀態(tài)的影響程度,將變壓器的狀態(tài)劃分為四個等級[3],即正常狀態(tài)、注意狀態(tài)、異常狀態(tài)和嚴重狀態(tài),即V={v1,v2,v3,v4}。

3) 建立權(quán)重集

計算過程中分別建立因素類權(quán)重集和因素權(quán)重集[4]。

(1)因素類權(quán)重集

設(shè)第i類因素Ui的權(quán)數(shù)為ai(i=1,2,…,s),則因素類權(quán)重集為A=(a1,a2,…,as)。

(2)因素權(quán)重集

設(shè)第i類中的第j個因素uij的權(quán)數(shù)為aij,則因素權(quán)重集為A=(ai1,ai2,…,aini),i=1,2,…,s。

4) 隸屬度函數(shù)的確立

變壓器狀態(tài)評估準(zhǔn)確性主要取決于隸屬函數(shù)選取[5],該文利用三角形和半梯形組合的分布函數(shù),建立各指標(biāo)對應(yīng)于不同狀態(tài)等級的隸屬度函數(shù)。

正常狀態(tài)的隸屬函數(shù):

注意狀態(tài)的隸屬函數(shù):

異常狀態(tài)的隸屬函數(shù):

嚴重狀態(tài)的隸屬函數(shù):

5) 模糊綜合評判

模糊綜合評判的表達式為B=A°R,A表示權(quán)重,R表示模糊評判矩陣。這里使用加權(quán)平均法進行權(quán)重和評判矩陣之間的模糊運算,使用這種算法既考慮了主要因素對變壓器狀態(tài)的影響,又保留了單個因素的全部信息,較符合實際情況。

3BP神經(jīng)網(wǎng)絡(luò)的基本原理

運用誤差反向傳播學(xué)習(xí)算法的多層前向網(wǎng)絡(luò),即通常所說的BP網(wǎng)絡(luò),是神經(jīng)網(wǎng)絡(luò)模型中使用最廣泛的一種。圖1是一個典型的BP神經(jīng)網(wǎng)絡(luò)。

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

圖中X1,X2,…,Xn是BP神經(jīng)網(wǎng)絡(luò)的輸入層是值,確定網(wǎng)絡(luò)輸入層節(jié)點數(shù)是n,O1,O2,…,Ol是隱含層,節(jié)點數(shù)是l,Y1,Y2,…,Ym是BP神經(jīng)網(wǎng)絡(luò)的輸出預(yù)測層,節(jié)點數(shù)是m,輸入層、隱含層和輸出層是神經(jīng)元之間的連接權(quán)重ωij,ωjk,隱含層閾值為aj,輸出層閾值為bk,E則為期望值和預(yù)測值的誤差,而T1,T2,…,Tn是一組期望值,當(dāng)預(yù)測值同期望值不同或差異較大時,就會從E處反饋調(diào)整,進行訓(xùn)練使網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出[6]。

4結(jié)合神經(jīng)網(wǎng)絡(luò)對隸屬度函數(shù)的訓(xùn)練的實例分析

某變壓器型號為SSZ10-180000/220,額定容量60000kVA,例行試驗的油色譜數(shù)據(jù)以及電氣試驗數(shù)據(jù)如表1所示。

表1　油色譜實驗數(shù)據(jù)　μL/L

表2　電器試驗數(shù)據(jù)

該主變運行情況良好,無不良運行記錄,附件運行情況經(jīng)檢測合格,三相套管平均介質(zhì)損耗因數(shù)為0.34,套管絕緣電阻1000MΩ,分接開關(guān)及冷卻系統(tǒng)運行狀況良好。

表3　評估指標(biāo)

U為因素類權(quán)重,U1和U2是因素權(quán)重。U1權(quán)重分別代表絕緣油、繞組和有載調(diào)壓開關(guān)的權(quán)重,U2權(quán)重分別代表鐵芯和套管的權(quán)重。

下面將采用Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱,來實現(xiàn)對隸屬度函數(shù)的訓(xùn)練[7]。建立七個神經(jīng)網(wǎng)絡(luò),即絕緣電阻、吸收比、泄漏電流、介損值、繞組直流電阻不平衡系數(shù)、油中微水、油介損七個網(wǎng)絡(luò)。以絕緣電阻為例,圖2是絕緣電阻輸出正常狀態(tài)時的輸入輸出誤差圖。

圖2　神經(jīng)網(wǎng)絡(luò)輸入輸出誤差圖

圖3　誤差迭代曲線圖

圖3是誤差和計算迭代次數(shù)的曲線圖,從圖中看出圓圈處是誤差最小的點,誤差大的時候曲線急劇下降,直至最低點后又緩緩上升了,此最低點為誤差最小的時候。

圖4　誤差統(tǒng)計直方圖

圖4中橫坐標(biāo)是誤差的值,縱坐標(biāo)是指符合當(dāng)前誤差的樣本個數(shù),如果整體的圖形接近正態(tài)分布的話,就越能證明神經(jīng)網(wǎng)絡(luò)模型描述了真實的輸入和輸出直接的關(guān)系。

圖5　神經(jīng)網(wǎng)絡(luò)得到隸屬函數(shù)和輸入原始數(shù)據(jù)對比圖

圖5是神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)得到的隸屬函數(shù)和輸入的原始數(shù)據(jù)的對比圖,此圖與原始的三角形聯(lián)合半梯形的函數(shù)基本接近。

圖6　線性回歸分析圖

圖6為訓(xùn)練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù)的線性回歸分析圖,主要是驗證模型的有效性,相關(guān)系數(shù)R的值越大越能代表神經(jīng)網(wǎng)絡(luò)輸入和輸出的關(guān)系[9],即模型越有效。

由神經(jīng)網(wǎng)絡(luò)訓(xùn)練好的隸屬度函數(shù),將各內(nèi)部器件的狀態(tài)進行模糊綜合處理:

1) 一級綜合評判:

B1=[0.4260.3340.240]

=[0　0.613　0.290　0.097]

B2=[0.5780.422]

=[00.3480.4530.199]

2) 二級綜合評判:

=[0　0.458　0.384　0.156]

綜上可知變壓器處于注意狀態(tài),用Matlab神經(jīng)網(wǎng)絡(luò)工具箱搭建了七個神經(jīng)網(wǎng)絡(luò),對七個隸屬度函數(shù)進行循環(huán)訓(xùn)練,直至誤差最小,訓(xùn)練出的隸屬度函數(shù)替代模糊推理的隸屬度函數(shù),使模糊綜合的結(jié)果更加準(zhǔn)確,從實例來看,對變壓器狀態(tài)評估達到了預(yù)期效果[10]。但是,由于缺乏對大量有效實例來驗證,所以對于準(zhǔn)確性這方面應(yīng)做更加充分的實踐探索。

5結(jié)語

本文將模糊綜合評判和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法,應(yīng)用于變壓器狀態(tài)評估,采用改進的層次分析法確定各指標(biāo)的權(quán)重,最后用實際案例證明該方法的有效性,并且驗證了模糊綜合評判和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的評估結(jié)果比一般僅采用模糊算法的評估結(jié)果更準(zhǔn)確,在工程實際中有比較好的應(yīng)用研究價值。是進行有效、合理、科學(xué)地變電設(shè)備的狀態(tài)檢修的必要途徑之一。

參 考 文 獻

[1] 郭少飛,苑立國,高樹國,等.基于模糊綜合評判和支持向量回歸的變壓器狀態(tài)評估方法[D].北京:華北電力大學(xué)電氣與電子工程學(xué)院,2013.

GUO Shaofei, YUAN Liguo, GAO Shuguo,etal. Fuzzy comprehensive evaluation and support vector regression based transformer condition assessment methods[D]. Beijing: North China Electric Power University,2013.

[2] 鐘文慧,左重華,徐敏,等.基于模糊理論的變壓器狀態(tài)評估[J].南昌大學(xué)學(xué)報(工科版),2009,31(1):53-56.

ZHONG Wenhui, ZUO Zhonghua, XU Min,etal. Transformer condition assessment based on fuzzy theory[J]. Journal of Nanchang University(Science Edition),2009,31(1):53-56.

[3] 陳家斌.電氣設(shè)備故障檢測診斷方法及實例[M].北京:中國水利水電出版社,2003.

CHEN Jiabin. Electrical equipment fault detection diagnosis methods and examples[M]. Beijing: China WaterPower Press,2003.

[4] 李偉.基于模糊綜合評判的高壓斷路器狀態(tài)評估方法研究[D].重慶:重慶大學(xué)碩士學(xué)位論文,2004.

LI Wei. High voltage circuit breaker state evaluation based on fuzzy comprehensive evaluation method[D]. Chongqin: Chongqing University Master’s Degree Thesis,2004.

[5] 紀航,朱永利,郭偉.基于模糊綜合評價的變壓器狀態(tài)評分方法研究[J].電力系統(tǒng)保護與控制,2006,34(5):29-33.

JI Hang, ZHU Yongli, GUO Wei. Transformer state grading method based on fuzzy comprehensive evaluation research[J]. Power System Protection and Control,2006,34(5):29-33.

[6] 董長虹.神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京:國防工業(yè)出版社,2005.

DONG Changhong. Neural network and application[M]. Beijing: National Defence Industry Press,2005.

[7] 李云天.人工神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].高電壓技術(shù),1996,22(4):58-60.

LI Yuntian. Application of artificial neural network in the transformer fault diagnosis[J]. High Voltage Technology,1996,22(4):58-60.

[8] 楊綸標(biāo),高英儀.模糊數(shù)學(xué)原理及應(yīng)用[M].廣州:華南理工大學(xué)出版社,2001.

YANG Lunbiao, GAO Yinyi. The principle and application of fuzzy mathematics[M]. Guangzhou: South China University of Technology Press,2001.

[9] 徐文,等.人工神經(jīng)網(wǎng)絡(luò)在變壓器特征氣體法故障診斷中的應(yīng)用[J].高電壓技術(shù),1996,22(2):27-29.

XU Wen, et al. Artificial neural network in the application of the characteristic gas method of transformer fault diagnosis[J]. High Voltage Technology,1996,22(2):27-29.

[10] 趙文清,朱永利.電力變壓器狀態(tài)評估綜述[J].變壓器,2007,44(11):9-12.

ZHAO Wenqing, ZHU Yongli. Power transformer condition assessment were reviewed[J]. Transformer,2007,44(11):9-12.

中圖分類號TP207

DOI:10.3969/j.issn.1672-9722.2016.03.007

作者簡介:唐麟,男,碩士研究生,研究方向:變壓器狀態(tài)評估等。張宏鵬,男,博士,講師,研究方向:計算機測控技術(shù)等。

收稿日期:2015年9月17日,修回日期:2015年10月29日