基于BP神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障診斷

黃明增 高瀧森 林廣大

摘 要：本文研究了一種基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法，利用油中氣體含量分析的方法，收集整理變壓器故障信息作為訓(xùn)練和診斷樣本，建立了基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型，準(zhǔn)確率最高達(dá)到95%，具有較高的實際應(yīng)用價值。

關(guān)鍵詞：油浸式變壓器；BP神經(jīng)網(wǎng)絡(luò)；故障診斷

中圖分類號：TM411 文獻(xiàn)標(biāo)識碼：A 文章編號：1003-5168（2018）07-0049-03

Fault Diagnosis of Oil-immersed Transformer Based on BP Neural Network

HUANG Mingzeng1 Gao Longsen2 LIN Guangda1

（1. College of Engineering， South China Agricultural University，Guangzhou Guangdong 510642；

2. College of Information Engineering， Hebei Geography University，Shijiazhuang Hebei 050031）

Abstract： In this paper， we studied a kind of transformer fault diagnosis method based on BP neural network， using analysis method of gas content， collected transformer fault information as the training samples， and diagnosised based on BP neural network model of transformer fault diagnosis， 96% accurate， feasible in practical application.

Keywords： oil-immersed transformer；BP nerve network；fault diagnosis

油浸式變壓器在電力系統(tǒng)中發(fā)揮著變化電壓、電能轉(zhuǎn)化的作用，其安全、穩(wěn)定運行影響著整個電力系統(tǒng)的可靠性，關(guān)系到國計民生。由此，準(zhǔn)確判斷變壓器的運行狀態(tài)，對變壓器潛伏性的故障做出預(yù)測，就顯得極為重要，也是國內(nèi)研究的焦點之一[1，2]。當(dāng)油浸變壓器內(nèi)部存在過熱或放電故障時，其內(nèi)部油中溶解的氣體類型和含量會發(fā)生變化，油中溶解氣體分析成為判別其運行狀態(tài)的一種有效手段[3]。

在判斷變壓器故障時用到的特征氣體主要包括：氫氣（H2）、甲烷（CH4）、乙烷（C2H6）、乙烯（CH4）、乙炔（C2H2）、一氧化碳（CO）及二氧化碳（CO2）。本文選取前五種氣體作為故障診斷氣體，將變壓器的故障類型分為中低溫過熱、高溫過熱、低能放電和高能放電故障。本文將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于變壓器故障預(yù)測診斷，對準(zhǔn)確判斷變壓器的運行狀態(tài)及預(yù)測變壓器潛伏性故障具有重要意義。

1 BP神經(jīng)網(wǎng)絡(luò)

BP（backpropagation）神經(jīng)網(wǎng)絡(luò)是一類多層的前饋型神經(jīng)網(wǎng)絡(luò)。由于其權(quán)值的調(diào)整采用反向傳播（Backpropagation）的學(xué)習(xí)算法，因此被稱為BP網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單，可調(diào)整的參數(shù)多，訓(xùn)練算法多，可操作性好，擁有高度的自組織能力、非線性逼近能力和自學(xué)習(xí)能力 ，在模式識別和分類方面應(yīng)用十分廣泛，也適用于變壓器故障診斷。

BP算法的基本思想是學(xué)習(xí)過程由信號的正向傳播與誤差的反向傳播兩個過程組成。在正向傳播時，輸入樣本在輸入層輸入，經(jīng)各隱層處理傳向輸出層。當(dāng)輸出層的實際輸出與期望的輸出不符時，進(jìn)入反向傳播階段。在反向傳播時，依據(jù)誤差信號不斷進(jìn)行權(quán)值調(diào)整。此過程不斷進(jìn)行，直到網(wǎng)絡(luò)輸出誤差減少到可以接受的范圍，或達(dá)到設(shè)定的學(xué)習(xí)次數(shù)。BP算法的步驟具體如下。

①初始化。輸入向量為[Xk=x1，x2，x3，…，xi，…，xnT]（n為輸入層單元個數(shù)），隱層輸出向量為[Yk=y1，y2，y3，…，yi，…，ymT]（m為隱層單元數(shù)），輸出層輸出向量為[Ok=o1，o2，o3，…，oi，…，olT]，期望輸出向量為[Dk=d1，d2，d3，…，dk，…，dlT]，輸入層到隱層之間的權(quán)值矩陣為[Vk=v1，v2，v3，…，vk，…，vlT]，隱層到輸出層之間的權(quán)值矩陣為[Wk=w1，w2，w3，…，wk，…，wlT]。將隨機(jī)較小非零值賦予[Vk（0）]、[Wk（0）]，訓(xùn)練次數(shù)q設(shè)為1，誤差E設(shè)為0，網(wǎng)絡(luò)訓(xùn)練精度Emin設(shè)為較小的正小數(shù)，學(xué)習(xí)率[μ]設(shè)為0～1的小數(shù)。

②輸入樣本數(shù)據(jù)Xk。

③計算網(wǎng)絡(luò)各層輸出。

[yj=i=0nvijxi]，j=1，2，…，m （1）

[ok=j=0mwjkyi] k=1，2，…，l （2）

④計算輸出誤差。判斷誤差是否滿足要求，若滿足，進(jìn)行步驟⑧；若不滿足，進(jìn)行步驟⑥。

[E=12d-02=12k=1ld-02] （3）

⑤計算網(wǎng)絡(luò)各層的誤差信號。

[δ0k=dk-okok1-ok] （4）

[δyj=k=1lδ0kwjkyi1-yi] （5）

⑥根據(jù)誤差信號修正各層權(quán)值。

[Δwjk=μdk-okok1-okyi] （6）

[Δvij=μk=1lδ0kwjkyi1-yixi] （7）

⑦判斷q是否達(dá)到最大訓(xùn)練次數(shù)。若q未達(dá)到最大訓(xùn)練次數(shù)，返回步驟②；若達(dá)到最大訓(xùn)練次數(shù)，進(jìn)行下一個步驟。

⑧判斷誤差E是否小于網(wǎng)絡(luò)訓(xùn)練精度Emin。若

2 BP神經(jīng)網(wǎng)絡(luò)故障診斷模型的構(gòu)建

2.1 輸入特征向量

研究油中溶解氣體與變壓器內(nèi)部故障的對應(yīng)關(guān)系，進(jìn)行網(wǎng)絡(luò)仿真。按照國際電工委員會的推薦選取H2、CH4、C2H6、C2H4和C2H2這5種氣體作為判斷依據(jù)，將這5種氣體所占百分比作為BP神經(jīng)網(wǎng)絡(luò)的輸入特征向量。以收集的220組變壓器故障數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本。

2.2 輸出特征向量

將變壓器故障分為中低溫過熱、高溫過熱、低能放電和高能放電4種故障類型并進(jìn)行編碼作為神經(jīng)網(wǎng)絡(luò)輸出。故障類型及其對應(yīng)的輸出編碼如表1所示。

2.3 隱層節(jié)點數(shù)的選取

無限隱含層節(jié)點的神經(jīng)網(wǎng)絡(luò)可以逼近任何在映射區(qū)間內(nèi)的連續(xù)函數(shù)，但隱含層節(jié)點增加會使神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，計算工作量增加，訓(xùn)練時間延長。因此，可以參考隱含層節(jié)點數(shù)的經(jīng)驗計算公式選擇合適的節(jié)點數(shù)：

[x=n+m+a] （8）

[n]為輸入神經(jīng)元個數(shù)，[m]為輸出神經(jīng)元個數(shù)，[a]為0～10之間的常數(shù)。不同隱含層節(jié)點數(shù)的訓(xùn)練效果如表2所示。

通過比較迭代次數(shù)、誤差性能和均方差性能優(yōu)化函數(shù)值可知，當(dāng)隱含層節(jié)點個數(shù)為14時，網(wǎng)絡(luò)訓(xùn)練的誤差最低，此時經(jīng)過123迭代達(dá)到訓(xùn)練目標(biāo)，所以隱含層節(jié)點數(shù)選14。

2.4 訓(xùn)練函數(shù)的選擇

訓(xùn)練函數(shù)的選擇對網(wǎng)絡(luò)的誤差和訓(xùn)練時間具有較大影響，可以通過選擇最優(yōu)的訓(xùn)練函數(shù)來降低網(wǎng)絡(luò)的誤差和訓(xùn)練時間。選擇不同訓(xùn)練函數(shù)的效果如表3所示。

采用trainlm訓(xùn)練函數(shù)的誤差最低，收斂速度也很快。雖然trainlm算法占用的內(nèi)存較多，但目前的計算機(jī)可以滿足其要求，故采用trainlm訓(xùn)練函數(shù)。

3 實驗仿真

3.1 樣本訓(xùn)練程序

net=newff（minmax（P），[14，5]，{'tansig'，'purelin'}，'trainlm'）；

% P：訓(xùn)練樣本輸入，T：訓(xùn)練樣本輸出，P_test：測試樣本輸入，T_test：測試樣本期望輸出

net.trainParam.goal=0.015；

net.trainParam.epochs=1000；

net=train（net，P，T）；

y=sim（net，P）；

e=T-y；

net.performParam.ratio=20/（20+1）；

perf=msereg（y）；% 均方差性能優(yōu)化函數(shù)

y2=sim（net，P_test）%故障診斷

save BP net%保存訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)

3.2 故障診斷

以收集的220組故障數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，用訓(xùn)練得到BP神經(jīng)網(wǎng)絡(luò)模型對20組變壓器故障數(shù)據(jù)組進(jìn)行故障診斷。故障診斷神經(jīng)網(wǎng)絡(luò)模型BP的輸出層傳遞函數(shù)是線性函數(shù)，根據(jù)最大隸屬原則，在診斷輸出向量的各個分量中，其隸屬度越接近于1，表示其對應(yīng)的故障類型的可能性越大，反之可能性越小。因此，將診斷輸出向量中的各個列向量的最接近1的值取為1，其他分量的值取為0，進(jìn)行最大隸屬化處理，得到的部分故障診斷結(jié)果如表4所示。

將故障診斷結(jié)果與實際故障類型進(jìn)行對比，準(zhǔn)確率達(dá)95%，在實際應(yīng)用中可操作性高。

3.3 不同神經(jīng)網(wǎng)絡(luò)診斷方法的比較

比較BP神經(jīng)網(wǎng)絡(luò)與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷上的效果。為了保證合理性，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的均方誤差（goal）設(shè)為0.01，擴(kuò)展速度（spread）取8～14之間的常數(shù)，并記錄最佳結(jié)果數(shù)據(jù)。

分別對三個模型進(jìn)行訓(xùn)練，比較三個模型的誤差性能和故障診斷準(zhǔn)確率，結(jié)果如表5所示。

4 結(jié)語

本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型。

①選取油中溶解氣體中的H2、CH4、C2H6、C2H4和C2H25種特征氣體作為BP神經(jīng)網(wǎng)絡(luò)的輸入特征向量。

②分析了BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)、訓(xùn)練函數(shù)對故障診斷準(zhǔn)確度的影響，通過選擇合適的隱含層節(jié)點數(shù)、訓(xùn)練函數(shù)可以提升故障診斷的準(zhǔn)確率。

③比較BP神經(jīng)網(wǎng)絡(luò)與其他神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷上的效果，BP神經(jīng)網(wǎng)絡(luò)較為簡單，訓(xùn)練時間短，可操作性高，且準(zhǔn)確率在實際應(yīng)用中也能滿足要求。

參考文獻(xiàn)：

[1]董明，屈彥明，周孟戈，等.基于組合決策樹的油浸式電力變壓器故障診斷[J].中國電機(jī)工程學(xué)報，2005（16）：35-41.

[2]賈京龍，余濤，吳子杰，等.基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法[J].電測與儀表，2017（13）：62-67.

[3]熊浩，李衛(wèi)國，宋偉.概率聚類技術(shù)應(yīng)用于變壓器DGA數(shù)據(jù)故障診斷[J].高電壓技術(shù)，2008（5）：1022-1026.