神經(jīng)網(wǎng)絡(luò)技術(shù)在電氣自動(dòng)化設(shè)備故障診斷中的應(yīng)用

蘆小雨 程 剛

（中國電建集團(tuán)河南省電力勘測(cè)設(shè)計(jì)院有限公司，河南 鄭州 450000）

1 神經(jīng)網(wǎng)絡(luò)技術(shù)原理

神經(jīng)網(wǎng)絡(luò)的基本原理就是將多個(gè)不同神經(jīng)元的計(jì)算機(jī)單位層級(jí)進(jìn)行連接權(quán)重的相互連接，進(jìn)而構(gòu)建信息處理數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)內(nèi)部包括一個(gè)輸入層、多個(gè)隱藏層和一個(gè)輸出層組成，輸入層接收外部指令信息，輸出層產(chǎn)生最終的預(yù)測(cè)結(jié)果或輸出，隱藏層位于2 層之間，每個(gè)隱藏層內(nèi)包括多個(gè)神經(jīng)元。通過前向傳播手段將上、下神經(jīng)元進(jìn)行連接，神經(jīng)網(wǎng)絡(luò)中處理信息隨層次依次向下層傳遞，再采用激活函數(shù)來確定神經(jīng)元的輸出。但是學(xué)習(xí)連接權(quán)重與信息處理傳遞流程相反，通過反向傳播手段將輸出層信息傳播到隱藏層和輸入層，訓(xùn)練和調(diào)節(jié)連接權(quán)重，基于損失函數(shù)來度量預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽之間的誤差，最后根據(jù)梯度更新連接權(quán)重，起到降低誤差的作用。另外，神經(jīng)網(wǎng)絡(luò)可以有效識(shí)別輸入數(shù)據(jù)的特性，進(jìn)而完成數(shù)據(jù)分類、預(yù)測(cè)等任務(wù)[1]。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

神經(jīng)網(wǎng)絡(luò)應(yīng)用主要包括前向計(jì)算、平均誤差計(jì)算及誤差反向傳遞3 個(gè)部分，具體內(nèi)容如下。

1.1 前向計(jì)算

進(jìn)行前向計(jì)算時(shí)，先在神經(jīng)網(wǎng)絡(luò)內(nèi)輸入選定的采樣點(diǎn)數(shù)據(jù)，并將采樣點(diǎn)負(fù)載端輸出的原始數(shù)據(jù)On視為各輸入層節(jié)點(diǎn)的輸出點(diǎn)，其表達(dá)式如公式（1）所示。輸出層輸入則用Im表示，其表達(dá)式如公式（2）所示。隱層輸入用Ij表示，其表達(dá)式如公式（3）所示。

式中：On為輸出層第n個(gè)節(jié)點(diǎn)輸出；Xn為輸入層第n個(gè)節(jié)點(diǎn)輸出；n、N代表各輸出點(diǎn)；Im為輸出層輸入；Vi，j為自隱層至輸出層的連接權(quán)重；j為隱層輸入；H為函數(shù)系數(shù)；Ij為隱層輸入；Wi，j為自輸入層至隱層的連接權(quán)重；an、aj為相應(yīng)的閾值。

通過上述公式可融合得出相應(yīng)節(jié)點(diǎn)輸出的非線性函數(shù)。

1.2 計(jì)算平均誤差

計(jì)算平均誤差時(shí)，常用E表示和計(jì)算所有樣本的平均誤差，如公式（4）所示。

式中：E為訓(xùn)練結(jié)束判斷參數(shù)；k為訓(xùn)練樣本；N為訓(xùn)練樣本個(gè)數(shù)；M為輸出神經(jīng)元的個(gè)數(shù)；Ek為第k個(gè)訓(xùn)練樣本的平均誤差；ekm為第k個(gè)樣本的輸出神經(jīng)元m的誤差。

1.3 誤差反向傳遞

誤差反向傳遞是利用網(wǎng)絡(luò)中權(quán)系數(shù)與輸入訓(xùn)練樣本次數(shù)之間的密切關(guān)系，對(duì)網(wǎng)絡(luò)中的權(quán)系數(shù)進(jìn)行反向調(diào)整的過程。具體計(jì)算時(shí)，先通過公式（5）對(duì)輸出層與隱層之間的權(quán)系數(shù)進(jìn)行表達(dá)及計(jì)算，再通過公式（6）對(duì)輸入層與隱層之間的權(quán)系數(shù)進(jìn)行表達(dá)及計(jì)算。

式中：Vj，n為輸出層與隱層之間的權(quán)系數(shù)；On為輸出層第n個(gè)節(jié)點(diǎn)輸出量；Wi，j為自輸入層至隱層的權(quán)重系數(shù)；i、k為函數(shù)計(jì)算系數(shù)；η為數(shù)值增益系數(shù)，取值為0～1；δ為慣性系數(shù)，取值為0～1。

可根據(jù)實(shí)際需要，利用數(shù)值增益系數(shù)η和慣性系數(shù)δ調(diào)整學(xué)習(xí)收斂速度。最后結(jié)合計(jì)算分析結(jié)果，構(gòu)建電氣自動(dòng)化設(shè)備的神經(jīng)網(wǎng)絡(luò)模型，判斷設(shè)備是否存在故障[2]。

2 神經(jīng)網(wǎng)絡(luò)在電氣自動(dòng)化中的應(yīng)用優(yōu)勢(shì)

2.1 便于調(diào)節(jié)參數(shù)

傳統(tǒng)設(shè)備參數(shù)調(diào)節(jié)均是通過技術(shù)人員的認(rèn)識(shí)及經(jīng)驗(yàn)來完成的。而應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)則可實(shí)現(xiàn)對(duì)數(shù)據(jù)的自動(dòng)學(xué)習(xí)及特征提取，無須人工參與，可較好降低因人為因素引起的參數(shù)調(diào)整錯(cuò)誤，進(jìn)而根據(jù)實(shí)際需要高效、精確地調(diào)節(jié)相關(guān)參數(shù)。

2.2 誤差小

應(yīng)用神經(jīng)網(wǎng)絡(luò)算法對(duì)電氣自動(dòng)化設(shè)備故障進(jìn)行診斷，可不受其他因素影響且設(shè)置的參數(shù)會(huì)始終保持不變，不易發(fā)生實(shí)際數(shù)值與理論數(shù)值相差過大的情況，因此診斷誤差小。

3 實(shí)例分析

為研究神經(jīng)網(wǎng)絡(luò)的故障診斷效果，該文以S7-315/10 型變壓器為例進(jìn)行分析。該變壓器為三相銅芯10kV 變壓器，容量為315kVA。為判斷該變壓器故障情況、并解決傳統(tǒng)故障判別方法精度不高以及對(duì)技術(shù)人員經(jīng)驗(yàn)依賴大等問題，首先采用色譜分析法對(duì)變壓器油氣進(jìn)行分析，以判斷變壓器實(shí)際故障情況，其次重點(diǎn)采用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)氣體種類、濃度與故障之間的關(guān)系進(jìn)行研究及確定。

3.1 色譜分析

油氣色譜分析法的變壓器故障診斷

變壓器油在變壓器中起到絕緣、散熱和消弧作用，其故障特征氣體種類一般由H2、CH4、C2H6、C2H4、C2H2組成。該文實(shí)例分析的大型變壓器油中所含氣體極限情況見表1。

表1 該變壓器油中所含氣體極限參數(shù)表

故障檢測(cè)工作原理：當(dāng)變壓器出現(xiàn)設(shè)備故障時(shí)，表1 中變壓器油中的氣體會(huì)發(fā)生不同濃度的變化。這些氣體有些是自然存在于油中的，有些是變壓器發(fā)生故障時(shí)機(jī)械刺激或放電產(chǎn)生的。利用油氣色譜分析法對(duì)比變壓器中產(chǎn)生的氣體含量，就可以實(shí)現(xiàn)變壓器運(yùn)行故障的自動(dòng)檢測(cè)。其中油氣色譜分析法的三類比值法使用最常見，見表2。

表2 油氣色譜分析三比值法參數(shù)表

造成變壓器故障的常見因素有超壓及超流、繞組短路、冷卻不足、絕緣損壞以及溫度過高等，其變壓器油的過熱、揮發(fā)和氧化是工作過程的基本反應(yīng)。在變壓器的實(shí)際工作過程中，通常使用的故障檢測(cè)方法有以下2 種：1）通過專業(yè)儀器檢測(cè)變壓器的運(yùn)行電壓、電流、溫度、壓力和油量等數(shù)據(jù)，分析變壓器的具體故障原因。2）通過使用氣相色譜儀手段，對(duì)變壓器油中的氣體進(jìn)行成分檢測(cè)及比例分析。

該變壓器通過氣相色譜儀對(duì)變壓器的氣體進(jìn)行實(shí)際檢測(cè)和數(shù)據(jù)分析，并利用模糊神經(jīng)網(wǎng)絡(luò)作為智能技術(shù)支持，判斷出變壓器油中氣體比例與變壓器故障兩者之間的關(guān)系，利用計(jì)算機(jī)設(shè)定嚴(yán)謹(jǐn)?shù)淖儔浩鞴收暇幋a，然后從輸入端進(jìn)入神經(jīng)網(wǎng)絡(luò)系統(tǒng)中進(jìn)行機(jī)器學(xué)習(xí)，以此形成更智能的自動(dòng)化變壓器故障檢測(cè)系統(tǒng)。

3.2 基于神經(jīng)網(wǎng)絡(luò)的故障智能診斷過程

根據(jù)氣相色譜分析的相關(guān)參數(shù)構(gòu)建故障診斷模型，并利用神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，以此來達(dá)到高效、精準(zhǔn)診斷變壓器故障的目的。

3.2.1 構(gòu)建變壓器故障智能診斷模型

構(gòu)建變壓器故障檢測(cè)模型是實(shí)現(xiàn)智能診斷設(shè)備故障的先決條件，通過電氣工程中的專業(yè)設(shè)備模式識(shí)別電流的頻率、最大值、最小值和流向等數(shù)據(jù)變化情況，并標(biāo)識(shí)電氣工程中設(shè)備運(yùn)行故障信號(hào)的特征表現(xiàn)。然后根據(jù)這些特征表現(xiàn)構(gòu)建智能的電氣自動(dòng)化故障檢測(cè)模型，如圖2所示。另外，一般電氣工程中設(shè)備規(guī)模大且結(jié)構(gòu)復(fù)雜，會(huì)伴有多種不同的特征表現(xiàn)，因此電氣自動(dòng)化故障檢測(cè)必須有統(tǒng)一化的處理方式，并對(duì)不同的特征表現(xiàn)均有對(duì)應(yīng)的監(jiān)測(cè)模塊[3]。

圖2 變壓器故障檢測(cè)模型流程圖

3.2.2 神經(jīng)網(wǎng)絡(luò)識(shí)別離散層故障信號(hào)

創(chuàng)建電氣自動(dòng)化故障檢測(cè)模型后，要利用神經(jīng)網(wǎng)絡(luò)算法識(shí)別電氣工程設(shè)備運(yùn)行的離散層故障信息。由于電氣工程中設(shè)備運(yùn)行故障信號(hào)具有多樣性，單一的故障信號(hào)不能診斷出設(shè)備運(yùn)行的具體故障原因，因此需要技術(shù)人員將電氣工程中的設(shè)備運(yùn)行故障信號(hào)進(jìn)行統(tǒng)一化處理，從多樣性的故障信號(hào)轉(zhuǎn)化為一致性的離散層故障信號(hào)。然后將轉(zhuǎn)化后的離散層故障信號(hào)進(jìn)行學(xué)習(xí)訓(xùn)練，并分析優(yōu)化離散層故障信號(hào)有效值，獲取故障信號(hào)之間的特征表現(xiàn)關(guān)系[4]，如公式（7）所示。

式中：υ為離散層故障信號(hào)有效值；xi為電氣工程中設(shè)備運(yùn)行故障的線路流經(jīng)特征（i為實(shí)數(shù)）；N為電氣工程中設(shè)備運(yùn)行故障信號(hào)數(shù)量（N為實(shí)數(shù)極值）。

從公式（7）中可得出離散型設(shè)備運(yùn)行故障信號(hào)有效值，然后根據(jù)電氣工程中設(shè)備運(yùn)行故障的流經(jīng)強(qiáng)度算法，獲取故障信號(hào)之間的特征表現(xiàn)關(guān)系[5]，如公式（8）所示。

式中：p為電氣工程中設(shè)備運(yùn)行故障電流極值；Nj是電氣設(shè)備運(yùn)行強(qiáng)度故障點(diǎn)的極值特征；xi為電氣工程中設(shè)備運(yùn)行故障的線路流經(jīng)特征（i為實(shí)數(shù)）。

公式（8）中對(duì)xi進(jìn)行了絕對(duì)值處理，故而可以避免設(shè)備運(yùn)行故障時(shí)電流的流經(jīng)方向問題。

3.2.3 變壓器行故障檢測(cè)的定位

根據(jù)上述神經(jīng)網(wǎng)絡(luò)識(shí)別的離散層故障信號(hào)以及變壓器運(yùn)行故障檢測(cè)的定位技術(shù)，對(duì)變壓器運(yùn)行故障進(jìn)行智能自動(dòng)化診斷、預(yù)測(cè)和分析，主要包括以下3 點(diǎn)：1）要利用獲得的變壓器運(yùn)行故障模式，識(shí)別分析出每個(gè)故障信號(hào)的目標(biāo)值。2）使用神經(jīng)網(wǎng)絡(luò)技術(shù)優(yōu)先選擇隱藏層的神經(jīng)元數(shù)目和激活函數(shù)，作為整個(gè)故障檢測(cè)系統(tǒng)的控制中心。3）采用計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)算法計(jì)算變壓器運(yùn)行的故障幅值，最后分析電氣設(shè)備運(yùn)行的自我診斷數(shù)據(jù)，如公式（9）所示。

式中：s為電氣設(shè)備的故障幅值；H為初始布拉格波長漂移量；i為光線有效彈光靈敏度；p為光纖有效彈光系數(shù)；h為初始布拉格波長；ah為波長應(yīng)變量；bh為波長頻率；ω為波長諧振矢量；υ為離散型故障信號(hào)的有效值。

通過公式（9）不僅可獲得變壓器運(yùn)行故障信息的統(tǒng)一化控制結(jié)果，還可去掉變壓器運(yùn)行故障的不顯著信號(hào)參數(shù)，并增強(qiáng)故障信號(hào)參數(shù)的穩(wěn)定性。這樣既可保證變壓器自我診斷的一致性，也可采用神經(jīng)網(wǎng)絡(luò)算法完成對(duì)變壓器運(yùn)行故障的自動(dòng)化檢測(cè)和分析[6]。

3.3 故障診斷分析

3.3.1 輸入模糊規(guī)則

因?yàn)槔脷庀嗌V分析法對(duì)變壓器油氣分析獲得的含量數(shù)據(jù)差異較大，無法直接輸入神經(jīng)網(wǎng)絡(luò)，即使進(jìn)行過優(yōu)化處理，也還是存在較大差異。因此在數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前采用隸屬函數(shù)對(duì)數(shù)據(jù)進(jìn)行優(yōu)化，以縮小數(shù)據(jù)差異，并控制數(shù)據(jù)限值在0～1，使三比值樣本轉(zhuǎn)化為適合神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)形式。這樣既能提高數(shù)據(jù)的可訓(xùn)練性，也能增強(qiáng)神經(jīng)網(wǎng)絡(luò)的容錯(cuò)能力，保證診斷結(jié)果的準(zhǔn)確性。該文研究中應(yīng)用的隸屬函數(shù)如公式（10）～公式（12）所示。

式中：X1、X2、X3為變壓器油氣含量分析數(shù)據(jù)優(yōu)化函數(shù)值；U1、U2、U3為變壓器油氣含量實(shí)際分析值。

3.3.2 輸出轉(zhuǎn)換規(guī)則

如果第n個(gè)輸出的第j個(gè)值比其他數(shù)值大得比較多，則將該值視作相應(yīng)故障類型的輸出解。如果輸出的值中存在2 個(gè)最大值或者幾個(gè)最大值，并且最大值相差較小，而其他輸出值偏小，則說明這幾個(gè)故障發(fā)生概率比較大。實(shí)際診斷中，將輸出值大于0.55 的統(tǒng)一記作1，表示已發(fā)生該故障，其他小于0.55的值記作0，表示未發(fā)生此故障。

3.3.3 樣本訓(xùn)練

選取110 組實(shí)測(cè)數(shù)據(jù)中的15 組典型樣本，利用神經(jīng)網(wǎng)絡(luò)對(duì)選取的樣本進(jìn)行模糊處理及訓(xùn)練，將學(xué)習(xí)率Ir設(shè)定為0.3，隱層節(jié)點(diǎn)數(shù)S1為12，輸出節(jié)點(diǎn)設(shè)有8 個(gè)，誤差精度取0.1。樣本經(jīng)神經(jīng)網(wǎng)絡(luò)模糊處理及訓(xùn)練后形成相應(yīng)的“權(quán)”矩陣，然后統(tǒng)計(jì)并記錄變壓器的故障數(shù)據(jù)。

3.3.4 診斷結(jié)果

通過神經(jīng)網(wǎng)絡(luò)完成樣本訓(xùn)練后，先自檢，再跟實(shí)際數(shù)據(jù)做對(duì)比分析，最后診斷出變壓器的具體故障情況。具體結(jié)果見表3。

表3 基于神經(jīng)網(wǎng)絡(luò)的變壓器診斷結(jié)果

從表3 可以看出，利用神經(jīng)網(wǎng)絡(luò)對(duì)變壓器故障進(jìn)行診斷，最終的結(jié)果和實(shí)際開箱檢測(cè)結(jié)果是一樣的，說明該文利用神經(jīng)網(wǎng)絡(luò)對(duì)變壓器故障進(jìn)行診斷達(dá)到了預(yù)期效果。

4 總結(jié)

綜上所述，該文通過實(shí)例證明了神經(jīng)網(wǎng)絡(luò)技術(shù)在電氣自動(dòng)化設(shè)備故障診斷中具有良好的效果，不僅診斷結(jié)果準(zhǔn)確，還不易受其他因素影響，診斷效率也比較高，可有效解決依賴技術(shù)人員經(jīng)驗(yàn)及其他系統(tǒng)信息等問題，并且可通過準(zhǔn)確描述故障情況來確定故障位置，可為電氣自動(dòng)化設(shè)備穩(wěn)定性運(yùn)行提供保障。