BP神經(jīng)網(wǎng)絡在油浸式變壓器過熱性故障診斷中的應用

曾成碧，蒲 維，曾先鋒

(1.四川大學電氣信息學院，四川 成都 610065;2.四川電力科學研究院，四川 成都 610072;3.西昌電業(yè)局，四川 西昌 615000)

中國電力變壓器絕緣故障診斷仍采用傳統(tǒng)的故障診斷方法［1］，其中三比值法應用效果較好［2－3］，解決了不少實際問題，但是電力變壓器故障現(xiàn)象本身是復雜的非線性的關系，因變壓器的電壓等級、運行環(huán)境、絕緣結構以及所處的系統(tǒng)不一樣等眾多因素，使得三比值法判斷出故障類型的準確性受到很大影響，其準確率在80%以下。近年來許多智能方法用于電力變壓器絕緣診斷中，取得較好的效果［4－6］。但仍然存在一些缺點，比如訓練時間長、收斂速度慢等。根據(jù)BP神經(jīng)網(wǎng)絡的特點［7］，建立以變壓器油中溶解氣體組分含量為樣本數(shù)據(jù)，對不同的隱含層數(shù)目進行了仿真分析，通過比較確定了適用于變壓器絕緣故障診斷的BP神經(jīng)網(wǎng)絡模型。通過研究表明，這種方法提高了神經(jīng)網(wǎng)絡的收斂速度，符合電力變壓器故障診斷系統(tǒng)的實際情況，準確率高。

1 基于BP神經(jīng)網(wǎng)絡的變壓器故障診斷模型

1.1 建立模型

電力變壓器故障診斷技術是實現(xiàn)從故障征兆到故障空間的映射，從而實現(xiàn)對故障的識別和診斷。利用變壓器油中溶解氣體分析法的檢測數(shù)據(jù)對油浸變壓器進行故障診斷，實際上是完成氣體組分到故障類型的一個復雜的非線性映射。BP神經(jīng)網(wǎng)絡診斷變壓器故障就是根據(jù)變壓器油中氣體的成分含量來進行的，變壓器的過熱和放電故障將引起油中氣體含量的變化，通過分析特征氣體的成分，實現(xiàn)對變壓器故障性質(zhì)的判斷。

在故障診斷中，將已知的故障現(xiàn)象及其結論確定為訓練學習的樣本空間，輸入可由I={a1，a2，…，an}表示，表示各種故障現(xiàn)象;輸出可由O={c1，c2，…，cn}表示，ci∈［0，1］表示屬于不同故障的隸屬度(概率)。選擇樣本經(jīng)過訓練學習，確定網(wǎng)絡結構，然后就可以根據(jù)訓練樣本以外的故障現(xiàn)象診斷出故障狀況，這就是人工神經(jīng)網(wǎng)絡診斷變壓器故障原理。

必須指出的是，傳統(tǒng)BP算法的誤差減小時，極易陷入局部最小點。一旦訓練樣本數(shù)目過多，輸入輸出關系復雜，網(wǎng)絡的收斂速度變得緩慢，表現(xiàn)為對網(wǎng)絡的初始值要求很高，不恰當?shù)木W(wǎng)絡初始值會造成BP算法的收斂振蕩，甚至不收斂。由于每次訓練網(wǎng)絡初始值的給定是隨機的，因此可以通過不斷的重新訓練來達到要求。

1.2 設計BP網(wǎng)絡模型的幾個要點

1.2.1 網(wǎng)絡學習樣本的選擇

表1 故障類型的學習樣本數(shù)據(jù)

學習樣本的好壞很大程度上決定著BP網(wǎng)絡的訓練效果，收集學習樣本集時著重從以下幾點考慮:集中各種故障樣本的百分比應當同實際變壓器故障發(fā)生的機率大致相當，如變壓器高溫過熱故障較多，樣本中就多包含一些高溫過熱故障的樣本;考慮到變壓器運行中各種因素的影響，收集了具有代表性的變壓器油中溶解氣體分析樣本95例，分別來自不同電壓等級的變壓器，具有較好的廣泛性。經(jīng)過反復調(diào)試和比較，最終從中挑選的學習樣本舉例見表1所示。

1.2.2 輸入量和輸出量的確定

對反映變壓器內(nèi)部故障最優(yōu)價值的油中溶解特征氣體主要有 CH4、C2H4、C2H2、C2H6、H2、CO 和CO2。CO和CO2雖然對分析固體絕緣很有價值，但對故障類別判斷的影響不大，當輸入向維數(shù)過多時，會導致神經(jīng)網(wǎng)絡過于復雜，會出現(xiàn)對學習樣本要求苛刻、網(wǎng)絡訓練次數(shù)增加、分類能力顯著下降的問題;另外，為了避免神經(jīng)網(wǎng)絡的飽和，輸入量不宜過大，不宜直接采用氣體含量作為輸入，可采用百分比或各種歸一化處理。因此，這里采用5種氣體組分比值作為輸入，即 H2/∑、CH4/∑、C2H6/∑、C2H4/∑、C2H2/∑作為輸入矢量(其中∑為 CH4、C2H4、C2H2、C2H6、H25 種氣體含量的總和)，進行神經(jīng)網(wǎng)絡診斷研究。

DL/T 722－2000《變壓器油中溶解氣體分析和判斷導則》將變壓器故障類型分為9種，即低溫過熱(低于150℃)、低溫過熱(150～300℃)、中溫過熱(300～700℃)、高溫過熱(高于700℃)、局部放電、低能放電、低能放電兼過熱、電弧放電、電弧放電兼過熱，這里將故障類型定為8類，即輸出層采用低溫過熱、中溫過熱、高溫過熱、局部放電、低能放電、低能放電兼過熱、電弧放電、電弧放電兼過熱作為8個輸出神經(jīng)元，分別對應 O1、O2、O3、O4、O5、O6、O7、O8，輸出值最大為1，表示屬于此類故障，數(shù)值越大表明屬于該類型故障的可能性越大;數(shù)值越小表明屬于該類型故障的可能性越小，輸出值最小為0，表示完全不屬于此類故障。

1.2.3 不同隱含層神經(jīng)元數(shù)目對BP網(wǎng)絡收斂性能的影響

當網(wǎng)絡確定為選擇隱含層時，隱含層神經(jīng)元數(shù)目便成為決定網(wǎng)絡結構的主要因素，選擇最佳網(wǎng)絡結構不僅能改善網(wǎng)絡收斂性能，也有利于增強網(wǎng)絡的泛化推廣能力。只要選擇合適的隱含層神經(jīng)元數(shù)目，構建三層BP神經(jīng)網(wǎng)絡就可以進行故障診斷。

針對隱含層神經(jīng)元數(shù)目尚無可靠的確定規(guī)則，需要根據(jù)實際情況和經(jīng)驗反復比較來確定。下面采用L－M算法，期望誤差設為0.01時，使用不同隱含層神經(jīng)元數(shù)目對60組學習樣本進行訓練，訓練結果如圖1～圖3所示。

從圖中可以看出，當隱含層神經(jīng)元數(shù)目較少時，網(wǎng)絡不能很好地學習，訓練次數(shù)明顯增加，當神經(jīng)元數(shù)目進一步減少時，網(wǎng)絡訓練誤差將不能收斂，如圖3所示，可見，太少的隱層神經(jīng)元數(shù)會使網(wǎng)絡難以適應，陷入局部最小的可能性較大。隱層神經(jīng)元太多，使學習能力增強，能夠確保網(wǎng)絡收斂，但同時也使得網(wǎng)絡過于復雜，導致訓練時間顯著增加，圖1示出了隱節(jié)點數(shù)為30個時的訓練誤差曲線，雖然網(wǎng)絡顯示了很高的學習能力，只用了4輪循環(huán)迭代就使網(wǎng)絡誤差減小至期望誤差之下，但其花費的訓練時間比20個隱節(jié)點的3倍還要多。理論分析表明，太多的隱節(jié)點數(shù)能夠加速網(wǎng)絡學習能力，但其泛化能力明顯減弱。針對網(wǎng)絡模型這里選擇10～18個隱含層神經(jīng)元數(shù)都是可行的，為了適當加快訓練過程中誤差的下降速度，最終將隱含層神經(jīng)元數(shù)目確定為16個。

表2 測試樣本的BP網(wǎng)絡診斷結果(μL/L)

圖1 隱含層30個神經(jīng)元的計算結果

圖2 隱含層20個神經(jīng)元的計算結果

圖3 隱含層5個神經(jīng)元的計算結果

2 BP神經(jīng)網(wǎng)絡故障診斷計算過程及診斷結果

將BP神經(jīng)網(wǎng)絡學習算法轉(zhuǎn)化為實際的學習過程，其原理如下。令輸入層故障診斷向量為I={a1，a2，…，an}，O={c1，c2，…，cn}為輸出故障診斷向量，隱含層神經(jīng)元數(shù)為 H={b1，b2，…，bn}，V=Vn×p與 W=Wp×q為各層之間連接權值，m為給定的樣本數(shù)。先給出輸入層與隱含層單元之間、隱含層與輸出層單元之間的連接權以及隱含層單元閥值θi，輸出層單元閥值γi賦以［－1，1］之間的隨機值。根據(jù)BP算法的推導過程，則每個模式對(Ak，Tk)(k=1，2，…m)經(jīng)過學習后，BP神經(jīng)網(wǎng)絡輸入故障征兆向量I后，其實際輸出O與期望輸出TK在允許誤差下是近似相等的。因此，BP神經(jīng)網(wǎng)絡的輸出O就是實際故障模式的近似，從而獲得故障問題的近似診斷解。

用65組樣本數(shù)據(jù)對BP網(wǎng)絡進行訓練，然后用訓練好的網(wǎng)絡模型對30組測試樣本進行檢驗，測試樣本進行變壓器故障診斷的結果如表2所示。

從診斷結果看出，BP神經(jīng)網(wǎng)絡診斷模型能夠較為準確地判斷出變壓器故障類型，其準確率達到了88.57%，比傳統(tǒng)的三比值法高出14個百分點，可見，所提出的基于L－M改進算法建立的BP網(wǎng)絡故障診斷模型具有快速的收斂速度和較好的診斷能力，在變壓器故障診斷中應用效果好于三比值法。

3 結語

依據(jù)變壓器故障氣體和故障類型的特點，設計了基于油中溶解氣體特征量的BP神經(jīng)網(wǎng)絡模型，針對BP網(wǎng)絡隱含層最佳結構難以確定的問題，設計了針對不同隱含層神經(jīng)元數(shù)目的仿真。仿真表明，對變壓器絕緣故障來說，隱含層神經(jīng)元數(shù)目的多少也有一定的規(guī)律可循，解決前面診斷算例的隱含層神經(jīng)元數(shù)目在10～18之間都是可行的。訓練和診斷結果表明，所建立的BP神經(jīng)網(wǎng)絡診斷模型具有較高的診斷準確度，效果優(yōu)于改良三比值法。

［1］操敦奎.變壓器油中氣體分析診斷與故障檢查［M］.北京:中國電力出版社，2005.

［2］楊振勇.《變壓器油中溶解氣體分析與判斷導則》判斷變壓器故障的探討［J］.變壓器，2008，45(10):24 －26.

［3］徐桂敏，楊正祥.概率神經(jīng)網(wǎng)絡在油浸式變壓器故障診斷中的應用［J］.科技咨詢，2011(9):143.

［4］周天春，楊麗君，廖瑞金，等.基于局部放電因子向量和BP神經(jīng)網(wǎng)絡的油紙絕緣老化狀況診斷［J］.電工技術學報，2010，25(10):18 －23.

［5］E.A.Mohamed，A.YAbdelaziz.A Neural Network － based Scheme for Fault Diagnosis of Power Transformer［J］.E-lectric Power Systems Research，2005，75(2):29 －39.

［6］汪曉明，何萍，吳花，等.CP組合神經(jīng)網(wǎng)絡在基于DGA的變壓器絕緣故障診斷中的應用［J］.高壓電器，2008，44(6):543 －547

［7］魏海坤.神經(jīng)網(wǎng)絡結構設計的理論與方法［M］.北京:國防工業(yè)出版社，2005.