基于DGA技術與BP神經網絡融合的變壓器故障診斷

張艷華，席先鵬，劉林，王興成

(三峽大學電氣與新能源學院，湖北 宜昌 443002)

?

基于DGA技術與BP神經網絡融合的變壓器故障診斷

張艷華，席先鵬，劉林，王興成

(三峽大學電氣與新能源學院，湖北 宜昌 443002)

運用油中氣體數據分析(DGA)技術是目前診斷變壓器故障方法中最普遍也是運用最廣泛的，它在變壓器的預防診斷試驗中具有很重要的作用。但由于故障的多樣性，DGA技術不能全面的準確地檢測出多重故障。因而將加入BP神經網絡理論使之與DGA技術融合來判斷變壓器的故障，能夠更全面更精確地檢測出故障。

DGA技術；BP神經網絡；變壓器；故障診斷，網絡檢測

1 引言

在電力系統中電力變壓器是所有電力設備中最昂貴也是最重要的電力設備，它安全運作與否直接決定整個電網能否穩定運行。因此變壓器的故障診斷具有十分重要的意義。早期都是靠定期巡檢和做預防性試驗來對變壓器進行維護，由于這些工作缺乏連續性就使得一些突發性故障和隱藏故障不能及時得到處理，日積月累最終使變壓器壽命以及運行效率大大的降低，嚴重影響電網的經濟運行。DGA技術是目前比較受歡迎的和認知度比較高的變壓器故障診斷技術。它包括：改良三比值法、羅杰斯法、四比值法等[1]。但變壓器油中溶解氣體和故障原因并不是一一對應的，一組故障特征氣體可能由多種故障引起，同樣的一種故障也可能產生多種故障特征氣體，他們是一種復雜的非線性映射關系。而這種非線性的映射關系同神經網絡十分相似，所以本文引入神經網絡理論將之與DGA技術融合對變壓器進行診斷。

2 DGA技術

DGA技術[2]就是根據油中溶解氣體：H2、CH4、C2H6、C2H4、C2H2、CO、CO2的含量通過查表來判斷其故障。其中最典型的就是三比值法[9]，它是根據C2H4/CH4、CH4/H2、C2H4/C2H6三組比值來確定變壓器故障原因。但由于故障與編碼不可能總是一一對應的，所以其全面性和準確度不能保證。

3 BP神經網絡

3.1 BP神經網絡建模框圖

3.2 輸入層與輸出層神經元數

輸入層選用H2、CH4、C2H6、C2H4、C2H2五種氣體作為輸入，而CO、CO2并沒有選用因為它們的含量變化性大，加入會導致訓練次數增加，還會增大誤差。

輸出層為中低溫過熱、高溫過熱、局部放電、高能放電、低能放電和正常。

圖1

3.3 樣本數據獲取及預處理

樣本由變壓器實測數據得到，但由于每組實測數據相互之間的差值可能相差很大，數據大的誤差可能相對大一些，那么網絡學習算法為了減小誤差就會偏向樣本中大的數據從而導致小數據的相對誤差變大，所以對數據進行預處理是很有必要的。本文將樣本數據以其所占百分比作為輸入。

3.4 激活函數和訓練方法

輸入數據經過預處理后都介于0～1之間，因此可以選擇一個函數使其輸出也在0～1之間，結果越接近1則故障判斷結果越準確。于是選擇以下激活函數：

3.5 隱含層層數與其神經元數

隱含層層數與其神經元數的確定直接關系到整個神經網絡非線性程度，隱含層數多其處理數據的能力強但工作量大、工作時間長而且需要大量的樣本，網絡也變得十分復雜。所以我們可以先選擇一層隱含層然后增加神經元數量，如果一層不行再加一層直到滿意為止。神經元數到底加到多少并沒有一個定性的說法，到目前為止有如下經驗公式[12]：

S=2b+1

S=log2a

上式中：S是隱含層神經元數；a是輸入層神經元數；b是輸出層神經元數；ω是1～10之間的常數。

3.6 權值和誤差的算法公式

3.7 BP神經網絡結構圖

圖2

3.8 MATLAB編程訓練及訓練函數選擇

訓練主程序如下：

M=[];%預處理樣本輸入;

N=[];輸出;

net_1.IW{1,1}=[];

net_1.b{1}=[];

net_1.LW{2,1}=[];

net_1.b{2}=[];

net_1=newff(minmax(P′),[m,n],{′logsig′,′logsig′},′訓練函數′);

%創建名為newff()BP神經網絡;

%trainrp為網絡訓練函數;

%minmax()求每行最大值與最小值;

%logsig為隱含層與輸出層的激活函數;

inputWeights=net_1.IW{1,1};%權值輸入;

inputbias=net_1.b{1};%閥值輸入;

layerWwights=net_1.LW{2,1};%權值輸入;

layerbias=net_1.b{2};%閥值輸入;

net_1.trainParam.show=xx;%沒xx次學習顯示誤差曲線點;

net_1.trainParam.Ir=xx;%學習效率;

net_1.trainParam.epochs=xx;%最大訓練次數;

net_1.trainParam.goal=xx;%訓練精度;

[net_1,tr]=train(net_1,M′,N′);%訓練;

A=sim(net_1,M′);%仿真;

E=N-A′;

MSE=mse(E)

圖3 彈性梯度下降法

圖4 自適應Ir梯度下降法

由表2可知，彈性梯度下降法訓練58步收斂，自適應Ir梯度下降法要2972步才收斂，自適應Ir動量梯度下降法1051步收斂，而動量梯度下降法20000步仍沒有收斂。雖然彈性梯度下降法誤差比適應Ir動量梯度下降法大一點但收斂步數少很多。所以綜合考慮選擇彈性梯度下降法作為訓練函數。

圖5 自適應Ir動量梯度下降法

圖6 動量梯度下降法

4 網絡檢測

測試樣本數據預處理后導入到訓練好的神經網絡中結果如表3所示。

5 結束語

由表3中的結果可以看出DGA技術測得的數據可能會出現無編碼和無法判斷,而以油中氣體為依據訓練的BP神經網絡對變壓器的故障有比較準確的診斷結果。

表1 神經網絡訓練樣本數據

表2 誤差與收斂步數

表3 結果對比

[1] 董明,孟源源,徐長響,等.基于支持向量機及油中溶解氣體分析的大型電力變壓器故障診斷模型研究[J].中國電機工程學報,2003,23(7):88-92.

[2] 李儉,孫才新,陳偉根,等.灰色聚類與模糊聚類集成診斷變壓器內部故障的方法研究[J].中國電機工程學報,2003,23(2):112-115.

[3] 田冰冰,劉念,劉琨,等.基于改進蟻群算法的變壓器診斷數據的約簡[J].電力系統保護與控制,2011,39(1):96-99,122.

[4] 劉麗,唐杰,劉卓.基于改進微分進化優化神經網絡的電[J].電力系統保護與控制,2010,38(20):106-109.

[5] 梁永春，李彥明.改進型組合 RBF 神經網絡的變壓器故障診斷[J].高電壓技術，2005，31(9)：31-33.

[6] ZHANG Ge-xiang，JIN Wei-dong，HU Lai-zhao.Application of generalized adaptive wavelet neural network based on resemblance coefficient to signal recognitionp[C]//Proceedings of 2004 IEEE International Symposium on Intelligent Control.Taipei(China),Piscataway(USA)：2004：443-447.

[7] 曹永剛，周玲，丁曉群，等.基于概率神經網絡的電力變壓器故障診斷[J].繼電器，2006，34(3)：9-11.

[8] Ze Zhao,Li Cui,EasiMed.A remote health care solution[C]// Proceeding of the 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference.Shanghai(China):2005:2145-2148.

[9] 趙笑笑,云玉新,陳偉根.變壓器油中溶解氣體的在線監測技術評述[J].電力系統保護與控制，2009,37(23):187- 191.

[10] PATIYC，KRISHNAPRASAD P S.Analysis and synthesis of feed forward and neural networks using discrete affine wavelet[J].IEEE Trans on Neural Networks，1993，4(1)：73-75.

[11] PHAM T D,YAN H.Information fusion by zzy integral[C]//Proc.1996 Australian New Zealand Con.f on Intelli-gent Information Systems,fu1996:18-20.

[12] 潘超,馬成廉,鄭玲峰,等.一種結合模糊 TOPSIS 法和 BP 神經網絡的變壓器故障診斷方法[J].電力系統保護與控制，2009,37(9):20-24.

[13] RUTA D,GABRYS B.An overview of classifier fusion methods[J].Computing and Information Systems,2000,7(1):1-10.

Transformer Fault Diagnosis Based on DGA Technology and BP Neural Network

ZHANGYan-hua,XIXian-peng,LIULin,WANGXing-cheng

(China Three Gorges University,Yichang 443002,China )

Using data analysis technology of gas oil(DGA)is currently the most common method for transformer fault diagnosis and is also the most widely used.It has a very important role in the prevention of transformer′s test.However,due to the diversity of faults,DGA technique can not accurately detect all of multiple faults.So we use the amalgamation of DGA method and BP neural network to determine the transformer′s failure,and make it more comprehensive and accurate to be detected.

DGA technology;BP neural network;transformer;fault diagnosis;network test

1004-289X(2015)04-0088-05

TM41

B

2015-02-01

張艷華(1990-)，女，湖北漢川人,碩士研究生，主要研究方向：電力設備故障監測與診斷; 席先鵬(1990-)，男，湖北當陽人,碩士研究生，主要研究方向：高壓絕緣與測試技術、電力設備故障監測與診斷; 劉林(1989-)，男，湖北荊州人,碩士研究生，主要研究方向：高壓絕緣與測試技術、電力設備故障監測與診斷。