變壓器局放監測與改進BP神經網絡預測模型研究*

高立慧， 張長勝， 趙振剛， 胡 威， 陳武奮， 李 川

(1.昆明理工大學 信息工程與自動化學院,云南 昆明 650500；2.珠江水利委員會珠江水利科學研究院,廣東 廣州 510000)

變壓器局放監測與改進BP神經網絡預測模型研究*

高立慧1， 張長勝1， 趙振剛1， 胡 威1， 陳武奮2， 李 川1

(1.昆明理工大學 信息工程與自動化學院,云南 昆明 650500；2.珠江水利委員會珠江水利科學研究院,廣東 廣州 510000)

采用傳感系統監測變壓器局部放電的變化情況，選取高頻電流信號和超聲波信號作為變壓器局部放電的監測參量，利用改進逆傳播(BP)神經網絡算法對變壓器局部放電量進行建模分析。以D9—QY—40000/220型電力變壓器(220 kV變壓器)為例進行實例研究，結果表明：基于改進BP神經網絡的局放預測模型訓練集誤差系數為0.011 8，測試集誤差系數為0.023 2。此模型的局放預測值與實際值的曲線趨勢基本一致，有效地對變壓器局部放電量進行預測，為變壓器故障診斷奠定了基礎。

傳感監測系統； 改進逆傳播(BP)神經網絡； 局部放電； 變壓器

0 引 言

電力變壓器是電力系統重要的輸變電設備,其絕緣狀況的好壞直接影響著電力系統安全運行[1～3]。局部放電已逐漸成為引起絕緣事故的主要原因之一，嚴重影響變壓器的正常運行,所以需要對變壓器額局部放電進行檢測[4～6]。2010年,孔令明等人將模糊理論應用到人工神經網絡中提出了模糊神經網絡，并建立了應用在電氣設備絕緣故障診斷中的模型，結合了模糊理論和人工神經網絡的優點，提高了故障診斷正確率[7]。2013年,華南理工大學周玲等人利用音頻信號處理技術與模式識別分類算法，可對采集到的局部放電超聲波信號進行識別分類，從而對存在絕故障的設備進行判斷與檢修[8]。

本文以220 kV(型號為D9—QY—40000/220型電力變壓器)變壓器為研究對象，選取了電力變壓器局部放電在線監測系統所測得的高頻電流信號和超聲波信號的數據作為樣本數據，利用改進逆傳播(back propagation，BP)神經網絡模型對電力變壓器局部放電量進行分析與預測，并評價預測模型的性能。

1 變壓器局放監測系統研究

變壓器在發生局部放電過程中會產生電荷的遷移，并且會伴隨著爆裂狀的聲發射，產生超聲波信號，進而引起變壓器局部過熱。因此，可以通過對這些不同物理和化學現象采用高頻脈沖電流檢測和超聲波檢測技術對變壓器局放進行檢測。遷移的電荷可在外圍測量回路中產生脈沖電流，根據法拉第電磁感應定律，變化的電場會產生變化的磁場，高頻脈沖電流傳感器從而獲取局部放電信號；超聲波傳感器根據壓電效應，將局放的超聲信號轉換成對應的電信號，數據采集裝置將高頻脈沖電流傳感器和超聲波傳感器采集發到的電信號轉換成標準的電壓信號并將信號傳送給上位機進行顯示存儲。電力變壓器傳感局部放電在線監測系統如圖1所示。

圖1 傳感監測系統

根據220 kV電力變壓器局部放電的監測需求，將超聲波傳感器與高頻脈沖電流傳感器安裝在變壓器器身處進行局部放電的實時監控。實驗在變壓器工作在額定功率下對變壓器進行局放監測，根據電力變壓器的實際情況，選取了變壓器2015.3.10～2015.6.11所采集到的94個高頻脈沖電流傳感器和超聲波傳感器的數據，監測數據變化曲線如圖2所示。

圖2 變壓器高頻脈沖電流傳感器與超聲波傳感器監測數據曲線圖

2 基于改進BP神經網絡的局放預測模型

通過高頻電流傳感器和超聲波傳感器可以監測到開關柜是否存在局部放電，但是無法監測到局部放電的視在放電值；基于改進BP神經網絡的變壓器局部放電預測模型可以通過所監測的參量(高頻脈沖電流、超聲波信號)訓練出預測模型來預測變壓器局部放電量。

BP網絡是一類多層的前饋神經網絡，如圖3所示是典型的BP神經網絡結構圖，包含一個輸出層、一個中間層、一個輸入層，每一層神經元的輸出，都是下一層神經元的輸入，與此同時該方法只影響下一層神經元的輸入，輸入信號從輸入層神經元傳到中間層神經元，最后再傳到輸出層神經元。

圖3 BP神經網絡結構圖

局部放電預測模型的基本思想是以所測得各個局放值所對應的超聲波傳感器的原始數為基礎，對數據進行預處理作為輸入樣本訓練集的數據，通過訓練數據創建合適的BP神經網絡算法模型參數，構造預測模型，對模型進行性能評價，選取最佳模型，再輸入測試數據來預測開關柜局部放電量。模型采用誤差系數E作為評價BP神經網絡預測模型性能的參數，多層前向型神經網絡是目前應用最廣泛的神經網絡結構，其誤差函數如式(1)所示

(1)

在式(1)中，并沒有將每個樣本中輸出變量y的數值大小考慮進去，因此，在網絡終止訓練時，其優化的最終誤差往往是每個樣本進行擬合的絕對誤差較小，但是在實際的應用當中，如變壓器局部放電的檢測過程當中，局部放電信號范圍非常大，如果將式(1)作為誤差函數，會出現每個樣本擬合的絕對誤差較小，但是相對于實際值非常小的樣本而言，其相對誤差就變得非常大的情況，這樣將會導致擬合的結果不均勻，即被測量變量較大的樣本擬合程度非常好，但是被測量變量較小的樣本擬合的程度卻非常差，因此，在本文中把傳統的誤差函數改進為如式(2)所示

(2)

這樣，通過對誤差函數的改進，在神經網絡訓練結束后，每個樣本的擬合誤差都相對較小，因此，能夠使每個樣本都能得到較好的擬合。局放預測模型算法流程參見圖4。

圖4 改進BP神經網絡預測模型算法流程圖

3 變壓器局部放電預測模型數據分析與性能評價

通過電火花發生器連續打火模擬連續放電脈沖信號的實驗，測得150個放電量所對應的高頻脈沖電流傳感器和超聲波傳感器的樣本數據，特征項為高頻脈沖電流值和超聲波信號值。選擇前100個樣本數據作為訓練集，用于模型訓練與參數選擇，剩余的50個樣本數據作為測試集，用于預測結果的對比分析。

基于改進BP神經網絡的局部放電預測模型訓練完成后，訓練集仿真結果參見圖5。

圖5 訓練集預測結果圖

運用式(2)中給出的誤差系數的計算方法，得到改進BP神經網絡模型的訓練集測試的誤差系數為0.0118，放電量跟超聲波傳感器及高頻脈沖電流傳感器具有很強的相關性。

為了對改進BP神經網絡的性能進行評價，對測試集的50個樣本數據進行測試，測試集仿真結果參見圖6。

圖6 測試集預測結果對比圖

運用式(2)中給出的決定系數的計算方法得出基于改進BP神經網絡局放測試集誤差系數為0.023 2。由圖6可以看出，基于改進BP神經網絡的局放預測值與實際值的曲線趨勢基本一致。

根據實測數據，將采集到的94個原始數據作為輸入量，利用改進BP神經網絡模型對變壓器局部放電量進行仿真預測，仿真預測值如圖7所示。

圖7 基于改進BP神經網絡預測模型變壓器局部放電預測值

4 結 論

本文利用改進BP神經網絡模型為實現途徑，構建了基于改進BP神經網絡變壓器局部放電預測模型。結果表明：基于改進BP神經網絡的局放預測模型訓練集誤差系數為0.011 8，測試集誤差系數為0.023 2，此模型的局放預測值與實際值的曲線趨勢基本一致，有效地對變壓器局部放電量進行預測，為變壓器故障檢修提供了必要的依據。

[1] 陳武奮，劉愛蓮，李英娜，等.無線超聲傳感網在開關柜局部放電中的在線監測研究[J].傳感器與微系統，2015，34(3):249-252.

[2] Hao L,Lewin R L.Partial discharge source discrimination using a support vector machine[J].IEEE Transactions on Dielectrics and Electrical Insulation,2010,17(1):189-197.

[3] 王國利，單 平，袁 鵬，等.變壓器局部放電超高頻電磁波的傳播特性[J].高電壓技術，2002，28(12):26-28.

[4] 程述一,律方成,謝 慶,等.基于暫態對地電壓和超聲陣列信號的變壓器局放定位方法[J].電工技術學報,2012(4):255-262.

[5] 龔細秀.變壓器局部放電高頻和特高頻聯合監測法的研究[D].北京：清華大學，2005.

[6] Werle P,Akbari A，Borsi H，et al.Enhanced online PD evaluation on power transformers using wavelet techniques and frequency rejection filter for noise suppression[C]∥2002 IEEE International Symposium on Electrical Insulation，2002:195-198.

[7] 孔令明，肖云東，劉 娟，等.開關柜局部放電帶電檢測定位技術的應用與研究[J].山東電力技術，2010(6):5-8.

[8] 周 玲.基于超聲波信號的局部放電故障識別算法研究[D].廣州：華南理工大學，2013：5.

Research on transformer partial discharge monitoring and improved BP neural network forecasting model*

GAO Li-hui1, ZHANG Chang-sheng1, ZHAO Zhen-gang1, HU Wei1, CHEN Wu-fen2, LI Chuan1

(1.Faculty of Information Engineering and Automation,Kunming University of Science and Technology,Kunming 650500,China; 2.Pearl River Water Resources Commission of the Ministry of Water Resources,Guangzhou 510000,China)

Use sensing system to monitor the changing of the transformer partial discharge, ultrasonic and high-frequency current signal are selected as monitoring parameters of partial discharge and utilize improved back-propagation(BP)neural network algorithm to make modeling analysis on partial discharge quantity of transformer.With 220 kV Model D9—QTY—40000/220 power transformer as an example for case study.The results show that the error coefficient of test set based on improved BP neural network is 0.011 8 and the error coefficient of test set is 0.023 2.Prediction value of partial discharge the model is consistent with the actual value,it can effectively predict transformer magnitude of partial discharge and it lay foundation for transformer fault diagnosis.

sensing monitoring system; improved back propagation(BP)neural network； partial discharge; transformer

10.13873/J.1000—9787(2017)03—0040—03

2016—03—25

國家自然科學基金資助項目(51567013); 昆明理工大學人才培養基金資助項目(KKSY201303004); 云南省應用基礎研究計劃資助項目(2013FZ021)

TP 212

A

1000—9787(2017)03—0040—03

高立慧(1989-)，女，碩士研究生，研究方向為光纖傳感技術，無線傳感網及其應用等。

李 川(1971-),男，通訊作者，博士，教授，博士生導師，從事分布式光纖傳感技術、測控技術等研究工作,E-mail:291420772@qq.com。