基于徑向基神經(jīng)網(wǎng)絡的變壓器故障診斷方法研究

王奇平，王禎璋

(上海久隆(電力)集團有限公司，上海 200040)

研究與探索

基于徑向基神經(jīng)網(wǎng)絡的變壓器故障診斷方法研究

王奇平，王禎璋

(上海久隆(電力)集團有限公司，上海 200040)

為解決變壓器故障診斷難以智能判別問題，提出了一種基于徑向基神經(jīng)網(wǎng)絡的變壓器故障診斷方法。該方法采用氣相色譜檢測法，選用高斯函數(shù)作為徑向基函數(shù)，并運用K-means聚類方法求解隱含層節(jié)點數(shù)據(jù)中心初始值，運用偽逆法求解隱含層到輸出層權值初始值，運用最小均方誤差方法隨迭代計算不斷自適應更新各個基函數(shù)的數(shù)據(jù)中心及方差、隱含層到輸出層權值。仿真結果表明，該方法變壓器平均故障診斷準確率為95.6%，并具有較強的容錯能力，滿足變壓器故障診斷要求。

變壓器；故障診斷；徑向基神經(jīng)網(wǎng)絡

變壓器是電力系統(tǒng)最重要的輸變電設備之一，變壓器故障診斷已成為電力系統(tǒng)研究領域的重要課題之一[1]。油中氣體分析法是變壓器故障診斷的重要方法之一，通過檢測變壓器油中氣體含量，經(jīng)量化后與參考標準值進行比較得出故障類型。故障診斷時具體又分為氣相色譜檢測法(DGA)、三比值法、羅杰斯比值法(Rogers)等[2]。由于三比值法的故障編碼較少，實際應用中常常由于找不到故障編碼而無法判斷變壓器故障類型；Rogers法存在判據(jù)過多、故障類型區(qū)分過詳細等問題。由于不同變壓器的容量、負荷、結構等因素對判定結果有一定影響，因此根據(jù)經(jīng)驗判定具有一定不足。

本文提出一種基于徑向基神經(jīng)網(wǎng)絡的智能判別變壓器故障類型的方法。在DGA法的基礎上，充分考慮變壓器全壽命周期管理過程中的歷史故障記錄，以彌補經(jīng)驗判據(jù)的不足。該方法故障識別準確率高，容錯性能強。

1 變壓器故障特征量

變壓器故障常常是由于內(nèi)部絕緣老化造成的，主要分為過熱故障和放電故障[3]兩類，其中過熱故障又分為中低溫過熱(<700℃)和高溫過熱(>700℃)，放電故障又分為高能放電(電弧放電或強烈火花放電)和低能放電(局部放電或微弱火花放電)[4]。變壓器油由多種碳氫化合物組成，在高溫和放電等條件下，碳氫化合物分解主要產(chǎn)生H2、CH4、C2H2、C2H4、C2H6等多種氣體，變壓器故障類型不同，產(chǎn)生氣體的種類和比例不同。通過檢測變壓器油中溶解的氣體種類和含量可診斷出變壓器故障類型。

2 徑向基神經(jīng)網(wǎng)絡的實現(xiàn)

徑向基神經(jīng)網(wǎng)絡由于具有較強的自適應性和泛化能力，能夠逼近任意非線性函數(shù)，可較好地解決難以用數(shù)學方法直接解析但具有一定規(guī)律性的難題。徑向基神經(jīng)網(wǎng)絡共分為輸入層、隱含層和輸出層三層。輸入層節(jié)點數(shù)根據(jù)樣本的維度確定，輸入層到隱含層主要把低維空間數(shù)據(jù)映射到高維空間數(shù)據(jù)，根據(jù)Cover定理復雜模式分類非線性問題在高維空間比在低維空間更可能線性可分，因此隱含層節(jié)點數(shù)需要大于輸入層節(jié)點數(shù)；隱含層為一組徑向基函數(shù)，徑向基函數(shù)的數(shù)目與隱含層節(jié)點數(shù)相同，所有隱含層節(jié)點的徑向基函數(shù)常常選用相同的徑向基函數(shù)，最常用的徑向基函數(shù)為高斯函數(shù)；輸出層數(shù)根據(jù)樣本目標確定，隱含層到輸出層主要把隱含層的高維空間數(shù)據(jù)經(jīng)線性加權分類輸出。與傳統(tǒng)BP神經(jīng)網(wǎng)絡相比，由于采用局部數(shù)據(jù)中心方式，局部逼近網(wǎng)絡，網(wǎng)絡結構簡單，學習收斂速度較快。

2.1 輸入輸出模式確定

采用DGA技術，首先通過多源傳感器檢測H2、CH4、C2H2、C2H4、C2H6這5種氣體分別占總氣體的體積百分數(shù)，經(jīng)歸一化預處理后，作為徑向基神經(jīng)網(wǎng)絡輸入層的5個輸入向量。由于單一故障類型主要分為4種，因此徑向基神經(jīng)網(wǎng)絡輸出層共有4個神經(jīng)元，輸出值Y的范圍在[0，1]，代表故障類型的概率，輸出值越大，表示該類故障類型的可能性越高，輸出值大于0.6時即可認為該故障類型極可能存在。由于過熱故障和放電故障可能同時發(fā)生，因此輸出層可能有2個神經(jīng)元輸出值較大的情況，故障類型與網(wǎng)絡期望輸出關系如表1所示。

表1 故障類型與網(wǎng)絡期望輸出關系

2.2 迭代計算

徑向基神經(jīng)網(wǎng)絡輸入層到隱含層的權值都為1，隱含層節(jié)點數(shù)需要根據(jù)樣本數(shù)目來確定，但需要大于輸入層節(jié)點數(shù)。徑向基神經(jīng)網(wǎng)絡仍需要確定的參數(shù)分別為：各個基函數(shù)的數(shù)據(jù)中心及其方差、隱含層到輸出層權值。各個基函數(shù)的數(shù)據(jù)中心及其方差可為固定值也可為變化值，計算方法主要有K-means聚類方法、正交最小二乘法、最小均方誤差等方法，隱含層到輸出層權值計算方法主要有偽逆法、最小二乘法和最小均方誤差等方法。本文第一次迭代計算時基于樣本數(shù)據(jù)選用K-means聚類方法來確定各個基函數(shù)的數(shù)據(jù)中心初始值，并計算方差初始值，基于樣本數(shù)據(jù)選用偽逆法來確定隱含層到輸出層權值初始值，之后迭代時3類參數(shù)都選用最小均方誤差方法隨迭代計算不斷自適應學習更新。

第一次迭代計算時，隱含層節(jié)點數(shù)據(jù)中心c采用K-means聚類方法進行計算。

(1)

式中cj——隱含層第j個節(jié)點數(shù)據(jù)中心；P——樣本數(shù)；x——樣本輸入值。

徑向基函數(shù)選用高斯函數(shù)，聚類中心c確定后，根據(jù)各數(shù)據(jù)中心之間的距離確定高斯函數(shù)的方差，因此高斯函數(shù)的方差計算為

(2)

式中δj——隱含層第j個節(jié)點高斯函數(shù)的方差，δj的大小反應了網(wǎng)絡對樣本噪聲的敏感程度和對樣本的擬合能力；λ——重疊系數(shù)，可取某一固定值。

因此，隱含層輸出值計算為

(3)

根據(jù)偽逆法，隱含層到輸出層權值矩陣W的計算為

(4)

式中K——隱含層節(jié)點數(shù)；M——輸出層節(jié)點數(shù)；T——轉置計算標示符；D——目標輸出矩陣。

目標函數(shù)為所有樣本迭代計算一次后的總誤差E，基于梯度下降最小均方誤差法可計算為

(5)

2.3 各參數(shù)修正值的計算

從第二次迭代計算起，隱含層第j個節(jié)點數(shù)據(jù)中心cj、高斯函數(shù)方差σj、隱含層到輸出層權值ωjs再通過式 (1)、式(2)、式(4)求解，而是通過自適應學習修正后更新疊加計算。

為使目標函數(shù)E最小化，基于最小均方誤差法，各參數(shù)的修正值同樣應與其負梯度成正比，因此隱含層到輸出層權值修正值Δωjs、高斯函數(shù)方差Δσj、隱含層第j個節(jié)點數(shù)據(jù)中心修正值Δcj的計算如式(6)所示。

(6)

式中η——學習率，可取某一常數(shù)。

因此，第n+1次迭代時，隱含層到輸出層權值ωjs(n+1)、高斯函數(shù)方差σj(n+1)、隱含層第j個節(jié)點數(shù)據(jù)中心cj(n+1)的更新計算如式(7)所示。

(7)

3 仿真驗證

算法可通過Matlab編程實現(xiàn)并仿真驗證。選用某變壓器正常運行及故障運行的100個樣本檢測數(shù)據(jù)對本算法進行仿真驗證，其中隱含層節(jié)點數(shù)K=10，重疊系數(shù)λ=1，學習率η=0.001。迭代終止條件為：目標函數(shù)E<0.001，或最大迭代次數(shù)N=5 000。訓練完成后，另選用不同于訓練數(shù)據(jù)的5組檢測數(shù)據(jù)用于測試本網(wǎng)絡性能，輸入輸出數(shù)據(jù)與故障類型關系如表2所示。

由表2可知，本文提出的算法故障診斷準確率較高。經(jīng)10次測試，每次測試隨機選取100個樣本數(shù)據(jù)進行驗證，本文提出的算法平均故障診斷準確率為95.6%，從理論上驗證了本文提出的基于徑向基神經(jīng)網(wǎng)絡進行變壓器故障診斷的可行性和準確性。

表2 輸入輸出數(shù)據(jù)與故障類型關系

4 結語

針對變壓器故障診斷難以智能判別問題，提出一種基于徑向基神經(jīng)網(wǎng)絡的變壓器故障診斷方法。該方法采用DGA技術，利用高斯函數(shù)作為徑向基函數(shù)，網(wǎng)絡結構簡單，收斂速度快。該方法變壓器平均故障類型診斷準確率為95.6%，并具有較強的容錯能力，滿足變壓器故障診斷要求，對變壓器故障在線診斷具有一定借鑒意義。

[1] 孫文星,楊賢,李朝暉,等.一種高可靠的變壓器絕緣狀態(tài)監(jiān)測方法[J].變壓器,2017,54(1):68-72.

SUN Wenxing, YANG Xian, LI Zhaohui, et al. A highly reliable on-line monitoring method for insulation condition of power transformer[J].Transformer, 2017, 54(1): 68-72.

[2]陳維滎,宋永華,孫錦鑫.基于神經(jīng)網(wǎng)絡的電力變壓器狀態(tài)監(jiān)測[J].變壓器,2002,39(z1):53-57.

CHEN Weiying, SONG Yonghua, SUN Jinxin. Power transformer monitoring based on artificial neural network[J].Transformer, 2002, 39(z1): 53-57.

[3]張志文,喬悅,羅隆福,等.信息融合技術在變壓器油氣識別故障診斷中的研究[J].計算機工程與科學,2012,34(3):132-136.

ZHANG Zhiwen, QIAO Yue, LUO Longfu, et al. Research of the information fusion technology in the transformer fault diagnosis with dissolved gas-in-oil analysis[J].Computer Engineering and Science, 2012, 34(3): 132-136.

[4]郭建龍,藍小萌.一種新型的變壓器運行狀態(tài)監(jiān)測與診斷方法[J].變壓器,2011,48(1):40-43.

GUO Jianlong, LAN Xiaomeng. A new method of monitoring and diagnosis for operation condition of transformer[J].Transformer, 2011, 48(1): 40-43.

ResearchofTransformerFaultDiagnosisMethodBasedonRBFNeuralNetwork

WANG Qiping , WANG Zhenzhang

(Shanghai Jiulong (Power) Group Co., Ltd., Shanghai 200040, China)

In order to solve the problem of intelligent fault diagnosis for transformer, this paper presents a fault diagnosis method based on RBF neural network. The method adopts DGA technology, takes Gauss function as radial basis function, and uses K-means clustering method to solve initial value of hidden layer node data center; by pseudo-inverse method, it solved initial value of the hidden layer to the output layer weight. The weight of hidden layer to the output layer, the data center and its variance of each basis function are updated by the iterative calculation with the minimum mean square error method. Matlab simulation results show that the diagnostic accuracy of the transformer fault type is about 95.6%, and it has a strong fault tolerance, which meets the requirements of transformer fault diagnosis.

transformer; fault diagnosis; RBF neural network

10.11973/dlyny201705013

王奇平(1975—)，女，從事電力工程設計工作。

TM41

A

2095-1256(2017)05-0546-03

2017-08-16

(本文編輯：趙艷粉)