基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷系統(tǒng)

初海劍

（中鋼集團(tuán)吉林機(jī)電設(shè)備有限公司 吉林·吉林 132000）

0 引言

變壓器主要是應(yīng)用電磁感應(yīng)原理工作，可以把一種電壓的交流電能轉(zhuǎn)變成另一種相同頻率電壓的靜止電氣裝置。一些大中型變壓器在使用時(shí)，由于工作過(guò)程中存在的電磁、物理和化學(xué)反應(yīng)，會(huì)導(dǎo)致變壓器產(chǎn)生不同情況的變化，其中有些變化會(huì)使變壓器發(fā)生故障，這些故障可根據(jù)其發(fā)生位置分為內(nèi)部和外部?jī)煞N。

通常我們把發(fā)生在油箱內(nèi)的故障稱為內(nèi)部故障，大致可分為兩類，一是電性故障（包括局部放電、火花放電和電弧放電）；二是熱性故障（包括一般性過(guò)熱故障和嚴(yán)重過(guò)熱性故障）。

目前，對(duì)變壓器的故障診斷多采用以下兩種故障診斷方法：氣相色譜分析法，狀態(tài)量監(jiān)測(cè)法。

本文提出，利用神經(jīng)網(wǎng)絡(luò)對(duì)油中氣體的分析，進(jìn)行變壓器故障的診斷，綜合了以上傳統(tǒng)的判斷方法，使得判斷更完善。

1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)元模型是受生物神經(jīng)元的啟發(fā)，進(jìn)行抽象與模擬。對(duì)于抽象的理解是從數(shù)學(xué)角度出發(fā)，而模擬則是基于神經(jīng)元的的功能和結(jié)構(gòu)。

一般地，人工神經(jīng)元是一個(gè)多輸入單輸出的非線性域值器件。假定x1,x2,…,xn表示某一神經(jīng)元的第n個(gè)輸入；Wji表示第j個(gè)神經(jīng)元與第i個(gè)神經(jīng)元的突觸連接強(qiáng)度，其值稱為權(quán)值；Ai表示第i個(gè)神經(jīng)元的輸入總和，相應(yīng)于生物神經(jīng)細(xì)胞的膜電位，稱為激活函數(shù)；yi表示第i個(gè)神經(jīng)元的輸出；表示神經(jīng)元的域值，那么人工神經(jīng)元的輸出可描述為

前向神經(jīng)網(wǎng)絡(luò)是故障診斷領(lǐng)域中廣為應(yīng)用的一種網(wǎng)絡(luò)。它包含一個(gè)輸出層和一個(gè)輸入層，一個(gè)或多個(gè)隱含層。網(wǎng)絡(luò)具有學(xué)習(xí)能力，采用BP網(wǎng)絡(luò)，通過(guò)調(diào)整層與層之間的權(quán)值，從而得出大量的映射輸出，它不需要過(guò)多已知的數(shù)據(jù)參數(shù)表述輸入——輸出相互間模式映射。只需要用確定的映射關(guān)系對(duì)網(wǎng)絡(luò)訓(xùn)練，經(jīng)過(guò)反復(fù)的學(xué)習(xí)，映射能力就體驗(yàn)在這種網(wǎng)絡(luò)當(dāng)中。

當(dāng)電力變壓器發(fā)生故障時(shí)，通過(guò)采集變壓器油，對(duì)油中分解出氣體的組成及含量進(jìn)行提取，運(yùn)用到專家系統(tǒng)及神經(jīng)網(wǎng)絡(luò)中，通過(guò)BP模型及算法對(duì)變壓器故障進(jìn)行診斷，是該領(lǐng)域這幾年來(lái)主要研究的熱點(diǎn)和方向。

2 系統(tǒng)設(shè)計(jì)與開(kāi)發(fā)

本系統(tǒng)選擇MATLAB語(yǔ)言進(jìn)行編程，MATLAB為我們提供了一個(gè)交互式程序設(shè)計(jì)的學(xué)習(xí)環(huán)境，此系統(tǒng)采用矩陣的基本數(shù)據(jù)結(jié)構(gòu)，在生成矩陣對(duì)象時(shí)，并不要求明確的維數(shù)說(shuō)明。在技術(shù)和工程研究領(lǐng)域，MATLAB還被用來(lái)解決實(shí)際教學(xué)課題和數(shù)學(xué)模型。其典型的應(yīng)用包括了對(duì)數(shù)值計(jì)算和處理、算法設(shè)計(jì)及驗(yàn)證還有一些特殊的矩陣計(jì)算應(yīng)用，如科學(xué)繪圖、數(shù)值和符號(hào)計(jì)算、通訊系統(tǒng)的設(shè)計(jì)與仿真等。

該系統(tǒng)選擇的是神經(jīng)網(wǎng)絡(luò)（neural network）工具箱，直接調(diào)用相關(guān)函數(shù)就可實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)和程序的設(shè)計(jì)。

神經(jīng)網(wǎng)絡(luò)工具箱的BP網(wǎng)絡(luò)：Initff和Simuff函數(shù)用于對(duì)不超過(guò)三層的前饋型網(wǎng)絡(luò)的初始化和仿真。Trainbp、Trainbpx、Trainlm函數(shù)用于訓(xùn)練BP。三個(gè)函數(shù)中Trainlm的訓(xùn)練快速，排在首位，但它需要更大的存儲(chǔ)空間，Trainbpx的訓(xùn)練速度次之，Trainbp最慢。在程序中選用Initff，Simuff，和Trainlm函數(shù)。

BP網(wǎng)絡(luò)通常采用可微的傳遞函數(shù)。在進(jìn)行BP網(wǎng)絡(luò)的訓(xùn)練中，常用的傳遞函數(shù)有l(wèi)ogsig、tansig、purelin，計(jì)算這些函數(shù)的導(dǎo)數(shù)是關(guān)鍵環(huán)節(jié)，可利用神經(jīng)網(wǎng)絡(luò)工具箱提供的求導(dǎo)函數(shù)進(jìn)行計(jì)算。如果要用到其它函數(shù)可以進(jìn)行自定義。

在設(shè)計(jì)BP網(wǎng)絡(luò)時(shí)，利用函數(shù)Initff初始化BP網(wǎng)絡(luò)，只需輸入幾個(gè)參數(shù)：已知向量、隱含層神經(jīng)元總數(shù)、傳遞函數(shù)。假設(shè)，一個(gè)BP網(wǎng)絡(luò)含有2層、隱含層有x個(gè)神經(jīng)元，tansig為傳遞函數(shù)，輸出層有y個(gè)神經(jīng)元，purelin為傳遞函數(shù)，則BP網(wǎng)絡(luò)的初始化命令為：[w1，b1，w2，b2]=Initff（p，x，’tansig’，y，’purelin’）；

在收集采樣數(shù)據(jù)時(shí)，輸入的向量應(yīng)包含輸入值中的最大值和最小值，用以保證得到的初始值為最佳值。函數(shù)Initff也可以從目標(biāo)矢量中自動(dòng)識(shí)別輸出層神經(jīng)元的個(gè)數(shù)。

當(dāng)利用不同的函數(shù)對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)只會(huì)產(chǎn)生不同學(xué)習(xí)規(guī)則，并不會(huì)使他們的用法產(chǎn)生太大的差別。

對(duì)于單層BP網(wǎng)絡(luò)tp=[disp_freq max_epoch err_goal lr]；[w，b，epochs，tr]=Trainbp（w，b，’F’，p，t，tp）；

其中tr表示訓(xùn)練誤差，訓(xùn)練參數(shù)tp確定了學(xué)習(xí)過(guò)程的顯示頻率、最大訓(xùn)練步數(shù)、誤差指標(biāo)以及學(xué)習(xí)率，F(xiàn)表示神經(jīng)元所采用的傳遞函數(shù)類型。

對(duì)于兩層 BP 網(wǎng)絡(luò)[w1，b1，w2，b2，epochs，tr]=

Trainbp（w1，b1，’F’，w2，b2，’F2’，p，t，tp）；

對(duì)于三層BP網(wǎng)絡(luò)

[w1，b1，w2，b2，w3，b3，te，tr]=

Trainbp（w1，b1,’F’,w 神經(jīng)網(wǎng)絡(luò)工具箱的 BP 網(wǎng)絡(luò)：Initff和Simuff函數(shù)用于對(duì)不超過(guò)三層的前饋型網(wǎng)絡(luò)的初始化和仿真。Trainbp、Trainbpx、Trainlm函數(shù)用于訓(xùn)練BP。三個(gè)函數(shù)中Trainlm的訓(xùn)練快速，排在首位，但它需要更大的存儲(chǔ)空間，Trainbpx的訓(xùn)練速度次之，Trainbp最慢。在程序中選用Initff，Simuff，和Trainlm函數(shù)。

3 系統(tǒng)處理過(guò)程及診斷實(shí)例

使用神經(jīng)網(wǎng)絡(luò)對(duì)變壓器進(jìn)行故障診斷時(shí)，首要注意的是：為輸入特征參數(shù)的選取。選擇正確的輸入特征參數(shù)將會(huì)對(duì)神經(jīng)網(wǎng)絡(luò)診斷變壓器故障的準(zhǔn)確率有著明顯的提升。此篇論文運(yùn)用統(tǒng)計(jì)分析技術(shù)中的理論，對(duì)變壓器油中的氣體，進(jìn)行處理分析，廣泛的選取了神經(jīng)網(wǎng)絡(luò)中輸入的特征參數(shù)，為使輸入?yún)⒘堪ㄋ械男畔ⅲ瑧?yīng)選擇盡可能多的輸入?yún)⒘俊?/p>

本文選擇了20個(gè)測(cè)試采集的樣本，對(duì)演練完成的網(wǎng)絡(luò)進(jìn)行了仿真模擬測(cè)試，其判斷正確率達(dá)到了預(yù)期的要求，根據(jù)文獻(xiàn)[2]中已知的故障數(shù)據(jù)，得到下面給出幾個(gè)診斷實(shí)例。某變壓器工作中氣體繼電器動(dòng)作，取樣分析見(jiàn)下表1：

表1：某變壓器色譜分析數(shù)據(jù) （單位：L/L）

變壓器油中總烴超標(biāo)嚴(yán)重，三比值編碼為：0 2 2，屬于超過(guò)700℃的熱故障。將數(shù)據(jù)輸入網(wǎng)絡(luò)，輸出為Y1=0，Y2=0.93，Y3=0，Y4=0.89，數(shù)據(jù)顯示為過(guò)熱和放電。

實(shí)際檢驗(yàn)看到，從繞組引出的高壓套管的銅螺栓發(fā)黑、松動(dòng)，存在過(guò)熱跡象，伴隨著放電現(xiàn)象，由此表明此前判斷正確。

某熱電廠——變壓器上的氣體繼電器發(fā)生變化，色譜分析如下表2：

表2：變壓器色譜分析數(shù)據(jù) （單位：L/L）

三比值法編碼為：0 2 1，存在著300～700℃中等溫度范圍的熱故障。網(wǎng)絡(luò)輸出為 Y1=0.01，Y2=0.72，Y3=0.4，Y4=0.68，說(shuō)明故障溫度不是很高，并有放電現(xiàn)象。

實(shí)際檢查后發(fā)現(xiàn)C相高壓段第14～15復(fù)合絕緣紙之間發(fā)生了局部放電現(xiàn)象，出現(xiàn)黑色印跡，但未出現(xiàn)燒焦的現(xiàn)象。

通過(guò)對(duì)輸入特征參量的確定、典型樣本集的選取、程序中參數(shù)的選擇進(jìn)行系統(tǒng)處理來(lái)提高神經(jīng)網(wǎng)絡(luò)診斷的準(zhǔn)確率。實(shí)驗(yàn)中對(duì)變壓器色譜分析得出的數(shù)據(jù)，進(jìn)行實(shí)時(shí)的研究診斷，進(jìn)一步說(shuō)明變壓器在運(yùn)行中可能出現(xiàn)的故障。

4 結(jié)論

變壓器內(nèi)部故障的判斷技術(shù)對(duì)故障的準(zhǔn)確判斷有著非常重要的地位，變壓器油中溶解的氣體含有著重要的信息，通過(guò)分析油中溶解氣體的成分就可判斷出故障的性質(zhì)、故障的強(qiáng)弱程度。本文利用神經(jīng)網(wǎng)絡(luò)，用已知的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后就可實(shí)現(xiàn)對(duì)一般故障的診斷，并隨著訓(xùn)練數(shù)據(jù)越來(lái)越大，網(wǎng)絡(luò)權(quán)值和結(jié)構(gòu)的逐漸調(diào)整，判斷準(zhǔn)確率也將越來(lái)越高，但只能是在一定的范圍變化（理論上可達(dá)到100%，只要用所有故障類型的數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練）。

因?yàn)槭侵苯硬蓸拥淖儔浩饔停钥蛇M(jìn)行在線監(jiān)測(cè)，使得判斷和數(shù)據(jù)的收集更加便捷，這對(duì)變壓器潛伏性故障的發(fā)行有著重要的作用。