基于粒子群算法的電力變壓器繞組故障診斷方法

陳東亮，張 龍

（安徽電力工程監理有限公司，安徽 合肥 230071 ）

0 引 言

電力變壓器對于保障電子線路實現完整周轉具有重要意義，但電力變壓器在運作過程中引起的負荷大，長此以往積累了許多問題。電力變壓器一旦出現繞組故障，就會影響到牽引變壓。因此對于電力變壓器的故障診斷也提出了很高的技術要求。傳統的BP算法在變壓器繞組故障診斷中的精度較低，存在一定誤差，影響診斷結果。

為了解決上述問題，本文提出了基于粒子群算法的電力變壓器繞組診斷方法。粒子群算法通過科學地計算分析診斷參數的運動軌跡，構建相應的調整模型，能夠利用更少的時間做到更精確的誤差分析。

1 基于粒子群算法的電力變壓器繞組故障診斷方法

1.1 構建粒子群網絡

基于粒子群數據構建粒子群網絡，使用粒子群網絡的突破能力和收斂速度進行數據處理，增加其緊密的網絡結構，細化局部的繞組處理，進一步增加數據精度，減少運行誤差[1]。其結構示意如圖1所示。

圖1 粒子群網絡示意圖

設輸入層的節點數為x，x=(1,2,…,m)，隱含層的小波點數為n，n(j=1,2,…,n)。那么得到的輸出層節點個數為N=(iN··1,2,)，輸入層的樣本為L，輸入層k與隱含層x之間的連接權值為Wxk，通過此次計算得出粒子的輸出為：

將粒子輸出的計算值應用在粒子網絡的伸縮中，利用粒子伸縮的功能進行平移，分析出對應的網絡參數，保證選擇的輸入粒子參數較為恰當。上述操作主要基于對個體和群體的粒子群速度的優化，每一次迭代過程都需要靠近最優解的方向進行運動，變壓器繞組振動的時間與粒子群速度有密切關系，變壓器的整個生命周期因粒子網絡加強粒子群的收斂速度而保持活力[2]。電力變壓器的繞組預緊力和運行程度側面驗證了電子變壓器是否出現故障，而電力變壓器的預緊力需要結合粒子群網絡的運作參數，結合上述參數帶入公式（1）中，輸出結果導入網絡結構實現粒子群網絡的構建。

1.2 粒子群調整

在整個粒子群網絡中，粒子系數的不同推移導致不同粒子在繞組處理過程中運動產生的適應速度減弱。具體的粒子群在進行初級處理的過程中，就需要進行繞組故障適配度的更新處理。通過調整粒子群，實現整個操作的優化升級。

粒子群的具體操作流程步驟如圖2所示。

圖2 粒子群操作步驟

粒子群初始化一般采用隨機分配的模式進行數據處理，這樣可以確保所有粒子在速度和位移方位的統一穩定。初始化粒子群后需要重新擬定相關的序列參數。通過計算分析得出粒子群具體的位置信息再進行下一步的更正準備[3]。粒子群調整后還需要結合電子電力變壓器進行輸入隱藏層與訓練時間的處理。

通過不斷調整粒子群的速度和方向選出適配度最高的粒子，便可以繼續所有的操作步驟至結束。若沒有找到適配度最高的粒子，需要返回最初步驟再進行模擬操作。

在網絡初步構建和粒子群的調整下，通過適配的粒子系數完成對粒子群的最佳分類，這樣可以充分發揮粒子群算法的優勢。通常情況下，粒子群主要受輸入權值和輸入閾值的雙重影響。

1.3 變壓器環境噪聲分離

在進行電力變壓器的故障診斷時，必須對電力信號進行數據采集。

采集過程中的觀測信號即為電壓信號，由于電壓信號可能會受到噪聲的干擾，因此可以建立一個分離模型保證電源信號的單個獨立[4]。由于采集的電壓信號在混合方式上存在多形態的變化情況，因此對于觀測信號無法通過肉眼進行數據處理。只能通過儀器優先獲得信號源，再對電壓信號進行環境噪聲分離。

盲源信號主要是利用變壓器在干擾的環境中進行噪聲的分離和追蹤，在信號源收集前進行瞬時混合。盲源信號是消除干擾之前接收的聲音信號。變壓器環境噪聲分離的具體要求就是消除受干擾的聲音信號，識別具體變壓器環境中所需的聲音信號。

噪聲信號源分離后的混合方式可以分成瞬時混合、暫時混合與卷積混合3種類型[5]。電力變壓器若出現延遲信號，則采用暫態混合。若電力變壓器出現卷積信號，則采用卷積混合。

1.4 變壓器故障診斷

將上述粒子群調整和粒子群網絡應用于變壓器故障診斷具體操作中。在環境噪聲分離的基礎上，選擇設置網絡的隱藏層，穩定設置為6次輸入和6次輸出，隱藏層的節點數一般設為10左右，而基于此建立的粒子群系數的點數穩定在12。

訓練完成后進入故障檢測，在迭代后期對粒子采用不同的濾波處理。結合自身歷史最佳位置篩選出不符合的故障信號，再通過粒子群的快速趨同效應達到對變壓器故障的診斷。

將粒子群訓練集應用于變壓器故障測試中，對電力變壓器單一故障和復合故障進行診斷。如果信號出現停滯，那么變壓器故障診斷需要再度改進。如果信號運行正常，則變壓器完成對故障預設的處理。在具體的操作中主要結合低能、高能、帶阻、帶通4種模式，來完成電力變壓器故障信號的診斷。

2 實 驗

2.1 實驗準備

為了證明本文提出的基于粒子群算法的電力變壓器繞組故障診斷方法的有效性，將基于BP神經網絡的診斷方法作為對比方法，設計對比實驗。

選擇6組電力變壓器繞組作為實驗對象，采用不同方法診斷變壓器中繞組的故障類型，如圖3所示。

圖3 實驗用變壓器繞組

設置6種常見的電力變壓器繞組故障類型，分別編號為A1～A6。具體故障描述為：當環境溫度低于300 ℃時產生的低溫或過熱故障類型設為A1；在300～700 ℃之間產生的中溫過熱故障定義為A2；在高于700 ℃之后產生的中高溫過熱故障定義為A3；局部放電產生的故障反應定義為A4；低能放電產生的故障反應定義為A5；高能放電產生的故障反應定義為A6。

具體的變壓器狀態編碼表一般為（0,0,0,0,0,0,0,0,1）或者是（0,0,0,0,0,0,0,0,0），不同輸入隱藏層之間產生的誤差系數用E表示。

通過粒子群算法對變量進行隨機抓取，為了保證粒子群算法的有效性，在粒子群的種群規模和操作層數的最大更迭數值不超過20。這樣可以確保粒子群在有效的時間內達到完整的信息數據交換。另外，各粒子的初始參數范圍設置在[-1,1]，這樣方便后續對于粒子群運動軌跡的抓取。

2.2 應用結果

按照不同故障類型設置6組電力變壓器繞組的故障情況，采用兩種不同的算法對6組電力變壓器繞組進行故障檢測，并與設置的故障類型進行對比，以此判斷檢測的準確性。具體檢測結果如表1所示。

表1 檢測結果對比

根據表1檢測結果可以看出，采用基于BP神經網絡方法對變壓器繞組故障進行檢測時，可準確檢測到環境溫度低于300 ℃時產生的故障，但是對于300～700 ℃之間產生的故障不能夠很好地識別；對繞組局部放電產生的故障能夠很好地識別，但是對于具體的低能或高能放電識別效果較差。相比之下，采用本文方法對變壓器繞組故障進行檢測的結果與設置的故障類型一致，檢測結果的準確性較高。

隨機選取1組變壓器繞組進行檢測誤差的測試，該組變壓器繞組編號為4號，故障類型為局部放電產生的故障。采用兩種方法檢測該變壓器繞組局部放電量，并與實際放電量進行對比，越接近實際放電量的方法，證明其故障檢測能力越好，精度越高。對比結果如圖4所示。

圖4 局部放電量檢測結果對比

通過圖4可知，本文提出的基于粒子群算法的電力變壓器繞組故障診斷方法檢測出的局部放電量與實際放電量基本一致，而基于BP神經網絡方法檢測出的局部放電量與實際放電量出入較大。由此可以證明本文提出方法的故障檢測能力較好、精度較高，具有一定的的有效性。

2.3 實驗結論

變壓器故障診斷對實時性和誤差診斷的精度有嚴苛的要求，傳統的神經網絡算法效率差，局部參數最大值和最小值的處理不到位，因此提出基于粒子群算法的電子電力變壓器繞組故障診斷研究。在此基礎上建立的故障診斷方法采用粒子群網絡對故障進行初步診斷得出參數，并將其運用于后續的粒子群調整中。實驗結果表明，本文所采用的粒子群算法比傳統算法診斷誤差更小，變壓器診斷的準確性更高。

3 結 論

將粒子群算法融入到電力變壓器中，增加了粒子群算法在電力電子領域的應用。和其他的電力繞組故障檢測方法相比，本文設計方法的誤差更小，精確程度更高。基于粒子群算法的電力變壓器繞組的數據處理和參數的掃描范圍可能存在一些不足，在具體的實驗操作中還有進步的空間，未來將繼續對其深入研究。