基于KNN改進的BP神經網絡的油浸式配電變壓器故障診斷

翟智勇

（安徽理工大學電氣與信息工程學院，安徽淮南，232001）

0 引言

近些年來,我國電力行業發展迅猛。根據統計資料華經產業研究院數據統計表明:2021年中國上半年實現全國發電量的累計量值分別是為38717億千瓦時,和前2020年水平相比,同期分別增長實現了為5072.2億千瓦時,累計用電量同比將增長達13.7%百分點;截止2021年6月實現我國上半年發電量預計為6860.5億千瓦時,同比約增長約7.4%?？傮w經驗來看,從“ 十二五”以來,電力變壓器設備的發生故障幾率也正在呈逐年速度下降。雖然數據如此,從現場質量部門抽檢、生產銷售企業反饋的事故數據分析上來看,在設備故障原因比例統計上,設備存在質量問題而引發設備的設備故障率達高達近60%,成逐年上升趨勢。因此就可以清晰看出了在世界電力需求數量的長期迅猛式增長中及整個電力系統自身的穩定高速健康發展的現代化進程中,大型復雜電力設備系統安全及可靠有效運行系統的日益重要性。電力變壓器主要作為中小型發電廠變壓器與小型變電站間的一臺主要交換電力設備,假如其一旦發生故障,系統將不能穩定的正常工作。而且,隨著各種變壓器電氣等級數目的日益增加,變壓器系統的電氣造價亦就變得越益昂貴,如果萬一因發生故障系統受到毀滅性破壞,對我們整個中國經濟社會長遠的高速發展必然造成更加嚴重惡劣的破壞后果。由于當代科技日新月異的飛速進步,現有采用的許多傳統的變壓器檢測試驗方法精度都無法再滿足判斷出變壓器故障程度的一般安全性能要求,因此更需要提供一個更為安全,可靠,便攜的檢測變壓器故障的保護方法。目前國內檢測柴油變壓器故障情況最多常用到的辦法是利用氣相光譜法直接檢測變壓器油樣品中可溶解的氣體雜質的相對含量,然而釆要用該技術方法對系統進行直接檢測,需要符合對變壓器油品的直接采樣法技術要求很高規定,否則將容易會給變壓器油產品引入氣體污染危險;并且對于不同雜質組分氣體雜質在變壓器不同的油樣池中產生的脫氣效率值也各不一定相同,若需對其檢測數據信息進行適當人為地修正則有時還極可能將加大數據誤差;此外,從變壓器油樣中抽取樣品到變壓器油氣樣品分離,再結合到變壓器各組分進行氣體的分離再進行紅外色譜檢測分析,該色譜檢測方法過程又非常龐大復雜,所需測試時間往往過長,并且整個檢測時間周期都取決于各電廠運行的各種維護和制度,因此它并遠遠不能真正滿足我們對所有變壓器參數進行長期實時分析監測。

1 變壓器溶解氣體技術分析

油浸式變壓器運行過程中，內部絕緣油、絕緣紙會受到電、熱、水、氧等內部或外部的影響，分解出的特征氣體和變壓器油相融。通過特征氣體的種類和濃度可以得出油浸式變壓器的故障，并且可以推斷出嚴重程度。變壓器油是由-H化合物分子組成的，一旦油浸式變壓器發生故障時，產生的能量使碳氫化合物分解，產生了C-H。這些自C-H鍵再次結合產生低分子量的碳氫化合物氣體，如H2、CO、CO2、CH4、C2H2、C2H4、C2H6。如圖 1 示 ：

圖1 油中氣體的分解過程

2 變壓器絕緣油中溶解氣體分析

目前主要檢測柴油變壓器故障狀態的監測方法主要有DGA(油中溶解氣體分析)方法、聲紋與振動特性監測、局部放電特性檢測系統等。DGA通過先對變壓器絕緣油芯中被溶解出來的組分特征氣體的氣體種類組成和組分含量狀況進行的初步的分析,能夠用來幫助設計者判別出變壓器外殼內部氣體是否可能存在一些潛伏性隱患,如果需要再來對內部各組分的特征氣體種類的平均產氣率組成及其含量變化等趨勢來作的進一步的分析,還能夠可以通過預測性分析的手段判斷出電氣故障氣體的性質,區分為過熱性故障氣體和過放電性故障,甚至是可以同時通過均勻勾選分布到多個氣體監測點判斷故障電流的實際產生時間位置。由于釆用方法能進行全程在線狀態監測和無需長期停電的運行,并且又具有其不受其他外界環境因素所影響的一系列明顯性能優勢,因此這是我們當前已知可以用于判別變壓器故障狀態的一種最優測量方法。

圖2 變壓器故障診斷系統流程圖

3 兩種算法介紹

反向傳播算法(BP)

BP算法主要有以下三個步驟：

①前向計算每個神經元的輸出值；

②反向計算每個神經元的誤差項均為e；

③最后用隨機梯度下降算法迭代更新權重w和b。

我們初始化一個w_o和b_0，帶到Loss里面去，這個點(w_o,b_o,Loss_o)會出現在碗壁的某個位置，而我們的目標位置是碗底，那就慢慢的一點一點的往底部挪吧。

我們用這四個表達式，來更新參數。

計算反向傳播的誤差損失值Loss，反向傳播完成一次權重的更新：

KNN(K-Nearest Neighbor)最基礎簡單實用鄰近分類算法是數據挖掘鄰近分類(classification)技術在應用環境中應用的最基本且簡單而實用有效的鄰居分類算法技術之一,即可通過由在你附近的所有鄰居來做快速地推斷來劃分出一個符合于你的偏好范圍的鄰居類別。

KNN實現的方法原理:由于首先我們是要嚴格的判斷出這個未知的樣本數量中包含的其他各個未知類別,以其中包含在所有其他這些已知樣本的未知類別數量中的所有未知的樣本數量來作為判斷主要的參照,計算得出每個所有未知樣本的總樣本數及與每個其他的所有的這些所有已知的未知樣本總數間的最大相對的距離,從中再擇優選取一個其中的與所有這個所有未知的已知樣本之間相對最大距離為最近的前K個所有已知的未知樣本,根據少數人服從于多數人的投票法則(majority-voting)根據上述原理,將這個未知類別的樣本數量中與它前面有K個類別的最靠前鄰近類別的樣本總數中所屬的類別數量中占的份額比較過多的樣本數量歸并計算為一類。以上幾個內容基本上就是KNN算法基本原理及其應用在分類與任務分析工作中最為廣泛的應用的幾個基本原理。

KNN算法的關鍵：

確定K的值K值如果選的過大，會出現欠擬合，太小會出現過擬合，需兩次驗證確定K值。

KNN算法的優點：①通俗易懂，易于實現，不需要估計參數，不需要訓練；②適合對稀有事件進行分類；③KNN比SVM的準確率要好。

4 仿真驗證

基于上述分析,bp神經網絡的網絡損失和精度圖如圖3所示：

圖3 bp神經網絡的網絡損失和精度圖

基于KNN網絡的網絡損失和精度圖如圖4所示：

5 結論

由圖3可知，基于BP神經網絡的變壓器故障診斷準確率可達65%左右，由圖4可知，基于KNN網絡的變壓器故障診斷可達90%左右。

圖4 KNN網絡的網絡損失和精度圖