神經網絡技術在電氣自動化設備故障診斷中的應用

蘆小雨 程 剛

（中國電建集團河南省電力勘測設計院有限公司，河南 鄭州 450000）

1 神經網絡技術原理

神經網絡的基本原理就是將多個不同神經元的計算機單位層級進行連接權重的相互連接，進而構建信息處理數學模型。神經網絡內部包括一個輸入層、多個隱藏層和一個輸出層組成，輸入層接收外部指令信息，輸出層產生最終的預測結果或輸出，隱藏層位于2 層之間，每個隱藏層內包括多個神經元。通過前向傳播手段將上、下神經元進行連接，神經網絡中處理信息隨層次依次向下層傳遞，再采用激活函數來確定神經元的輸出。但是學習連接權重與信息處理傳遞流程相反，通過反向傳播手段將輸出層信息傳播到隱藏層和輸入層，訓練和調節連接權重，基于損失函數來度量預測結果與真實標簽之間的誤差，最后根據梯度更新連接權重，起到降低誤差的作用。另外，神經網絡可以有效識別輸入數據的特性，進而完成數據分類、預測等任務[1]。神經網絡結構示意圖如圖1所示。

圖1 神經網絡結構示意圖

神經網絡應用主要包括前向計算、平均誤差計算及誤差反向傳遞3 個部分，具體內容如下。

1.1 前向計算

進行前向計算時，先在神經網絡內輸入選定的采樣點數據，并將采樣點負載端輸出的原始數據On視為各輸入層節點的輸出點，其表達式如公式（1）所示。輸出層輸入則用Im表示，其表達式如公式（2）所示。隱層輸入用Ij表示，其表達式如公式（3）所示。

式中：On為輸出層第n個節點輸出；Xn為輸入層第n個節點輸出；n、N代表各輸出點；Im為輸出層輸入；Vi，j為自隱層至輸出層的連接權重；j為隱層輸入；H為函數系數；Ij為隱層輸入；Wi，j為自輸入層至隱層的連接權重；an、aj為相應的閾值。

通過上述公式可融合得出相應節點輸出的非線性函數。

1.2 計算平均誤差

計算平均誤差時，常用E表示和計算所有樣本的平均誤差，如公式（4）所示。

式中：E為訓練結束判斷參數；k為訓練樣本；N為訓練樣本個數；M為輸出神經元的個數；Ek為第k個訓練樣本的平均誤差；ekm為第k個樣本的輸出神經元m的誤差。

1.3 誤差反向傳遞

誤差反向傳遞是利用網絡中權系數與輸入訓練樣本次數之間的密切關系，對網絡中的權系數進行反向調整的過程。具體計算時，先通過公式（5）對輸出層與隱層之間的權系數進行表達及計算，再通過公式（6）對輸入層與隱層之間的權系數進行表達及計算。

式中：Vj，n為輸出層與隱層之間的權系數；On為輸出層第n個節點輸出量；Wi，j為自輸入層至隱層的權重系數；i、k為函數計算系數；η為數值增益系數，取值為0～1；δ為慣性系數，取值為0～1。

可根據實際需要，利用數值增益系數η和慣性系數δ調整學習收斂速度。最后結合計算分析結果，構建電氣自動化設備的神經網絡模型，判斷設備是否存在故障[2]。

2 神經網絡在電氣自動化中的應用優勢

2.1 便于調節參數

傳統設備參數調節均是通過技術人員的認識及經驗來完成的。而應用神經網絡技術則可實現對數據的自動學習及特征提取，無須人工參與，可較好降低因人為因素引起的參數調整錯誤，進而根據實際需要高效、精確地調節相關參數。

2.2 誤差小

應用神經網絡算法對電氣自動化設備故障進行診斷，可不受其他因素影響且設置的參數會始終保持不變，不易發生實際數值與理論數值相差過大的情況，因此診斷誤差小。

3 實例分析

為研究神經網絡的故障診斷效果，該文以S7-315/10 型變壓器為例進行分析。該變壓器為三相銅芯10kV 變壓器，容量為315kVA。為判斷該變壓器故障情況、并解決傳統故障判別方法精度不高以及對技術人員經驗依賴大等問題，首先采用色譜分析法對變壓器油氣進行分析，以判斷變壓器實際故障情況，其次重點采用神經網絡技術對氣體種類、濃度與故障之間的關系進行研究及確定。

3.1 色譜分析

油氣色譜分析法的變壓器故障診斷

變壓器油在變壓器中起到絕緣、散熱和消弧作用，其故障特征氣體種類一般由H2、CH4、C2H6、C2H4、C2H2組成。該文實例分析的大型變壓器油中所含氣體極限情況見表1。

表1 該變壓器油中所含氣體極限參數表

故障檢測工作原理：當變壓器出現設備故障時，表1 中變壓器油中的氣體會發生不同濃度的變化。這些氣體有些是自然存在于油中的，有些是變壓器發生故障時機械刺激或放電產生的。利用油氣色譜分析法對比變壓器中產生的氣體含量，就可以實現變壓器運行故障的自動檢測。其中油氣色譜分析法的三類比值法使用最常見，見表2。

表2 油氣色譜分析三比值法參數表

造成變壓器故障的常見因素有超壓及超流、繞組短路、冷卻不足、絕緣損壞以及溫度過高等，其變壓器油的過熱、揮發和氧化是工作過程的基本反應。在變壓器的實際工作過程中，通常使用的故障檢測方法有以下2 種：1）通過專業儀器檢測變壓器的運行電壓、電流、溫度、壓力和油量等數據，分析變壓器的具體故障原因。2）通過使用氣相色譜儀手段，對變壓器油中的氣體進行成分檢測及比例分析。

該變壓器通過氣相色譜儀對變壓器的氣體進行實際檢測和數據分析，并利用模糊神經網絡作為智能技術支持，判斷出變壓器油中氣體比例與變壓器故障兩者之間的關系，利用計算機設定嚴謹的變壓器故障編碼，然后從輸入端進入神經網絡系統中進行機器學習，以此形成更智能的自動化變壓器故障檢測系統。

3.2 基于神經網絡的故障智能診斷過程

根據氣相色譜分析的相關參數構建故障診斷模型，并利用神經網絡對數據進行訓練，以此來達到高效、精準診斷變壓器故障的目的。

3.2.1 構建變壓器故障智能診斷模型

構建變壓器故障檢測模型是實現智能診斷設備故障的先決條件，通過電氣工程中的專業設備模式識別電流的頻率、最大值、最小值和流向等數據變化情況，并標識電氣工程中設備運行故障信號的特征表現。然后根據這些特征表現構建智能的電氣自動化故障檢測模型，如圖2所示。另外，一般電氣工程中設備規模大且結構復雜，會伴有多種不同的特征表現，因此電氣自動化故障檢測必須有統一化的處理方式，并對不同的特征表現均有對應的監測模塊[3]。

圖2 變壓器故障檢測模型流程圖

3.2.2 神經網絡識別離散層故障信號

創建電氣自動化故障檢測模型后，要利用神經網絡算法識別電氣工程設備運行的離散層故障信息。由于電氣工程中設備運行故障信號具有多樣性，單一的故障信號不能診斷出設備運行的具體故障原因，因此需要技術人員將電氣工程中的設備運行故障信號進行統一化處理，從多樣性的故障信號轉化為一致性的離散層故障信號。然后將轉化后的離散層故障信號進行學習訓練，并分析優化離散層故障信號有效值，獲取故障信號之間的特征表現關系[4]，如公式（7）所示。

式中：υ為離散層故障信號有效值；xi為電氣工程中設備運行故障的線路流經特征（i為實數）；N為電氣工程中設備運行故障信號數量（N為實數極值）。

從公式（7）中可得出離散型設備運行故障信號有效值，然后根據電氣工程中設備運行故障的流經強度算法，獲取故障信號之間的特征表現關系[5]，如公式（8）所示。

式中：p為電氣工程中設備運行故障電流極值；Nj是電氣設備運行強度故障點的極值特征；xi為電氣工程中設備運行故障的線路流經特征（i為實數）。

公式（8）中對xi進行了絕對值處理，故而可以避免設備運行故障時電流的流經方向問題。

3.2.3 變壓器行故障檢測的定位

根據上述神經網絡識別的離散層故障信號以及變壓器運行故障檢測的定位技術，對變壓器運行故障進行智能自動化診斷、預測和分析，主要包括以下3 點：1）要利用獲得的變壓器運行故障模式，識別分析出每個故障信號的目標值。2）使用神經網絡技術優先選擇隱藏層的神經元數目和激活函數，作為整個故障檢測系統的控制中心。3）采用計算機神經網絡算法計算變壓器運行的故障幅值，最后分析電氣設備運行的自我診斷數據，如公式（9）所示。

式中：s為電氣設備的故障幅值；H為初始布拉格波長漂移量；i為光線有效彈光靈敏度；p為光纖有效彈光系數；h為初始布拉格波長；ah為波長應變量；bh為波長頻率；ω為波長諧振矢量；υ為離散型故障信號的有效值。

通過公式（9）不僅可獲得變壓器運行故障信息的統一化控制結果，還可去掉變壓器運行故障的不顯著信號參數，并增強故障信號參數的穩定性。這樣既可保證變壓器自我診斷的一致性，也可采用神經網絡算法完成對變壓器運行故障的自動化檢測和分析[6]。

3.3 故障診斷分析

3.3.1 輸入模糊規則

因為利用氣相色譜分析法對變壓器油氣分析獲得的含量數據差異較大，無法直接輸入神經網絡，即使進行過優化處理，也還是存在較大差異。因此在數據輸入神經網絡訓練之前采用隸屬函數對數據進行優化，以縮小數據差異，并控制數據限值在0～1，使三比值樣本轉化為適合神經網絡的數據形式。這樣既能提高數據的可訓練性，也能增強神經網絡的容錯能力，保證診斷結果的準確性。該文研究中應用的隸屬函數如公式（10）～公式（12）所示。

式中：X1、X2、X3為變壓器油氣含量分析數據優化函數值；U1、U2、U3為變壓器油氣含量實際分析值。

3.3.2 輸出轉換規則

如果第n個輸出的第j個值比其他數值大得比較多，則將該值視作相應故障類型的輸出解。如果輸出的值中存在2 個最大值或者幾個最大值，并且最大值相差較小，而其他輸出值偏小，則說明這幾個故障發生概率比較大。實際診斷中，將輸出值大于0.55 的統一記作1，表示已發生該故障，其他小于0.55的值記作0，表示未發生此故障。

3.3.3 樣本訓練

選取110 組實測數據中的15 組典型樣本，利用神經網絡對選取的樣本進行模糊處理及訓練，將學習率Ir設定為0.3，隱層節點數S1為12，輸出節點設有8 個，誤差精度取0.1。樣本經神經網絡模糊處理及訓練后形成相應的“權”矩陣，然后統計并記錄變壓器的故障數據。

3.3.4 診斷結果

通過神經網絡完成樣本訓練后，先自檢，再跟實際數據做對比分析，最后診斷出變壓器的具體故障情況。具體結果見表3。

表3 基于神經網絡的變壓器診斷結果

從表3 可以看出，利用神經網絡對變壓器故障進行診斷，最終的結果和實際開箱檢測結果是一樣的，說明該文利用神經網絡對變壓器故障進行診斷達到了預期效果。

4 總結

綜上所述，該文通過實例證明了神經網絡技術在電氣自動化設備故障診斷中具有良好的效果，不僅診斷結果準確，還不易受其他因素影響，診斷效率也比較高，可有效解決依賴技術人員經驗及其他系統信息等問題，并且可通過準確描述故障情況來確定故障位置，可為電氣自動化設備穩定性運行提供保障。