基于改進BP 神經網絡的電氣設備絕緣故障診斷研究

高春橋

（北京市化工職業病防治院，北京 100080）

0 引 言

電氣設備在使用過程中會出現各種故障，其中絕緣故障的發生率最高且難以監測。在電氣設備中，容易出現絕緣故障的設備包括電纜、絕緣子、變壓器、發電機、開關設備、電動機、終端設備、連接器以及接頭等。這些組件或設備在長期使用、老化、外力破壞、操作不當等因素的影響下，可能發生絕緣故障[1-2]。為此需要電力行業憑借強大的運算能力和先進的智能技術設計診斷方法，以應對電氣設備在使用過程中出現的由不同因素造成的絕緣故障，并建立以統計數據為依據，有利于電氣設備在各種因素和干擾環境下診斷絕緣故障的實驗模型，從而達到較高的實驗可靠性和實用性。

文獻[3]提出基于遞歸神經網絡的變壓器套管絕緣故障檢測方法（下文簡稱文獻[3]方法），通過高分辨的智能信息跟蹤識別方法采集故障信息特征并進行融合處理，采用遞歸神經網絡學習方法在處理后的信息中提取電感和穩壓參數，建立故障樣本數據的檢測分析模型，并對提取到的故障參數進行特征分類處理，實現對故障特征的分類識別和自動化檢測。但該方法在運用中存在過度依賴故障數據的情況，導致診斷準確性較低。文獻[4]提出基于分解法的主變壓器絕緣故障診斷方法（下文簡稱文獻[4]方法），提取主變壓器絕緣油中的溶解氣體作為特征量，分解油中氣體特征量，根據氣體特征量組分與故障類別之間的關系構建故障診斷模型，實現主變壓器絕緣故障診斷。但該方法診斷結果的穩定性較低。

為解決上述方法存在的問題，提出基于改進BP神經網絡的電氣設備絕緣故障診斷方法，以變壓器絕緣故障為例，設計具體絕緣故障診斷方法，旨在為電氣故障維修行業提供一種可靠且高效的絕緣故障診斷方法。

1 改進BP 神經網絡對變壓器絕緣故障診斷方法設計

針對當前電氣設備絕緣故障診斷過程中存在的問題，文章以變壓器絕緣故障為例，設計絕緣故障診斷方法，并將變壓器絕緣故障診斷方法設定為3 個環節。

1.1 采集變壓器絕緣原始信號

在應用改進BP 神經網絡對變壓器絕緣故障進行診斷之前，需要采用改進諧波分析法進行在線監測[5]。根據以往研究結果，設定變壓器原始信號的采集過程如下：一是將待檢設備中各項傳感器檢測到的電壓信號和電流信號傳輸到各設備絕緣監測終端；二是由監測終端通過總線將模擬信號傳輸到上位機；三是通過抗混疊濾波器對電壓信號和電流信號進行濾波與放大，將電流信號轉換成電壓信號，并限定模擬信號的輻值；四是模擬信號經高精度的A/D 轉換器轉換成數字信號，并將其傳送到數字信號處理（Digital Signal Processing，DSP）控制器進行數據處理，使用介損算法計算變壓器運行信號。

信號采集工作完成后，對已獲取的信號進行預處理。本次研究采用介損算法對已獲取的信號進行預處理。介損算法主要有電壓比較法、正弦波參數法、傅里葉變換法、高階正弦擬合法以及諧波分析法等。對比多種方法的優劣性后，選擇快速傅里葉變換法完成信號濾波處理。此方法憑借計算量小、計算速度快等優勢成為目前最常用的絕緣在線監測方法，相較于其他方法有設計電路簡單、硬件電路穩定、測得的信號更為準確等優點。為避免在計算過程中出現頻譜泄露和柵欄效應引發諧波分析法計算的信號與實際信號相差過大的問題，在濾波過程中，增加漢寧窗諧波分析法計算電氣絕緣信號數值，并將此數值作為后續診斷工作的信號數據基礎。

1.2 BP 神經網絡優化處理

典型的BP 神經網絡是一種應用廣泛的三層前饋神經網絡模型，用于解決非線性問題。其利用梯度下降法，在運算過程中通過信號的前向傳播和誤差反向傳播不斷自我訓練，最終獲取誤差最小信號[6-7]。BP神經網絡在解決非線性問題上具有很強的優勢，同時在網絡性能方面已十分成熟。但BP 神經網絡應用在絕緣故障診斷中時，由于信號量極大，極易造成網絡速度較慢、學習收斂時間過長、陷入局部極小值等問題。因此，需要采用不同規則動態調整學習率，消除學習過程中的無效迭代，調整各節點的權值和閾值。在原始的BP 神經網絡構架中，根據以往的絕緣故障特征，調整數據訓練迭代次數，并增設信號數據類別劃分閾值。如果信號數據超出此閾值，說明其為異常信號，否則為正常信號。

與此同時，采用自適應學習率改進的BP 算法，搭建3 層前饋神經網絡。先對網絡進行初始化，經過隱含層、輸出層得到一個前向傳播的預測值，如果預測值與實際數值不相符，則進行誤差反向傳播。通過調整權值，確定誤差是增大或減小，若總誤差增大，說明此次調整權值無效，反之有效。應用激活函數對此神經網絡進行激活，并在設定的計算環境中對信號進行診斷。

1.3 變壓器絕緣故障診斷

變壓器絕緣故障狀態界限并不明顯，僅使用改進后的BP 神經網絡無法直接對故障展開識別判定，為此本次研究采用信息熵對故障進行描述。對比多種信息熵類型，選擇小波動態空間特征譜熵描述設備狀態。首先，根據BP 神經網絡訓練結果，提取絕緣信號特征，并確定訓練結果的隸屬度函數參數。其次，融合不同特征量數據，得到對應的小波能量譜，并將兩者帶入以往研究中提出的絕緣狀態隸屬度值矩陣。矩陣中各熵值之間的支持度采用隸屬度間偏差進行衡量，兩熵值之間的隸屬度偏差越大，表示兩者之間的關聯程度越低，熵值可信度越低。最后，需要融合已獲取到的信號熵值，并確定不同熵值之間的比重。

根據上述計算，可進一步提取到絕緣信號特征。以此類推，獲取到3 個以上的絕緣信號特征后，將特征值再一次導入改進后的BP 神經網絡中進行訓練，并得到最終的絕緣故障信號判定結果，根據此信號完成故障診斷與捕捉。對診斷結果進行復核的計算公式為

式中：s為診斷結果；f為實際結果。在式（1）的基礎上，得到診斷結果的精度控制公式為

式中：P2的取值范圍為0 ～1，結果越接近1，則說明診斷結果可靠性越高。否則，要根據上文內容，進行二次診斷。

2 故障診斷實驗

2.1 實驗準備

第一步，利用在線監測裝置采集變壓器多條配電線路的絕緣信號樣本，共計39 915 個，其中包括17 328 個故障信號和22 587 個正常信號；第二步，對絕緣樣本信號進行Labellmg 技術標記，將絕緣信號樣本形成電氣系統絕緣故障樣本庫，并分為訓練集和測試集。為便于后續的實驗操作，本次研究中將其劃分為5 組，具體實驗數據如表1 所示。

表1 實驗數據

本次研究中，將表1中的數據作為實驗數據基礎，選擇當前應用范圍較廣的絕緣故障診斷方法與文章所提方法進行故障診斷測試，以此確定提出方法是否具有推廣應用價值。

2.2 實驗指標

在本次實驗中，將實驗對比指標設定為診斷結果準確率和診斷過程耗時，具體的計算公式為

式中：A為診斷結果準確率；Q'為存在的故障信號量；Q為診斷出的故障信號量；T為診斷過程耗時；Tsta為診斷工作的初始時間；Tend為診斷工作的結束時間。為進一步提升結果的全面性，將實驗環境設定為已處理信號與未預處理信號2 個環境，增加實驗對比性。

在本次實驗中，使用上述2 個指標對文章所提方法的基礎應用性能進行分析，并進一步完成文章提出方法與當前可應用方法的性能對比。

2.3 對比試驗

將文章提出的方法與文獻[3]方法、文獻[4]方法在變壓器絕緣故障診斷結果準確率和診斷過程耗時2 個方面進行對比，結果如表2、表3 所示。

表2 變壓器絕緣故障診斷結果準確率 單位：%

表3 變壓器絕緣故障診斷過程耗時 單位：s

通過表2 可以看出，利用文章所提方法的絕緣故障診斷結果準確率明顯高于文獻[3]方法和文獻[4]方法。文章提出的方法在不同信號量的實驗組別中，均可得到較為穩定的故障診斷結果，整體診斷準確率相對較高，且無波動。相比之下，其他兩種方法的絕緣故障診斷準確性相對較差，且容易受信號量的影響。綜合以上實驗結果可以確定，文章所提方法所得診斷結果的可信度較高。

通過表3 可以看出，針對相同數量的測試信號，不同的絕緣故障診斷技術在診斷過程中耗費時長不一致，文獻[4]方法在診斷過程中耗時5 ～8 s，雖然低于文獻[3]方法的絕緣故障診斷時間，但是高于文章提出方法的絕緣故障診斷時間。對上述內容進行整理分析可以確定，文章提出方法的診斷效率最高，可在最短的時間內完成故障診斷。

2.4 實驗結論

經過上述對比實驗不難發現，基于改進BP 神經網絡的絕緣故障診斷技術在診斷過程中的診斷耗時最短，從側面證實改進后的BP 神經網絡克服原有神經網絡在診斷過程中的不足。與此同時，此方法也可獲取到可靠性最高的診斷結果。在日后的研究中，可應用其完成電氣設備的絕緣故障診斷工作。

3 結 論

針對當前電氣設備絕緣故障診斷過程存在的信號數據處理落后等問題，本次研究對BP 神經網絡展開針對性優化，并將其應用到變壓器絕緣故障診斷工作中，通過實驗證實此方法的可信性。雖然此方法能夠在一定程度上緩解當前方法在應用中的不足，但還存在計算復雜的問題，在后續的研究中將針對此問題展開更為深入的研究，保證此方法具有較為穩定的應用效果。