變壓器故障診斷中的神經網絡技術發展

廖建文，張 艷，孫 鴻

（1.宜賓職業技術學院電子信息與控制工程系，四川宜賓644000；2.宜賓機電一體化研究所，四川宜賓644000）

變壓器故障診斷中的神經網絡技術發展

廖建文1，張 艷1，孫 鴻2

（1.宜賓職業技術學院電子信息與控制工程系，四川宜賓644000；2.宜賓機電一體化研究所，四川宜賓644000）

變壓器故障診斷的發展與信息技術、人工智能技術等密切相關.神經網絡及其優化算法在變壓器故障診斷中受到廣泛的應用.網絡結構的設計和學習算法的優化關系到故障診斷的準確性和實時性.研究發現，數學理論與神經網絡的融合以及量子神經計算有助于故障診斷能力的提高，已成為神經網絡的發展趨勢.

神經網絡;故障診斷;變壓器

變壓器（Transformer）是電力系統中的重要輸電設備，其運行狀態直接影響系統是否能安全運行.為保證電力系統的正常運行，必須及時、有效地監視變壓器的運行狀態，診斷變壓器的潛伏性故障.

常規變壓器故障診斷主要包括絕緣油的特性試驗以及油中溶解氣體分析[1].作為我國現行的變壓器故障診斷方法，油中溶解氣體分析法（dissolvedgas analysis,DGA），依靠變壓器油中溶解的CH4、C2H6、C2H4、C2H2以及CO、CO2、H2的氣體組分、含量及產氣速率，來判斷變壓器故障[2].但是，變壓器油中溶解氣體檢測裝置普遍存在傳感器的精度和長期穩定性不高以及使用色譜柱不適于現場連續在線監測的問題.為解決以上問題，研究人員從氣體的光聲光譜入手，通過檢測不同組分的油中溶解氣體所吸收光能的大小，進行故障判斷[3-4].

然而，從故障分類的模糊性來看，現用的三比值法編碼不能完全反映變壓器的故障狀態.為了充分反映氣體與故障的非線性關系，神經網絡這種具有高度自組織和自學習能力的數學工具被廣泛應用.這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的[5].將神經網絡應用于變壓器故障診斷，可有效提高故障診斷的準確度.

本文從網絡結構、學習算法及融合數學理論三個方面討論了變壓器故障診斷中的神經網絡設計與應用.

1 變壓器故障診斷中的神經網絡結構

神經網絡結構多種多樣，具有代表性的網絡模型有誤差反傳網絡（backpropagation,BP網絡）、徑向基函數網絡（RBF網絡）、Hopfield網絡和自組織特征映射網絡等.其中，BP網絡和RBF網絡在變壓器故障診斷中得到了廣泛的應用.

1.1 BP網絡及其改進

BP網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一.它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小.BP神經網絡模型拓撲結構如圖1所示，包括輸入層（inputlayer）、隱層(hidelayer)和輸出層(outputlayer).

圖1 BP神經網絡拓撲結構

將BP網絡與DGA技術相結合的方法一般是把與故障密切相關的氣體濃度（如CH4、C2H4、H2與總烴）或其光譜信息作為輸入特征向量，把故障類型作為輸出特征向量[6-9].神經網絡通過自學習過程，實現故障的判斷.

隨著故障判斷的準確性和實時性要求的提高，科研人員結合小波分析技術和量子計算理論對BP網絡作出了改進.改進主要體現在隱含層的設計，而輸入層和輸出層則沿用了BP神經網絡的結構.

小波神經網絡一般是把常規神經網絡的隱含層節點函數換成小波函數，相應的輸入層到隱含層權值及閾值分別由小波函數的伸縮和平移參數代替，充分利用了小波變換的局部化性質，因而具有較強的逼近和容錯能力、較快的收斂速度[7-8].

量子神經網絡的隱層設計借鑒了量子態疊加的思想，采用多量子能級變換函數，使網絡具有一種固有的模糊性[9].研究表明，將量子神經網絡（quantum neuralnetwork）與信息融合相結合，可以克服經典神經網絡的諸多缺陷，例如缺乏經驗、處理速度慢、無推理性以及信息融合技術處理知識“瓶頸問題”等，為變壓器故障診斷提供了一條新的途徑.

1.2 RBF網絡及其改進

徑向基函數(radialbasisfunction,RBF)神經網絡是一種在模式識別、曲線擬合、故障診斷等領域被廣泛應用的神經網絡.在結構層次上，RBF網絡與BP神經網絡是一致的，區別在于RBF網絡的輸入層節點無需對輸入向量做任何操作，僅僅只是完成將輸入傳遞到隱含層的工作.但是，RBF神經網絡在逼近能力、分類能力、學習速度等方面均優于BP神經網絡.

提高RBF神經網絡診斷能力的關鍵在于網絡結構和參數的優化，即隱含層的節點數目、各基函數的數據中心及擴展常數、輸出節點的權值的設計[10].在確定隱含層節點數和中心時常采用聚類算法[11-13]進行訓練.為了降低網絡輸出誤差，RBF網絡在具體實現時往往采用兩步訓練的方法，首先利用聚類算法獲取對應參數，然后通過各種算法(例如Gauss?ian-PSO算法[13])來調節各節點的連接權值.結果表明，這種方法可以有效降低變壓器故障診斷系統的誤報和漏報概率，已成為目前主流的RBF網絡訓練算法.

概率神經網絡（probabilisticneuralnetworks, PNN）是由徑向基函數網絡發展而來的一種前饋型神經網絡.在層次結構上，PNN網絡與傳統RBF網絡有很大的差異，分為輸入層、模式層、求和層和輸出層[14].表1給出了PNN網絡各層次的功能與特點.由于該網絡把非線性運算轉化為線性運算，大大降低了傳統網絡的計算時間，能滿足訓練上實時處理的要求則成為其最大的優點.同時，這種算法的轉化依然保留很高的精度.

表1 PNN網絡各層次功能與特點

2 變壓器故障診斷中的神經網絡學習算法

神經網絡算法是指根據邏輯規則進行推理的過程，在變壓器故障診斷中體現為診斷能力.

2.1 BP算法及其優化

McClelland和Rumelhart提出了一種迄今為止運用較廣泛的神經網絡算法——誤差反傳算法（backpropagation,BP算法），從實踐上證明了神經網絡具有很強的非線性逼近能力、自適應和自學習能力，可以解決許多具體問題.它的基本思想是對網絡的連接權值進行調整，使得任意輸入都能得到所期望的輸出.算法的基本流程主要分為兩步：首先把樣本的輸入信息輸入到網絡中，由網絡自第一隱層開始逐層地進行計算，并向下一層傳遞，直至傳至輸出層，其間每一層神經元只影響到下一層神經元的狀態；然后，以其輸出與樣本的期望輸出進行比較，如果它們的誤差不能滿足要求，則沿著原來的連接通路逐層返回，并利用兩者的誤差按一定的原則對各層節點的連接權值進行調整，使誤差逐步減小，直到滿足要求為止[5].

然而，標準BP算法存在若干缺陷——易產生振蕩甚至發散、收斂速度慢、隱層節點數和初始值只能由經驗選定、易陷入局部極小值，從而導致標準BP算法很難勝任實際問題的解決[15].因此出現了很多優化算法，如：附加動量算法、共軛梯度算法（開始幾步下降較快，但在接近最優值時，由于梯度趨于零，使得目標函數下降趨緩）、高斯—牛頓算法（能在最優值附近產生一個理想的搜索方向）、變速率算法、Levenberg-Marquardt算法（簡稱LM算法）等.LM算法實際上是梯度下降法和牛頓法的結合，具有較好的收斂性和魯棒性，文獻[15]將其應用于變壓器的故障診斷，縮短了訓練時間，提高了診斷準確性.

2.2 粒子群優化算法及其優化

1995年，Eberhart等人提出了一種基于群體智能的演化計算理論——粒子群優化算法（PSO），用于訓練BP神經網絡的全部權值和閾值，最終搜索出粒子適應度函數最小時的BP網絡最佳權值和閾值[16].該算法在收斂速度、魯棒性和全局搜索能力方面體現出快、高、強的優勢，更為突出的是PSO算法不需要借助問題本身的特征信息，從而避免了梯度下降法中要求梯度的過程，縮短了神經網絡的訓練時間.在標準PSO算法中，最重要的參數是“慣性權重”.該參數主要決定算法搜索的范圍——權值越大全局搜索能力越強，但需要很大的運算量，訓練時間較長；取較小的權值則會增強算法的局部搜索能力，但容易陷入局部最優.基本的PSO算法中認為慣性權重為1，導致迭代后期缺乏局部收斂的能力.

對于神經網絡而言，全局探測和局部開發能力都是必要的，為了更好地改善PSO算法的性能，SHI、Eberhart等人又提出了線形遞減權值（LDIW）策略[17]、模糊慣性權值（FIW）策略[18]和隨機慣性權值（RIW）策略[19].其中，LDIW策略相對簡單且收斂速度快，因而被廣泛使用.為了較好區分變壓器DGA中相近故障類型，文獻[20]提出了帶有鄰域的PSO算法使適應度函數最小化，從而降低均方誤差.文獻[21]結合PSO算法和BP算法提出了一種改進的粒子群優化（modifiedPSO,MPSO）算法，具有收斂快和全局優化的優點，提高了變壓器故障診斷的準確性和可靠性.文獻[22]在PSO算法的基礎上提出了一種改進的非線性遞減算法，以實現在算法早期通過加快慣性權值的遞減速度，使得算法盡快進入局部搜索.

2.3 微分進化算法

微分進化算法（differentialevolution,DE）是一種實數編碼的基于種群進化的優化算法，具有很強的全局搜索能力.它在許多優化問題中都表現出優于自適應模擬退火算法、PSO算法、遺傳（GA）算法的性能[23].DE算法有三個控制參數β,CR和NP，其中參數β和CR影響了搜索過程的魯棒性和算法的收斂速度：當β較小時，可能導致收斂過早，當β較大時，可能導致錯過局部最優；CR較小影響算法全局搜索能力，而CR較大時，降低了算法的穩定性[23].對控制參數進行自適應調整能夠較優地選擇神經網絡的權值和閾值，提高變壓器故障診斷的精確度[24].為避免過多重疊個體對種群搜索能力的影響，運用混沌處理的策略——根據種群中個體的分布情況，對算法中的重疊個體將混沌狀態映射到優化變量中，并把混沌運動的遍歷范圍同優化變量的取值范圍聯系起來，然后利用混沌變量進行搜索，進一步提高了DE算法的整體搜索能力[25].

3 數學理論與神經網絡的融合

變壓器故障的不確定性、多樣性和各故障之間聯系的復雜性是故障診斷技術上的難點，單一的故障特征和診斷方法無法完成診斷任務.將數學理論與神經網絡相融合，得到被觀測對象更精確的評估值，以便對故障進行更精確的判斷和決策，是診斷技術領域采用的有效方法.

3.1 基于粗糙集理論的神經網絡

波蘭學者Pawlak于1982年提出的粗糙集（roughset）理論是一種研究不完整數據、不確定知識的表達、學習及歸納的數學方法，為研究不精確數據的分析、推理，挖掘數據關系、發現潛在知識提供了行之有效的工具[26].把經過粗糙集方法約簡后的決策表作為神經網絡的訓練樣本集，既使輸入矢量的選取有了理論依據，又有效壓縮了訓練樣本的規模，降低了網絡的復雜性和訓練時間，提高了網絡診斷能力[27-28].

3.2 基于信息融合理論的神經網絡

對多源信息進行處理的過程稱為信息融合(in?formationfusion).這種方法可以把不同時間和空間的數據進行綜合處理，從而得到對現實環境更精確、可靠的描述.證據理論在變壓器故障診斷中的應用是信息融合與神經網絡相結合的產物，這種方法具有處理不確定信息的能力.

文獻[29]提出了一種BP神經網絡與D-S證據理論的融合模型用于變壓器的故障診斷.由圖2可以看出，這種信息融合主要是采用級聯的方式，將神經網絡輸出結果的歸一化值作為D-S證據理論識別框架命題的基本概率分配，然后再應用組合規則進行融合.

圖2 神經網絡與DS證據理論融合模型

距離函數的引入有效地衡量證據間的沖突程度，可以提高證據理論的應用價值.這種方法與最大－最小螞蟻系統、神經網絡算法結合起來，既綜合利用變壓器故障診斷的一些優良方法，又解決了部分證據因高度沖突而合成失效的問題，從而有效地提高了變壓器故障診斷的準確性[30].

3.3 模糊神經網絡

模糊神經網絡的結構通常采用BP神經網絡的結構，模糊理論主要用于學習算法的優化，比如在變壓器故障診斷中通常先將訓練樣本集模糊化后作為網絡的輸入[31].潘超等人針對變壓器故障診斷中的空間映射和模式識別問題，提出了一種用模糊TOP?SIS法解決采集數據優化問題的方法[32].首先對監測信息進行優劣排序和分類，完成對狀態信息的優選；其次，根據優化數據構建BP神經網絡，通過編碼對監測對象的不同故障狀態進行模式識別和診斷分析.

3.4 可拓神經網絡

可拓神經網絡是把可拓理論中基元模型、可拓距離、位值、關聯函數、可拓域、菱形思維等概念巧妙地引入了神經網絡技術，使得在處理某一類問題較之傳統神經網絡或單獨使用可拓理論方法更具有優越性[33].在信息表達精確度、系統自學習能力、并行處理能力及自適應能力上，可拓理論與神經網絡具有互補的能力.

可拓神經網絡只有輸入層和輸出層，網絡參數個數較少，網絡權值物理意義清晰明了，可解釋性強，只需知道輸入特征的個數及輸出故障類型的個數即可確定整個網絡的結構[34].研究表明，將可拓神經網絡應用于變壓器故障診斷，較大改善了網絡結構、學習能力和訓練時間，提高了故障診斷的效果.

4 結語

基于神經網絡的變壓器故障診斷技術尚處于發展之中.神經網絡的結構和算法決定了故障診斷的準確性和實時性.神經網絡在故障診斷中的應用依賴于各學科的最新科技成就，特別要借助各種有效的數學工具，例如：基于信息融合的診斷方法、基于可拓理論的診斷方法、基于模糊數學的診斷方法等.另外，量子神經網絡具有網絡結構簡單、一次學習和高速信息處理能力、穩定性好等優勢.隨著量子計算技術的發展，量子神經網絡在變壓器故障診斷中將得到更多的應用.

[1]LIUB,WANGL,JINYH.AneffectivehybridPSO-basedalgo?rithmforflowshopschedulingwithlimitedbuffers[J].Computers &OperationsResearch,2008,3(9):2791-2806.doi:10.1016/j.cor. 2006.12.013.

[2]國家能源局.DL/T722-2014變壓器油中溶解氣體分析和判斷導則[S].北京:中國電力出版社,2015.

[3]JALBERTJ,GILBERTR.Decompositionoftransformeroils:anew approachforthedeterminationofdissolvedgases[J].IEEETrans?actionson,1997,12(2):754-760.doi:10.1109/61.584362.

[4]羅明才.基于油中溶解氣體分析的變壓器光聲光譜檢測及絕緣診斷技術[D].重慶:重慶大學,2008.

[5]李霖.基于BP神經網絡的變壓器故障診斷方法研究[D].長沙:長沙理工大學,2013.

[6]王南蘭,邱德潤.油中溶解氣體分析的變壓器故障診斷新方法[J].高電壓技術,2006,32(6):35-37.

[7]方健,彭輝,李自品,等.改進小波網絡在油浸式變壓器故障診斷中的應用[J].高壓電器,2011,47(11):115-120.

[8]李曉靜,李杰.改進的小波神經網絡在變壓器故障診斷中的應用[J].電子器件,2013,36(3):404-407.

[9]龔瑞昆,馬亮,趙延軍,等.基于量子神經網絡信息融合的變壓器故障診斷[J].電力系統保護與控制,2011,39(23):79-84.

[10]梁永春,李彥明.改進型組合RBF神經網絡的變壓器故障診斷[J].高電壓技術,2005,31(9):31-33.

[11]陳江波,文習山,藍磊，等.基于新徑向基函數網絡的變壓器故障診斷方法[J].高電壓技術,2007,33(3):140-143.

[12]任靜,黃家棟.基于免疫RBF神經網絡的變壓器故障診斷[J].電力系統保護與控制,2010,38(11):6-9.

[13]付強,陳特放,朱佼佼.采用自組織RBF網絡算法的變壓器故障診斷[J].高電壓技術,2012,38(6):1368-1375.

[14]王桂英,張世軍,潘思堯.基于神經網絡的變壓器故障診斷方法研究[J].計算機測量與控制,2012,20(7):1760-1762.

[15]項文強,張華,王姮,等.基于L-M算法的BP網絡在變壓器故障診斷中的應用[J].電力系統保護與控制,2011,39(8):100-103.

[16]EBEBHABTRC,KENNEDYJ．Anewoptimizerusingparticleswarm theory[C].Nagoya:Proc6thIntSymposiumonMicroMachineHuman Science,1995:39-43.doi:10.1109/MHS.1995.494215.

[17]SHIYH,EBERHARTRC.Empiricalstudyofparticleswarmopti?mization[C].WashingtonDC:InternationalConferenceonEvolu?tionaryComputation,1999:l945-l950.doi:10.1109/CEC.1999.785511. [18]SHIYH,EBERHARTRC.Fuzzyadaptiveparticleswarmoptimi?zation[C].Seoul:TheIEEECongressonEvolutionaryComputation, 2001:101-106.doi:10.1109/CEC.2001.934377.

[19]EBERHABTRC,SHIYH.Trackingandoptimizingdynamicsystems withparticleswarms[C].Seoul:TheIEEECongressonEvolutionary Computation,2001:94-100.doi:10.1109/CEC.2001.934376.

[20]賈嶸,徐其惠,李輝,等.基于鄰域粒子群優化神經網絡的變壓器故障診斷[J].高壓電器,2008,44(1):8-10.

[21]王曉霞,王濤.基于粒子群優化神經網絡的變壓器故障診斷[J].高電壓技術,2008,34(11):2362-2367.

[22]賈嶸,李宏斌,康會西，等.改進粒子群優化神經網絡在變壓器故障診斷中的應用[J].高壓電器,2010,46(5):14-17.

[23]蘇海軍,楊煜普,王宇嘉.微分進化算法的研究綜述[J].系統工程與電子技術,2008,30(9):1793-1797.

[24]劉卓,黃純,李波.利用微分進化優化神經網絡的變壓器故障診斷[J].電力系統及其自動化學報,2011,23(2):54-58.

[25]劉麗,唐杰,劉卓.基于改進微分進化優化神經網絡的電力變壓器故障診斷[J].電力系統保護與控制,2010,38(20):106-109.

[26]張景明,肖倩華,王時勝.融合粗糙集和神經網絡的變壓器故障診斷[J].高電壓技術,2007,33(8):122-125.

[27]俞曉冬,馬鳳英,臧宏志.粗糙集理論與神經網絡在變壓器故障診斷中的應用[J].繼電器,2006,34(1):10-14.

[28]張景明,劉建國.粗糙集和BP神經網絡在變壓器故障診斷中的應用[J].變壓器,2009,46(4):18-21.

[29]陳新崗,田曉宵,張超峰,等.一種結合DS證據信息融合的變壓器故障診斷方法[J].變壓器,2010,47(8):59-62.

[30]程加堂,艾莉,段志梅.改進證據理論與神經網絡集成的變壓器故障診斷[J].電力系統保護與控制,2013,41(14):92-96.

[31]彭寧云,文習山,舒翔.模糊神經網絡在變壓器故障診斷中的應用[J].高電壓技術,2004,30(5):14-17.

[32]潘超,馬成廉,鄭玲峰,等.一種結合模糊TOPSIS法和BP神經網絡的變壓器故障診斷方法[J].電力系統保護與控制,2009,37(9): 20-24.

[33]周玉,錢旭,張俊彩,等.可拓神經網絡研究綜述[J].計算機應用研究,2010,27(1):1-5.

[34]張俊彩,錢旭,周玉.可拓神經網絡在變壓器故障診斷中的應用[J].計算機工程與應用,2011,47(7):8-11.

【編校：李青】

DevelopmentofNeuralNetworksinTransformerFaultDiagnosis

LIAOJianwen1,ZHANGYan1,SUNHong2
(1.DepartmentofElectronicInformationandControlEngineering,YibinVocationalandTechnicalCollege,Yibin,644000Sichuan,Chi?na;2.YibinMechatronicsResearchInstItute,Yibin,Sichuan644000,China)

Thedevelopmentoftransformerfaultdiagnosisrelatestoinformationtechnologyandartificialintelligencetech?nologyclosely.Neuralnetworkanditsoptimizationalgorithmarewidelyusedintransformerfaultdiagnosis.Bothnetwork structureandoptimizationofalgorithmrelatetoaccuracyandrealtimeoffaultdiagnosis.Thestudyfoundthattheintegra?tionofmathematicaltheoryandneuralnetworksandquantumneuralcomputationhelpstoimprovetroubleshootingcapa?bilities,andithasbecomeatrendofneuralnetworks.

neuralnetworks;faultdiagnosis;transformer

TP183

A

1671-5365(2015)12-0010-05

廖建文，張艷，孫鴻.變壓器故障診斷中的神經網絡技術發展[J].宜賓學院學報,2015,15(12):10-14. LIAOJW,ZHANGY,SUNH.DevelopmentofNeuralNetworksinTransformerFaultDiagnosis[J].JournalofYibinUniversity, 2015,15(12):10-14.

2015-08-31修回：2015-10-13

四川省教育廳重點項目(15ZA0397)；宜賓職業技術學院科研項目(ybzysc14-36)

廖建文（1964-），女，副教授，碩士，研究方向為電子技術應用、神經網絡與控制理論

時間：2015-10-1317:05

http://www.cnki.net/kcms/detail/51.1630.z.20151013.1705.003.html