基于BP人工神經網絡的變壓器故障診斷

楊 蕾

（國網河南省電力公司 電力科學研究院計量中心，河南 鄭州 450000）

在電力系統中，電力變壓器承擔著能力的傳輸和分配作用，具有重要的地位。其可靠的運行關系到整個電網的安全與穩定。而變壓器油箱中油溶解氣體分析技術，通過定量地分析變壓器中溶解氣體的成分和比重，確定氣體的含量，及時預判變壓器內部的潛在故障［1］。

變壓器故障診斷有很多種方，常用的方法有羅杰斯法、三值法、電研協法等。但這些方法只是實踐經驗的總結［2］。近些年，隨著人工智能技術的發展，神經網絡在故障診斷中得到了廣泛應用［3］。人工神經網絡具有并行處理、學習、記憶、自適應等性質，廣泛應用于自動控制和故障診斷中［4-5］。BP神經網絡是一種模擬動物神經網絡行為特征，通過調整網絡權值和閥值來修正網絡輸出誤差，具有很強的非線性逼近能力和自學習能力［6］，在故障檢測中取得了很好的效果。

1 氣體溶解法在故障診斷中的原理

目前，變壓器故障診斷中應用最廣的是油中溶解氣體分析法，即通過變壓器油中溶解氣體的分析來判斷變壓器存在故障類型，判斷原理如下［7］。

正常情況下，在變壓器油箱內的有機絕緣材料會隨著時間的變化而分解，產生各種氣體，如CH4、C2H6、C2H2、H2、CO和CO2等。這些氣體絕大多數都易溶解于油中，當電網負荷變大，變壓器過載運行而發熱時，這些氣體隨溫度升高會加速產生。大量的實驗結果證明，變壓器的油中溶解氣體比重與故障的嚴重程度有著非常密切的聯系，在正常情況下，其中碳的氧化物成分最多；當油紙絕緣材料中存在局部放電時，裂解氣體主要是H2和CH4；當溫度高于正常溫度不多時，CH4的比例比增加；隨著溫度的不斷升高，C2H2、C2H4的產生逐漸增多；當存在電弧故障，溫度會急劇升高，此時油中C2H2比重較高。因此，通過測量和分析油中特征氣體的含量，就能提前發現變壓器內部潛在的故障。

在分析變壓器故障類型時，由于油中氣體含量與單一類型的故障之間并沒有確定的映射關系，而且氣體的含量的也很難準確推測，加之實際現場數據的采集能力也很有限，在實際應用中，傳統方法往往很難實現，這就給變壓器故障診斷帶來很多不便。

2 BP神經網絡

BP神經網絡是一種誤差反向傳播算法，也是工程上運用最廣的算法［8］，通過不斷調整權值和閥值，使其輸入與輸出的誤差逐不斷減小。具體算法如圖1所示：

圖1 BP神經網絡的拓撲結構

Setp1:網絡初始化。設P個輸入，q個輸出，m個樣本。輸入層與中間層的權值為wih，隱含層與輸出層的權值為who，隱含層和輸出層的閥值分別為θ和γ，計算精度為ε，最大學習次數為Μ，誤差函數：

d為期望輸出，y為實際輸出。

Setp2:輸入樣本。選取第k個樣本x（k）和對應的輸出d（k）。

Setp3:計算隱含層輸入uh（k）和隱輸出vh（k），計算輸出層輸入（k）和輸出y（ok）：

Setp4:計算誤差函數的偏導函數：

Setp5:用輸出層神經元的δo（k）和隱含層神經元輸出vh（k）修正連接權值who和閥值θ：

其中η為學校率，在（0，1）之間。

Setp6：對網絡權值wih和和θ進行修正：

Setp7：計算全局誤差E：

Setp8:判斷E是否滿足要求。如果E＜ε或學習次數大于Μ時，程序結束；否則進入下次迭代。

圖2 BP神經網絡診斷算法流程圖

3 實例仿真

3.1 數據源

本文從近年來相關文獻中收集了大量具有明確結論的變壓器故障數據。通過對數據進行分析，得到了5種典型故障類型。低能放電（ER1）、高能放電（ER2）、中低溫過熱（ER3）、高溫過熱（ER4）和正常。為了降低數據之間互斥性，需要先對原始數據進行歸一化處理，用式（13）降低氣體之間互斥性。

表1 實驗樣本分類情況

表2 BP網絡診斷結果

3.2 輸入層節點數的確定

在變壓器油中溶解的氣體與故障類型相對應的有5種特征氣體（CH4、C2H6、C2H4、C2H2、H2）。所以，以這5種特征氣體在變壓器油箱中的溶解比重作為網絡的輸入，即輸入層節點確定為5個。

3.3 輸出層節點數的確定

對變壓器進行故障診斷時，設定輸出結果為正常（10000）、低溫過熱（01000）、高溫過熱（00100）、低能量放電（00010）和高能放電（00001）。所以輸出層節點為5個。

3.4 數據仿真

圖3 神經網絡誤差收斂曲線

取上述特征樣本對網絡進行訓練學習，圖3為標準BP神經網絡算法的誤差—訓練次數變化曲線。圖中橫坐標為訓練次，誤差精度0.0001。

4 結語

本文針對變壓器故障檢測，利用變壓器油中特征氣體5種特征氣體（CH4、C2H6、C2H4、C2H2、H2）作為參考量，利用BP神經網絡算法，通過不斷修改網絡的權值與閥值來達到預測故障的目的，克服了傳統方法依靠人為經驗的不足，具有較高的實用價值。

［1］應鴻，李天云，張宇輝.變壓器故障診斷的神經網絡法［J］.東北電力學院學報，1996，20（12）:54-58.

［2］孫才新，等.變壓器油中溶解氣體分析中的模糊模式多層聚類故障診斷方法的研究［J］.中國電機工程學報，2001，21（2）：37-41.

［3］熊忠陽，楊青波，張玉芳.改進PSO-BP神經網絡在變壓器故障檢測中的應用［J］.計算機應用，2010，30（3）:783-792.

［4］LinCE，LingJM，Huang CL.An Expert System forTran sformer Fault Diagnosis and Maintenance Using Dissolved Gas Analysis［J］.IEEE Trans.On Power Delivery，1993，8（1）:231-238.

［5］WangZ，LiuY，PJ Griffin.An Artificial Neural Net work Approach to Trans-former Faults Diagnosis［J］.IEEE Trans.On Power Delivery，1998，13（10）：1224-1229.

［6］孫文韜.反向傳播神經網絡原理研究及優化方法［J］.中國科技博覽，2011（32）：511-512.

［7］劉立兵，惠鵬飛.電力變壓器故障預測與診斷仿真研究［J］.計算機仿真，2010，27（12）：303-306.

［8］袁曾任.人工神經元網絡及其應用［M］.北京:清華大學出版社，1999.