芻議基于神經網絡的變壓器故障診斷技術

郝曉強　顏士遠

摘 要：變壓器故障征兆和故障類型具有一定的非線性特征，需要結合一定的故障診斷技術進行判斷。而就目前來看，除了使用油中氣體分析法，基于神經網絡的變壓器故障診斷技術也可以用于診斷變壓器故障。因此，文章對基于神經網絡的故障診斷原理進行了闡述，并對基于BP神經網絡和基于概率神經網絡的兩種故障診斷技術展開了分析和比較，以便為關注這一話題的人們提供參考。

關鍵詞：神經網絡；變壓器；故障診斷技術

引言

從國內外研究情況來看，變壓器診斷系統的數學模型的獲取問題一直是研究難題。而現階段研究變壓器故障診斷的技術有多種，包含了模糊理論方法、人工智能技術、在線監測技術和神經網絡技術等等。相比較而言，神經網絡具有非線性映射、自適應和并行處理等優點，更適用于研究變壓器故障的非線性關系，所以在一定程度上得到了應用。因此，有必要對基于神經網絡的變壓器故障診斷技術展開研究，以便更好地應用該技術開展相關工作。

1 基于神經網絡的故障診斷原理

在故障診斷方面，神經網絡方法的運用可以完成變壓器油中溶解氣體數據中的隱含診斷規律的獲取，所以不需要利用變壓器故障診斷的相關知識。同時，根據實際變壓器的油中溶解氣體數據，神經網絡能夠進行自適應調整。因此，可以利用神經網絡完成對變壓器狀態的監測，并對監測數據進行分析和處理，繼而了解被監測對象的運行狀態或故障原因。而就目前來看，很多神經網絡都可以在變壓器故障診斷中應用[1]。所以，只有通過分析和比較才能找到一種相對優秀的神經網絡，繼而使變壓器故障診斷的準確率得到提高。

2 基于神經網絡的變壓器故障診斷技術分析

2.1 基于概率神經網絡的變壓器故障診斷

概率神經網絡具有結構簡單和訓練簡潔的特點，可以利用自身強大非線性分類能力完成故障樣本空間的映射，繼而得到故障模型空間。而通過形成具有一定結構自適應能力和較強容錯能力的診斷網絡系統，則可以使故障診斷的準確率得到提高。

2.1.1 故障確定網絡的輸入和輸出

在建立概率神經網絡模型時，想要正確地反映問題特征就要先準確選取輸入的特征向量。而變壓器潛伏性故障可以通過油中溶解氣體分析法反應處理，同時改良三比值法在諸多診斷方法中有較高的判斷準確率，所以，可以選取變壓器色譜試驗的五種關鍵氣體的三比值法當做是網絡輸入[2]。在輸出特征向量的選取方面，則可以將無故障、低能放電、低溫過熱、中溫過熱和高溫過熱等幾種故障模式當做是輸出向量特征，并利用阿拉伯數字進行故障的表示。

2.1.2 故障特征量的選擇

按照概率模型故障的特征選擇要求，需要使故障樣本包含最大故障信息量。所以，通過分析變壓器故障產生機理和故障信息傳遞關系，可以完成最能反映故障的特征量的選擇。而忽視一些關系較小的特征量，則能使概率神經網絡的規模最小。在建立基于概率神經網絡的故障診斷模型時，需要以改良三比值法為基礎。具體來講，就是采用61*4維的矩陣作為數據。而矩陣中的前三列為改良三比值法數值，第四列為故障類別，即分類輸出。同時，需要將故障樣本分成是測試樣本和訓練樣本兩種，以便對模型的分類效果進行驗證。但在實際的變壓器故障中，由于大部分故障為高溫過熱故障，所以需要先按照實際故障比例完成樣本的抽取，從而確定訓練輸入樣本。此外，網絡模型應該包含三個輸入層和七個輸出層，并含有21各模式層，而每一個模式層對應一個測試樣本。從傳遞函數上來看，中間層為徑向基傳遞函數，輸出層為競爭傳遞函數[3]。最后，需要將所有樣本按照故障類型分類順序排列，以便使網絡訓練效果更直觀。

2.2 基于BP神經網絡的變壓器故障診斷

從基本思想上來看，BP神經網絡可以通過反復修正訓練數據求取隱出層的函數參數，并正向傳播學習信號和反向傳播修正信號，直至達到理想的效果。所以，利用BP算法可以解決模式識別問題，并且實現以任意精度逼近任意連續函數，繼而在一定程度上確保診斷系統診斷的正確率和整體性。

2.2.1 輸入輸出特征向量的選取

利用氣相色譜技術可以完成油中溶有氣體的檢測，并分成甲烷、氫氣、乙炔和總烴四類。而根據四種氣體的濃度組成可以完成特征向量的設定，并表示為輸入矩陣形式。同時，可以根據特征氣體法描述完成變壓器故障類型的分類，然后表示成輸出矩陣。根據Sigmoid函數，可以確定輸出值在0～1之間，并根據最大隸屬度原則完成故障屬性的判斷。在數值越接近1時，就表示故障嚴重程度較大。而在故障小于0.5時，則可以認為無此類故障產生。

2.2.2 訓練參數的確定

在確定BP神經網絡模型的訓練參數時，需要遵循一定的原則。具體來講，就是樣本中的故障百分比需要與實際變壓器故障發生比率相當，并且需要考慮變壓器型號、容量和運行環境等因素，以便使樣本具有一定的廣泛性。同時，樣本還要具有一定的緊湊性，從而避免網絡學習過程收斂困難或不收斂的問題出現，繼而避免網絡錯誤映射。而BP網絡模型結構應為三層，可以任意精度逼近任何非線性物理對象。隨著層數的增加，精度也將得到提高，但是網絡也會過于復雜。所以，要盡可能使用最少的網絡層進行BP神經網絡的構建，以便更加直觀的觀察和調整訓練效果。最終，可以確定BP網絡結構為三層，輸入層中含有三個神經元，中間層含有十個神經元，輸出層含有七個神經元。從傳遞函數上來看，中間層與輸出層的傳遞選擇logsig函數，訓練函數為trainlm，并且采用了優化算法訓練網絡，以便使訓練過程保持穩定。

2.3 概率網絡模塊與BP網絡模塊的仿真

利用MATLAB完成概率神經網絡的創建后，可以在仿真過程中對SPREAD多次取值，以便通過查看分類效果確定SPREAD的值。觀察訓練效果可以發現，40組訓練樣本中只有4組樣本出錯，訓練時間也較快，所以可以將概率網絡用于診斷變壓器故障。而為了對概率神經網絡的泛化能力進行驗證，則需要利用MATLAB開展概率神經網絡與BP神經網絡的仿真對比實驗。具體來講，就是利用相同數據樣本進行BP網絡的訓練和測試，然后對二者的訓練效果進行對比。從訓練時間和預測準確率角度來看，BP神經網絡訓練時間超過了2秒，概率神經網絡訓練時間不足0.5秒。同時，BP神經網絡的預測準確率為76%左右，概率神經網絡的預測準確率為約為81%。由于存在諸多不穩定因素，利用BP神經網絡學習需要經過反復訓練，并且無法保證訓練的全局最優性[4]。因此，相較于BP神經網絡，概率神經網絡顯然在變壓器故障診斷方面具有更大的優勢。

3 結束語

總而言之，變壓器故障具有復雜的現象和一定的不確定性，故障的判斷需要采用油中溶解氣體的色譜分析技術和基于神經網絡的故障診斷技術。而基于概率神經網絡的變壓器故障診斷技術是較為實用的技術，在故障診斷方面具有一定的非線性分類能力和泛化能力，因此可以得到更好的應用。

參考文獻

[1]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，2011，23：79-84+88.

[2]王杉，苑津莎，張衛華.基于BP神經網絡的變壓器故障診斷[J].黑龍江科技信息，2011，29：40-41.

[3]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，2010，11：6-9+14.

[4]楊志超，張成龍，吳奕，等.基于粗糙集和RBF神經網絡的變壓器故障診斷方法研究[J].電測與儀表，2014，21：34-39.