基于反向傳播神經網絡的變壓器絕緣故障診斷方法

李 錚 姜思博

（東北電力大學研究生部，吉林 吉林 132012）

在電力系統中，大型變壓器不僅是關鍵部件，同時價格也極為昂貴，所以大型電力變壓器的管理維護就顯得極為關鍵，其維修工作同樣也是電力系統管理的核心內容。變壓器的材料構成主要包括：絕緣材料、框架材料、導電以及導磁材料。其中絕緣物主要是有機物，比如絕緣紙、礦物油以及各種有機合成物質。這些絕緣物質會隨著各種環境的作用，時間的變化等元素，其絕緣性能呈下降趨勢，并容易誘發各種電氣故障，造成供電系統失效。而且當前的諸多文獻資料也證明，變壓器故障產生的重要原因就是絕緣材料的性能劣化。比如變壓器短路故障引發的擊穿；因為油溫升高導致絕緣物劣化后產生的絕緣故障等。

電力變壓器故障一旦產生，維修時間往往較長，特別是隨著變壓器容量和等級的上升，其故障產生的負面影響就會越嚴重，由此造成的經濟損失和社會影響也就越大。雖然隨著材料技術的發展，變壓器選擇的構建材料性能也得到了不同程度的提升，對于設備的可靠運行具有一定的幫助，但是在使用時不可避免會出現一些無可預估的問題，再加上運維方式的問題，電力變壓器依然會出現不同種類的故障。對此只有通過注重對變壓器絕緣狀態的監測，并通過預防式的監測才能夠做到防患于未然，消除潛伏故障，通過提前維修方式消除故障問題的擴大。另外通過先進的狀態監測技術也有助于快速定位發生故障的部位，從而有助于縮短變壓器的維修時間，這對于促進電力系統安全穩定顯然具有積極意義。

神經網絡是由大量處理單元廣泛互連而成的網絡，其信息處理由神經元之間的相互作用來實現；網絡的學習和識別決定于各神經元連接權的動態演化過程。作為一個超大規模非線性連續時間自適應信息處理系統，它具有高度的非線性，模擬并行性，高度容錯性，魯棒性，自聯想自學習和自適應等許多特點。使其成為電氣設備在線監測中最有前途的故障診斷方法之一。

本文研究改進的反向傳播神經網絡在變壓器油中溶解氣體故障診斷中的應用，并著重就其算法的分析、網絡的選定、學習過程的收斂性以及實例計算等問題展開研究。

1 BP神經網絡的學習流程及其特點

由于神經網絡是用神經元互聯權矩陣來存儲長期記憶的，神經網絡的學習算法的目的就是要調整神經元間的連接權值，使整個網絡達到預期的功能。在學習過程中，將訓練樣本數據加到網絡的輸入端，同時將相應的期望輸出與網絡的實際輸出相比較，得到誤差信號，以此控制權值連接強度的調整，經過多次訓練后收斂得到一個確定的權值W矩陣。根據BP網絡理論隱含層可以為一層或多層，但有一個隱含層的BP網絡已經能以任意精度完成任何連續函數的映射，故一般只采用一個隱含層。學習過程由正向傳播輸出過程和反向傳播調整過程兩部分組成：在正向傳播過程中，輸入信號從輸入層經隱含單元逐層處理，并傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態；如果在輸出層得不到期望的輸出，則輸出信號的誤差將沿著原來的連接通路反向傳播，直至輸入層；通過沿途修改各層神經元間的連接權值和神經元閾值，使得誤差逐步達到最小。調整權值和神經元閾值的辦法很多，應用得最廣泛的BP算法采用了最速下降的負梯度調整法。只考慮一個隱含層的BP神經網絡如圖3.2所示，先給LA層單元與LB層單元之間和LB層單元與LC層單元之間的連接權以及LB層單元的閾值 θi、LC 層單元閾值 γi賦[-ε，+ε]區間的隨機值(ε≤1)。 對每個模式對(Ak，Tk)（k=1,2,m），圖3.2所示的學習流程框圖按下面的過程來學習：將輸入模式Ak送到LA層，LA層單元的激活值ah通過連接權矩陣V送到LB層，產生LB層新的凈輸入netbi，進而產生LB層單元的輸出值bi：

BP算法是LMS算法在多層前饋神經網絡中的應用，是一個非線性技術的優化問題。由于BP網絡在理論上的完整性，它在包含電氣設備絕緣故障診斷的許多領域得到了成功的應用，但也存在不少的問題，如：已學習好的網絡的推廣泛化能力，即能否逼近規律和對于大量未經學習的樣本也能正確處理；誤差曲面存在不少的局部最小點；學習算法收斂很慢；網絡的隱含層數目的選取缺少完整的理論指導。因此研究新的迭代收斂算法具有重要的實用價值。

2 自適應共軛梯度算法在特征氣體診斷法中的應用

共軛梯度算法簡介：

共軛梯度算法（ConjugateGradient）是重要的無約束最優化方法。其特點是利用上一次的搜索方向和本次出發點的負梯度的線性組合來生成共軛方向，并以此搜索目標函數極值。共軛梯度算法所述如下：

向量采用一般過熱、嚴重過熱、高能量放電、低能量放電4個輸出神經元。高能量放電一般指電弧放電和比較強烈的火花放電；低能量放電一般指局部放電和比較微弱的火花放電。反映過熱性故障的只能有一個輸出大于0，因為它們是互斥的；反映放電性故障的只能有一個輸出大于0；但可在過熱類型和放電類型中可同時有大于0的輸出，因為實際故障中確有放電兼過熱類型的故障。輸出值最大為1.0，數值越大則表明該類型的故障的可能性和嚴重程度也越大，如輸出為{0.0，1.0，1.0，0.0}，那么則表示故障是嚴重過熱與高能量放電。

在選取學習樣本時，樣本中各類故障的百分比應當和實際變壓器故障發生的比率相當，例如變壓器過熱故障較多，那么樣本中可多收集一些過熱故障的樣本；考慮到變壓器型式、容量、廠家、運行環境等因素的影響，搜集了125組不同制造廠生產的、運行在不同電壓等級下及不同地區的變壓器色譜分析記錄和相應的實際故障結果，使樣本具有良好的廣泛性；經過反復調試，選出能反映出各種故障類型的典型樣本18組，其它的樣本數據用來做驗證、檢驗。

因此該系統能夠實現多故障的診斷，從序列為12、13、15、16、19能夠展現這種情況。另外通過三比值法得出的故障結論還出現了偏差，比如序號為20就說明了這個偏差，但是采用ACG－BP網絡則能夠消除這個誤差。

總之ACG－BP網絡系統能夠的學習積累能力較強，并且將其經驗存儲在權值矩陣中，所以能夠快速準確的進行故障診斷。