基于BP神經網絡和故障樹分析方法的變壓器故障綜合診斷模型

王 超1，汪萬平

(1.國網四川省電力公司，四川 成都 610041；2.國網四川省電力公司電力科學研究院，四川 成都 610072)

?

基于BP神經網絡和故障樹分析方法的變壓器故障綜合診斷模型

王 超1，汪萬平2

(1.國網四川省電力公司，四川 成都 610041；2.國網四川省電力公司電力科學研究院，四川 成都 610072)

電力變壓器是電力系統中最重要的輸變電設備之一，其故障征兆和故障原因之間的關系錯綜復雜，單項診斷方法信息特征獨特、考慮角度單一，通常難以滿足其故障診斷要求。提出了一種基于BP神經網絡和故障樹分析方法的變壓器故障綜合診斷新模型。首先收集整理變壓器故障信息量作為訓練和識別樣本，建立了基于BP神經網絡的變壓器故障診斷模型，再利用故障樹分析方法，對變壓器故障等級、嚴重程度等進行劃分。通過大量的現場數據驗證表明，與單一診斷方法相比，該模型能提高故障診斷正確率。研究成果為變壓器故障評估診斷提供了一種新思路。

變壓器；故障樹；BP神經網絡；故障診斷；綜合診斷模型

電力變壓器是電網的核心設備，其運行可靠性直接關系到電力系統的安全與穩定，全面實時地對變壓器運行狀態做出快速有效的評估，將對電網的安全穩定運行以及運維工作量和成本的降低發揮關鍵性作用[1]。

在長期運行過程中，由于受到各種內因和外因的影響，變壓器難免出現缺陷和故障。及時發現變壓器潛在的缺陷和故障，有利于將隱患消除在萌芽狀態，有助于降低變壓器故障對電網的危害程度[2]。國內外研究學者長期致力于變壓器狀態評估與故障診斷方面的研究，在變壓器故障診斷模型研究方面主要有基于改進小波神經網絡、支持向量機、物元理論等方法的變壓器故障診斷模型[3-7]。由于單一算法特征信息獨特，考慮角度較為單一，診斷準確性不能得到有效保障。目前，關于多種方法對變壓器進行綜合診斷評估的模型研究并不多見，相關文獻也較少。

這里提出一種基于BP神經網絡和故障樹分析方法的變壓器故障綜合診斷模型，該模型首先收集整理變壓器故障信息量作為訓練和識別樣本，建立了基于BP神經網絡的變壓器故障診斷模型；再利用故障樹分析方法，對變壓器故障等級、嚴重程度等進行劃分。結合現場故障數據分析表明，變壓器故障診斷多方法組合的思想能有效地提高變壓器故障診斷準確性，解決了多種獨立診斷結果集結統一的問題。

1 BP神經網絡

BP (back propagation)神經網絡，即誤差反向后傳算法，是由Rumelhart McCelland于1985年提出。它由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或者達到預先設定的學習次數為止[8]。

BP神經網絡模型包括節點輸出模型、作用函數模型、誤差計算模型和自學習模型。

1) 節點輸出模型

隱節點輸出模型：

Oj=f(∑Wij×Xi-qj)

(1)

輸出節點輸出模型：

Yk=f(∑Tjk×Oj-qk)

(2)

式中：f為非線性作用函數；Wij、Tjk為神經元的閾值；Xi-qj為神經元輸入向量；Qj-qk為中間節點神經元輸出向量。

2) 作用函數模型

作用函數是反映下層輸入對上層節點刺激脈沖強度的函數，又稱刺激函數，一般取為(0,1)內連續取值Sigmoid函數：

f(x)=1/(1+e)

(3)

3) 誤差計算模型

誤差計算模型是反映神經網絡期望輸出與計算輸出之間誤差大小的函數：

Ep=1/2×∑(tpi-Opi)

(4)

式中，tpi是i節點的期望輸出值；Opi是i節點的計算輸出值。

4) 自學習模型

神經網絡的學習過程，是連接下層節點和上層節點之間的權重矩陣Wij的設定和誤差修正過程。BP網絡分為有師學習方式-需要設定期望值和無師學習方式-只需輸入2種模式。自學習模型為：

ΔWij(n+1)=h×Φi×Oj+a×ΔWij(n)

(5)

式中，h為學習因子；Фi為輸出節點i的計算誤差；Oj為輸出節點j的計算輸出；a是動量因子。

2 故障樹理論

故障樹分析方法(fault tree analysis)簡稱FTA法，是一種分析、判斷系統的可靠性和可用性，將系統故障形成的原因由總體至部分按樹枝狀逐級細化的重要分析方法。利用FTA分析系統的故障模式，通過衡量元、部件對系統的重要度，找出系統或設備的薄弱環節，以便在設計和系統運行管理中采取相應的措施[9-11]。

故障樹是一種特殊的倒立樹狀邏輯因果關系圖，它用事件符號、邏輯門符號和轉移符號描述系統中各種事件之間的因果關系。對故障樹的定性分析，主要是對原始故障樹進行化簡并得到其最小割集的過程，其主要目的是為了找出導致頂事件發生的所有可能故障模式。

故障樹的結構函數是故障樹的數學表達式，它是對故障樹進行定性和定量分析的基礎，考慮由n個不同的獨立底事件構成的風險樹，化簡后的風險樹之頂事件的狀態中完全由底事件的狀態Xi(i=1，2，…，n)的取值所決定(共2n個狀態)，即Φ(X)=Φ(x1，x2，…，xn)稱為邏輯函數風險樹的結構函數。

例如，與門結構風險樹的結構函數為

(6)

式(6)的意義是當全部底事件都發生(即全部Xi都取值1時)，則頂事件才發生(Φ(X)=1)。而對于或門結構風險樹，其結構函數為

(7)

式(7)的意義是當系統中任一個底事件發生時，則頂事件發生。

用結構函數代表風險樹，利用布爾代數運算規則和邏輯門等效變換規則，獲得對應的簡化后的風險樹，然后通過定性分析可得到以最小割集和形式的風險樹結構函數。

3 故障診斷模型構建

根據大量試驗數據和運行經驗總結變壓器故障類型，大致可分成七類故障，在七類故障中還包含了子故障。七類故障為繞組故障、鐵心故障、絕緣故障、引線故障、分接開關故障、套管故障及其他故障。

依據上述故障分類類型，所建模型采用了故障樹分析法和神經網絡法，對變壓器故障情況進行綜合評估：其中故障樹分析法用于故障定位，即分析故障到底屬于變壓器哪個組(部)件；神經網絡法用于故障定性，即故障到底屬于是過熱還是放電，屬于哪種過熱或者是放電。借助于故障樹形式，可將變壓器故障直觀地逐級劃分為基本故障類型，這不僅有利于故障原因的分析，而且對改進設計和制造工藝均有很大的幫助。

3.1 故障樹模型的建立

根據對變壓器故障以及事故的統計分析，建立了電力變壓器故障樹。將威脅大型變壓器安全運行并需盡快安排檢修的情況作為頂故障，導致頂故障發生的中間級故障是按變壓器主要組件故障劃分的，變壓器主故障樹結構如圖1所示。

圖1 大型變壓器主故障樹

圖2 繞組故障子樹

進一步根據故障間的因果關系，可以分別找出導致中間級故障的根本故障原因，因而形成一系列故障子樹，包括“繞組故障”、“鐵心故障”、“主絕緣故障”等子樹，如圖2～圖4所示。

圖3 鐵心故障子樹

1) 故障概率分級

基于專家意見及現場經驗，將變壓器的故障率按照故障發生概率大小對故障可能性等級進行劃分，分為極高(Ⅰ)、較高(Ⅱ)、一般(Ⅲ)、較低(Ⅳ)、極低(Ⅴ)5個等級，如表1所示。

圖4 主絕緣故障子樹

表1 故障等級標準劃分表

根據各種故障模式發生概率的統計，忽略了統計中帶來的一些難以避免的誤差，分別計算出發生各種故障的可能性，并針對故障可能性概率劃分的5個等級進行故障可能性等級的評定。

2) 故障嚴重度分析

通過計算機編程實現了AHP層次分析法和可拓工程法兩種方法相結合，從而對23種故障嚴重性進行預算，基于專家意見及現場經驗將變壓器故障失效嚴重度按照綜合評判分為很嚴重(Ⅰ)、較嚴重(Ⅱ)、一般(Ⅲ)、不太嚴重(Ⅳ)、不嚴重(Ⅴ)5個等級。結果如表2所示。

表2 故障嚴重性等級劃分標準

3.2 BP神經網絡模型的建立

標準的BP神經網絡由3個節點層組成。即輸入層、隱含層和輸出層，各層次的節點之間形成全互聯連接，各層次內的節點之間沒有連接。在BP網絡模型建立和訓練過程中，最為重要的參數是權值和閾值，通過調整權值和閾值來減少誤差完成訓練，因此這兩類參數的選取對網絡收斂速度以及精度有重要影響。采用梯度下降法對BP神經網絡的權值和閾值參數進行優化選擇，計算簡單，速度快，適用于簡單網絡。

應用現有的油氣數據及其對應的故障類型樣本數據，將其轉化為相應的模式數據，輸入到BP神經網絡中。通過訓練學習，建立網絡結構模型，再向網絡輸入待測樣本，經網絡訓練得到分析結果。

4 實例與分析

以328臺110 kV及以上電壓等級的電力變壓器事故和故障統計資料為基礎，通過對其故障數據的整理分析，得出變壓器故障概率的分級如表3所示。

表3 變壓器故障概率分級表

然后對這328臺變壓器進行故障嚴重度的分析，所得的變壓器故障嚴重度的綜合評判和等級劃分如表4所示。

根據變壓器故障發生的概率和變壓器故障的嚴重程度，結合風險矩陣進行分析，可分別對變壓器的繞組故障、鐵心故障和絕緣故障進行故障等級的劃分，如表5所示。

表4 變壓器故障嚴重度的綜合評判和等級劃分

表5 變壓器故障的評估實現

應用已建立的BP神經網絡故障診斷模型，對工程現場獲取的故障變壓器油氣數據進行識別，實例如下。

實例1：

某變壓器的油色譜數據為：H2=176 μL/L、CH4=205.9 μL/L、C2H4=75.7μ L/L、C2H6=47.7 μL/L、C2H2=68.7 μL/L。采用BP神經網絡對變壓器進行故障診斷，診斷結果如圖5所示，其識別結果為電弧放電。利用傳統采用的改良三比值法進行驗證，其編碼為(1，1，1)，故障類型為電弧放電。

圖5 神經網絡診斷實例1

圖6 神經網絡診斷實例2

實例2：

某變壓器的油色譜數據為：H2=11.3μL/L、CH4=21.8μL/L、C2H4=53μL/L、C2H6=11.2μL/L、C2H2=25μL/L，采用BP神經網絡對變壓器進行故障診斷，診斷結果如圖6所示，其識別結果為電弧放電。利用傳統采用的改良三比值法進行驗證，其編碼為(1，2，2)，故障類型為電弧放電。

5 結 語

所提出的變壓器故障診斷多方法組合的思想，有效地解決了變壓器故障診斷多種獨立評價結果集結統一的問題。組合診斷法具有單一診斷方法難以取代的優勢，有良好的應用前景。從診斷結果來看，該方法比單項診斷方法具有更高的故障診斷準確率。

從診斷技術的發展來看，組合診斷將是未來智能診斷技術的研究方向。組合診斷的可行性和有效性在于能把涉及診斷的不同理論、思想和方法有機整合起來，以實現診斷模型對診斷求解的高效性和可靠性。所提出的研究思路不僅限于變壓器故障診斷，還可應用于其他設備、其他領域的故障診斷。

[1] 王昌長，李福祺，高勝友．電力設備的在線監測與故障診斷[M]．北京：清華大學出版社，2003．

[2] 楊廷方，李景祿，曾祥君，等．基于多方法組合診斷模型的大型變壓器故障診斷[J]．電力系統自動化，2009，22(20)：92-97．

[3] 陳偉根，潘翀，云玉新，等．基于改進小波神經網絡算法的電力變壓器故障診斷方法[J]．儀器儀表學報，2008，29(7)：1489-1493．

[4] 董明，孟源源，徐長響，等．基于支持向量機及油中溶解氣體分析的大型電力變壓器故障診斷模型研究[J]．中國電機工程學報，2003，23(7)：88-93．

[5] 袁娜，宮政，武中利，等．一種改進的物元模型在變壓器故障診斷中的應用[J]．華北電力大學學報，2012，39(3)：47-52．

[6] 熊浩，孫才新，杜鵬，等．基于物元理論的電力變壓器狀態綜合評估[J]．重慶大學學報：自然科學版，2006，29(10)：24-28．

[7] 梁永亮，李可軍，牛林，等.變壓器狀態評估多層次不確定模型[J]．電力系統自動化，2013，37(22)：73-77．

[8] 黃新波，王婭娜，劉林，等．變壓器油色譜在線監測中BP神經網絡算法分析[J]．陜西電力，2013，6(8)：52-58．

[9] 周寧，馬建偉，胡博，等．基于故障樹分析的電力變壓器可靠性跟蹤方法[J]．電力系統保護與控制，2012，40(19)：72-77．

[10] 谷凱凱，郭江．緊致融合模糊集和故障樹的變壓器故障診斷[J]．高電壓技術，2014，40(5)：1507-1513．

[11] 鄢小虎，盧文華，杜振波，等．一種基于多參量融合故障樹的變壓器故障診斷方法[J]．自動化與儀器儀表，2015，4(8)：76-81．

Power transformer is one of the most important power transmission equipments in power system, the relationship between the fault symptoms and the fault causes is intricate, and the information characteristics of single diagnosis method is unique when considering from the single point of view, which usually is difficult to meet the needs of fault diagnosis. A new model of transformer fault diagnosis based on BP neural network and fault tree analysis is proposed. Firstly, a collection of transformer fault information is used as training samples to establish the model of transformer fault diagnosis based on BP neural network, and then the fault tree analysis method is adopted to divide the severity and fault level of transformer. Through a large number of field data, the proposed model has improved the diagnosis accuracy compared with the single diagnosis method. The research results provide a new idea for transformer fault diagnosis.

transformer; fault tree; BP neutral network; fault diagnosis; integrated diagnosis model

TM41 <文獻標志碼：a class="emphasis_bold"> 文獻標志碼：A 文章編號：1003-6954(2016)06-0032-04文獻標志碼：a

1003-6954(2016)06-0032-04

A 文章編號：1003-6954(2016)06-0032-04

2016-10-08)

王 超(1976)，碩士、高級工程師，主要從事電力系統自動化裝備、高壓直流輸電系統工程與研究。