一種變壓器故障診斷綜合診斷模型研究

雷敏 吳壽山 孫昭昌 魏振

摘 要：電力變壓器的正常穩(wěn)定運行對電力系統(tǒng)的安全可靠性至關(guān)重要。因此，研究電力變壓器的故障診斷方法非常重要。在本文中，提出了一種雙層結(jié)構(gòu)的綜合故障診斷模型來評估變壓器故障類型。

關(guān)鍵詞：變壓器故障診斷； DGA數(shù)據(jù)； AFS-BP算法；模糊集合統(tǒng)計

引言

溶解氣體分析（DGA）被認(rèn)為是國內(nèi)外變壓器潛在故障診斷中最成熟有效的方法。傳統(tǒng)BP網(wǎng)絡(luò)的故障分類精度相對較低，為了解決這個問題，提出了一種人工魚群算法（AFSA）來優(yōu)化BP網(wǎng)絡(luò)算法，從而形成了AFS-BP算法。在本文中，構(gòu)建了基于DGA數(shù)據(jù)的組合不同診斷方法的多層綜合故障決策模型。在模型第二層，采用模糊集合統(tǒng)計[1]統(tǒng)一不同方法的結(jié)果，最后使用故障診斷仿真驗證了該方法的有效性。

1. AFS-BP神經(jīng)網(wǎng)絡(luò)

BP算法是具有簡單計算特征的梯度下降和局部搜索方法。然而，存在收斂速度慢，同時很容易進(jìn)入局部最小值的問題。為了擺脫局部最小值，在此引入了人工魚群優(yōu)化算法[2]。

在本文中，應(yīng)用三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，并應(yīng)用人工魚群算法進(jìn)行優(yōu)化。通過人工魚群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)可以簡寫為AFS-BP（Artificial FishSwarm Algorithm-Back Propagation）神經(jīng)網(wǎng)絡(luò)。 采用聚類方法產(chǎn)生30只人工魚，初始化魚類參數(shù)（包括感知距離V=40，初始步長λ=10，擁擠度因子δ=1，最大迭代次數(shù)Gmax=40，ε=1e-5）。對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后使用收集到的1186組DGA測試樣本檢驗網(wǎng)絡(luò)的故障分類能力。其中一次運算的收斂過程及診斷結(jié)果分類準(zhǔn)確度如圖1和2所示。

從圖中可以看出，魚群平均最優(yōu)值在尋優(yōu)過程中會有反復(fù)，但最優(yōu)人工魚一直在接近最優(yōu)值。不管是最優(yōu)人工魚還是平均人工魚，魚群尋優(yōu)的速度非?？?，迭代7次就已經(jīng)接近最優(yōu)值。

2 比值法

成熟的比值法包括IEC三比值法、電協(xié)研法、改良三比值法、Duval三角法、Rogers三比值法、HAE三角法和TD圖法這7種。

3綜合故障診斷模型

1）輸入和輸出向量

在油色譜圖分析領(lǐng)域，H2，CH4，C2H6，C2H4，C2H2，CO和CO2是變壓器內(nèi)部故障的有價值氣體。考慮到分散DGA數(shù)據(jù)，本文采用H2，C2H6，C2H4，C2H2，CO和CO2含量數(shù)據(jù)作為診斷模型的輸入向量。歸一化方式是使氣體含量除以數(shù)據(jù)集中相同種類氣體的最大含量。輸出向量設(shè)置為低能量放電（LD），高能量放電（HD），低溫和中溫過熱<700。C（MLT），高溫過熱>700 oC（HT）和放電兼過熱（TD）。

2）診斷模型首層

首先，IEC三比值法、電協(xié)研法、改良三比值法、Duval三角法、Rogers三比值法、HAE三角法和TD圖法這7種成熟的比值法及IAFS-BP神經(jīng)網(wǎng)絡(luò)法單獨診斷，各自得出結(jié)果。

3）第二層故障診斷模型

在第二層，建立模糊集值統(tǒng)計法統(tǒng)計模型，借助專家系統(tǒng)對7種比值法及IAFS-BP網(wǎng)絡(luò)診斷的結(jié)果進(jìn)行融合。在模型中，E={e1，e2，…，e8}分別表示IEC三比值法、電協(xié)研法、改良三比值法、Duval三角法、Rogers三比值法、HAE三角法、TD圖法和神經(jīng)網(wǎng)絡(luò)8種方法；X={x1，x2，…，x5}分別表示低能放電（LD）、高能放電（HD）、中低溫過熱（MLT）、高溫過熱（HT）、放電兼過熱（TD）5種故障。

4變電站故障診斷

某變電所2#330kV主變，某次離線檢測得到的色譜數(shù)據(jù)如表1所示。

由閾值診斷發(fā)現(xiàn)C2H2含量超標(biāo)，因此將數(shù)據(jù)輸入DGA綜合診斷模型。8種診斷方法的結(jié)果如表5所示。

代入公式得到所有故障的分?jǐn)?shù)向量為

，可見，第一種類型故障的隸屬度最大，即一級診斷的結(jié)果為：LD，低能放電故障。事故分析的結(jié)果為懸浮電位放電，與診斷結(jié)果相符。

5總結(jié)

1）利用BP神經(jīng)網(wǎng)絡(luò)處理故障信息的優(yōu)點，本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的人工魚群算法用于故障診斷。通過變壓器故障診斷的例子，表明該方法可以有效提高故障診斷精度。

2）在模型第二層，專家系統(tǒng)用于綜合基于模糊集值統(tǒng)計的8種DGA診斷方法的結(jié)果。實例表明該DGA綜合診斷模型可以對故障類型進(jìn)行準(zhǔn)確區(qū)分。

參考文獻(xiàn)：

[1]Sun Y， Zhang S， Miao C， et al. Improved BP neural network for transformer fault diagnosis[J]. Journal of China University of Mining and Technology， 2007， 17（1）： 138-142.

[2]李曉磊. 一種新型的智能優(yōu)化方法-人工魚群算法[D]. 浙江大學(xué)博士學(xué)位論文， 2003.