基于BP神經網絡的油浸式變壓器故障診斷

黃明增 高瀧森 林廣大

摘 要：本文研究了一種基于BP神經網絡的變壓器故障診斷方法，利用油中氣體含量分析的方法，收集整理變壓器故障信息作為訓練和診斷樣本，建立了基于BP神經網絡的變壓器故障診斷模型，準確率最高達到95%，具有較高的實際應用價值。

關鍵詞：油浸式變壓器；BP神經網絡；故障診斷

中圖分類號：TM411 文獻標識碼：A 文章編號：1003-5168（2018）07-0049-03

Fault Diagnosis of Oil-immersed Transformer Based on BP Neural Network

HUANG Mingzeng1 Gao Longsen2 LIN Guangda1

（1. College of Engineering， South China Agricultural University，Guangzhou Guangdong 510642；

2. College of Information Engineering， Hebei Geography University，Shijiazhuang Hebei 050031）

Abstract： In this paper， we studied a kind of transformer fault diagnosis method based on BP neural network， using analysis method of gas content， collected transformer fault information as the training samples， and diagnosised based on BP neural network model of transformer fault diagnosis， 96% accurate， feasible in practical application.

Keywords： oil-immersed transformer；BP nerve network；fault diagnosis

油浸式變壓器在電力系統中發揮著變化電壓、電能轉化的作用，其安全、穩定運行影響著整個電力系統的可靠性，關系到國計民生。由此，準確判斷變壓器的運行狀態，對變壓器潛伏性的故障做出預測，就顯得極為重要，也是國內研究的焦點之一[1，2]。當油浸變壓器內部存在過熱或放電故障時，其內部油中溶解的氣體類型和含量會發生變化，油中溶解氣體分析成為判別其運行狀態的一種有效手段[3]。

在判斷變壓器故障時用到的特征氣體主要包括：氫氣（H2）、甲烷（CH4）、乙烷（C2H6）、乙烯（CH4）、乙炔（C2H2）、一氧化碳（CO）及二氧化碳（CO2）。本文選取前五種氣體作為故障診斷氣體，將變壓器的故障類型分為中低溫過熱、高溫過熱、低能放電和高能放電故障。本文將BP神經網絡應用于變壓器故障預測診斷，對準確判斷變壓器的運行狀態及預測變壓器潛伏性故障具有重要意義。

1 BP神經網絡

BP（backpropagation）神經網絡是一類多層的前饋型神經網絡。由于其權值的調整采用反向傳播（Backpropagation）的學習算法，因此被稱為BP網絡。BP神經網絡結構簡單，可調整的參數多，訓練算法多，可操作性好，擁有高度的自組織能力、非線性逼近能力和自學習能力 ，在模式識別和分類方面應用十分廣泛，也適用于變壓器故障診斷。

BP算法的基本思想是學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。在正向傳播時，輸入樣本在輸入層輸入，經各隱層處理傳向輸出層。當輸出層的實際輸出與期望的輸出不符時，進入反向傳播階段。在反向傳播時，依據誤差信號不斷進行權值調整。此過程不斷進行，直到網絡輸出誤差減少到可以接受的范圍，或達到設定的學習次數。BP算法的步驟具體如下。

①初始化。輸入向量為[Xk=x1，x2，x3，…，xi，…，xnT]（n為輸入層單元個數），隱層輸出向量為[Yk=y1，y2，y3，…，yi，…，ymT]（m為隱層單元數），輸出層輸出向量為[Ok=o1，o2，o3，…，oi，…，olT]，期望輸出向量為[Dk=d1，d2，d3，…，dk，…，dlT]，輸入層到隱層之間的權值矩陣為[Vk=v1，v2，v3，…，vk，…，vlT]，隱層到輸出層之間的權值矩陣為[Wk=w1，w2，w3，…，wk，…，wlT]。將隨機較小非零值賦予[Vk（0）]、[Wk（0）]，訓練次數q設為1，誤差E設為0，網絡訓練精度Emin設為較小的正小數，學習率[μ]設為0～1的小數。

②輸入樣本數據Xk。

③計算網絡各層輸出。

[yj=i=0nvijxi]，j=1，2，…，m （1）

[ok=j=0mwjkyi] k=1，2，…，l （2）

④計算輸出誤差。判斷誤差是否滿足要求，若滿足，進行步驟⑧；若不滿足，進行步驟⑥。

[E=12d-02=12k=1ld-02] （3）

⑤計算網絡各層的誤差信號。

[δ0k=dk-okok1-ok] （4）

[δyj=k=1lδ0kwjkyi1-yi] （5）

⑥根據誤差信號修正各層權值。

[Δwjk=μdk-okok1-okyi] （6）

[Δvij=μk=1lδ0kwjkyi1-yixi] （7）

⑦判斷q是否達到最大訓練次數。若q未達到最大訓練次數，返回步驟②；若達到最大訓練次數，進行下一個步驟。

⑧判斷誤差E是否小于網絡訓練精度Emin。若

2 BP神經網絡故障診斷模型的構建

2.1 輸入特征向量

研究油中溶解氣體與變壓器內部故障的對應關系，進行網絡仿真。按照國際電工委員會的推薦選取H2、CH4、C2H6、C2H4和C2H2這5種氣體作為判斷依據，將這5種氣體所占百分比作為BP神經網絡的輸入特征向量。以收集的220組變壓器故障數據作為神經網絡訓練樣本。

2.2 輸出特征向量

將變壓器故障分為中低溫過熱、高溫過熱、低能放電和高能放電4種故障類型并進行編碼作為神經網絡輸出。故障類型及其對應的輸出編碼如表1所示。

2.3 隱層節點數的選取

無限隱含層節點的神經網絡可以逼近任何在映射區間內的連續函數，但隱含層節點增加會使神經網絡結構更加復雜，計算工作量增加，訓練時間延長。因此，可以參考隱含層節點數的經驗計算公式選擇合適的節點數：

[x=n+m+a] （8）

[n]為輸入神經元個數，[m]為輸出神經元個數，[a]為0～10之間的常數。不同隱含層節點數的訓練效果如表2所示。

通過比較迭代次數、誤差性能和均方差性能優化函數值可知，當隱含層節點個數為14時，網絡訓練的誤差最低，此時經過123迭代達到訓練目標，所以隱含層節點數選14。

2.4 訓練函數的選擇

訓練函數的選擇對網絡的誤差和訓練時間具有較大影響，可以通過選擇最優的訓練函數來降低網絡的誤差和訓練時間。選擇不同訓練函數的效果如表3所示。

采用trainlm訓練函數的誤差最低，收斂速度也很快。雖然trainlm算法占用的內存較多，但目前的計算機可以滿足其要求，故采用trainlm訓練函數。

3 實驗仿真

3.1 樣本訓練程序

net=newff（minmax（P），[14，5]，{'tansig'，'purelin'}，'trainlm'）；

% P：訓練樣本輸入，T：訓練樣本輸出，P_test：測試樣本輸入，T_test：測試樣本期望輸出

net.trainParam.goal=0.015；

net.trainParam.epochs=1000；

net=train（net，P，T）；

y=sim（net，P）；

e=T-y；

net.performParam.ratio=20/（20+1）；

perf=msereg（y）；% 均方差性能優化函數

y2=sim（net，P_test）%故障診斷

save BP net%保存訓練得到的BP神經網絡

3.2 故障診斷

以收集的220組故障數據作為神經網絡訓練樣本，用訓練得到BP神經網絡模型對20組變壓器故障數據組進行故障診斷。故障診斷神經網絡模型BP的輸出層傳遞函數是線性函數，根據最大隸屬原則，在診斷輸出向量的各個分量中，其隸屬度越接近于1，表示其對應的故障類型的可能性越大，反之可能性越小。因此，將診斷輸出向量中的各個列向量的最接近1的值取為1，其他分量的值取為0，進行最大隸屬化處理，得到的部分故障診斷結果如表4所示。

將故障診斷結果與實際故障類型進行對比，準確率達95%，在實際應用中可操作性高。

3.3 不同神經網絡診斷方法的比較

比較BP神經網絡與徑向基函數神經網絡、Elman神經網絡在變壓器故障診斷上的效果。為了保證合理性，徑向基函數神經網絡的均方誤差（goal）設為0.01，擴展速度（spread）取8～14之間的常數，并記錄最佳結果數據。

分別對三個模型進行訓練，比較三個模型的誤差性能和故障診斷準確率，結果如表5所示。

4 結語

本文提出了一種基于BP神經網絡的變壓器故障診斷模型。

①選取油中溶解氣體中的H2、CH4、C2H6、C2H4和C2H25種特征氣體作為BP神經網絡的輸入特征向量。

②分析了BP神經網絡隱含層節點數、訓練函數對故障診斷準確度的影響，通過選擇合適的隱含層節點數、訓練函數可以提升故障診斷的準確率。

③比較BP神經網絡與其他神經網絡在變壓器故障診斷上的效果，BP神經網絡較為簡單，訓練時間短，可操作性高，且準確率在實際應用中也能滿足要求。

參考文獻：

[1]董明，屈彥明，周孟戈，等.基于組合決策樹的油浸式電力變壓器故障診斷[J].中國電機工程學報，2005（16）：35-41.

[2]賈京龍，余濤，吳子杰，等.基于卷積神經網絡的變壓器故障診斷方法[J].電測與儀表，2017（13）：62-67.

[3]熊浩，李衛國，宋偉.概率聚類技術應用于變壓器DGA數據故障診斷[J].高電壓技術，2008（5）：1022-1026.