基于RBF神經網絡的電網變壓器故障檢測

西安航天自動化股份有限公司 田 博 王虎軍 王 洋

1.引言

變壓器作為電網重要設備，在輸電系統中起到升壓或降壓的作用，因此變壓器運行狀態和性能直接關系到電網運行安全。為了確保電網安全運行，需要對變壓器進行定期檢測，及時發現故障并進行排除。早期電網利用變壓器溶解氣體檢測內部故障，常用的IEC比值法以及相關改良比值法雖然可以檢測變壓器故障，但是需要經驗豐富的專家進行輔助判斷，檢測出來的結果依然有很大的誤差。RBF神經網絡法可以逼近任意非線性函數，并且具有良好的泛化能力，學習快速和收斂速度快等優點，特別適合應用于數據分類、故障診斷和控制等發面。因此本文結合具體實驗分析了RBF神經網絡在電網變壓器故障檢測中的應用，發現通過應用RBF神經網絡法可以提高診斷效率和診斷準確性。

2.RBF神經網絡概述

2.1 RBF神經網絡原理

BRF神經網絡就是徑向基函數神經網絡，是英文Radical Basis Function Neural Networks的簡稱，是一種三層前饋式神經網絡。它由輸入層、隱含層、輸出層三層節點構成，其結構如圖1所示：

圖1

輸入層主要由一些感知元件構成，將網絡和外部環境連接起來，可以感知外部環節變化；第二層是隱含層，它將輸入空間的信息進行非線性變化；第三次是輸出層，它為輸入層的激活模式提供響應。BRF神經網絡是模擬人的大腦的神經網絡結構，它可以以任意精度逼近一個連續函數。在BRF神經網絡中，隱含層的中心和半徑是設置好的，只有輸入層和輸出層之間的限值可以調整，隱含層按照固定的非線性變化，將輸入空間的信息映射到一個新的隱含層中間，然后將其傳輸到輸出層，形成一個線性組成。BRF神經網絡結構具有自適應性，可以以任意精度數值逼近任何一個連續函數，從而降低網絡學習時間，因此可以廣泛應用在大型電力設備故障診斷工作。

RBF神經網絡主要根據相似性計算和RBF網絡的隱含層，相當于一個相似度計算網絡，將輸入層的空間數據變換為某一個空間點為中心的相似值。以單個輸出神經元為例，BRF神經網絡由輸入層、隱含層、輸出層構成，其中隱含層采用徑向基函數，其實也就是沿著徑向對稱函數，然后將函數定義為空間中任意一點X到某中心XC之間距離的單調函數，也就是K（||X-XC||），該函數反應的是局部，如果X到XC之間的距離很遠，那么這個函數的值就很小。徑向函數一般是高斯函數，可以表示為：

其中XC是函數的中心，表示函數的寬度，控制函數的徑向距離。假如N個輸入數據X=[x1，x2，x3……xN]，其中Xi=[xi1，xi2，xi3……xip]T,i=1,2,3……N是網絡輸入，Y=[y1，y2，y3……y0]表示網絡輸出，yi則通過以下公式得出：

i=1，2,3……0,；j=1,2,3……m，其中wi=[wi1，wi2，wi3……wim]T表示神經網絡輸出節點i的權值矢量，g=[g1，g2，g3……gm]T表示基函數矢量。

通過上述內容，可以得出，RBF神經網絡模型建立的關鍵步驟在于確定RBF神經網絡隱含層數據中心的個數，以及隱含層數據中心Zi的位置，然后學習輸出權值。在構建RBF神經網絡模型的時候，如果RBF網絡模型隱含層數據中心的數量太多，則會增加網絡模型的計算量，降低網絡泛化能力。所以在構建RBF神經網絡模型的關鍵在于選擇正確的RBF網絡模型中心。

2.2 建立RBF神經網絡模型

RBF神經網絡模型包括確定神經網絡的層數、傳遞函數、網絡輸入/輸出節點、及其隱含層節點的確認。根據RBF神經網絡把控輸入層、隱含層和輸出層；隱含層一般選擇高斯函數，輸出層則選擇線性傳遞函數；網絡輸入/輸出節點主要用于分析變壓器故障類型，所以一般輸入和輸出節點數量相同；隱含層節點的確定直接關系到故障診斷準確性，所以隱含層節點的選擇至關重要。常用方法是根據輸入層的元素數量確定隱含層的節點，但是如輸入層的元素比較多，則會增加計算量，所以隱含層的節點必須通過神經網絡訓練得到。

3.基于RBF神經網絡的電網變壓器故障檢測實驗

3.1 數據預處理

由于變壓器等級、型號不同，同一種類型的變壓器溶解氣體的數據也不同，采集的原始數據差異比較大。如果直接用原始數據進行統計分析，則可以導致一些數量比較大的特性指標突出，從而排斥那些數量級比較小的特性指標，導致小指標數值稍微變化就影響到分類結果，所以為了確保神經網絡模型的指標分辨率，按照氣體含量占5種氣體含量的百分比對數據進行預處理。

3.2 建立神經網絡診斷模型

采集變壓器各類故障樣本共400個，用聚類算法計算150個變壓器樣本數據，然后將其聚合到輸入層神經網絡抗原集，Xi=（Agi1，Agi2，……Agi5），分別代表了氫氣、甲烷，乙烯、乙烷、乙炔這幾種氣體的體積分數，F表示變壓器的故障類別。確定RBF神經網絡的隱含層中心數量和初始位置，N=20表示初始抗體的數量，n為6表示最佳抗體選擇數量，k為10表示抗體克隆數量；克隆選擇的閾值為0.5。神經網絡預處理后網絡中心數量為7。通過遺傳算法確定RBF神經網絡的初始隱含條件和隱含層中心數量位置，然后對其進行優化。將聚類算法得到150個樣本的氫氣、甲烷，乙烯、乙烷、乙炔這幾種氣體體積分數和故障類別集合到150個，變壓器典型故障有低溫過熱（T1）、中溫過熱（T2）、高溫過熱（T3）、局部放電（PD）、低能放電（D1）、高能放電（D2）等幾種故障類別，其中低溫過熱指變壓器的溫度小于300℃，中溫過熱指變壓器的溫度大于300℃小于500℃，高溫過熱指變壓器的溫度大于500℃。本文將低溫過熱、中溫過熱、高溫過熱、局部放電、低能放電以及高能放電作為函數的基本輸出向量，也就是網絡節點，網絡輸出結果如圖2所示：

圖2

本文從0到1之間的數值表示對應變壓器的故障程度，數值越接近1則表示故障發生概率越大，那么當該類故障輸出數值大于0.5時則表示已經發生了故障，如果出現了兩種以上的故障輸出值分別大于0.5時，則表示發生了多個故障。為了更好地對故障進行分析，本文將故障類別遺傳算法種群設計為30，中心矢量的交叉概率為0.2，變異概率為0.05，那么函數標準差與輸出節點權值交叉概率為0.6，變異概率是0.1。通過60次數據迭代以后得到神經網絡收斂。為了得到比較精確的數值，還要考慮到隱含層的中心數量。本文設計5個和9個隱含層中心數量，當隱含層中心數為5時，則RBF神經網絡收斂比較早，診斷精度無法滿足函數計算要求；當隱含層中心數量為9時，雖然RBF神經網絡收斂，但是得到的神經網絡模型結構比較復雜，極大地增加了計算量。因此，必須通過RBF網絡進行訓練，調節隱含層和輸出層的限值，然后對其進行優化。目前最常見的方法是正交最小二乘算法和聚類算法，利用其中一種算法得到計算結果，然后用RBF神經網絡進行訓練，優化神經網絡，從而得到相對精準的數值。

3.3 診斷情況

通過對采集樣本分析，發現400個樣本中只有100個樣本中包含氫氣、甲烷，乙烯、乙烷、乙炔這五種氣體體積分數，因此將其通過RBF神經網絡訓練以后進行網絡診斷，并和BP神經網絡算法進行比較。表1是RBF神經網絡診斷和BP網絡診斷得到的結果。

表1

為了進一步驗證RBF神經網絡診斷準確度，本文對5組故障變壓器進行診斷，得到診斷結果表2表示5組變壓器故障診斷情況。

表2

從上述實驗數據可以得出，通過訓練以后的RBF神經網絡是用于診斷變壓器故障的最優網絡結構。

4.結束語

綜上所述，RBF神經網絡診斷電網變壓器故障診斷精度比其他診斷網絡算法高，因此可以在實際電網故障診斷工作中大量推廣普及。RBF神經網絡診斷變壓器故障時，關鍵步驟是確定隱含層的節點和傳遞函數，用遺傳算法訓練RBF神經網絡結構，提高網絡結構的收斂能力，從而提高診斷精確度和效率。