兩種神經網絡方法在電力變壓器故障診斷中的性能分析

付剛 王偉 張洋 孫鵬

摘? 要：電力變壓器是電力系統中最重要的設備之一，它的安全穩定運行關系到整個電力系統的安全性和穩定性。文章首先分析了電力變壓器油中溶解氣體的特征，然后以三比值法作為主要實驗依據，設計了BP神經網絡和模糊神經網絡兩種模型，在此基礎上對變壓器故障診斷進行了實驗，最后對比分析實驗結果。

關鍵詞：BP神經網絡;模糊神經網絡;油中溶解氣體;故障診斷

中圖分類號：TM41? ? ? ? ?文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2019）26-0005-04

Abstract： Power transformer is one of the most important equipment in power system， and its safe and stable operation is related to the security and stability of the whole power system. In this paper， the characteristics of dissolved gas in power transformer oil are analyzed， and then two models of BP neural network and fuzzy neural network are designed based on the three-ratio method， on the basis of which the fault diagnosis of transformer is tested. Finally， the experimental results are compared and analyzed.

Keywords： BP neural network; fuzzy neural network; dissolved gas in oil; fault diagnosis

引言

隨著電力變壓器設備技術的發展，其結構復雜度和部件的關聯性也在不斷的提高，電力變壓器的安全、穩定運行密切關系著整個電力系統的生產安全，它能否正常運作對于電力能源的傳輸有著重要的影響，因此對電力變壓器的研究一直以來是國內外學者和專家研究的熱門課題之一[1-2]。

在目前電力變壓器故障診斷方法中，對油中溶解氣體檢測的研究一直以來都是研究的重點[3]。早在1973年

Halstead就發現了油中溶解氣體的相對含量與變壓器內部故障之間確實存在一定的關系，并做出了進一步研究。國內外學者對變壓器故障診斷的研究方法主要分為傳統方法和人工智能方法。油中溶解氣體檢測方法是最經典的傳統方法之一[4]。人工智能方法有粗糙集理論、信息融合、證據理論和人工神經網絡等，這些方法各有優劣。例如貝葉斯網絡的利用條件限制較多，現場運用非常復雜;人工神經網絡雖然在一定程度上提高了準確率，但是數據量增加后運行效率變低;支持向量機在小樣本的實驗中凸顯了優勢，在處理大量數據時效率太低。本文對BP神經網絡和模糊神經網絡兩種模型進行了對比實驗，結果表明在電力變壓器故障診斷中模糊神經網絡優于BP神經網絡。

1 神經網絡模型

1.1 BP神經網絡

BP神經網絡是一種按照誤差逆傳播算法訓練的多層前饋網絡。BP神經網絡的學習規則是運用最快下降法，通過正向計算和逆向傳播來不斷調整網絡內的各個節點的權值和閾值，最終使網絡的誤差平方和最小，從而達到整個網絡最優的目的。它的特點是在不需要描述映射關系的前提下，能夠自主學習和貯藏大量的輸入-輸出模式之間的映射關系。

BP神經網絡具有以下優點：（1）具有很強的非線性映射能力，從根源上實現了輸入數據到輸出結構的映射功能，這一優點使得BP神經網絡特別適合運用在一些非線性的復雜問題上;（2）自學習和自適應能力，不需要復雜的操作就可以自主的學習和調整整個網絡的運行;（3）泛化能力，即BP神經網絡不僅能保證當前分類對象的正確性，還能對未來遇到的情況作出正確的預判和分析;（4）容錯能力，BP神經網絡比較穩定，不會因為某個部分的神經元被破壞后而出現非常大的差錯，即對檢測結果影響不大，具有一定的容錯能力。BP神經網絡的結構從左至右分三層。第一層為變壓器初始數據輸入層，三個不同的特征信號分別對應輸入層的三個神經元。第二層為隱含層，采用tansig和logsig傳遞函數處理數據，并通過共軛梯度動量算法反復訓練BP神經網絡。第三層為輸出層，根據網絡計算的結果輸出故障類型。

1.2 模糊神經網絡

模糊神經網絡是基于模糊集理論和人工神經網絡提出的一種神經網絡。模糊神經網絡具有以下兩點優勢：（1）普通人工神經網絡的學習泛化能力的優勢;（2）模糊邏輯推理中的強大結構性知識表達能力。因此受到了大家的廣泛關注和研究。簡單而言，模糊神經網絡就是普通神經網絡的產物，利用神經網絡的特性來實現模糊集理論。較BP神經網絡的結構而言，模糊神經網絡的層數更多，結構更復雜，一般采用五層網絡結構。模糊神經網絡的五層結構分別是：第一層是網絡的輸入層，最后一層是網絡的結果輸出層，中間三層分別是隸屬度函數層、模糊規則層和歸一化層。訓練樣本通過輸入層進入神經網絡，每個單元模式輸出之間的關系可以用公式（1）計算：

模糊規則層是模糊神經網絡中比較特殊的一部分，也是模糊神經網絡的特點所在，主要利用匹配模糊規則計算出每條規則的適應度，對不確定的信息進行分類和計算。

2 基于神經網絡的故障診斷模型和算法

2.1 故障診斷理論

電力變壓器故障診斷，就是根據電力變壓器故障產生的特征和部位來確定故障類型和故障的嚴重程度[5]。變壓器故障診斷的方法有很多，比較常用的一些預防性試驗有絕緣試驗、局部放電試驗、絕緣油電氣試驗、油中氣體分析法等[6]。油中溶解氣體分析法是對油浸式電力變壓器內部故障檢測最主要的技術手段，故油中溶解氣體分析法在《電力設備預防性試驗規程》里被列為重點方法。

油中溶解氣體分析法具有及時發現早期潛伏在電力變壓器內部的故障問題的能力，可以提早消除不少在運維中的事故隱患問題。這種方法的特點之一就是能夠在不停電的情況下進行，且不受外界的電場和磁場的影響。此種方法技術成熟，便于實施，數據來源可靠，早已在國內外的電力變壓器故障診斷中運用，積累了很多經驗。油中溶解氣體分析法主要依靠分析油中的CH4、C2H6、C2H4、C2H2和H2五種組分的含量并根據氣體相對含量與設備老化損壞之間的聯系對故障進行判斷，變壓器老化產生一氧化碳（CO）和二氧化碳（CO2）也是造成故障產生的一些原因，有時也會被當做參考量作為輸入數據中。由于油中溶解氣體法中把這五種氣體中的兩兩比值作為分析的依據來進行分析，從而得到三個比值的數值作為分析的結果，故稱“三比值法”。

故障特征分析即為對信號的分析與處理。故障診斷工程的核心問題是如何從傳感器上的原始信號中分離出有用信息并分析出與故障特征相關的信息。大部分的機械在出現故障時都會出現異常聲音或震動，所以聲音和震動數據對于機械設備故障診斷是十分重要的故障信息。比較常用的提取故障特征的方法有時域分析法、頻域分析法、相位分處理等。以上的方法都是基于線性信號進行提取分析的，而對于機械故障來說，故障信號都是非線性的。因此，我們使用上述方法時很難將多個故障信號之間的關系完全地解釋清楚。1980年以后，在信號分析處理中采用非線性的人工神經網絡開始流行起來，我國也開始將人工神經網絡應用于設備故障研究方面，并取得了實質性的進步與成果[7-9]。

2.2 變壓器故障診斷

本文對BP神經網絡和模糊神經網絡的建立步驟如圖1所示。

本文運用三比值法的編碼規則以及對故障診斷結果的分類進行了改進并制定了表1、表2所示的編碼表格，這種方法摒棄了油浸式變壓器中油的體積不確定的缺點，可以比較準確的對變壓器的故障進行判斷。

經由三比值編碼方法對數據樣本進行處理可得到比值編碼數據，部分比值編碼數據如表3所示。

3 實驗仿真與分析

本實驗在Matlab環境下建立BP神經網絡模型和模糊神經網絡模型，用實際數據進行模型訓練，從90組4維數據中抽取70組數據對兩個神經網絡同時進行訓練（前3列都是三比值法的比值代碼數據，第4列為分類輸出，即為故障分類），然后將最后20組數據樣本作為驗證樣本。實驗的測試集實驗結果如圖2和圖3所示。

神經網絡的結構圖中都顯示了各神經網絡的結構和定義的各項參數。所有的訓練集和測試集對比圖都為一個坐標圖，其中橫坐標為訓練樣本和測試樣本的序號，縱坐標分別表示無故障（0）、低溫過熱（1）、中溫過熱（2）、高溫過熱（3）、局部放電（4）等，按照表3的故障順序依次類推。

為了更好地對比兩個神經網絡，我們做了一個關于兩個神經網絡的縱向和橫向對比，即將訓練集數據樣本組數從10組開始，每組以10為等差值不斷向上增加訓練組數，并對比它們兩個在不同訓練分組下的訓練集正確率和測試集正確率。經過實驗，得到了如圖4和圖5所示的對比圖，X方向代表訓練集數，Y方向代表訓練的準確率。

在第一個實驗中，由BP神經網絡和模糊神經網絡的訓練集和測試集對比圖看出，在訓練集數據樣本達到70組時，模糊神經網絡訓練集沒有出錯，且測試集中正確率為95%（20組訓練數據樣本中只出現了一個故障分析錯誤），在訓練集同樣沒有出錯的情況下，BP神經網絡測試集的正確率只有90%（出現了兩個故障分析錯誤），在此情況下模糊神經網絡對于電力變壓器的故障診斷能力優于BP神經網絡。在第二個實驗中，由對比圖可以看出，在訓練組數不斷遞增的情況下，模糊神經網絡的學習能力和收斂能力都優于BP神經網絡。

4 結論

通過理論分析和實驗結果表明，如果擁有更多的氣體比值數據，能將訓練集不斷地增加去訓練兩種神經網絡，模糊神經網絡對于電力變壓器故障診斷的預測能力，判斷故障的準確率以及收斂能力都是優于BP神經網絡的，為今后研究變壓器提供了思路。電力變壓器是一個非常復雜的設備，對于故障的研究今后還需運用深度學習的知識進行研究，從而大大提高診斷的準確性。

參考文獻：

[1]李剛，張博，趙文清，等.電力設備狀態評估中的數據科學問題：挑戰與展望[J].電力系統自動化，2018，42（21）：10-20.

[2]李剛，于長海，劉云鵬，等.電力變壓器故障預測與健康管理：挑戰與展望[J].電力系統自動化，2017，41（23）：156-167.

[3]劉冰堯，雷菊陽，耿英博.油浸式變壓器故障診斷的研究[J].化工自動化及儀表，2018，45（01）：69-72.

[4]楊振勇，葉林.變壓器油中溶解氣體色譜分析誤差來源及排除[J].湖北電力，2014，38（06）：22-24.

[5]趙文清，祝玲玉，高樹國，等.基于多源信息融合的電力變壓器故障診斷方法研究[J].電力信息與通信技術，2018，16（10）：25-30.

[6]李剛，于長海，范輝，等.基于多級決策融合模型的電力變壓器故障深度診斷方法[J].電力自動化設備，2017，37（11）：138-144.

[7]陳龍龍，王波，袁玲.一種電力變壓器神經網絡故障診斷方法[J].南京信息工程大學學報（自然科學版），2018，10（02）：199-202.

[8]譚子兵，黃秀超，鐘建偉.基于BP人工神經網絡的電力變壓器故障診斷研究[J].湖北民族學院學報（自然科學版），2018，36（01）：89-92.

[9]張奎，王建南，王肖峰.基于神經網絡的變壓器故障診斷[J].電子測量技術，2017，40（12）：98-101.