基于神經網絡的變壓器故障診斷系統

初海劍

（中鋼集團吉林機電設備有限公司 吉林·吉林 132000）

0 引言

變壓器主要是應用電磁感應原理工作，可以把一種電壓的交流電能轉變成另一種相同頻率電壓的靜止電氣裝置。一些大中型變壓器在使用時，由于工作過程中存在的電磁、物理和化學反應，會導致變壓器產生不同情況的變化，其中有些變化會使變壓器發生故障，這些故障可根據其發生位置分為內部和外部兩種。

通常我們把發生在油箱內的故障稱為內部故障，大致可分為兩類，一是電性故障（包括局部放電、火花放電和電弧放電）；二是熱性故障（包括一般性過熱故障和嚴重過熱性故障）。

目前，對變壓器的故障診斷多采用以下兩種故障診斷方法：氣相色譜分析法，狀態量監測法。

本文提出，利用神經網絡對油中氣體的分析，進行變壓器故障的診斷，綜合了以上傳統的判斷方法，使得判斷更完善。

1 人工神經網絡

人工神經元模型是受生物神經元的啟發，進行抽象與模擬。對于抽象的理解是從數學角度出發，而模擬則是基于神經元的的功能和結構。

一般地，人工神經元是一個多輸入單輸出的非線性域值器件。假定x1,x2,…,xn表示某一神經元的第n個輸入；Wji表示第j個神經元與第i個神經元的突觸連接強度，其值稱為權值；Ai表示第i個神經元的輸入總和，相應于生物神經細胞的膜電位，稱為激活函數；yi表示第i個神經元的輸出；表示神經元的域值，那么人工神經元的輸出可描述為

前向神經網絡是故障診斷領域中廣為應用的一種網絡。它包含一個輸出層和一個輸入層，一個或多個隱含層。網絡具有學習能力，采用BP網絡，通過調整層與層之間的權值，從而得出大量的映射輸出，它不需要過多已知的數據參數表述輸入——輸出相互間模式映射。只需要用確定的映射關系對網絡訓練，經過反復的學習，映射能力就體驗在這種網絡當中。

當電力變壓器發生故障時，通過采集變壓器油，對油中分解出氣體的組成及含量進行提取，運用到專家系統及神經網絡中，通過BP模型及算法對變壓器故障進行診斷，是該領域這幾年來主要研究的熱點和方向。

2 系統設計與開發

本系統選擇MATLAB語言進行編程，MATLAB為我們提供了一個交互式程序設計的學習環境，此系統采用矩陣的基本數據結構，在生成矩陣對象時，并不要求明確的維數說明。在技術和工程研究領域，MATLAB還被用來解決實際教學課題和數學模型。其典型的應用包括了對數值計算和處理、算法設計及驗證還有一些特殊的矩陣計算應用，如科學繪圖、數值和符號計算、通訊系統的設計與仿真等。

該系統選擇的是神經網絡（neural network）工具箱，直接調用相關函數就可實現對網絡和程序的設計。

神經網絡工具箱的BP網絡：Initff和Simuff函數用于對不超過三層的前饋型網絡的初始化和仿真。Trainbp、Trainbpx、Trainlm函數用于訓練BP。三個函數中Trainlm的訓練快速，排在首位，但它需要更大的存儲空間，Trainbpx的訓練速度次之，Trainbp最慢。在程序中選用Initff，Simuff，和Trainlm函數。

BP網絡通常采用可微的傳遞函數。在進行BP網絡的訓練中，常用的傳遞函數有logsig、tansig、purelin，計算這些函數的導數是關鍵環節，可利用神經網絡工具箱提供的求導函數進行計算。如果要用到其它函數可以進行自定義。

在設計BP網絡時，利用函數Initff初始化BP網絡，只需輸入幾個參數：已知向量、隱含層神經元總數、傳遞函數。假設，一個BP網絡含有2層、隱含層有x個神經元，tansig為傳遞函數，輸出層有y個神經元，purelin為傳遞函數，則BP網絡的初始化命令為：[w1，b1，w2，b2]=Initff（p，x，’tansig’，y，’purelin’）；

在收集采樣數據時，輸入的向量應包含輸入值中的最大值和最小值，用以保證得到的初始值為最佳值。函數Initff也可以從目標矢量中自動識別輸出層神經元的個數。

當利用不同的函數對BP網絡進行訓練時只會產生不同學習規則，并不會使他們的用法產生太大的差別。

對于單層BP網絡tp=[disp_freq max_epoch err_goal lr]；[w，b，epochs，tr]=Trainbp（w，b，’F’，p，t，tp）；

其中tr表示訓練誤差，訓練參數tp確定了學習過程的顯示頻率、最大訓練步數、誤差指標以及學習率，F表示神經元所采用的傳遞函數類型。

對于兩層 BP 網絡[w1，b1，w2，b2，epochs，tr]=

Trainbp（w1，b1，’F’，w2，b2，’F2’，p，t，tp）；

對于三層BP網絡

[w1，b1，w2，b2，w3，b3，te，tr]=

Trainbp（w1，b1,’F’,w 神經網絡工具箱的 BP 網絡：Initff和Simuff函數用于對不超過三層的前饋型網絡的初始化和仿真。Trainbp、Trainbpx、Trainlm函數用于訓練BP。三個函數中Trainlm的訓練快速，排在首位，但它需要更大的存儲空間，Trainbpx的訓練速度次之，Trainbp最慢。在程序中選用Initff，Simuff，和Trainlm函數。

3 系統處理過程及診斷實例

使用神經網絡對變壓器進行故障診斷時，首要注意的是：為輸入特征參數的選取。選擇正確的輸入特征參數將會對神經網絡診斷變壓器故障的準確率有著明顯的提升。此篇論文運用統計分析技術中的理論，對變壓器油中的氣體，進行處理分析，廣泛的選取了神經網絡中輸入的特征參數，為使輸入參量包括所有的信息，應選擇盡可能多的輸入參量。

本文選擇了20個測試采集的樣本，對演練完成的網絡進行了仿真模擬測試，其判斷正確率達到了預期的要求，根據文獻[2]中已知的故障數據，得到下面給出幾個診斷實例。某變壓器工作中氣體繼電器動作，取樣分析見下表1：

表1：某變壓器色譜分析數據 （單位：L/L）

變壓器油中總烴超標嚴重，三比值編碼為：0 2 2，屬于超過700℃的熱故障。將數據輸入網絡，輸出為Y1=0，Y2=0.93，Y3=0，Y4=0.89，數據顯示為過熱和放電。

實際檢驗看到，從繞組引出的高壓套管的銅螺栓發黑、松動，存在過熱跡象，伴隨著放電現象，由此表明此前判斷正確。

某熱電廠——變壓器上的氣體繼電器發生變化，色譜分析如下表2：

表2：變壓器色譜分析數據 （單位：L/L）

三比值法編碼為：0 2 1，存在著300～700℃中等溫度范圍的熱故障。網絡輸出為 Y1=0.01，Y2=0.72，Y3=0.4，Y4=0.68，說明故障溫度不是很高，并有放電現象。

實際檢查后發現C相高壓段第14～15復合絕緣紙之間發生了局部放電現象，出現黑色印跡，但未出現燒焦的現象。

通過對輸入特征參量的確定、典型樣本集的選取、程序中參數的選擇進行系統處理來提高神經網絡診斷的準確率。實驗中對變壓器色譜分析得出的數據，進行實時的研究診斷，進一步說明變壓器在運行中可能出現的故障。

4 結論

變壓器內部故障的判斷技術對故障的準確判斷有著非常重要的地位，變壓器油中溶解的氣體含有著重要的信息，通過分析油中溶解氣體的成分就可判斷出故障的性質、故障的強弱程度。本文利用神經網絡，用已知的數據對網絡進行訓練后就可實現對一般故障的診斷，并隨著訓練數據越來越大，網絡權值和結構的逐漸調整，判斷準確率也將越來越高，但只能是在一定的范圍變化（理論上可達到100%，只要用所有故障類型的數據對網絡進行訓練）。

因為是直接采樣的變壓器油，所以可進行在線監測，使得判斷和數據的收集更加便捷，這對變壓器潛伏性故障的發行有著重要的作用。