基于神經網絡的運行變壓器故障診斷技術及其應用

國網江蘇省電力有限公司徐州供電公司 鄧劍鳴 齊豐科技股份有限公司 李明亮 戴世平

在變壓器內部故障診斷方法中，溶解氣體色譜分析法的準確性較高，是目前我國電力系統當中使用最多的方法。越來越多的人提出了全新的檢測模式和方法，但以油溶解氣體為主的在線檢測系統判斷故障準確率最高。

1 概念簡介

1.1 神經網絡

BP網絡是在上世紀八十年代由Rumelhart所領導的實驗小組構建的一種神經模型，BP神經模型的基本結構主要如下：net(l)jp=∑n(i-1)W(l)jiO(l-1)ip-Θ(l)n；O(l)ip=fl(net(l)jp)。BP神經網絡是一種可反向傳遞并進行誤差修復的網絡體系，如參數正確時，BP網絡可得到準確的方差，也是目前使用最為廣泛的網絡體系結構。對于BP網絡可劃分成輸入層、隱形層、輸出層。在不同的層次間實現全連接，在每一層的神經元當中沒有鏈接。

如果對于樣本進行學習并傳輸給網絡后神經元將會激活，且輸入數據后輸出層的神經網絡獲得響應，最后減少存在的實際誤差，將輸出層通過中間層修正之后鏈接，最后回到輸入流程當中，隨著誤差逆傳播的不斷優化和升級，網絡對于輸入的相應正確率也出現了明顯增加[1]。對于BP網絡學習算法來說，就是假設BP網絡體系當中一共L層，需給定P個樣本，對于網絡期望需要輸出TD，當輸入到第P個樣本時，對于整體神經網絡中第L個神經層中的第J個神經元的操作模式可用以下公式表示，一般選擇S類型的函數：f(x)=1/(1+e-n)，對于輸出層可表達為：EP=1/2∑nj=1(Tjdp-T^jp)2，神經網絡學習系統最根本目的是對于每一個樣本的誤差進行分析，讓其達到最小，從而保證總誤差保持在最小的情況。

BP人工神經網絡自帶的迅速擬合任意復雜非線性關系這一功能，在電力系統的變壓器預報問題方面有很大應用價值。在預測過程中，只需給出變壓器與相關變量的一定數量樣本，通過訓練該神經網絡，就能對相應的函數關系進行模擬。換言之，在變壓器預報領域只要是經過以上訓練的網絡都可進行直接運用[2]。

1.2 變壓器故障

對于變壓器的分類可以根據用途、繞組電壓、結構以及輸入和輸出的箱數、冷卻方式、調壓方式等進行劃分，本文就主要分析根據相數分類以及絕緣材料分類、冷卻方式分類介紹變壓器的分類，對于變壓器相數分類可簡單的劃分為單相變壓器、三相變壓器、多相變壓器三類，對于材料分類可劃分為浸漬式（礦物油變壓器、合成油變壓器、B液變壓器）和干式（包封式變壓器、非包式變壓器），對于冷卻方式可劃分為油浸（油浸子冷、油浸風冷、強油水冷、強油風冷）和干式變壓器（干式子冷、干式風冷）。

1.3 變壓器故障分析

變壓器的故障較多，根據不同的分類法可劃分為不同的故障，根據故障出現的區域可劃分為內部故障和外部故障，對于故障的性質可劃分為局部過熱、低能量放電、老化等。以故障發生的時間來分析，可將其分為突發性故障和慢性故障。本文主要針對變壓器故障特性進行分析，在變壓器故障的種類進行分類可將這些故障分為高溫過熱故障、中低溫過低故障及高能量放電故障等，如從故障的發生現象進行區分可將變壓器故障分為溫度故障和電性故障。

1.3.1 熱性故障

據有關資料顯示，在檢查360臺故障變壓器時，發現有234臺變壓器是存在過熱故障的、整體故障率為62.3%，有68臺變壓器具有高能量放電故障、整體故障率為17.9%，有42臺是存在有過熱兼高能量放電故障、整體故障率為9.8%，有28臺是存在火花放電故障的、整體故障率為7.2%，剩余的2.1%是存在局部放電故障及受潮放電故障的。通過一些數據可總結出，在變壓器的各種故障中占比最高的是存在熱性故障的變壓器。

在變壓器正常運轉過程中，會伴有由變壓器金屬結構件、鐵芯、繞組等部件所產生的負載損耗及空載損耗；當這些損耗全部轉化成熱量后，有一部分會使結構件、鐵芯、繞組等主要部件的溫度過高，剩余的部分則會散發到周圍的變壓器油、絕緣物等介質中，從而提高發熱體周圍介質的溫度，同時會利用冷卻裝置及油箱等設備來將熱量散布到周圍的環境空氣中。當各部分的溫度可達到散出的熱量平衡于產生的熱量這一狀態時，就是所說的熱平衡狀態，那么各部件的溫度就會保持在一定值上；與之相反的情況時就無法達到熱平衡狀態，從而導致變壓器的某一部位出現熱故障現象。

1.3.2 電性故障

一般在電場強度較高電壓下就會發生電性故障，按照能量密度的不同可把變壓器的電性故障分成局部放電故障、低能量的火花放電故障和高能量的電弧放電故障：在出現高能量電弧放電故障時，會直接燒壞或擊穿絕緣體；火花放電故障屬于是一種最為常見的間歇性放電故障，局部放電所釋放的能量值是最小的，這種放電所釋放出來的能力和兩極擊穿方面所釋放的能量數值相同。在發生局部放電現象時會伴隨著產生一些熱效應現象，這是電子轟擊所產生的，能量處在1～1eV范圍內。

電弧放電別稱高能量放電，通常可觀察到繞組段間、層間或匝間出現擊穿并燒壞絕緣的現象，此外還會伴有多類故障，如分接開關飛弧、對地閃絡、引線斷裂等，由于沒有任何先兆且大部分都是瞬間爆發，所以很難實現精準預測；在發生高能量放電故障時通常都會產生大量的乙炔和氫氣；CH4與C2H4緊隨其后。因為故障是突然發生的，所以產生的氣體會直接進入到氣體繼電器中，根本來不及溶解在變壓器油里?？煽偨Y出，故障的發生位置及持續時間將對變壓器油中的氣體含量造成直接影響。

火花放電別稱低能量放電，引線接觸有問題、分解開關插拔電位懸浮電位、不穩定的鐵芯接地、導線連接處、套管儲油柜對電位未固定的套管導電桿、引線等都是最易發生低能量放電的位置。由于故障所產生的能量值較低，所以并不會產生過多的烴類氣體，同樣是以氫氣和乙炔為主要的特征氣體。

2 基于網絡模型的變壓器故障診斷

2.1 網絡模型的變壓器故障診斷意義分析

電力變壓器是電網的核心設備，變壓器發生故障將會直接影響電網運行，嚴重時甚至會出現爆炸，變壓器故障診斷的作用主要用于判斷設備的狀態及對故障的性質進行分析，神經網絡能將輸入樣本進行有效的分類處理，將神經網絡在變壓器故障診斷過程中發揮關鍵性作用，能夠全面提升變壓器的穩定性以及安全性。

2.2 BP網絡設計

2.2.1 BP網絡參數設計

輸入向量的確定，在案例中輸入階段和正常模式的維數相似，基于變壓油中溶解氣體H2、CH4、C2H4、C2H2含量的具體數據，將其視為輸入特征向量，從而判定變壓器故障。在輸入向量時，如輸入太少的向量將很難實現對變壓器故障的分析，如輸入太多的向量就導致網絡的收斂性降低。值得提出的是網絡對于較小的數據敏感性不足，對于一部分較為重要的特性獲取難度較大，導致精度不能達到實際的水平，并導致樣本的輸入空間較大，網絡只有達到標準化規定的泛化能力才能實現樣本數的提升，同時網絡規模才能有所提升，進而影響正常訓練和診斷。

針對于網絡輸出字節這種故障，輸出向量中使用正常、中低溫過熱、高溫過熱、低能量放電及高能量放電等五個輸出神經元為主?；贚OGSIG函數的特點，如果輸出值在0～1，也就是故障的程度，數值越接近1故障程度越嚴重。

網絡層設計，為了證明三層的BP網絡可在任意的精度接近非線性的物理對象，增加層數最根本的目的就是降低誤差，但是網絡的結構會更加復雜。因此在一般的模式下，需要使用最少的網絡層數構建神經網絡，本次研究選擇三層網絡。

表1 網絡輸出字節故障表

2.2.2 隱層節點數設計

2.2.3 訓練樣本集的設計

因為變壓器油中的氣體分析法是診斷和處理充油電氣設備最常用的一種方法，所以需選擇充油中的溶解氣體的含量作為本次網絡輸入特征的向量。訓練樣本的收集工作本身就是一件非常復雜的工作內容，當此項工作執行效果不佳時會出現網絡映射錯誤的情況，導致網絡學習過程存在問題。

樣本首先需代表性，樣本本身需全面體現出輸入及輸出關系，樣本故障的占比需和實際變壓器的故障占比相同。例如在變壓器故障的診斷過程中故障的發生率高，通過這種方式就能收集到一些有用的樣本。對于訓練樣本的收集需做到學習過程的收斂，較為復雜，樣本需具有代表性和廣泛性及緊湊性。根據故障變壓器的色譜進行統計數據，選出故障的類型后進行訓練。選擇15組數據作為測試的樣本，將變壓器當中的氣體含量的百分比作為網絡的輸入量和期望值。

2.3 各種訓練算法比較

針對于函數逼近網絡而言，LM算法的收斂情況是最好的，同時速度也是最快的，如要求的精確度較高優點更加明顯，在很多時候使用LM算法訓練函數可得到更小的誤差，但在網絡權值不斷提升時TRINLM的優點將會降低，對于TRAINLM模式的識別等相關問題的處理能力就會受到影響。通過RPROP的算法訓練函數TRAIRP速度最快，這一點算法所需要的儲存空間更低，對于SCG算法在網絡較大的模式中具有良好的性能，識別模式和PRPOP一致，但性能更加優秀、對于空間的儲存需求更低，但是運算量會因為網絡的大小出現大量的增加。BFGS算法和LM算法相似，需要的空間更小，但運算量會因為網絡大小的增加出現大量的增長，在特定情況下收斂速度變慢反而會得到更好的效果，所以本文基于彈性的BP算法訓練網絡[3]。

表2 訓練樣本故障表

表3 訓練算法表

表4 網絡診斷表

2.4 仿真結果分析

對于BP網絡中十五組檢測數據的結果如表4所示，從中可了解到BP網絡的診斷方法具有較高的故障識別和分類能力，準確率較高達到了80%。

綜上，本文介紹了BP網絡的概念以及結構和算法的原理，設計了相應的方案，針對于不同隱層神經元數量對神經網絡訓練性能的影響進行了分析，通過不同方法的比較，尋找到性能變現最佳的隱層神經元數量為10，通過比較BP算法和其他算法之間的優、劣勢確定了本次的算法為彈性的BP網絡算法，進行仿真實驗、得到結果，本次診斷的正確率也達到了80%。