基于PSO優化RBF的干式變壓器絕緣狀態監測研究

摘 要：為提高干式變壓器絕緣狀態監測的準確性，保障電力系統的安全運行，本文對基于PSO優化RBF的干式變壓器絕緣狀態進行監測研究。首先，啟動數據采集裝置，采集干式變壓器絕緣狀態數據，其次，構建RBF神經網絡模型，對干式變壓器絕緣狀態進行預測或分類，最后，在此基礎上，利用PSO對RBF神經網絡模型進行優化，將優化后的神經網絡模型部署到干式變壓器絕緣狀態監測系統中，輸出絕緣狀態監測結果。試驗結果表明，應用該方法后，結果準確性更高，能夠更加精確地監測干式變壓器實際的絕緣狀態指標值，進而識別不同類型的故障狀態。

關鍵詞：神經網絡模型；干式變壓器；絕緣狀態；神經網絡模型

中圖分類號：TM 40 " " " " " 文獻標志碼：A

干式變壓器由鐵芯、繞組、分接調節、散熱和絕緣系統構成，其中，絕緣系統是安全運行的關鍵。在長期運行中，絕緣材料易受老化、熱老化、濕老化等影響，導致絕緣強度降低，增加擊穿風險。因此，監測干式變壓器絕緣狀態，對預防故障、保障電網安全至關重要。

目前，國內外學者在電力變壓器絕緣狀態監測與評估領域進行了廣泛研究，并取得了一系列重要成果。例如，文獻[1]提出利用熵權層次法，測量變壓器繞組之間或繞組對地的絕緣電阻值，判斷絕緣狀態。該方法只能反映變壓器在某個時刻的絕緣電阻值，無法實時監測絕緣狀態的變化。文獻[2]提出可以利用知識圖譜檢測變壓器內的局部放電的強度，但用這種方式只能判斷絕緣電阻值的大小，而無法判斷局部放電等潛在隱患。因此本文對基于PSO優化RBF的干式變壓器絕緣狀態進行監測研究。

1 干式變壓器絕緣狀態數據采集

需要明確需要采集的絕緣狀態數據類型，根據干式變壓器的型號、規格和運行環境，確定數據采集的精度和頻率要求[3-4]。根據干式變壓器絕緣狀態數據采集目標和設備特點，制定詳細的數據采集方案，干式變壓器絕緣狀態數據采集計劃見表1。

按照采集方案，在干式變壓器上布置傳感器和數據采集裝置，保證傳感器與變壓器接觸良好，數據采集裝置安裝穩固。啟動數據采集裝置，開始實時采集干式變壓器的絕緣狀態數據。在此基礎上，按照圖1的數據存儲方式存儲數據。

如圖1所示，當連續追蹤狀態參數時，每當分析單元接收到來自CAN總線的同步信息（信息涵蓋工況同步信號與異常事件同步信號），就會立即自動記錄并保存這些同步信號出現前后一段時間內的采樣數據，以備后續進行深入地分析和研究[5]。

2 構建RBF神經網絡模型

在干式變壓器絕緣狀態數據采集完畢后，構建RBF神經網絡模型。RBF神經網絡作為一種三層前饋神經網絡架構，包括輸入層、隱藏層和輸出層。RBF神經網絡模型結構如圖2所示。

根據干式變壓器絕緣狀態監測實際需求，確定輸入層神經元的數量，通常為特征的維度[6]。利用激活函數確定RBF神經網絡的隱藏層神經元，如公式（1）所示。

（1）

式中：r為輸入向量與中心向量之間的歐氏距離；σ為高斯函數的寬度。

在RBF神經網絡中，每個隱藏層節點都有一個對應的中心位置，選擇訓練數據集中的一些點作為中心即可[7]。在此基礎上，將模型輸出層的初始化權重設置為較小的隨機數，對RBF神經網絡進行迭代訓練，使網絡輸出與實際輸出之間的誤差最小化[8]。分別計算RBF神經網絡模型隱藏層輸出與輸出層輸出，計算過程如公式（2）、公式（3）所示。

hi=?（||x-ci||） （2）

（3）

式中：hi為第i個隱藏層節點的輸出；ci為第i個隱藏層節點的中心向量；y為網絡輸出；wi為第i個隱藏層節點到輸出層節點的權重；M為隱藏層節點數。將訓練好的RBF神經網絡模型應用于實際問題中，然后進行干式變壓器絕緣狀態預測或分類等任務。

3 基于PSO優化RBF的干式變壓器絕緣狀態監測

上述RBF神經網絡模型構建完畢后，在此基礎上，利用PSO對RBF神經網絡模型進行優化，將優化后的神經網絡模型部署到干式變壓器絕緣狀態監測系統中，實時接收傳感器數據，并輸出絕緣狀態監測結果。

在參數空間內隨機初始化一組粒子，每個粒子都代表RBF神經網絡的一組潛在參數配置。訓練這些粒子所對應的RBF神經網絡模型，并通過特定的適應度函數計算每個粒子的性能表現。將適應度計算用于后續的優化過程，計算過程如公式（4）所示。

（4）

式中：fit（i）為第i個粒子在t次迭代中的適應度值；為預測值；yj為實測值；n為數據點的數量。

根據粒子的當前位置、歷史最優位置和全局最優位置，利用PSO算法的更新公式調整粒子的速度和位置。計算過程如公式（5）、公式（6）所示。

vi（t+1）=??vi（t）+c1?r1（pi-xi（t））+c2?r2（g-xi（t）） （5）

xi（t+1）=xi（t）+vi（t+1） （6）

式中：vi（t+1）為粒子i在下一次迭代中的速度；vi（t）為粒子i在當前迭代中的速度；?為慣性權重，控制粒子保持當前速度的趨勢；c1、c2均為學習因素；r1、r2是在[0，1]均勻分布的隨機數，用于增加搜索的隨機性；pi為粒子i到目前為止找到的最好位置；g為整個粒子群到目前為止找到的全局最好位置；xi（t）為粒子i在當前迭代中的位置；xi（t+1）為粒子i在下一次迭代中的位置。

利用上述公式，引導粒子向更優的解空間移動。在此基礎上，重復上述步驟，直至滿足優化后RBF神經網絡模型的迭代次數，記錄全局最優解，即最優的RBF神經網絡參數。將上述采集到的絕緣狀態數據輸入RBF神經網絡模型中，根據輸入數據計算并輸出絕緣狀態的監測結果。在此基礎上，采用專家評分方法，計算干式變壓器絕緣狀態監測結果評價因素的隸屬度，計算過程如公式（7）所示。

（7）

式中：x為評價因素指標的隸屬度；xk為專家對指標的評分值；n為參加評定的專家總人數。為了避免專家評分結果存在主觀因素，結合半梯形和三角形的隸屬函數，對監測結果作出進一步評判，隸屬度函數分布如圖3所示。

根據圖3，初步確定干式變壓器的絕緣狀態。在此基礎上，計算干式變壓器的極化指數，利用公式（8）進一步準確評估變壓器的絕緣狀態。

（8）

式中：I1、I2分別為高壓側和低壓側的極化電流；U為直流電壓值。根據極化指數與干式變壓器絕緣狀態對應的關系，進一步得出絕緣狀態監測評估結果，見表2。

當監測到絕緣狀態異常時，系統應立即發出預警信號，以便及時采取措施進行干預，避免絕緣故障導致的重大事故。

通過以上流程，基于PSO優化RBF的干式變壓器絕緣狀態監測方法能夠對絕緣狀態進行準確監測和及時預警，為電力系統的安全運行提供有力保障。

4 試驗分析

4.1 試驗準備

選取來自不同電廠、變電站及工業用戶的干式變壓器作為試驗樣本，覆蓋不同的運行年限、負載情況、環境條件以及維護歷史，保證樣本的多樣性和代表性。試驗樣本為100臺，狀態分類見表3。

為每臺變壓器安裝專用的傳感器和數據采集系統，實時采集與絕緣狀態相關的多個參數。根據變壓器的歷史記錄、現場檢測結果及專家判斷，為每個樣本打上相應的標簽（正常或故障）。在此基礎上，應用本文提出的監測方法，對其進行試驗測試。

4.2 監測結果分析

為了清晰直觀地比較試驗效果，將本文提出的監測方法設置為試驗組，將文獻[1]和文獻[2]的兩種傳統監測方法分別作為對照組A和對照組B，對其進行對比分析。應用3種方法，對選取的干式變壓器樣本進行絕緣狀態監測，監測樣本絕緣電阻值與介質損耗因數，將監測結果與實際值進行對比，判定方法的可行性。對比結果分別如圖4、圖5所示。

通過對比結果可以看出，本文方法（基于PSO優化RBF神經網絡）在多數樣本上的準確性更高。

5 結語

綜上所述，干式變壓器絕緣狀態的監測研究對維護電網安全穩定運行方面很重要。隨著技術的不斷進步，本文研究不僅能對干式變壓器絕緣性能進行高精度監測，還能在數據分析與處理方面取得突破，為潛在的故障風險提供更早、更準確地預警。這項成果不僅增強了電力系統的可靠性，也為電力行業的安全運營與管理提供了堅實的技術支撐，對保障廣大用戶的安全用電具有深遠的影響。

參考文獻

[1]李波，張文乾，劉維，等.基于熵權層次法的油浸式變壓器絕緣狀態評價[J].電力工程技術，2023，42（4）：223-230.

[2]崔焱，李學齡，李曉彬.基于知識圖譜的電力變壓器絕緣故障監測方法[J].微型電腦應用，2023，39（4）：205-208.

[3]郝艷，咸日常，冷學冰，等.基于電壓、電流不平衡度差值的干式變壓器匝間短路故障識別方法[J].電力系統保護與控制，2023，51（4）：12-21.

[4]郝艷，咸日常，胡玉耀，等.基于場-路耦合有限元法的干式變壓器匝間短路暫態特性研究[J].南方電網技術，2023，17（6）：90-98.

[5]趙躍，冷威，林琴，等.基于三維熒光的變壓器絕緣油絕緣狀態監測技術研究[J].絕緣材料，2022，55（12）：87-91.

[6]馮忠奎，劉廣，崔炎，等.基于振動信號的干式變壓器狀態監測與故障診斷系統研究[J].電子測試，2022，36（12）：111-113.

[7]楊志，黃雯利，趙麗娟.光纖傳感技術在油浸式電力變壓器狀態監測應用的研究進展 [J].高壓電器，2023，59（6）：137-146.

[8]余浩，黃彥欽，尹鈞毅，等.基于介電響應特性的油浸式電力變壓器絕緣狀態評估研究進展[J].電氣工程學報，2020，15（4）：1-17.