郝曉強(qiáng)　顏士遠(yuǎn)

摘 要：變壓器故障征兆和故障類型具有一定的非線性特征，需要結(jié)合一定的故障診斷技術(shù)進(jìn)行判斷。而就目前來(lái)看，除了使用油中氣體分析法，基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷技術(shù)也可以用于診斷變壓器故障。因此，文章對(duì)基于神經(jīng)網(wǎng)絡(luò)的故障診斷原理進(jìn)行了闡述，并對(duì)基于BP神經(jīng)網(wǎng)絡(luò)和基于概率神經(jīng)網(wǎng)絡(luò)的兩種故障診斷技術(shù)展開(kāi)了分析和比較，以便為關(guān)注這一話題的人們提供參考。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；變壓器；故障診斷技術(shù)

引言

從國(guó)內(nèi)外研究情況來(lái)看，變壓器診斷系統(tǒng)的數(shù)學(xué)模型的獲取問(wèn)題一直是研究難題。而現(xiàn)階段研究變壓器故障診斷的技術(shù)有多種，包含了模糊理論方法、人工智能技術(shù)、在線監(jiān)測(cè)技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)等等。相比較而言，神經(jīng)網(wǎng)絡(luò)具有非線性映射、自適應(yīng)和并行處理等優(yōu)點(diǎn)，更適用于研究變壓器故障的非線性關(guān)系，所以在一定程度上得到了應(yīng)用。因此，有必要對(duì)基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷技術(shù)展開(kāi)研究，以便更好地應(yīng)用該技術(shù)開(kāi)展相關(guān)工作。

1 基于神經(jīng)網(wǎng)絡(luò)的故障診斷原理

在故障診斷方面，神經(jīng)網(wǎng)絡(luò)方法的運(yùn)用可以完成變壓器油中溶解氣體數(shù)據(jù)中的隱含診斷規(guī)律的獲取，所以不需要利用變壓器故障診斷的相關(guān)知識(shí)。同時(shí)，根據(jù)實(shí)際變壓器的油中溶解氣體數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行自適應(yīng)調(diào)整。因此，可以利用神經(jīng)網(wǎng)絡(luò)完成對(duì)變壓器狀態(tài)的監(jiān)測(cè)，并對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析和處理，繼而了解被監(jiān)測(cè)對(duì)象的運(yùn)行狀態(tài)或故障原因。而就目前來(lái)看，很多神經(jīng)網(wǎng)絡(luò)都可以在變壓器故障診斷中應(yīng)用[1]。所以，只有通過(guò)分析和比較才能找到一種相對(duì)優(yōu)秀的神經(jīng)網(wǎng)絡(luò)，繼而使變壓器故障診斷的準(zhǔn)確率得到提高。

2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷技術(shù)分析

2.1 基于概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷

概率神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡(jiǎn)單和訓(xùn)練簡(jiǎn)潔的特點(diǎn)，可以利用自身強(qiáng)大非線性分類能力完成故障樣本空間的映射，繼而得到故障模型空間。而通過(guò)形成具有一定結(jié)構(gòu)自適應(yīng)能力和較強(qiáng)容錯(cuò)能力的診斷網(wǎng)絡(luò)系統(tǒng)，則可以使故障診斷的準(zhǔn)確率得到提高。

2.1.1 故障確定網(wǎng)絡(luò)的輸入和輸出

在建立概率神經(jīng)網(wǎng)絡(luò)模型時(shí)，想要正確地反映問(wèn)題特征就要先準(zhǔn)確選取輸入的特征向量。而變壓器潛伏性故障可以通過(guò)油中溶解氣體分析法反應(yīng)處理，同時(shí)改良三比值法在諸多診斷方法中有較高的判斷準(zhǔn)確率，所以，可以選取變壓器色譜試驗(yàn)的五種關(guān)鍵氣體的三比值法當(dāng)做是網(wǎng)絡(luò)輸入[2]。在輸出特征向量的選取方面，則可以將無(wú)故障、低能放電、低溫過(guò)熱、中溫過(guò)熱和高溫過(guò)熱等幾種故障模式當(dāng)做是輸出向量特征，并利用阿拉伯?dāng)?shù)字進(jìn)行故障的表示。

2.1.2 故障特征量的選擇

按照概率模型故障的特征選擇要求，需要使故障樣本包含最大故障信息量。所以，通過(guò)分析變壓器故障產(chǎn)生機(jī)理和故障信息傳遞關(guān)系，可以完成最能反映故障的特征量的選擇。而忽視一些關(guān)系較小的特征量，則能使概率神經(jīng)網(wǎng)絡(luò)的規(guī)模最小。在建立基于概率神經(jīng)網(wǎng)絡(luò)的故障診斷模型時(shí)，需要以改良三比值法為基礎(chǔ)。具體來(lái)講，就是采用61*4維的矩陣作為數(shù)據(jù)。而矩陣中的前三列為改良三比值法數(shù)值，第四列為故障類別，即分類輸出。同時(shí)，需要將故障樣本分成是測(cè)試樣本和訓(xùn)練樣本兩種，以便對(duì)模型的分類效果進(jìn)行驗(yàn)證。但在實(shí)際的變壓器故障中，由于大部分故障為高溫過(guò)熱故障，所以需要先按照實(shí)際故障比例完成樣本的抽取，從而確定訓(xùn)練輸入樣本。此外，網(wǎng)絡(luò)模型應(yīng)該包含三個(gè)輸入層和七個(gè)輸出層，并含有21各模式層，而每一個(gè)模式層對(duì)應(yīng)一個(gè)測(cè)試樣本。從傳遞函數(shù)上來(lái)看，中間層為徑向基傳遞函數(shù)，輸出層為競(jìng)爭(zhēng)傳遞函數(shù)[3]。最后，需要將所有樣本按照故障類型分類順序排列，以便使網(wǎng)絡(luò)訓(xùn)練效果更直觀。

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷

從基本思想上來(lái)看，BP神經(jīng)網(wǎng)絡(luò)可以通過(guò)反復(fù)修正訓(xùn)練數(shù)據(jù)求取隱出層的函數(shù)參數(shù)，并正向傳播學(xué)習(xí)信號(hào)和反向傳播修正信號(hào)，直至達(dá)到理想的效果。所以，利用BP算法可以解決模式識(shí)別問(wèn)題，并且實(shí)現(xiàn)以任意精度逼近任意連續(xù)函數(shù)，繼而在一定程度上確保診斷系統(tǒng)診斷的正確率和整體性。

2.2.1 輸入輸出特征向量的選取

利用氣相色譜技術(shù)可以完成油中溶有氣體的檢測(cè)，并分成甲烷、氫氣、乙炔和總烴四類。而根據(jù)四種氣體的濃度組成可以完成特征向量的設(shè)定，并表示為輸入矩陣形式。同時(shí)，可以根據(jù)特征氣體法描述完成變壓器故障類型的分類，然后表示成輸出矩陣。根據(jù)Sigmoid函數(shù)，可以確定輸出值在0～1之間，并根據(jù)最大隸屬度原則完成故障屬性的判斷。在數(shù)值越接近1時(shí)，就表示故障嚴(yán)重程度較大。而在故障小于0.5時(shí)，則可以認(rèn)為無(wú)此類故障產(chǎn)生。

2.2.2 訓(xùn)練參數(shù)的確定

在確定BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練參數(shù)時(shí)，需要遵循一定的原則。具體來(lái)講，就是樣本中的故障百分比需要與實(shí)際變壓器故障發(fā)生比率相當(dāng)，并且需要考慮變壓器型號(hào)、容量和運(yùn)行環(huán)境等因素，以便使樣本具有一定的廣泛性。同時(shí)，樣本還要具有一定的緊湊性，從而避免網(wǎng)絡(luò)學(xué)習(xí)過(guò)程收斂困難或不收斂的問(wèn)題出現(xiàn)，繼而避免網(wǎng)絡(luò)錯(cuò)誤映射。而B(niǎo)P網(wǎng)絡(luò)模型結(jié)構(gòu)應(yīng)為三層，可以任意精度逼近任何非線性物理對(duì)象。隨著層數(shù)的增加，精度也將得到提高，但是網(wǎng)絡(luò)也會(huì)過(guò)于復(fù)雜。所以，要盡可能使用最少的網(wǎng)絡(luò)層進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建，以便更加直觀的觀察和調(diào)整訓(xùn)練效果。最終，可以確定BP網(wǎng)絡(luò)結(jié)構(gòu)為三層，輸入層中含有三個(gè)神經(jīng)元，中間層含有十個(gè)神經(jīng)元，輸出層含有七個(gè)神經(jīng)元。從傳遞函數(shù)上來(lái)看，中間層與輸出層的傳遞選擇logsig函數(shù)，訓(xùn)練函數(shù)為trainlm，并且采用了優(yōu)化算法訓(xùn)練網(wǎng)絡(luò)，以便使訓(xùn)練過(guò)程保持穩(wěn)定。

2.3 概率網(wǎng)絡(luò)模塊與BP網(wǎng)絡(luò)模塊的仿真

利用MATLAB完成概率神經(jīng)網(wǎng)絡(luò)的創(chuàng)建后，可以在仿真過(guò)程中對(duì)SPREAD多次取值，以便通過(guò)查看分類效果確定SPREAD的值。觀察訓(xùn)練效果可以發(fā)現(xiàn)，40組訓(xùn)練樣本中只有4組樣本出錯(cuò)，訓(xùn)練時(shí)間也較快，所以可以將概率網(wǎng)絡(luò)用于診斷變壓器故障。而為了對(duì)概率神經(jīng)網(wǎng)絡(luò)的泛化能力進(jìn)行驗(yàn)證，則需要利用MATLAB開(kāi)展概率神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的仿真對(duì)比實(shí)驗(yàn)。具體來(lái)講，就是利用相同數(shù)據(jù)樣本進(jìn)行BP網(wǎng)絡(luò)的訓(xùn)練和測(cè)試，然后對(duì)二者的訓(xùn)練效果進(jìn)行對(duì)比。從訓(xùn)練時(shí)間和預(yù)測(cè)準(zhǔn)確率角度來(lái)看，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間超過(guò)了2秒，概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間不足0.5秒。同時(shí)，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率為76%左右，概率神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率為約為81%。由于存在諸多不穩(wěn)定因素，利用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)需要經(jīng)過(guò)反復(fù)訓(xùn)練，并且無(wú)法保證訓(xùn)練的全局最優(yōu)性[4]。因此，相較于BP神經(jīng)網(wǎng)絡(luò)，概率神經(jīng)網(wǎng)絡(luò)顯然在變壓器故障診斷方面具有更大的優(yōu)勢(shì)。

3 結(jié)束語(yǔ)

總而言之，變壓器故障具有復(fù)雜的現(xiàn)象和一定的不確定性，故障的判斷需要采用油中溶解氣體的色譜分析技術(shù)和基于神經(jīng)網(wǎng)絡(luò)的故障診斷技術(shù)。而基于概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷技術(shù)是較為實(shí)用的技術(shù)，在故障診斷方面具有一定的非線性分類能力和泛化能力，因此可以得到更好的應(yīng)用。

參考文獻(xiàn)

[1]龔瑞昆，馬亮，趙延軍，等.基于量子神經(jīng)網(wǎng)絡(luò)信息融合的變壓器故障診斷[J].電力系統(tǒng)保護(hù)與控制，2011，23：79-84+88.

[2]王杉，苑津莎，張衛(wèi)華.基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].黑龍江科技信息，2011，29：40-41.

[3]任靜，黃家棟.基于免疫RBF神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].電力系統(tǒng)保護(hù)與控制，2010，11：6-9+14.

[4]楊志超，張成龍，吳奕，等.基于粗糙集和RBF神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究[J].電測(cè)與儀表，2014，21：34-39.