張寶全， 馬雅麗， 關(guān) 睿， 白詩婷， 李 靜， 胡偉濤， 徐志鈕

(1.國網(wǎng)河北省電力有限公司檢修分公司， 石家莊 050011； 2. 華北電力大學(xué)電氣與電子工程學(xué)院， 保定 071003)

絕緣油絕緣性能優(yōu)異，同時又具有一定的散熱功能，從而延緩絕緣老化速度，在大型電氣設(shè)備經(jīng)常采用油作為其內(nèi)絕緣材料。因此，充油電氣設(shè)備在電力系統(tǒng)中應(yīng)用廣泛。通常來說設(shè)備的壽命取決于其絕緣的壽命，內(nèi)絕緣在長期電壓、溫升等作用下會逐漸老化發(fā)生故障，如何預(yù)警故障、避免停電的發(fā)生非常重要。

在充油電氣設(shè)備的諸多診斷方法中，油中溶解氣體分析方法(又稱油色譜方法)[1]由于能有效檢測各種程度的過熱、局部放電和局部的火花和電弧放電故障，同時檢測時無需停電、便于在線監(jiān)測，尤其對于局部、慢性、潛在性缺陷的檢測非常有效，在電力設(shè)備預(yù)防性試驗規(guī)程中排名第一。在采用氣相色譜儀測得充油電氣設(shè)備中故障特征氣體濃度后如何根據(jù)特征氣體濃度檢測故障類型成了關(guān)鍵問題。早期的特征氣體法根據(jù)特征氣體濃度和占比來判斷故障類型，該方法比較直觀、方便，但缺乏量化，要求使用者具有較好的油色譜故障診斷經(jīng)驗。為了提高診斷方法的易用性，國際電工委員會(international electrotechnical commission, IEC)在熱力動力原理和實踐的基礎(chǔ)上，從5種特征氣體中選擇3對溶解度和擴散系數(shù)比較相近的組成3對比值，根據(jù)比值確定編碼，根據(jù)編碼確定故障類型，目前最為常見的是改良IEC三比值法[2]。為了提高對充油變壓器導(dǎo)電回路和磁回路的鐵芯多點接地故障診斷的準確性，人們又提出了四比值法[2]。針對比值法可能存在的實際特征氣體無法找到編碼從而無法診斷故障的問題，中國學(xué)者杜洋提出了無編碼的比值法[3]，提高了基于油色譜的故障診斷準確性。以上比值法有效推動了充油電氣設(shè)備故障診斷的進步，但也存在診斷準確性不夠高、不能進一步利用長期實測得到的大量特征氣體濃度數(shù)據(jù)隱含的信息來提高故障診斷的準確性等問題。為了解決該問題，人們提出采用機器學(xué)習(xí)來提高故障診斷的有效性，有基于神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)[4-6]、粗糙集[7]、Petri網(wǎng)[8]、遺傳算法[9]、深度學(xué)習(xí)[10]、證據(jù)推理[11-12]、模糊數(shù)學(xué)[13]等方式，有效推動了充油電氣設(shè)備故障診斷的智能化，尤其是神經(jīng)網(wǎng)絡(luò)方法由于具有較好的自學(xué)習(xí)能力而被廣泛應(yīng)用。人們在網(wǎng)絡(luò)類型選擇[14-16]、訓(xùn)練性能提升[17-18]、網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化[19]、泛化能力增強[19]等方面進行了大量的研究，取得了長足的進步。但是現(xiàn)有用于充油電氣設(shè)備故障診斷的神經(jīng)網(wǎng)絡(luò)方法僅給出確定的故障診斷結(jié)果，不能給出診斷結(jié)果的可靠性。

為了解決這個問題，現(xiàn)借助神經(jīng)網(wǎng)絡(luò)理論指出即使針對同一組訓(xùn)練樣本，不同初始權(quán)值和閾值、訓(xùn)練算法和網(wǎng)絡(luò)結(jié)構(gòu)下輸出結(jié)果存在波動性，波動性的大小與網(wǎng)絡(luò)輸出的可靠性有關(guān)，多個網(wǎng)絡(luò)輸出的均值具有更小的誤差，采用對3次多項式的逼近演示了該規(guī)律?；诖_定的175個典型特征氣體樣本，基于自適應(yīng)修正網(wǎng)絡(luò)結(jié)構(gòu)的方式，采用多種典型算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，針對每種算法訓(xùn)練成功獲得10個多層前饋神經(jīng)網(wǎng)絡(luò)，然后采用訓(xùn)練得到的40個神經(jīng)網(wǎng)絡(luò)針對191個樣本進行故障診斷，驗證本文方法的有效性。

1 油色譜故障及診斷方法

1.1 油色譜故障診斷基礎(chǔ)

充油電氣設(shè)備在承受正常和過電壓下容易發(fā)生不同程度的過熱故障和不同類型的放電故障，過熱和放電導(dǎo)致絕緣油和紙分解產(chǎn)生故障特征氣體，特征氣體逐漸溶解于油中，隨著油循環(huán)逐漸擴散到其他區(qū)域，通過取油樣口獲得油樣后根據(jù)振蕩脫氣等方式獲得油中溶解的混合氣體，通過氣相色譜方式把故障特征氣體進行分離，最后通過傳感器檢測氣體濃度。由于故障類型和嚴重程度不同時油的產(chǎn)氣類型和速度不同[20]，這樣根據(jù)測量得到特征氣體的類型和濃度即可判斷故障類型。較之其他充油電氣設(shè)備的故障診斷方法，基于油色譜的診斷方法具有以下優(yōu)勢。

(1)非侵入式，常規(guī)方式無需在設(shè)備內(nèi)安裝傳感器。

(2)便于在線監(jiān)測，取油樣時無需要求設(shè)備停電。

(3)適合于對早期故障的監(jiān)測，早期的故障雖然不是很嚴重，但往往會使油中產(chǎn)生特征氣體，通過離線或在線檢測特征氣體就能實現(xiàn)對故障的早期預(yù)警。

1.2 油色譜故障診斷方法

由于鍵能越大則分解需要的能量就越大，因此，產(chǎn)生烴類氣體的不飽和度隨裂解能量密度即溫度的增加而增加[2]。根據(jù)熱力動力學(xué)模擬產(chǎn)生哈斯特曲線可知，隨著溫度的升高，C2H2、C2H4和H2的分壓比逐漸升高，CH4和C2H6的分壓比逐漸下降。這樣根據(jù)特征氣體的類型、濃度和比例就可以診斷充油電氣設(shè)備的故障，其中特征氣體法診斷規(guī)則如表1所示。

表1 特征氣體濃度與充油電氣設(shè)備內(nèi)部故障的關(guān)系

為了避免特征氣體法缺乏量化的不足，人們還提出了各種比值法，具體介紹可參考文獻[2]。

2 人工神經(jīng)網(wǎng)絡(luò)診斷及可靠性

2.1 多層前饋神經(jīng)網(wǎng)絡(luò)及訓(xùn)練算法

人工神經(jīng)網(wǎng)絡(luò)是一種模仿動物神經(jīng)網(wǎng)絡(luò)特征，進行分布式并行信息處理的算法模型，最為典型的多層前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

圖1 多層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of multilayer feedforward neural network

從數(shù)學(xué)角度上可以將多層前饋神經(jīng)網(wǎng)絡(luò)認為是一個映射。設(shè)一個單隱層的多層前饋神經(jīng)網(wǎng)絡(luò)輸入層、隱層和輸出層神經(jīng)元數(shù)量分別為M、N和L，則該映射用數(shù)學(xué)方式表示如下：

(1)

式(1)中：ω1ij和ω2jl分別為輸入層第i個神經(jīng)元到隱層第j個神經(jīng)元和隱層第j個神經(jīng)元到輸出層第l個神經(jīng)元的權(quán)值；φ1和φ2分別為隱層和輸出層神經(jīng)元的激活函數(shù)；θi為隱層第i個神經(jīng)元的閾值；[x1n,x2n, …,xMn]為第n個樣本的輸入數(shù)組；Fl為輸出層第l個神經(jīng)元針對第n個樣本的輸出。

涉及充油電氣設(shè)備故障診斷時就是實現(xiàn)從輸入特征氣體濃度或比例到故障類型的映射。由于理論上多層前饋神經(jīng)網(wǎng)絡(luò)具有逼近任意復(fù)雜映射的能力，因此它在充油電氣設(shè)備故障診斷中應(yīng)用最為廣泛。一般來說，隱層數(shù)量越多，隱層神經(jīng)元數(shù)量越多，則網(wǎng)絡(luò)的逼近(學(xué)習(xí))能力就越強，但網(wǎng)絡(luò)的泛化能力就越差，會影響診斷的準確性。所以隱層數(shù)量和隱層神經(jīng)元數(shù)量應(yīng)該在滿足訓(xùn)練誤差的要求下取最小值。而輸入層和輸出層神經(jīng)元數(shù)量分別由特征氣體數(shù)量和故障類型數(shù)量決定。一旦網(wǎng)絡(luò)結(jié)構(gòu)確定，剩下的關(guān)鍵問題就是采用優(yōu)化算法調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值，使針對訓(xùn)練樣本輸出結(jié)果的誤差小于一定值。網(wǎng)絡(luò)訓(xùn)練目標(biāo)從數(shù)學(xué)角度來說就是讓式(2)趨于最小化。

(2)

式(2)中：Q為訓(xùn)練樣本數(shù)量；εln為針對第n個樣本神經(jīng)網(wǎng)絡(luò)輸出層第l個神經(jīng)元輸出的目標(biāo)值。

其本質(zhì)上是一個非線性最小二乘問題，常規(guī)的反向傳播(back propagation，BP)算法采用誤差的一階梯度來修正網(wǎng)絡(luò)的權(quán)值和閾值[19]。設(shè)神經(jīng)網(wǎng)絡(luò)可調(diào)變量有K個，網(wǎng)絡(luò)可調(diào)變量的調(diào)整公式如式(3)所示。

(3)

式(3)中：ωi為神經(jīng)網(wǎng)絡(luò)第i個可調(diào)變量；k為迭代次數(shù)；η為學(xué)習(xí)步長。注意，ωi與式(1)中的ω1ij和ω2jk構(gòu)成相同的變量，即它們分別都構(gòu)成神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，只是為了表述方便，將下標(biāo)進行調(diào)整。

常規(guī)的BP算法計算速度慢、容易陷入局部極小點，為了提高學(xué)習(xí)能力則要求增加隱層神經(jīng)元數(shù)量，這容易使神經(jīng)網(wǎng)絡(luò)診斷的準確性下降。為了解決這一問題，提出了多種改進算法，典型的有RPROP算法[18]、共軛梯度法[21]以及基于二階梯度的擬牛頓法[21]和列文伯格-馬夸爾特法(Levenberg-Marquardt, LM)算法[17]。

采用RPROP算法[18]時，網(wǎng)絡(luò)可調(diào)變量的調(diào)整公式為

ωi(k+1)=ωi(k)+Δωi(k)，i=1, 2, …,K

(4)

式(4)中：Δωi為第i個可調(diào)變量的增量，可表示為

Δωi(k)=

(5)

Δi(k)=

(6)

采用共軛梯度法[21]訓(xùn)練時神經(jīng)網(wǎng)絡(luò)可調(diào)變量增量的調(diào)整公式為

(7)

式(7)中：β為共軛因子，表示為

(8)

采用擬牛頓法[21]訓(xùn)練時神經(jīng)網(wǎng)絡(luò)可調(diào)變量的調(diào)整公式為

W(k+1)=W(k)-H(k)-1G(k)

(9)

式(9)中:G為梯度向量，G=[G1,G2, …,GK]T；H為K×K的Hessian矩陣，Hij為其第i行、第j列元素；W為神經(jīng)網(wǎng)絡(luò)變量(權(quán)值和閾值)構(gòu)成的列向量，W=[ω1,ω2, …,ωK]。Gi和Hij表示為

(10)

(11)

為了防止步長調(diào)整過大，引入可變參數(shù)λ，LM算法網(wǎng)絡(luò)可調(diào)變量的調(diào)整公式為

W(k+1)=W(k)-(JTJ+λI)-1JTe[W(k)]

(12)

式(12)中：e為神經(jīng)網(wǎng)絡(luò)輸出誤差列向量，考慮到樣本數(shù)量為Q，則其元素數(shù)量為QL，e=[e1,e2, …,eSL]T；I為K階單位矩陣；J為Jacobian矩陣，Jij為其第i行、第j列元素，表示為

(13)

2.2 神經(jīng)網(wǎng)絡(luò)輸出的可靠性

(14)

式(14)中：σ為標(biāo)準差；m為與x維數(shù)一樣的向量。

如果采用該網(wǎng)絡(luò)對函數(shù)進行逼近[19, 22]，則有

(15)

式(15)中：φ(x,W)為待逼近的真實函數(shù)；p(x)為輸入樣本出現(xiàn)的概率密度。

網(wǎng)絡(luò)輸出的均值和方差[19]分別為

E(x,W)=φ(x,W)

(16)

V(x,W)=Lσ2

(17)

可見，輸出是給定輸入下的條件均值，采用同樣訓(xùn)練集訓(xùn)練得到不同神經(jīng)網(wǎng)絡(luò)輸出的均值作為最終的輸出能減少神經(jīng)網(wǎng)絡(luò)的誤差。神經(jīng)網(wǎng)絡(luò)輸出(診斷結(jié)果)的可靠性可以用不同神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的方差來衡量，方差越大則可靠性越低。這也容易理解，對于出現(xiàn)概率p(x)大的樣本，由于附近可用于學(xué)習(xí)的樣本數(shù)量多，不同實現(xiàn)方式下神經(jīng)網(wǎng)絡(luò)針對同一個樣本計算得到網(wǎng)絡(luò)的輸出結(jié)果會非常接近，這時輸出結(jié)果的可靠性也較高；對于出現(xiàn)概率p(x)小的樣本，由于可用于學(xué)習(xí)的樣本數(shù)量少，隨機性就偏大，輸出結(jié)果可靠性偏低。

以上的同樣訓(xùn)練集訓(xùn)練得到不同神經(jīng)網(wǎng)絡(luò)可以采用不同訓(xùn)練算法、隱層神經(jīng)元數(shù)量、初始權(quán)值和閾值的多層前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得。

下面以不同初始權(quán)值和閾值的多層前饋神經(jīng)網(wǎng)絡(luò)對3次多項式的學(xué)習(xí)效果來驗證以上分析。根據(jù)[x,y],y=x3,x=-3, -2.9, …, -1.8, 1.8, 1.9, …, 3對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元數(shù)量為3，利用RPROP算法訓(xùn)練，不同權(quán)值和閾值下訓(xùn)練得到10個神經(jīng)網(wǎng)絡(luò)。3次多項式、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，訓(xùn)練后網(wǎng)絡(luò)輸出結(jié)果及10個神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的均值如圖2所示。由圖2可知，對于訓(xùn)練樣本密集的-3≤x≤-1.8和1.8≤x≤3范圍內(nèi)訓(xùn)練得到不同神經(jīng)網(wǎng)絡(luò)的輸出非常接近，而對于沒有訓(xùn)練樣本的-1.8≤x≤1.8范圍內(nèi)多個神經(jīng)網(wǎng)絡(luò)的輸出差別較大，這也就意味著輸出的標(biāo)準差較大，而此時的輸出準確性偏低，實際上不同訓(xùn)練算法也有類似的結(jié)果。這也驗證了根據(jù)不同訓(xùn)練算法、隱層神經(jīng)元數(shù)量、初始權(quán)值和閾值訓(xùn)練得到多個網(wǎng)絡(luò)的輸出的標(biāo)準差可以判斷網(wǎng)絡(luò)輸出結(jié)果的可靠性。另外，10個網(wǎng)絡(luò)輸出結(jié)果的均值更加接近準確值，這也為后續(xù)減少診斷誤差指明了方向。

圖2 神經(jīng)網(wǎng)絡(luò)對y=x3的擬合效果Fig.2 Fitting results of y=x3 by ANNs

3 神經(jīng)網(wǎng)絡(luò)及訓(xùn)練

3.1 油色譜樣本

從現(xiàn)有文獻中選擇典型的175組故障特征氣體作為訓(xùn)練樣本，另外的191組樣本作為測試樣本，兩類樣本的統(tǒng)計如表2所示。由于公開發(fā)表文獻中低溫過熱故障偏少，所以用于訓(xùn)練和測試的樣本中該類型故障的樣本也偏少。

表2 不同故障類型的訓(xùn)練和測試樣本數(shù)量

3.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由于故障診斷用的特征氣體分別為H2、CH4、C2H6、C2H4和C2H2，故輸入神經(jīng)元數(shù)量為6。輸出為6種類型故障，即低溫過熱、中溫過熱、高溫過熱、局部放電、火花放電和電弧放電；故輸出層神經(jīng)元數(shù)量也為6?？紤]到訓(xùn)練樣本的數(shù)量以及分布，同時考慮到訓(xùn)練算法的性能以及為了使訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)具有更好的診斷準確性，努力壓縮隱層神經(jīng)元的數(shù)量和個數(shù)，經(jīng)過不斷嘗試隱層數(shù)量選擇1，隱層神經(jīng)元數(shù)量選擇18～22。隱層和輸出層神經(jīng)元的激活函數(shù)分別為sigmoid函數(shù)和線性函數(shù)?？紤]到實際情況下特征氣體濃度可能會在很大范圍內(nèi)變化，故用于訓(xùn)練的輸入數(shù)據(jù)為每種氣體濃度與總氣體濃度的比值。對于輸出結(jié)果，如果屬于該類故障則對應(yīng)的神經(jīng)元應(yīng)該輸出為1，其他神經(jīng)元應(yīng)該輸出為0。

3.3 訓(xùn)練結(jié)果

訓(xùn)練目標(biāo)的均方誤差為0.01，采用自適應(yīng)修正網(wǎng)絡(luò)結(jié)構(gòu)方式，即初始隱層神經(jīng)元數(shù)量為18，如果5次訓(xùn)練仍不收斂，則隱層神經(jīng)元數(shù)量加1，直至滿足訓(xùn)練目標(biāo)。如果隱層神經(jīng)元數(shù)量大于22，則設(shè)置初始隱層初始神經(jīng)元數(shù)量為18后重新開始計算，重復(fù)直至訓(xùn)練得到滿足要求的神經(jīng)網(wǎng)絡(luò)。最后針對4種算法成功訓(xùn)練得到10個神經(jīng)網(wǎng)絡(luò)。

4種訓(xùn)練算法的均方誤差隨迭代次數(shù)的變化如圖3所示。針對每種類型的訓(xùn)練樣本，每種訓(xùn)練算法得到10個神經(jīng)網(wǎng)絡(luò)診斷準確性的均值如表3所示。除了低溫過熱樣本診斷準確性略低外，其他故障診斷準確性足夠高，這表明訓(xùn)練得到網(wǎng)絡(luò)較好地學(xué)習(xí)到了訓(xùn)練樣本中隱含的故障診斷規(guī)則。注意，輸出層6個神經(jīng)元的輸出中，與1最為接近神經(jīng)元的輸出被診斷為該神經(jīng)元對應(yīng)的故障。表4所示為針對所有訓(xùn)練樣本，4種訓(xùn)練算法得到神經(jīng)網(wǎng)絡(luò)診斷準確性的均值和10個神經(jīng)網(wǎng)絡(luò)輸出均值對應(yīng)的故障診斷準確性。由表4可知，不同算法訓(xùn)練得到網(wǎng)絡(luò)診斷準確性的平均值比較接近，基本在97.66%～98.4%范圍內(nèi)變化。通過對10個神經(jīng)網(wǎng)絡(luò)的輸出取平均值，診斷的準確性得到了提高，達到了98.86%～100%，4種算法訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)的診斷準確性也比較接近。對10個網(wǎng)絡(luò)輸出求平均后，診斷的準確性提高了0.91%～1.89%，均值為1.26%。以上結(jié)果有效驗證了采用同樣訓(xùn)練集，不同權(quán)值和閾值、網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練得到不同神經(jīng)網(wǎng)絡(luò)輸出的均值作為最終的輸出能減少神經(jīng)網(wǎng)絡(luò)的診斷誤差。

以上4種算法成功訓(xùn)練完成一個神經(jīng)網(wǎng)絡(luò)需要的時間分別為137.52、718.44、127.32、113.15 s。由此可見，RPROP算法、擬牛頓法和LM算法的訓(xùn)練時間非常接近，而共軛梯度法的訓(xùn)練時間為其他3種算法的6倍左右。

圖3 訓(xùn)練誤差與迭代次數(shù)的關(guān)系Fig.3 Change of error with iteration number

表3 采用不同算法得到神經(jīng)網(wǎng)絡(luò)針對訓(xùn)練樣本的故障診斷準確性

表4 常規(guī)神經(jīng)網(wǎng)絡(luò)方法和本文提出神經(jīng)網(wǎng)絡(luò)方法針對訓(xùn)練樣本的故障診斷準確性

4 實際案例驗證

經(jīng)過嘗試采用式(18)來實現(xiàn)神經(jīng)網(wǎng)絡(luò)輸出(診斷結(jié)果)可靠性指標(biāo)R的計算，該指標(biāo)越接近于1，則診斷結(jié)果的可靠性越高。

R=exp(-2σ1)

(18)

式(18)中：σ1為輸出結(jié)果的標(biāo)準差。

對于每種算法訓(xùn)練完成的10個神經(jīng)網(wǎng)絡(luò)，針對測試樣本診斷準確性均值如表5所示，把10個神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果求平均得到不同訓(xùn)練算法對應(yīng)網(wǎng)絡(luò)診斷準確性以及10個神經(jīng)網(wǎng)絡(luò)診斷準確性的均值如表6所示。表5中對于低溫過熱故障各種算法訓(xùn)練得到網(wǎng)絡(luò)的診斷準確性均不高，這是因為低溫過熱故障的樣本較少，訓(xùn)練樣本過少不能有效學(xué)習(xí)到對應(yīng)的診斷規(guī)則。對于局部放電和火花放電網(wǎng)絡(luò)的診斷準確性也不是很高，這可能是因為這些故障對應(yīng)的訓(xùn)練樣本不能對理論(測試)樣本空間進行很好的覆蓋，導(dǎo)致訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)不能有效學(xué)習(xí)到故障診斷規(guī)則所致。隨著后期有效的訓(xùn)練樣本的增加，故障診斷的準確性有望進一步提高。

由表6可知，不同算法訓(xùn)練得到網(wǎng)絡(luò)診斷準確性的平均值比較接近，基本在86.81%～89.21%范圍內(nèi)變化。通過對10個神經(jīng)網(wǎng)絡(luò)的輸出取平均值，診斷的準確性得到了提高，達到了88.48%～92.15%。即對輸出求平均后診斷的準確性提高了1.68%～3.82%，均值為2.57%。以上結(jié)果有效驗證了第2節(jié)提到的采用同樣訓(xùn)練集訓(xùn)練得到不同神經(jīng)網(wǎng)絡(luò)輸出的均值作為最終的輸出能減少神經(jīng)網(wǎng)絡(luò)的診斷誤差。

下面用2個典型測試樣本及結(jié)果進一步展示本文方法的效果。2個典型樣本的故障特征氣體濃度如表7所示，樣本1[23]是針對遼寧某發(fā)電廠1號主變壓器型號為SFPS-120000/220的油色譜數(shù)據(jù)，樣本2[22]為針對直屬某電廠500/220 kV聯(lián)絡(luò)變壓器，C相，型號為ODFPSZ-120000/500的油色譜數(shù)據(jù)。其中樣本1多個神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果一致，為診斷可靠性較高的情況；樣本2為多個神經(jīng)網(wǎng)絡(luò)輸出結(jié)果差別較大，半數(shù)及以上神經(jīng)網(wǎng)絡(luò)出現(xiàn)誤診斷的情況，為單一神經(jīng)網(wǎng)絡(luò)診斷可靠性較低的情況。樣本1和樣本2典型測試樣本網(wǎng)絡(luò)輸出的范圍、均值、標(biāo)準差和診斷結(jié)果的可靠性分別如表8和表9所示。

由表8可知，4種算法訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)均診斷為火花放電，且可靠性指標(biāo)接近于1，故障診斷的可靠性較高。這表明神經(jīng)網(wǎng)絡(luò)有效學(xué)習(xí)到了針對該樣本的故障診斷規(guī)則，多種情況下診斷結(jié)果能互相驗證，診斷可靠性高，這與本文方法的診斷結(jié)果吻合。實際吊罩檢查結(jié)果為66 kV一套管均壓球松動，并有放電痕跡，均壓球內(nèi)有大量游離碳[22]，神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果與實際結(jié)果基本吻合。對于樣本2，不同訓(xùn)練算法、初值權(quán)值和閾值、結(jié)構(gòu)下訓(xùn)練得到網(wǎng)絡(luò)的診斷結(jié)果有低溫過熱、中溫過熱、高溫過熱、局部放電、火花放電和電弧放電，另外多個網(wǎng)絡(luò)輸出結(jié)果標(biāo)準差整體偏大，多個故障類型對應(yīng)的可靠性指標(biāo)偏低，這能很好地給用戶警示，說明此時各個神經(jīng)網(wǎng)絡(luò)診斷結(jié)果的可靠性偏低。而對各種算法訓(xùn)練得到的10個神經(jīng)網(wǎng)絡(luò)的輸出取平均值后得到的故障診斷結(jié)果均為火花放電。實際吊罩檢查結(jié)果為均壓球與導(dǎo)管接觸不良，造成導(dǎo)管與均壓球之間產(chǎn)生懸浮電位放電，球內(nèi)積存了大量游離碳[22]，神經(jīng)網(wǎng)絡(luò)診斷結(jié)果與實際情況能基本吻合。

表5 采用不同算法得到神經(jīng)網(wǎng)絡(luò)針對測試樣本的故障診斷準確性

表6 常規(guī)神經(jīng)網(wǎng)絡(luò)方法和本文提出神經(jīng)網(wǎng)絡(luò)方法針對訓(xùn)練樣本的故障診斷準確性

表7 2個典型測試樣本的特征氣體濃度

表8 樣本1的網(wǎng)絡(luò)輸出、標(biāo)準差及對應(yīng)的可靠性

表9 樣本2的網(wǎng)絡(luò)輸出、標(biāo)準差及對應(yīng)的可靠性Table 9 Output and standard deviation, fault diagnosis reliability of ANNs for the second sample

5 結(jié)論

根據(jù)搜集得到的大量油色譜樣本，分別采用RPROP算法、共軛梯度法、擬牛頓法和LM算法針對不同權(quán)值和閾值、網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練多個神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)應(yīng)用于基于油色譜的充油電氣設(shè)備故障診斷，得到的結(jié)論如下。

(1)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相似時，4種算法訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)具有相近的故障診斷準確性，但從訓(xùn)練時間上看，RPROP算法、擬牛頓法和LM算法非常接近，而共軛梯度法的訓(xùn)練時間為其他3種算法的6倍左右。

(2)使用不同網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練算法、初始權(quán)值和閾值訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的標(biāo)準差可以獲得診斷結(jié)果的可靠性，為神經(jīng)網(wǎng)絡(luò)診斷提供了另外一個維度的信息。

(3)將不同網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練算法、初始權(quán)值和閾值訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的均值作為診斷結(jié)果可以提高診斷的準確性。