徑向基神經網絡的變壓器故障診斷范文

本站小編為你精心準備了徑向基神經網絡的變壓器故障診斷參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

從變壓器的產生到現在，國內外出現了許多變壓器故障診斷的方法，其中預防性試驗是最主要的故障診斷方法，主要有電氣試驗、油中溶解氣體分析（DGA）和絕緣油的特性試驗等。由于科學及計算機技術的快速發展，出現了基于人工神經網絡、人工智能、模糊技術、故障樹法等的變壓器故障診斷方法[1-4]。模糊數學能很好地用模糊技術有效地解決有變壓器故障診斷中的不確定性和模糊性。在變壓器故障診斷的組比值編碼中，針對氣體比例的閥值，利用模糊數學技術建立模糊現象子集對應不同的故障類型的隸屬函數，從而進行故障模式的診斷。將模糊神經網絡應用于變壓器油中溶解氣體故障診斷的方法，采用由輸入層、輸出層、隱含層和模糊化層組成的一種四層前向模糊神經網絡，利用模糊理論預處理數據，可建立基于模糊神經網絡的變壓器故障診斷模型[5]。模糊控制和神經網絡理論相結合的變壓器故障診斷，利用遺傳算法對其參數進行優化，解決了常規模糊理論不能自學習和神經網絡算法易陷入局部極小、收斂速度慢等缺點，加快了收斂速度，提高了計算精度[6]。動態模糊神經網絡和混沌優化算法相結合的變壓器故障診斷方法將混沌變量引入模糊神經網絡結構和參數優化，利用混沌優化的動態模糊神經網絡建立變壓器故障診斷模型，使每個輸入變量和模糊規則都根據誤差減少率做出修正，對識別和預測變壓器運行狀態具有較高的精度[7]。故障樹也叫FAT法，是評價復雜系統可靠性和安全行的方法，以系統不希望發生的事件作為頂事件為分析目標，用演繹法找到頂事件發生的原因事件組合，求出其概率。用FAT法研究變壓器線圈的故障率，從而提高變壓器的可靠性[8]。本文結合絕緣油中溶解氣體分析，采用徑向基神經網絡技術，研究變壓器故障診斷方法。將絕緣油中特征氣體的含量作為神經網絡的輸入、故障類型為輸出，利用Matlab軟件建立徑向基神經網絡故障診斷模型。徑向基神經網絡（RBF）是人工神經網絡模型的一種,RBF具有準確率高、結構自適應確定、輸出和初始權值無關的優良特性，使訓練網絡的時間遠遠小于其他的網絡訓練[10]。通過神經網絡方法與經典的故障診斷三比值法進行比較研究，說明基于徑向基神經網絡的變壓器故障診斷方法較三比值法的故障診斷準確率有很大提高，是一種便于在實際中應用的變壓器故障診斷有效方法。

1變壓器故障分析

電力變壓器固體絕緣材料和油在電和熱的雙重作用下，會產生各種氣體，而這些氣體將溶解于變壓器內部的油中，通過對油中氣體種類和含量進行分析，就能判斷變壓器的故障。產生的氣體主要有氫氣、烴類、一氧化碳和二氧化碳，其中氫氣、甲烷、乙炔、乙烷、乙烯、一氧化碳、二氧化碳是判斷故障時用到的主要氣體，稱為特征氣體。熱性故障主要是因熱應力造成絕緣加速老化引起的。當過熱只影響到絕緣油分解而不影響到其他材料時，會發生低溫過熱，此時主要產生低分子烴，特征氣體主要是甲烷和乙烷，并且這兩種烴占總烴的80%以上。當溫度較低時，甲烷所占比例最大；當溫度繼續升高到500℃時，即中溫過熱，乙烯和氫氣的含量急劇增大；溫度繼續升高到700℃（高溫過熱）以上時，會產生乙炔，但含量不太大，不會超過總烴量的6%。電性故障是在高電應力的作用下導致絕緣老化而引起的內部故障。根據能量密度的不同可分成不同的幾種故障類型：（1）高能放電，常見的是線圈匝和層間擊穿，其次是對地閃絡及分接開關飛弧或者引線斷裂，發生前沒有先兆現象，很難預測。特征氣體主要有乙炔、氫氣，其次有乙烯和甲烷。（2）低能放電，低能放電發生的情況較多，如鐵芯接地片接觸不良或者引線接觸不良而引起放電等。特征氣體主要有乙炔和氫氣，但烴的含量不高。（3）局部放電，局部放電較上面兩個放電發生的機率要小很多，發生局部放電時，特征氣體會跟隨放電能量密度的變化而變化，通常總烴的含量不高，主要是氫氣，還有甲烷，氫氣通常占氫和總烴的90%以上。

2基于徑向基神經網絡的變壓器故障診斷模型

RBF神經網絡是由輸入層、隱含層和輸出層構成的三層前向網絡[10]。輸入向量信號傳遞到隱層，隱層有S1個隱神經元，其節點徑向基傳遞函數為高斯函數(radbas)；輸出層有S2個神經元，節點函數是線性函數（pruelin）。函數網絡的結構如圖1所示。當輸入向量進入網絡的輸入端時，徑向基層的每個神經元都會輸出一個值，代表輸入向量和神經元權值向量之間的接近程度。如果輸入向量與權值向量相差很多，則徑向基層的輸出接近0，經過第二層的線性神經元，也輸出接近0；如果輸入向量與權值向量很接近，則徑向基層的輸出接近1，經過第二層的線性神經元，輸出值就更加接近第二層權值；在這個過程中，如果只有一個徑向基神經元的輸出為1，而其他的神經元輸出均為0或者接近0，那么線性神經元層的輸出就相當于輸出為1的神經元對應的第二層權值的值。一般情況下，不止一個徑向基神經元的輸出為1，所以輸出值就會有所不同。

2.1徑向基神經網絡輸入輸出設計網絡輸入層節點數就是一個故障模式包含的特征量數。基于油中溶解氣體與內部故障的對應關系，本論文采用6種特征氣體作為網絡的輸入向量，它們是H2，CH4，C2H4，C2H2，C2H6，CO2，這樣，網絡的輸入層的節點數被確定為6.在對變壓器的故障識別中，采用6種故障類型：低溫過熱、中低溫過熱、高溫過熱、低能放電、高能放電和局部放電，這樣輸出層的節點數也為6。下圖為實現變壓器故障診斷的RBF網絡拓撲結構。

2.2徑向基網絡徑向基函數確定及樣本數據處理針對變壓器故障的特點，本文選用高斯函數為徑向基函數，具體如下式所示。其中：x是6維輸入向量；c為基函數的中心，是與x具有相同維數的向量；δ決定基函數圍繞中心點的寬度。徑向基函數的優點在于：（1）表現的形式簡單，即使是多變量的輸入也不會增加過多的復雜性；（2）徑向對稱；（3）便于理論分析；（4）函數光滑性好，任意階的倒數都存在。為保證網絡的學習信息準確和網絡不出現飽和，以及網絡的規模不會過大，在把數據輸入網絡前，把數據進行歸一化處理，歸一化公式如下。其中：xi表示特征氣體的數值，xmin表示所有氣體數值中的最小值，xmax表示所有氣體數值中的最大值。

2.3用徑向基網絡進行變壓器故障診斷的基本步驟用RBF神經網絡診斷變壓器故障大致分為三步：（1）收集變壓器故障樣本數據，對輸入向量即6種特征氣體數據進行歸一化處理；（2）為得到網絡訓練的輸出向量，對變壓器故障樣本數據中的故障類型進行編碼。從RBF神經網絡的輸入和輸出樣本數據中選出一些作待測樣本，剩下的作訓練樣本；（3）構建和訓練RBF神經網絡。根據第一步和第二步得到的RBF神經網絡的輸入和輸出訓練樣本和待測樣本數據，構建和訓練RBF神經網絡，直到達到滿意的精度為止。

3徑向基神經網絡訓練及變壓器故障診斷

RBF神經網絡訓練及變壓器故障診斷實驗在Mat⁃lab應用軟件的神經網絡工具箱中進行，實驗選取273組故障數據作為訓練樣本，另外60組故障數據作為待測樣本。利用函數newrb（）構建RBF神經網絡。newrb（）函數可自動增加網絡的隱層神經元數目，直到均方差滿足精度或者神經元數目達到最大為止。調用方式如下：Net=newrb（P,T,goal,spread）其中，P為歸一化以后的輸入向量構成的矩陣，T為歸一化以后的期望輸出向量構成的矩陣，goal為訓練精度，spread為徑向基層的散布常數。用sim（）進行故障診斷測試構建的RBF神經網絡。調用方式如下：zhenduan=sim(netrbf,P1)其中，P1為歸一化以后的待測樣本的輸入向量構成的矩陣。選取精度goal為0.02，徑向基層的散布常數spread為5，構建和訓練RBF神經網絡，并用待測樣本的輸入向量P1進行故障診斷測試。RBF神經網絡訓練過程中的均方差變化情況如圖3所示。從圖中可以看到，均方差隨著訓練次數的增加而逐漸減小，當訓練次數達到150次的時候，均方差達到目標值。RBF神經網絡對待測樣本的故障診斷結果如下所示。應用最大隸屬原則，將zhenduan中的各個列向量的最大值取為1，其它分量的值取為0，然后與故障類型目標矩陣T1的各個列向量進行比較，有49個診斷結果正確，正確率為81.67%。選取精度goal為0.02，徑向基層的散布常數spread分別取為spread=10、spread=14、spread=10.5，構建和訓練RBF神經網絡，并用待測樣本的輸入向量P1進行故障診斷測試，診斷結果準正確率列于表2。經比較可以得出，當spread=10.5時準確率最高。所以選擇spread=10.5時訓練得到的RBF神經網絡模型變壓器故障診斷模型。

4徑向基神經網絡故障診斷和三比值法的比較

三比值法的基本原理是變壓器發生故障時,從變壓器油中提取五種特征氣體H2、CH4、C2H2、C2H4、C2H6的成分含量，計算出相應的三對比值C2H2/C2H4、CH4/H2、C2H4/C2H6并賦予相應的編碼，再由編碼規則，得到一組編碼表，然后根據提供的診斷標準就可找到相應的故障類型。用三比值法對上述60組樣本檢驗數據P1進行故障診斷,結果如表3。從表3可以看出，用三比值法有26組數據無法診斷故障類型，有6組故障類型診斷錯誤，故有32組數據不能正確判斷故障類型。三比值法與徑向基神經網絡模型故障診斷準確率的比較如表4所示。通過上面的實驗可知，選擇適合的spread參數，基于徑向基神經網絡模型的變壓器故障診斷方法比三比值法具有很好的優越性，診斷的準確率有很大的提高。

5總結

電力變壓器是電力系統的重要設備，它的安全性直接關系到整個電網是否能安全正常運行，在變壓器運行過程中，準確診斷故障原因，及時排除故障，可提高電力系統運行的安全性和可靠性，減少經濟損失。本文研究用徑向基神經網絡模型進行變壓器故障診斷變壓器的故障。選取變壓器273組故障數據作為訓練樣本，另外60組故障數據作為待測樣本，通過調整訓練精度goal和徑向基層的散布常數spread，對徑向基神經網絡進行訓練，確定了最佳的徑向基層的散布常數spread=10.5時，故障診斷準確率達到91.67%。與三比值法比較，診斷準確率有很大的提高。用徑向基神經網絡模型進行變壓器故障診斷，模型建立簡單方便，故障診斷準確率高，是一種便于在實際中推廣應用的有效的故障診斷方法。

作者：禹建麗 張喆 單位：鄭州航空工業管理學院中原工學院理學院