径向基神经网络的变压器故障诊断范文

从变压器的产生到现在，国内外出现了许多变压器故障诊断的方法，其中预防性试验是最主要的故障诊断方法，主要有电气试验、油中溶解气体分析（DGA）和绝缘油的特性试验等。由于科学及计算机技术的快速发展，出现了基于人工神经网络、人工智能、模糊技术、故障树法等的变压器故障诊断方法[1-4]。模糊数学能很好地用模糊技术有效地解决有变压器故障诊断中的不确定性和模糊性。在变压器故障诊断的组比值编码中，针对气体比例的阀值，利用模糊数学技术建立模糊现象子集对应不同的故障类型的隶属函数，从而进行故障模式的诊断。将模糊神经网络应用于变压器油中溶解气体故障诊断的方法，采用由输入层、输出层、隐含层和模糊化层组成的一种四层前向模糊神经网络，利用模糊理论预处理数据，可建立基于模糊神经网络的变压器故障诊断模型[5]。模糊控制和神经网络理论相结合的变压器故障诊断，利用遗传算法对其参数进行优化，解决了常规模糊理论不能自学习和神经网络算法易陷入局部极小、收敛速度慢等缺点，加快了收敛速度，提高了计算精度[6]。动态模糊神经网络和混沌优化算法相结合的变压器故障诊断方法将混沌变量引入模糊神经网络结构和参数优化，利用混沌优化的动态模糊神经网络建立变压器故障诊断模型，使每个输入变量和模糊规则都根据误差减少率做出修正，对识别和预测变压器运行状态具有较高的精度[7]。故障树也叫FAT法，是评价复杂系统可靠性和安全行的方法，以系统不希望发生的事件作为顶事件为分析目标，用演绎法找到顶事件发生的原因事件组合，求出其概率。用FAT法研究变压器线圈的故障率，从而提高变压器的可靠性[8]。本文结合绝缘油中溶解气体分析，采用径向基神经网络技术，研究变压器故障诊断方法。将绝缘油中特征气体的含量作为神经网络的输入、故障类型为输出，利用Matlab软件建立径向基神经网络故障诊断模型。径向基神经网络（RBF）是人工神经网络模型的一种,RBF具有准确率高、结构自适应确定、输出和初始权值无关的优良特性，使训练网络的时间远远小于其他的网络训练[10]。通过神经网络方法与经典的故障诊断三比值法进行比较研究，说明基于径向基神经网络的变压器故障诊断方法较三比值法的故障诊断准确率有很大提高，是一种便于在实际中应用的变压器故障诊断有效方法。

1变压器故障分析

电力变压器固体绝缘材料和油在电和热的双重作用下，会产生各种气体，而这些气体将溶解于变压器内部的油中，通过对油中气体种类和含量进行分析，就能判断变压器的故障。产生的气体主要有氢气、烃类、一氧化碳和二氧化碳，其中氢气、甲烷、乙炔、乙烷、乙烯、一氧化碳、二氧化碳是判断故障时用到的主要气体，称为特征气体。热性故障主要是因热应力造成绝缘加速老化引起的。当过热只影响到绝缘油分解而不影响到其他材料时，会发生低温过热，此时主要产生低分子烃，特征气体主要是甲烷和乙烷，并且这两种烃占总烃的80%以上。当温度较低时，甲烷所占比例最大；当温度继续升高到500℃时，即中温过热，乙烯和氢气的含量急剧增大；温度继续升高到700℃（高温过热）以上时，会产生乙炔，但含量不太大，不会超过总烃量的6%。电性故障是在高电应力的作用下导致绝缘老化而引起的内部故障。根据能量密度的不同可分成不同的几种故障类型：（1）高能放电，常见的是线圈匝和层间击穿，其次是对地闪络及分接开关飞弧或者引线断裂，发生前没有先兆现象，很难预测。特征气体主要有乙炔、氢气，其次有乙烯和甲烷。（2）低能放电，低能放电发生的情况较多，如铁芯接地片接触不良或者引线接触不良而引起放电等。特征气体主要有乙炔和氢气，但烃的含量不高。（3）局部放电，局部放电较上面两个放电发生的机率要小很多，发生局部放电时，特征气体会跟随放电能量密度的变化而变化，通常总烃的含量不高，主要是氢气，还有甲烷，氢气通常占氢和总烃的90%以上。

2基于径向基神经网络的变压器故障诊断模型

RBF神经网络是由输入层、隐含层和输出层构成的三层前向网络[10]。输入向量信号传递到隐层，隐层有S1个隐神经元，其节点径向基传递函数为高斯函数(radbas)；输出层有S2个神经元，节点函数是线性函数（pruelin）。函数网络的结构如图1所示。当输入向量进入网络的输入端时，径向基层的每个神经元都会输出一个值，代表输入向量和神经元权值向量之间的接近程度。如果输入向量与权值向量相差很多，则径向基层的输出接近0，经过第二层的线性神经元，也输出接近0；如果输入向量与权值向量很接近，则径向基层的输出接近1，经过第二层的线性神经元，输出值就更加接近第二层权值；在这个过程中，如果只有一个径向基神经元的输出为1，而其他的神经元输出均为0或者接近0，那么线性神经元层的输出就相当于输出为1的神经元对应的第二层权值的值。一般情况下，不止一个径向基神经元的输出为1，所以输出值就会有所不同。

2.1径向基神经网络输入输出设计网络输入层节点数就是一个故障模式包含的特征量数。基于油中溶解气体与内部故障的对应关系，本论文采用6种特征气体作为网络的输入向量，它们是H2，CH4，C2H4，C2H2，C2H6，CO2，这样，网络的输入层的节点数被确定为6.在对变压器的故障识别中，采用6种故障类型：低温过热、中低温过热、高温过热、低能放电、高能放电和局部放电，这样输出层的节点数也为6。下图为实现变压器故障诊断的RBF网络拓扑结构。

2.2径向基网络径向基函数确定及样本数据处理针对变压器故障的特点，本文选用高斯函数为径向基函数，具体如下式所示。其中：x是6维输入向量；c为基函数的中心，是与x具有相同维数的向量；δ决定基函数围绕中心点的宽度。径向基函数的优点在于：（1）表现的形式简单，即使是多变量的输入也不会增加过多的复杂性；（2）径向对称；（3）便于理论分析；（4）函数光滑性好，任意阶的倒数都存在。为保证网络的学习信息准确和网络不出现饱和，以及网络的规模不会过大，在把数据输入网络前，把数据进行归一化处理，归一化公式如下。其中：xi表示特征气体的数值，xmin表示所有气体数值中的最小值，xmax表示所有气体数值中的最大值。

2.3用径向基网络进行变压器故障诊断的基本步骤用RBF神经网络诊断变压器故障大致分为三步：（1）收集变压器故障样本数据，对输入向量即6种特征气体数据进行归一化处理；（2）为得到网络训练的输出向量，对变压器故障样本数据中的故障类型进行编码。从RBF神经网络的输入和输出样本数据中选出一些作待测样本，剩下的作训练样本；（3）构建和训练RBF神经网络。根据第一步和第二步得到的RBF神经网络的输入和输出训练样本和待测样本数据，构建和训练RBF神经网络，直到达到满意的精度为止。

3径向基神经网络训练及变压器故障诊断

RBF神经网络训练及变压器故障诊断实验在Mat⁃lab应用软件的神经网络工具箱中进行，实验选取273组故障数据作为训练样本，另外60组故障数据作为待测样本。利用函数newrb（）构建RBF神经网络。newrb（）函数可自动增加网络的隐层神经元数目，直到均方差满足精度或者神经元数目达到最大为止。调用方式如下：Net=newrb（P,T,goal,spread）其中，P为归一化以后的输入向量构成的矩阵，T为归一化以后的期望输出向量构成的矩阵，goal为训练精度，spread为径向基层的散布常数。用sim（）进行故障诊断测试构建的RBF神经网络。调用方式如下：zhenduan=sim(netrbf,P1)其中，P1为归一化以后的待测样本的输入向量构成的矩阵。选取精度goal为0.02，径向基层的散布常数spread为5，构建和训练RBF神经网络，并用待测样本的输入向量P1进行故障诊断测试。RBF神经网络训练过程中的均方差变化情况如图3所示。从图中可以看到，均方差随着训练次数的增加而逐渐减小，当训练次数达到150次的时候，均方差达到目标值。RBF神经网络对待测样本的故障诊断结果如下所示。应用最大隶属原则，将zhenduan中的各个列向量的最大值取为1，其它分量的值取为0，然后与故障类型目标矩阵T1的各个列向量进行比较，有49个诊断结果正确，正确率为81.67%。选取精度goal为0.02，径向基层的散布常数spread分别取为spread=10、spread=14、spread=10.5，构建和训练RBF神经网络，并用待测样本的输入向量P1进行故障诊断测试，诊断结果准正确率列于表2。经比较可以得出，当spread=10.5时准确率最高。所以选择spread=10.5时训练得到的RBF神经网络模型变压器故障诊断模型。

4径向基神经网络故障诊断和三比值法的比较

三比值法的基本原理是变压器发生故障时,从变压器油中提取五种特征气体H2、CH4、C2H2、C2H4、C2H6的成分含量，计算出相应的三对比值C2H2/C2H4、CH4/H2、C2H4/C2H6并赋予相应的编码，再由编码规则，得到一组编码表，然后根据提供的诊断标准就可找到相应的故障类型。用三比值法对上述60组样本检验数据P1进行故障诊断,结果如表3。从表3可以看出，用三比值法有26组数据无法诊断故障类型，有6组故障类型诊断错误，故有32组数据不能正确判断故障类型。三比值法与径向基神经网络模型故障诊断准确率的比较如表4所示。通过上面的实验可知，选择适合的spread参数，基于径向基神经网络模型的变压器故障诊断方法比三比值法具有很好的优越性，诊断的准确率有很大的提高。

5总结

电力变压器是电力系统的重要设备，它的安全性直接关系到整个电网是否能安全正常运行，在变压器运行过程中，准确诊断故障原因，及时排除故障，可提高电力系统运行的安全性和可靠性，减少经济损失。本文研究用径向基神经网络模型进行变压器故障诊断变压器的故障。选取变压器273组故障数据作为训练样本，另外60组故障数据作为待测样本，通过调整训练精度goal和径向基层的散布常数spread，对径向基神经网络进行训练，确定了最佳的径向基层的散布常数spread=10.5时，故障诊断准确率达到91.67%。与三比值法比较，诊断准确率有很大的提高。用径向基神经网络模型进行变压器故障诊断，模型建立简单方便，故障诊断准确率高，是一种便于在实际中推广应用的有效的故障诊断方法。

作者：禹建丽 张喆 单位：郑州航空工业管理学院中原工学院理学院