張 健

遼河油田電力集團(tuán)公司，遼寧盤錦 124010

0 引言

隨著國民經(jīng)濟(jì)的快速發(fā)展，各行各業(yè)對電力的需求不斷增加，促使我國電力系統(tǒng)向大容量、超高壓和自動化的方向發(fā)展。變壓器作為電力系統(tǒng)中的關(guān)鍵設(shè)備，擔(dān)負(fù)著電壓的轉(zhuǎn)換、電能的分配及傳輸，因此它的運(yùn)行影響著電力系統(tǒng)的可靠、穩(wěn)定。電力變壓器發(fā)生故障的原因和類型很復(fù)雜，再加上電力變壓器絕緣老化的漸進(jìn)性給變壓器的故障診斷帶來很大的挑戰(zhàn)。因此有必須對變壓器進(jìn)行故障診斷研究，準(zhǔn)確而及時地檢測出變壓器的早期潛伏性故障，然后制定出合理的檢測維修計(jì)劃，從而提高變壓器的可靠性。

變壓器故障診斷是指在變壓器沒有發(fā)生故障之前，對變壓器的運(yùn)行狀態(tài)進(jìn)行預(yù)報和預(yù)測。在變壓器發(fā)生故障后，對故障的部位、原因、程度和類型等做出判斷，并制定維修方案。變壓器的故障診斷可按兩個步驟進(jìn)行:判斷有無故障和判斷變壓器的故障類型。

1 變壓器故障診斷的傳統(tǒng)方法

根據(jù)變壓器故障診斷技術(shù)的發(fā)展歷程，變壓器故障診斷的方法又分為傳統(tǒng)方法和智能方法。傳統(tǒng)方法主要有: 特征氣體判別法、變壓器預(yù)防性電氣試驗(yàn)，現(xiàn)分別介紹：

1）特征氣體判別法。特征氣體法現(xiàn)在已經(jīng)成為判斷變壓器故障類型的重要方法，當(dāng)變壓器產(chǎn)生故障時會產(chǎn)生和某種故障相關(guān)的氣體，例如CH4、CZH6、COZ、CO、CZH4等，這些氣體會部分或全部溶解在油中，然后可根據(jù)變壓器油中氣體的類型和含量來判斷故障的類型。該方法具有直觀、方便和針對性強(qiáng)的特點(diǎn)，主要用于發(fā)現(xiàn)變壓器的早期潛伏性故障；2）變壓器預(yù)防性電氣試驗(yàn)。預(yù)防性試驗(yàn)可以發(fā)現(xiàn)運(yùn)行中設(shè)備的隱患，預(yù)防事故的發(fā)生或設(shè)備的損壞，該方法是保證電力系統(tǒng)安全運(yùn)行的有效手段之一，是電力設(shè)備運(yùn)行和維護(hù)工作中的一個重要環(huán)節(jié)。預(yù)防性試驗(yàn)主要包括對設(shè)備進(jìn)行檢查、取氣樣或油樣，實(shí)驗(yàn)項(xiàng)目主要包括油中溶解氣體的色譜分析、繞組絕緣電阻及吸收比、繞組直流電阻檢測、絕緣油檢測、鐵芯絕緣電阻檢測和交流耐壓檢測等。

2 變壓器故障診斷的智能方法

隨著人工智能及計(jì)算機(jī)技術(shù)的發(fā)展和應(yīng)用，變壓器故障診斷技術(shù)己進(jìn)入了智能化階段。智能故障診斷以人類思維的信息加工和認(rèn)識過程為推理基礎(chǔ)，通過獲取診斷信息及診斷方法，模擬人類專家，以靈活的診斷策略對變壓器的運(yùn)行狀態(tài)和故障做出正確判斷和決策。該方法主要體現(xiàn)在診斷過程中人工智能和領(lǐng)域?qū)＜抑R的運(yùn)用上。目前變壓器智能診斷方法主要有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、模糊理論、專家系統(tǒng)和遺傳算法等。

當(dāng)變壓器發(fā)生故障時，變壓器故障類型和故障所產(chǎn)生的特征氣體之間的映射是一個非線性映射，二者的對應(yīng)關(guān)系無法用精確的數(shù)學(xué)模型進(jìn)行描述，而人工神經(jīng)網(wǎng)絡(luò)具有非線性映射、并行處理、學(xué)習(xí)和記憶、魯棒性和自適應(yīng)能力強(qiáng)等特點(diǎn)，因此人工神經(jīng)網(wǎng)絡(luò)能夠廣泛應(yīng)用于變壓器故障診斷中。為了準(zhǔn)確診斷變壓器的故障類型，本文使用的是基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)診斷方法。

2.1 基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)介紹

L-M算法是傳統(tǒng)BP算法的改進(jìn)算法，在標(biāo)準(zhǔn)的BP算法中，學(xué)習(xí)速率是一個定常數(shù)，然而在實(shí)際應(yīng)用中，很難確定一個從始至終都合適的最佳學(xué)習(xí)速率。因此在實(shí)際應(yīng)用中一般先設(shè)定初始學(xué)習(xí)速率，若經(jīng)過一批次權(quán)值調(diào)整后使系統(tǒng)的總誤差增加，則本次調(diào)整無效。

輸入輸出間的映射關(guān)系越復(fù)雜，樣本中蘊(yùn)含的噪聲就越大，為保證診斷的精確性，本文選擇正常、低能放電、電弧放電、中溫過熱、高溫過熱等共25組數(shù)據(jù)作為訓(xùn)練樣本。由于網(wǎng)絡(luò)的輸入數(shù)據(jù)通常具有不同的物理意義，在訓(xùn)練時會導(dǎo)致所起的作用不同，因此需要對輸入數(shù)據(jù)進(jìn)行歸一化，本文將網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)限定在[0，l]區(qū)間內(nèi)。

2.2 基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)的診斷實(shí)現(xiàn)

1）輸入層設(shè)計(jì)。輸入層神經(jīng)元數(shù)為5，分別對應(yīng)著輸入樣本中低能放電、電弧放電、正常、中溫過熱、高溫過熱，即C2H2、C2H6、H2、CH4、C2H4所對應(yīng)的特征氣體濃度值；2）隱含層設(shè)計(jì)。在BP網(wǎng)絡(luò)中，隱含層節(jié)點(diǎn)數(shù)的設(shè)計(jì)對網(wǎng)絡(luò)的性能有很大的影響，它的選擇是一個非常復(fù)雜的問題，通?？拷?jīng)驗(yàn)和試驗(yàn)來確定隱含層節(jié)點(diǎn)數(shù)，針對同一樣本集，從中選擇最小誤差所對對應(yīng)的節(jié)點(diǎn)數(shù)為最佳隱含層節(jié)點(diǎn)數(shù)。在保證網(wǎng)絡(luò)性能的基礎(chǔ)上，為了減小網(wǎng)絡(luò)的復(fù)雜性和規(guī)模，本文將隱含層數(shù)設(shè)為1，隱含層節(jié)點(diǎn)數(shù)設(shè)為11；3）輸出層設(shè)計(jì)。由于變壓器的典型故障有5種，因此輸出層節(jié)點(diǎn)數(shù)為5。0～l之間的數(shù)表示故障發(fā)生的概率和嚴(yán)重程度。例如：O表示無此類故障，1表示此類故障發(fā)生的概率和嚴(yán)重程度最大。即低能放電表示為（0，0，0，l，0），電弧放電表示為（0，0，0，0，l），正常狀態(tài)表示為（l，0，0，0，0），中溫過熱表示為（0，1，0，0，0），高溫過熱表示為（0，0，l，0，0）；4）訓(xùn)練算法的選擇。訓(xùn)練算法對網(wǎng)絡(luò)的性能有著重要的影響，比如網(wǎng)絡(luò)的推廣能力、收斂速度等。本文采用L-M算法進(jìn)行仿真，從仿真結(jié)果可以看出經(jīng)過27次的訓(xùn)練，誤差達(dá)到了0.00015014，該算法具有梯度下降法的全局特性和牛頓法的局部收斂性，它利用了近似的二階導(dǎo)數(shù)信息，收斂速度較快；5）性能測試。為了檢驗(yàn)網(wǎng)絡(luò)是否具有良好的泛化能力，需要用到測試樣本。本文選用另外收集到的18組數(shù)據(jù)作為測試樣本。從診斷結(jié)果得出該神經(jīng)網(wǎng)絡(luò)診斷方法的正確率為75.2%。通過實(shí)例測試，本文所提方法能夠較好地對變壓器的故障進(jìn)行分類。

3 結(jié)論

由于神經(jīng)網(wǎng)絡(luò)在非線性逼近方面的能力突出，因此，該方法在變壓器故障診斷領(lǐng)域得到了普遍的應(yīng)用。但是由于初始權(quán)值存在隨機(jī)性，神經(jīng)網(wǎng)絡(luò)的仿真結(jié)果存在差異性，這說明神經(jīng)網(wǎng)絡(luò)存在容易陷入局部極小的問題。為了使方法在變壓器的故障診斷中能取得更好的效果，今后還需要結(jié)合其它算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行進(jìn)一步優(yōu)化。

[1]謝可夫，鄧建國.變壓器故障模糊診斷系統(tǒng)[J].湖南師范大學(xué)：自然科學(xué)學(xué)報，2004(27).

[2]王霞，王濤.基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].華東電力，2008(36).