唐山學(xué)院信息工程系 呂宏麗 葉 雙 田紅霞

隨著國(guó)民經(jīng)濟(jì)的持續(xù)、高效、健康的發(fā)展，電力工業(yè)進(jìn)入了智能電網(wǎng)發(fā)展階段。在電力系統(tǒng)向超高壓、大電網(wǎng)、大容量、自動(dòng)化方向發(fā)展的同時(shí)，提高電氣設(shè)備的運(yùn)行可靠性顯得尤為重要。電力變壓器是電力系統(tǒng)中最重要的電氣設(shè)備之一，其運(yùn)行狀態(tài)直接影響到系統(tǒng)的安全性水平。因此，研究變壓器故障診斷技術(shù)，提高變壓器的運(yùn)行維護(hù)水平，具有重要的現(xiàn)實(shí)意義。

過(guò)熱性故障和高能放電故障是運(yùn)行中的充油電力變壓器故障的主要類型，典型故障分為六種：高溫過(guò)熱、中溫過(guò)熱、低溫過(guò)熱、高能放電、低能放電、高能放電兼過(guò)熱[1]。油中溶解氣體分析法(Disso1ved Gas Ana1ysis，DGA)是目前判斷變壓器故障性質(zhì)的重要方法。它以變壓器油中溶解的氫氣(H2)，甲烷(CH4)，乙炔(C2H2)，乙烯(C2H4)，乙烷(C2H6)氣體的組分、含量及產(chǎn)氣速率來(lái)判斷變壓器的故障[2]。

在實(shí)際應(yīng)用中，由于故障分類本身存在模糊性，一種故障狀態(tài)可能引起多種故障特征，而一種故障特征也可在不同程度上反映多種故障狀態(tài)，當(dāng)有多種故障聯(lián)合作用時(shí)，傳統(tǒng)的DGA方法易出現(xiàn)誤判。本文采用BP神經(jīng)網(wǎng)絡(luò)對(duì)變壓器故障診斷進(jìn)行研究。

1.BP神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是由大量的處理單元(神經(jīng)元)互相連接而成的網(wǎng)絡(luò)，為了模擬大腦的基本特征，在神經(jīng)科學(xué)研究的基礎(chǔ)上，提出了神經(jīng)網(wǎng)絡(luò)模型。BP(Back-Propagation Network，反向傳播網(wǎng)絡(luò))是一個(gè)前向多層網(wǎng)絡(luò)，利用誤差反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在函數(shù)逼近、模式識(shí)別、信息分類及數(shù)據(jù)壓縮等領(lǐng)域都得到了廣泛的應(yīng)用[3]。

典型的BP神經(jīng)網(wǎng)絡(luò)有輸入層、隱含層和輸出層，如圖1所示。

設(shè)系統(tǒng)有r個(gè)輸入，m個(gè)輸出，選擇j個(gè)隱含層，w1(r，j)和w2(j，m)表示各層權(quán)值，b1j和b2m表示各層閾值，f1和f2各層傳輸函數(shù)，通常選擇非線性函數(shù)，則各層輸出滿足：

表1 用于變壓器故障診斷的排水?dāng)?shù)據(jù)

表2 隱含層單元數(shù)選擇仿真結(jié)果

表3 選擇不同的BP訓(xùn)練函數(shù)時(shí)的仿真結(jié)果

圖1 BP神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)

圖2 隱含層目為12時(shí)的訓(xùn)練結(jié)果

BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程分為兩個(gè)階段：第一個(gè)階段是輸入已知學(xué)習(xí)樣本，通過(guò)設(shè)置的網(wǎng)絡(luò)結(jié)構(gòu)和前一次迭代的權(quán)值和閾值，從網(wǎng)絡(luò)的第一層向后計(jì)算各神經(jīng)元的輸出；第二階段是從最后一層向前計(jì)算各權(quán)值和閾值對(duì)總誤差的影響(梯度)，據(jù)此對(duì)各權(quán)值和閾值進(jìn)行修改。使總的誤差向減小的方向變化，直至達(dá)到所要求的誤差性能為止。

BP神經(jīng)網(wǎng)絡(luò)是一種大規(guī)模的分布式并行處理系統(tǒng)，具有自組織性和自學(xué)習(xí)性，能夠很好地解決傳統(tǒng)方法不能解決的具有高度非線性、耦合性、多變量性系統(tǒng)的建模問(wèn)題。

2.建立變壓器故障診斷模型

結(jié)合DGA方法，選取氫氣(H2)，甲烷(CH4)，乙烷(C2H6)，乙烯(C2H4)，乙炔(C2H2)為故障診斷的五種特征氣體，以其組分含量占總含量的百分比作為神經(jīng)網(wǎng)絡(luò)的輸入向量，輸出層用低溫過(guò)熱、中溫過(guò)熱、高溫過(guò)熱、低能放電、高能放電、高能放電兼過(guò)熱作為輸出神經(jīng)元，分別表示為001、010、011、100、101、110。表1為21組樣本數(shù)據(jù)，前15組作為訓(xùn)練樣本，后6組作為測(cè)試樣本。(如表1)

對(duì)任何在閉區(qū)間內(nèi)的連續(xù)函數(shù)，都可以用一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)任意輸入到輸出的映射關(guān)系，但是隱含層神經(jīng)元數(shù)目選擇是一個(gè)十分復(fù)雜的問(wèn)題。隱含層神經(jīng)元數(shù)目過(guò)少，則網(wǎng)絡(luò)所能獲取的用以解決問(wèn)題的信息太少；若數(shù)目太多，不僅增加訓(xùn)練時(shí)間，還會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過(guò)長(zhǎng)。

根據(jù)經(jīng)驗(yàn)公式：

其中：n1為隱含層單元數(shù)，n為輸入單元數(shù)，m為輸出單元數(shù)，a為[1，10]之間的常數(shù)，確定出隱含層數(shù)的范圍為[4，13]。

采用MATLAB軟件，設(shè)置傳輸函數(shù)為“1ogsig”，訓(xùn)練函數(shù)為“traingd”，學(xué)習(xí)函數(shù)為“1earngdm”，訓(xùn)練次數(shù)設(shè)為5000，訓(xùn)練目標(biāo)的均方誤差為0.01，學(xué)習(xí)速率0.05，在初始化權(quán)值和閾值相同的基礎(chǔ)上，改變隱含層的數(shù)目，對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練仿真，訓(xùn)練結(jié)果如表2所示。

從表2中可以看出，隱含層數(shù)目為12時(shí)，訓(xùn)練次數(shù)較少，其性能指標(biāo)為佳(如圖2)，故選擇5-12-3型BP神經(jīng)網(wǎng)絡(luò)用于構(gòu)建變壓器故障診斷模型。

3.BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)的選擇

變壓器故障診斷模型建立之后，用訓(xùn)練樣本對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，確定出適合網(wǎng)絡(luò)收斂的權(quán)值和閾值。在網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)相同、訓(xùn)練樣本相同的情況下，依次采用表3中的訓(xùn)練函數(shù)進(jìn)行訓(xùn)練，結(jié)果如表3所示。

根據(jù)訓(xùn)練結(jié)果，彈性BP算法訓(xùn)練次數(shù)相對(duì)較少，原因在于該算法在進(jìn)行權(quán)值修正時(shí)取決于與幅值無(wú)關(guān)的修正量，消除了梯度幅值的不利影響?；?-12-3結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，采用改進(jìn)的彈性BP算法，對(duì)測(cè)試樣本進(jìn)行仿真，能夠得出準(zhǔn)確地變壓器故障診斷結(jié)論。

4.結(jié)論

通過(guò)對(duì)變壓器故障診斷模型的確立與仿真結(jié)果分析，BP神經(jīng)網(wǎng)絡(luò)具有較好的應(yīng)用效果，多種改進(jìn)的BP算法（除了動(dòng)量BP算法）能較好地提高網(wǎng)絡(luò)的收斂速度，對(duì)網(wǎng)絡(luò)模型的性能有較大的改善。

[1]王曉鶯著.變壓器故障與監(jiān)測(cè)[M].北京:機(jī)械工業(yè)出版社,2004.

[2]李儉.大型電力變壓器以油中溶解氣體為特征量的內(nèi)部故障診斷模型研究[D].重慶大學(xué),2001:26-28.

[3]張德豐,等.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)(第二版)[M].北京:機(jī)械工業(yè)出版社,2012,3.

[4]沈花玉,等.BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J].天津理工大學(xué)學(xué)報(bào),2008,24(5):13-15.

[5]周開(kāi)利,等.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京:清華大學(xué)出版社,2005.