郝曉強　顏士遠

摘 要：變壓器故障征兆和故障類型具有一定的非線性特征，需要結合一定的故障診斷技術進行判斷。而就目前來看，除了使用油中氣體分析法，基于神經(jīng)網(wǎng)絡的變壓器故障診斷技術也可以用于診斷變壓器故障。因此，文章對基于神經(jīng)網(wǎng)絡的故障診斷原理進行了闡述，并對基于BP神經(jīng)網(wǎng)絡和基于概率神經(jīng)網(wǎng)絡的兩種故障診斷技術展開了分析和比較，以便為關注這一話題的人們提供參考。

關鍵詞：神經(jīng)網(wǎng)絡；變壓器；故障診斷技術

引言

從國內(nèi)外研究情況來看，變壓器診斷系統(tǒng)的數(shù)學模型的獲取問題一直是研究難題。而現(xiàn)階段研究變壓器故障診斷的技術有多種，包含了模糊理論方法、人工智能技術、在線監(jiān)測技術和神經(jīng)網(wǎng)絡技術等等。相比較而言，神經(jīng)網(wǎng)絡具有非線性映射、自適應和并行處理等優(yōu)點，更適用于研究變壓器故障的非線性關系，所以在一定程度上得到了應用。因此，有必要對基于神經(jīng)網(wǎng)絡的變壓器故障診斷技術展開研究，以便更好地應用該技術開展相關工作。

1 基于神經(jīng)網(wǎng)絡的故障診斷原理

在故障診斷方面，神經(jīng)網(wǎng)絡方法的運用可以完成變壓器油中溶解氣體數(shù)據(jù)中的隱含診斷規(guī)律的獲取，所以不需要利用變壓器故障診斷的相關知識。同時，根據(jù)實際變壓器的油中溶解氣體數(shù)據(jù)，神經(jīng)網(wǎng)絡能夠進行自適應調(diào)整。因此，可以利用神經(jīng)網(wǎng)絡完成對變壓器狀態(tài)的監(jiān)測，并對監(jiān)測數(shù)據(jù)進行分析和處理，繼而了解被監(jiān)測對象的運行狀態(tài)或故障原因。而就目前來看，很多神經(jīng)網(wǎng)絡都可以在變壓器故障診斷中應用[1]。所以，只有通過分析和比較才能找到一種相對優(yōu)秀的神經(jīng)網(wǎng)絡，繼而使變壓器故障診斷的準確率得到提高。

2 基于神經(jīng)網(wǎng)絡的變壓器故障診斷技術分析

2.1 基于概率神經(jīng)網(wǎng)絡的變壓器故障診斷

概率神經(jīng)網(wǎng)絡具有結構簡單和訓練簡潔的特點，可以利用自身強大非線性分類能力完成故障樣本空間的映射，繼而得到故障模型空間。而通過形成具有一定結構自適應能力和較強容錯能力的診斷網(wǎng)絡系統(tǒng)，則可以使故障診斷的準確率得到提高。

2.1.1 故障確定網(wǎng)絡的輸入和輸出

在建立概率神經(jīng)網(wǎng)絡模型時，想要正確地反映問題特征就要先準確選取輸入的特征向量。而變壓器潛伏性故障可以通過油中溶解氣體分析法反應處理，同時改良三比值法在諸多診斷方法中有較高的判斷準確率，所以，可以選取變壓器色譜試驗的五種關鍵氣體的三比值法當做是網(wǎng)絡輸入[2]。在輸出特征向量的選取方面，則可以將無故障、低能放電、低溫過熱、中溫過熱和高溫過熱等幾種故障模式當做是輸出向量特征，并利用阿拉伯數(shù)字進行故障的表示。

2.1.2 故障特征量的選擇

按照概率模型故障的特征選擇要求，需要使故障樣本包含最大故障信息量。所以，通過分析變壓器故障產(chǎn)生機理和故障信息傳遞關系，可以完成最能反映故障的特征量的選擇。而忽視一些關系較小的特征量，則能使概率神經(jīng)網(wǎng)絡的規(guī)模最小。在建立基于概率神經(jīng)網(wǎng)絡的故障診斷模型時，需要以改良三比值法為基礎。具體來講，就是采用61*4維的矩陣作為數(shù)據(jù)。而矩陣中的前三列為改良三比值法數(shù)值，第四列為故障類別，即分類輸出。同時，需要將故障樣本分成是測試樣本和訓練樣本兩種，以便對模型的分類效果進行驗證。但在實際的變壓器故障中，由于大部分故障為高溫過熱故障，所以需要先按照實際故障比例完成樣本的抽取，從而確定訓練輸入樣本。此外，網(wǎng)絡模型應該包含三個輸入層和七個輸出層，并含有21各模式層，而每一個模式層對應一個測試樣本。從傳遞函數(shù)上來看，中間層為徑向基傳遞函數(shù)，輸出層為競爭傳遞函數(shù)[3]。最后，需要將所有樣本按照故障類型分類順序排列，以便使網(wǎng)絡訓練效果更直觀。

2.2 基于BP神經(jīng)網(wǎng)絡的變壓器故障診斷

從基本思想上來看，BP神經(jīng)網(wǎng)絡可以通過反復修正訓練數(shù)據(jù)求取隱出層的函數(shù)參數(shù)，并正向傳播學習信號和反向傳播修正信號，直至達到理想的效果。所以，利用BP算法可以解決模式識別問題，并且實現(xiàn)以任意精度逼近任意連續(xù)函數(shù)，繼而在一定程度上確保診斷系統(tǒng)診斷的正確率和整體性。

2.2.1 輸入輸出特征向量的選取

利用氣相色譜技術可以完成油中溶有氣體的檢測，并分成甲烷、氫氣、乙炔和總烴四類。而根據(jù)四種氣體的濃度組成可以完成特征向量的設定，并表示為輸入矩陣形式。同時，可以根據(jù)特征氣體法描述完成變壓器故障類型的分類，然后表示成輸出矩陣。根據(jù)Sigmoid函數(shù)，可以確定輸出值在0～1之間，并根據(jù)最大隸屬度原則完成故障屬性的判斷。在數(shù)值越接近1時，就表示故障嚴重程度較大。而在故障小于0.5時，則可以認為無此類故障產(chǎn)生。

2.2.2 訓練參數(shù)的確定

在確定BP神經(jīng)網(wǎng)絡模型的訓練參數(shù)時，需要遵循一定的原則。具體來講，就是樣本中的故障百分比需要與實際變壓器故障發(fā)生比率相當，并且需要考慮變壓器型號、容量和運行環(huán)境等因素，以便使樣本具有一定的廣泛性。同時，樣本還要具有一定的緊湊性，從而避免網(wǎng)絡學習過程收斂困難或不收斂的問題出現(xiàn)，繼而避免網(wǎng)絡錯誤映射。而BP網(wǎng)絡模型結構應為三層，可以任意精度逼近任何非線性物理對象。隨著層數(shù)的增加，精度也將得到提高，但是網(wǎng)絡也會過于復雜。所以，要盡可能使用最少的網(wǎng)絡層進行BP神經(jīng)網(wǎng)絡的構建，以便更加直觀的觀察和調(diào)整訓練效果。最終，可以確定BP網(wǎng)絡結構為三層，輸入層中含有三個神經(jīng)元，中間層含有十個神經(jīng)元，輸出層含有七個神經(jīng)元。從傳遞函數(shù)上來看，中間層與輸出層的傳遞選擇logsig函數(shù)，訓練函數(shù)為trainlm，并且采用了優(yōu)化算法訓練網(wǎng)絡，以便使訓練過程保持穩(wěn)定。

2.3 概率網(wǎng)絡模塊與BP網(wǎng)絡模塊的仿真

利用MATLAB完成概率神經(jīng)網(wǎng)絡的創(chuàng)建后，可以在仿真過程中對SPREAD多次取值，以便通過查看分類效果確定SPREAD的值。觀察訓練效果可以發(fā)現(xiàn)，40組訓練樣本中只有4組樣本出錯，訓練時間也較快，所以可以將概率網(wǎng)絡用于診斷變壓器故障。而為了對概率神經(jīng)網(wǎng)絡的泛化能力進行驗證，則需要利用MATLAB開展概率神經(jīng)網(wǎng)絡與BP神經(jīng)網(wǎng)絡的仿真對比實驗。具體來講，就是利用相同數(shù)據(jù)樣本進行BP網(wǎng)絡的訓練和測試，然后對二者的訓練效果進行對比。從訓練時間和預測準確率角度來看，BP神經(jīng)網(wǎng)絡訓練時間超過了2秒，概率神經(jīng)網(wǎng)絡訓練時間不足0.5秒。同時，BP神經(jīng)網(wǎng)絡的預測準確率為76%左右，概率神經(jīng)網(wǎng)絡的預測準確率為約為81%。由于存在諸多不穩(wěn)定因素，利用BP神經(jīng)網(wǎng)絡學習需要經(jīng)過反復訓練，并且無法保證訓練的全局最優(yōu)性[4]。因此，相較于BP神經(jīng)網(wǎng)絡，概率神經(jīng)網(wǎng)絡顯然在變壓器故障診斷方面具有更大的優(yōu)勢。

3 結束語

總而言之，變壓器故障具有復雜的現(xiàn)象和一定的不確定性，故障的判斷需要采用油中溶解氣體的色譜分析技術和基于神經(jīng)網(wǎng)絡的故障診斷技術。而基于概率神經(jīng)網(wǎng)絡的變壓器故障診斷技術是較為實用的技術，在故障診斷方面具有一定的非線性分類能力和泛化能力，因此可以得到更好的應用。

參考文獻

[1]龔瑞昆，馬亮，趙延軍，等.基于量子神經(jīng)網(wǎng)絡信息融合的變壓器故障診斷[J].電力系統(tǒng)保護與控制，2011，23：79-84+88.

[2]王杉，苑津莎，張衛(wèi)華.基于BP神經(jīng)網(wǎng)絡的變壓器故障診斷[J].黑龍江科技信息，2011，29：40-41.

[3]任靜，黃家棟.基于免疫RBF神經(jīng)網(wǎng)絡的變壓器故障診斷[J].電力系統(tǒng)保護與控制，2010，11：6-9+14.

[4]楊志超，張成龍，吳奕，等.基于粗糙集和RBF神經(jīng)網(wǎng)絡的變壓器故障診斷方法研究[J].電測與儀表，2014，21：34-39.