劉春鵬，姚　毅，賈金玲，楊紅英,宿廣福

(1.四川理工學院 自動化與電子信息學院，四川 自貢　643000；2.人工智能四川省重點實驗室，四川 自貢　64300；3. 四川理工學院 計算機學院，四川 自貢　64300)

?

兩種前向神經(jīng)網(wǎng)絡在變壓器故障診斷中的應用

劉春鵬1，2，姚毅1，2，賈金玲2，3，楊紅英1，2,宿廣福1,2

(1.四川理工學院 自動化與電子信息學院，四川 自貢643000；2.人工智能四川省重點實驗室，四川 自貢64300；3. 四川理工學院 計算機學院，四川 自貢64300)

摘要：針對依靠變壓器油中溶解氣體分析的傳統(tǒng)故障診斷方法存在的不足以及未來智能診斷算法進一步發(fā)展的需要，在研究人工神經(jīng)網(wǎng)絡的基礎上，介紹了兩種前向神經(jīng)網(wǎng)絡在變壓器故障診斷中的應用，并用大量的DGA樣本數(shù)據(jù)做了仿真訓練;首先討論了幾種常用變壓器故障診斷方法的一些缺陷，通過分析現(xiàn)代智能診斷算法的局限性，得出改進人工神經(jīng)網(wǎng)絡的優(yōu)勢;然后結合兩種前向神經(jīng)網(wǎng)絡的原理和結構，對變壓器內部故障進行了分類和編碼;分別設計了相應的故障診斷模型，在MATLAB中做了仿真測試，并給出了仿真程序;仿真結果表明，兩種神經(jīng)網(wǎng)絡用于變壓器故障識別較為理想，其中PNN網(wǎng)絡在樣本數(shù)量較多時效果更好，有效提高了變壓器故障診斷的正確率。

關鍵詞：變壓器；故障診斷；BP神經(jīng)網(wǎng)絡；PNN神經(jīng)網(wǎng)絡；MATLAB仿真

0引言

隨著科技的進步和人們生活水平的提高，電力的需求日益增大，而變壓器作為電力系統(tǒng)的重要設備，其正常運行是保證穩(wěn)定可靠供電的基礎。當前全國跨區(qū)域聯(lián)網(wǎng)日趨緊密，局部故障有可能引發(fā)大范圍的電網(wǎng)事故，因此對電力變壓器故障診斷技術的研究具有極為重要的意義[1]。目前變壓器油中溶解氣體分析法(dissolve gas analysis,DGA)是國內外學者普遍認可的判斷電力變壓器內部故障性質的有效方法[2]。基于DGA的傳統(tǒng)故障診斷方法主要有IEC三比值法、改良三比值法、德國四比值法、日本電協(xié)研法、HAE三角圖法、TD圖法等。這些方法因簡化了故障因素的復雜性而存在很多缺點，如編碼缺失、邊界范圍劃分絕對、容易發(fā)生誤判等問題，從而導致診斷正確率不高[3]。

近年來，得益于計算機技術和人工智能技術的發(fā)展，相繼出現(xiàn)了一系列現(xiàn)代智能診斷方法。專家系統(tǒng)、神經(jīng)網(wǎng)絡、模糊理論、遺傳算法、免疫識別、聚類分析、粗糙集理論、灰色系統(tǒng)理論、支持向量機等在電力系統(tǒng)故障診斷中得到了廣泛應用。但是由于每一種診斷方法都具有獨特的信息特征和特定的考慮基礎，在變壓器故障多變量、內部關系復雜面前常帶有一定的局限性[4]。神經(jīng)網(wǎng)絡結構簡單、非線性高，具有大規(guī)模并行處理、分布式信息存儲、聯(lián)想與容錯功能以及很強的自適應自組織能力使其對處理復雜非線性關系有很強的魯棒性[5]。因此，將其應用于數(shù)據(jù)無序的變壓器故障診斷中有極大的應用潛力。根據(jù)相關研究[6-8]，神經(jīng)網(wǎng)絡在變壓器故障診斷方面具有一定的優(yōu)勢，在眾多的智能診斷算法中并不遜色。尤其是改進的神經(jīng)網(wǎng)絡，可以避免網(wǎng)絡在訓練時出現(xiàn)的一些不足。同時，人工神經(jīng)網(wǎng)絡作為其他智能診斷方法的基礎，在故障診斷領域仍具有很高的研究價值。

本文介紹了兩種前向神經(jīng)網(wǎng)絡——BP神經(jīng)網(wǎng)絡和PNN網(wǎng)絡在變壓器故障中的應用。前向神經(jīng)網(wǎng)絡是一個非線性動力學系統(tǒng)，通過網(wǎng)絡處理單元的非線性映射，可獲得期望的輸出，它的分類能力和模式識別能力較強，非常適合應用于變壓器故障診斷。

1人工神經(jīng)網(wǎng)絡概述

人工神經(jīng)網(wǎng)絡是基于人類對大腦神經(jīng)網(wǎng)絡的認識而構造的能夠實現(xiàn)非線性數(shù)學模型的網(wǎng)絡系統(tǒng)。這種理論化的模型實際上是由大量處理單元互聯(lián)組成的非線性、自適應信息處理系統(tǒng)，試圖通過模擬人腦神經(jīng)網(wǎng)絡進行信息的記憶、處理[9]。

神經(jīng)元是人工神經(jīng)網(wǎng)絡的基本組成單元，結構上是一個多輸入、單輸出的非線性處理組件，簡化的神經(jīng)元結構如圖1所示，其輸入與輸出的關系為：

yi=f(Neti)

式中，xj(j=1,2,…,n)是從別的神經(jīng)元傳來的輸入信號或來自外部的信息；wixj表示神經(jīng)元j到神經(jīng)元i的連接權值，也稱加權系數(shù)；θ為神經(jīng)元的內部閾值；f(·)為激勵函數(shù)，決定了神經(jīng)元節(jié)點的輸出，大多選擇S型非線性函數(shù)。

圖1　神經(jīng)元結構模型

目前，前向網(wǎng)絡和反饋網(wǎng)絡是人工神經(jīng)網(wǎng)絡的兩種典型結構。其中前向型神經(jīng)網(wǎng)絡主要有感知器、BP網(wǎng)絡和RBF網(wǎng)絡。概率神經(jīng)網(wǎng)絡(probabilistic neural networks,PNN)則是在RBF網(wǎng)絡基礎上融合密度函數(shù)估計和貝葉斯決策理論發(fā)展而來。

1.1BP神經(jīng)網(wǎng)絡原理和結構

BP 神經(jīng)網(wǎng)絡由輸入層節(jié)點、隱含層節(jié)點和輸出層節(jié)點構成。同層節(jié)點間沒有任何耦合，只要用已知的數(shù)據(jù)對網(wǎng)絡進行訓練，網(wǎng)絡便具有輸入與輸出之間的映射能力。其結構如圖2所示。

圖2　BP神經(jīng)網(wǎng)絡結構

BP神經(jīng)網(wǎng)絡的學習是一種誤差反向傳播的過程，正向傳播學習時，給定的輸入通過輸入層經(jīng)隱含層逐層處理后傳向輸出層。若輸出誤差不符合要求，則轉向誤差的反向傳播階段[10]。誤差的反向傳播是逐層遞歸計算出誤差均方值，再從輸出層開始向前逐層采用梯度下降法調節(jié)各層的加權系數(shù)。這種信號正向傳播與誤差反向傳播的反復進行就是網(wǎng)絡的學習訓練過程，直到誤差達到要求學習過程結束。

BP神經(jīng)網(wǎng)絡采用S型函數(shù)作為各層節(jié)點的激勵函數(shù)，其表達式為：

式中，θj為閾值，θ0的作用是調節(jié)激勵函數(shù)的形狀。

1.2PNN神經(jīng)網(wǎng)絡原理和結構

PNN神經(jīng)網(wǎng)絡屬于RBF網(wǎng)絡的一種擴展，同時也是一種前饋神經(jīng)網(wǎng)絡。PNN從模式的概率分布出發(fā)，按照貝葉斯決策規(guī)則，即錯誤分類的期望風險最小，對網(wǎng)絡輸出的最大似然值進行判決。當存在足夠多且有代表性的樣本時可直接使用，無需繁雜的訓練過程，適用于模式分類和實時性要求較強的問題[9]

PNN拓撲結構如圖3所示，它包括輸入層、隱含層(徑向基層)、和輸出層(競爭層)。

圖3　PNN神經(jīng)網(wǎng)絡模型[12]

圖3中，ai=radbas(‖Wi-p‖bi)，a2=dompet(W2a1)。隱含層神經(jīng)元傳遞函數(shù)選為高斯函數(shù)，函數(shù)表達式為：

σ稱為平滑因子，決定了基函數(shù)Φ(x)的寬度，其值越大，基函數(shù)越平滑。

輸出層與輸入向量相關的所有類別綜合在一起，網(wǎng)絡輸出為表示概率的向量，通過這樣一個過程，網(wǎng)絡完成對輸入向量P的模式分類。

2變壓器內部故障分類與樣本選取

變壓器內部故障不同，所產(chǎn)生的氣體含量也不同。目前，在故障診斷的現(xiàn)實實踐中主要測量的變壓器油中溶解氣體有H2、CH4、C2H6、C2H4、C2H2、CO、CO2。在絕緣油分解產(chǎn)生的這幾種氣體中，CO、CO2與固體絕緣材料的受熱分解有關?？紤]到診斷主要關心是否發(fā)生故障及故障類型，而且這兩種氣體含量不穩(wěn)定、容易對神經(jīng)網(wǎng)絡診斷造成干擾，本文只選用H2、CH4、C2H6、C2H4、C2H25種特征氣體的含量作為神經(jīng)網(wǎng)絡的輸入。

在對變壓器的內部故障進行識別時，將故障類型分為：正常、低溫過熱(t<300 ℃)、中溫過熱(300 ℃700 ℃)、低能量放電、高能量放電。為測試兩種神經(jīng)網(wǎng)絡在變壓器故障診斷中的可靠性和普適性，本文共收集了292組電力變壓器DGA數(shù)據(jù)用于仿真。其中280組用作網(wǎng)絡訓練，另外12組用來測試診斷效果。限于篇幅，只列出測試數(shù)據(jù)，對應的實際故障類別及編碼如表1所示。

測試樣本DGA數(shù)據(jù)及編碼

3網(wǎng)絡設計

為測試兩種前向神經(jīng)網(wǎng)絡在變壓器故障診斷中的效果，在MATLAB(R2009a)神經(jīng)網(wǎng)絡工具箱中選取相應函數(shù)，分別創(chuàng)建神經(jīng)網(wǎng)絡。根據(jù)改進的算法設計最優(yōu)網(wǎng)絡并做仿真。

3.1基于BP神經(jīng)網(wǎng)絡的變壓器故障診斷設計

BP網(wǎng)絡可以包含一個到多個隱含層。不過，單個隱含層的網(wǎng)絡可以通過適當增加神經(jīng)元節(jié)點的個數(shù)實現(xiàn)任意非線性映射。相關研究也證實，各節(jié)點均采用S型函數(shù)時，一個隱含層足以解決任意判決問題的分類[13]。因此本文采用三層網(wǎng)絡設計。輸入輸出的神經(jīng)元個數(shù)根據(jù)輸入數(shù)據(jù)和故障分類分別設定為5、6。隱含層單元數(shù)M依據(jù)以下公式選取

式中，m和n分別表示輸出和輸入神經(jīng)元個數(shù)，α是0 ~10之間的常數(shù)。這里參考公式和訓練情況設定為12[14]。

激勵函數(shù)選取S形函數(shù)，采用自適應修改學習率算法對網(wǎng)絡進行訓練。在MATLAB仿真中，調用的傳遞函數(shù)分別為：隱含層雙曲正切函數(shù)、輸出層S型對數(shù)函數(shù)。為了提高網(wǎng)絡的泛化能力和訓練速率，調用mapminmax函數(shù)對數(shù)據(jù)進行歸一化處理。仿真程序如下：

clear all

P=[14.67 3.68 10.54 2.71 0.2;63.1 16.7 4.3 9.3 10.1;

… …

151 26.8 36.9 44.6 59.8;134 137 146 13 19]';

[P,s1]=mapminmax(P);

T=[1 0 0 0 0 0;1 0 0 0 0 0;1 0 0 0 0 0;1 0 0 0 0 0;

… …

0 0 0 0 0 1;0 0 0 0 0 1;0 0 0 0 0 1;0 0 0 0 0 1]'

net=newff(minmax(P),[12,6],{'tansig','logsig'},'traingdx');

net.trainparam.show=10;

net.trainparam.epochs=50000;

net.trainparam.goal=0.001;

[net,tr]=train(net,P,T);

P_test=[53.6 17.7 13.2 5 0;70 30 50 40 3;

… …

279 41 9.7 42 34;154.3 32.5 24.9 42.4 68.8]';

P_test=mapminmax('apply',P_test,s1);

Y=sim(net,P_test);

disp('輸出分類結果為:')

Y=Y>0.5

網(wǎng)絡訓練情況如圖4所示。

圖4　BP神經(jīng)網(wǎng)絡訓練情況

輸出分類結果為：

Y=010000000000

001100000000

000011000000

000000110000

000000001100

000000000011

3.2基于PNN神經(jīng)網(wǎng)的變壓器故障診斷絡設計

對于PNN網(wǎng)絡，隱含層神經(jīng)元個數(shù)等于網(wǎng)絡輸入樣本數(shù)目，各個徑向基函數(shù)的中心即為網(wǎng)絡輸入樣本本身，因此網(wǎng)絡學習只需考慮各個徑向基函數(shù)的寬度以及隱含層與輸出層之間的權值[15]。

徑向基函數(shù)的寬度可根據(jù)網(wǎng)絡輸入樣本數(shù)據(jù)中心的分布而確定。為防止徑向基函數(shù)過尖或過平，一種選擇方法是將所有徑向基函數(shù)的寬度設為：

式中，dmax為網(wǎng)絡輸入樣本數(shù)據(jù)中心之間的最大距離，N為隱含層神經(jīng)元個數(shù)。

隱含層與輸入層之間的權值可采用最小二乘法，算法的輸入量為網(wǎng)絡隱含層的輸出量，權值可初始化為任意值。為便于觀察效果，MATLAB仿真中將測試樣本分為12組，每組對應一個故障類別。仿真程序如下：

clear all

P=[14.67 3.68 10.54 2.71 0.2;63.1 16.7 4.3 9.3 10.1;

……

151 26.8 36.9 44.6 59.8;134 137 146 13 19]';

[P,s1]=mapminmax(P);

T=[1 0 0 0 0 0;1 0 0 0 0 0;1 0 0 0 0 0;1 0 0 0 0 0;

… …

0 0 0 0 0 1;0 0 0 0 0 1;0 0 0 0 0 1;0 0 0 0 0 1]'

spread=0.03;

net=newpnn(P,T,spread);

temp=sim(net,P);

Yc=vec2ind(temp);

P_test=[48 38.4 91.6 5.3 4.8;70 30 50 40 3;

… …

279 41 9.7 42 34;154.3 32.5 24.9 42.4 68.8]';

P_test=mapminmax('apply',P_test,s1);

Y=sim(net,P_test);

Ya=vec2ind(Y);

Ya

figure

axis=([1 12 1 6])

stem(1:length(Ya),Ya,'b^')

title('PNN網(wǎng)絡訓練后的效果')

xlabel('測試樣本編號')

ylabel('測試樣本類別')

仿真結果如圖5所示。

圖5　PNN神經(jīng)網(wǎng)絡故障分類結果

4仿真結果分析

采用大量的變壓器故障樣本數(shù)據(jù)分別對文中所設計的兩種前向神經(jīng)網(wǎng)絡進行仿真，通過仿真結果可以看出診斷效果比較明顯。其中BP神經(jīng)網(wǎng)絡因為樣本多、數(shù)據(jù)隨機性大而耗時長。在BP神經(jīng)網(wǎng)絡訓練達到50 000步(時間：4分37秒)時停止觀察，12組測試樣本中有11組達到了正確分類，另外一組沒能完全識別出來。PNN神經(jīng)網(wǎng)絡完成訓練的速度很快(不足1秒)，且故障識別率達到了100%。仿真結果表明兩種網(wǎng)絡在變壓器故障診斷方面優(yōu)勢突出，綜合分析比較可知，PNN神經(jīng)網(wǎng)絡用于故障分類效果更好。

5結束語

本文論述了BP神經(jīng)網(wǎng)絡和PNN神經(jīng)網(wǎng)絡在變壓器故障診斷中的原理和方法，并用仿真結果驗證了網(wǎng)絡的可靠性。在設計網(wǎng)絡的過程中采用了改進的學習算法，考慮到樣本數(shù)據(jù)中不同組分氣體和同一種氣體在不同故障時含量的較大差別，同時為提高網(wǎng)絡的泛化能力和適應性，對輸入數(shù)據(jù)做了歸一化處理。結果表明，兩種前向神經(jīng)網(wǎng)絡在變壓器故障診斷中方法簡單、易于實現(xiàn)、泛化能力強，能夠滿足工程需要。神經(jīng)網(wǎng)絡作為變壓器故障診斷的一種智能方法，目前還存在一些不足，用先進的智能算法改進神經(jīng)網(wǎng)絡或與其他智能診斷方法相結合是未來的一個發(fā)展方向。

參考文獻：

[1]董其國.電力變壓器故障與診斷[M].北京:中國電力出版社,2002．

[2]Michel Duval.A review of faults detectable by gas-in-oil analysis in transformers[J].IEEE Electrical Insulation Magazine, 2002,18(3):8-17．

[3]國家能源局．變壓器油中溶解氣體分析和判斷導則(DL/T722-2014)[M]．北京：中國電力出版社,2015．

[4]楊廷方,李景祿,曾祥君,等.基于多方法組合診斷模型的大型變壓器故障診斷[J].電力系統(tǒng)自動化,2009,20:92-95.

[5]楊迎化,唐大全,盧建.神經(jīng)網(wǎng)絡在智能故障診斷技術中的應用及其發(fā)展趨勢[J].測控技術,2003,22(9):4-5.

[6]王雪梅,李文申,嚴璋.BP 網(wǎng)絡在電力變壓器故障診斷中的應用[J].高電壓技術，2005,31(7):12-14.

[7]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,2014,51(21):35-38.

[8]王桂英,張世軍,潘思堯.基于神經(jīng)網(wǎng)絡的變壓器故障診斷方法研究[J].計算機測量與控制,2012(7):1760-1762.

[9]畢曉軍.信息智能處理技術[M].北京：電子工業(yè)出版社,2010．

[10]陳金輝,趙雷振,楊宗宵,等.改進的BP神經(jīng)網(wǎng)絡在故障診斷中的應用[J].河北科技大學學報,2011,32(5):455-457.

[11]周品.MATLAB神經(jīng)網(wǎng)絡設計與應用[M].北京：清華大學出版社,2013．

[12]姬東朝,宋筆鋒,易華輝.基于概率神經(jīng)網(wǎng)絡的設備故障診斷及仿真分析[J].火力與指揮控制,2009,34(1):82-83.

[13]蔣宗禮.人工神經(jīng)網(wǎng)絡導論[M].北京:高等教育出版社,2001.

[14]陳明.MATLAB神經(jīng)網(wǎng)絡原理與實例精解[M].北京：清華大學出版社,2012．

[15]范文兵,陶振麟,張素貞.基于遞推正交最小二乘的RBF網(wǎng)絡結構優(yōu)化[J].華東理工大學學報,2001(05):503-506.

更正

2015年12期文章《基于容柵位移傳感器的管路堵塞監(jiān)測系統(tǒng)設計》中，增加通訊作者如下:

《計算機測量與控制》雜志社

2016.2.

Application of Two Forward Neural Networks in Transformer Fault Diagnosis

Liu Chunpeng1,2，Yao Yi1,2，Jia Jinling2,3，Yang Hongying1,2,Su Guangfu1,2

(1.School of Automation and Electronic Information, Sichuan University of Science & Engineering,Zigong643000,China; 2.Artificial Intelligence Key Laboratory of Sichuan Province, Zigong643000,China;3.School of Computer Science,Sichuan University of Science & Engineering, Zigong643000,China)

Abstract:Under the circumstance that the deficiency of conventional fault diagnosis method relies transformer oil dissolved gas analysis and the need for the further development of future intelligent diagnostic algorithms, this paper introduces the application of two forward neural networks in transformer fault diagnosis based on the research of artificial neural network and do simulation training with a lot of DGA sample data. Firstly, some flaws in the several common transformer fault diagnosis methods are discussed and it comes to the advantage of the artificial neural network after the analysis of the limitation of the modern intelligent diagnosis algorithm.Then the internal fault in the transformer are classified and coded with the consideration of principle and structure of two forward neural network .The corresponding fault diagnosis model is designed respectively and tested in Matlab with the simulation programs.The simulation results show that two kinds of neural network for transformer fault diagnosis identification is relatively ideal and PNN network behaves better when the Sample size is large, which improves the accuracy of transformer fault diagnosis.

Keywords：transformer ; fault diagnosis; BP neural network; PNN neural network; Matlab simulation

通訊作者：劉艷華(1969-)，女，副教授，主要從事計算機應用方向的研究。

文章編號：1671-4598(2016)02-0034-04

DOI：10.16526/j.cnki.11-4762/tp.2016.02.009

中圖分類號：TM407

文獻標識碼：A

作者簡介：劉春鵬(1987-)，男，河南平頂山人，碩士，主要從事智能檢測與專家系統(tǒng)方向的研究。賈金玲(1959-)，女，四川自貢人，教授，碩士生導師，主要從事信號檢測與信息處理方向的研究。

基金項目：人工智能四川省重點實驗室項目(2014RYJ01)；四川省教育廳重點項目(201ZA123)；四川理工學院研究生創(chuàng)新基金項目(y2014007)。

收稿日期：2015-08-14；修回日期：2015-09-16。

姚毅(1961-)，男，四川自貢人，教授，碩士生導師，主要從事智能測試與專家系統(tǒng)方向的研究。