牟雪云, 劉水明, 張華富

(1.上海電力學(xué)院 電氣工程學(xué)院, 上海 200090; 2.國(guó)網(wǎng)上海市電力公司 金山供電公司,上海 201515)

?

基于人工神經(jīng)網(wǎng)絡(luò)的變壓器絕緣老化診斷算法研究

牟雪云1, 劉水明2, 張華富2

(1.上海電力學(xué)院 電氣工程學(xué)院, 上海 200090; 2.國(guó)網(wǎng)上海市電力公司 金山供電公司,上海 201515)

介紹了人工神經(jīng)網(wǎng)絡(luò)在變壓器絕緣老化診斷中的應(yīng)用,并采用BP算法設(shè)計(jì)了變壓器絕緣老化診斷系統(tǒng).定義了不同的變壓器狀態(tài),采用大量的數(shù)據(jù)進(jìn)行訓(xùn)練,結(jié)果表明,應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對(duì)變壓器絕緣老化程度進(jìn)行判斷并對(duì)其剩余壽命進(jìn)行評(píng)估,具有更高的準(zhǔn)確性和可靠性.

人工神經(jīng)網(wǎng)絡(luò); 變壓器; 絕緣老化

近年來(lái),人工神經(jīng)網(wǎng)絡(luò)在變壓器故障智能診斷和變壓器絕緣老化診斷中得到廣泛的應(yīng)用.根據(jù)人工神經(jīng)網(wǎng)絡(luò)原理,結(jié)合變壓器領(lǐng)域知識(shí),本文成功地開(kāi)發(fā)了變壓器固體絕緣老化診斷的神經(jīng)網(wǎng)絡(luò)算法.

本文用向量表示不同的變壓器狀態(tài),如(1 0 0 0 0)代表正常運(yùn)行狀態(tài),輸出越趨向于(1 0 0 0 0)表示可靠性越高,越趨向于(0 1 0 0 0)代表過(guò)負(fù)荷老化,越趨向于(0 0 1 0 0)代表液體油絕緣故障,趨向于(0 0 0 1 0)表示輕度絕緣材料裂解,趨向于(0 0 0 0 1)代表重度絕緣材料裂解.并通過(guò)實(shí)例訓(xùn)練驗(yàn)證了本文設(shè)計(jì)的變壓器絕緣老化診斷系統(tǒng)可以比較準(zhǔn)確地測(cè)試變壓器老化狀態(tài)及變壓器的使用壽命情況.

1 人工神經(jīng)網(wǎng)絡(luò)分類(lèi)

考慮不同的拓?fù)浣Y(jié)構(gòu)、網(wǎng)絡(luò)功能和學(xué)習(xí)方法等,人工神經(jīng)網(wǎng)絡(luò)可以分為以下6類(lèi)[1].

(1) 感知器型神經(jīng)網(wǎng)絡(luò) 是最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò),只有單層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),采用硬限值函數(shù)作為網(wǎng)絡(luò)的傳遞函數(shù),適用于簡(jiǎn)單的線性二類(lèi)劃分.

(2) 線性型神經(jīng)網(wǎng)絡(luò) 是一種自適應(yīng)元件,適用于擬合數(shù)據(jù)和數(shù)據(jù)逼近.

(3) BP神經(jīng)網(wǎng)絡(luò) 一種按誤差反向傳播算法進(jìn)行訓(xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一.具有一個(gè)或多個(gè)隱含層.圖1是一個(gè)典型的具有單層感知器的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖.

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

(4) 競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò) 各個(gè)神經(jīng)元之間是相互競(jìng)爭(zhēng)的關(guān)系,適用于模式分類(lèi)問(wèn)題.

(5) 反饋型神經(jīng)網(wǎng)絡(luò) 所有神經(jīng)元同時(shí)將輸出信息作為輸入信息反饋給其他神經(jīng)元的一種形式,并經(jīng)過(guò)一定的時(shí)間調(diào)節(jié)后達(dá)到穩(wěn)定狀態(tài).

(6) 隨機(jī)型神經(jīng)網(wǎng)絡(luò) 按隨機(jī)原理在神經(jīng)網(wǎng)絡(luò)中產(chǎn)生,按概率論原理工作,用于解決組合優(yōu)化等問(wèn)題.

2 變壓器絕緣老化人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)開(kāi)發(fā)

變壓器絕緣老化的情況相當(dāng)復(fù)雜,因?yàn)樽儔浩髟谶\(yùn)行中存在眾多不確定性的因素.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對(duì)變壓器絕緣老化程度進(jìn)行判斷并對(duì)其剩余壽命進(jìn)行評(píng)估[2],具有更高的準(zhǔn)確性和可靠性.

2.1 BP算法

BP神經(jīng)網(wǎng)絡(luò)采用Widrow-Hoff學(xué)習(xí)算法和非線性傳遞函數(shù)[2],典型的BP網(wǎng)絡(luò)采用的是梯度下降算法.BP網(wǎng)絡(luò)一般采用的是非線性傳遞函數(shù),使網(wǎng)絡(luò)能夠以任意的精度接近任一非線性函數(shù),這就是BP網(wǎng)絡(luò)的重要性質(zhì)之一,一般BP網(wǎng)絡(luò)采用隱含層、中間層的結(jié)構(gòu),能夠提取更高層的統(tǒng)計(jì)數(shù)據(jù),尤其是輸入量很大時(shí),BP網(wǎng)絡(luò)能提取高階統(tǒng)計(jì)數(shù)據(jù).

BP網(wǎng)絡(luò)是距今為止在人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用的最多的網(wǎng)絡(luò),主要原因就在于BP算法的多層感知器具有以下3方面的能力[3].

(1) 非線性映射能力 在沒(méi)有提供先前了解輸入輸出關(guān)系的模型時(shí),BP網(wǎng)絡(luò)能通過(guò)學(xué)習(xí)、存儲(chǔ)輸入輸出之間的相互映射關(guān)系;能夠應(yīng)用足夠多的樣本數(shù)據(jù)模式對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練,從而可以完成由m維空間向量向n維空間向量的非線性映射.

(2) 泛化能力 BP網(wǎng)絡(luò)訓(xùn)練后將樣本對(duì)應(yīng)的非線性關(guān)系存儲(chǔ)在權(quán)值矩陣中,在以后的訓(xùn)練中,再次向網(wǎng)絡(luò)輸入網(wǎng)絡(luò)未曾見(jiàn)過(guò)的數(shù)據(jù)時(shí),依然能夠完成由輸入輸出的成功映射.

(3) 容錯(cuò)能力 BP網(wǎng)絡(luò)允許輸入樣本中有較大的誤差甚至是錯(cuò)誤.

本文設(shè)計(jì)的變壓器絕緣老化的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,其中a,b,p等對(duì)應(yīng)的都是矩陣向量函.

圖2 變壓器絕緣老化的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP算法包括兩個(gè)階段[4],第一階段計(jì)算實(shí)際輸出;第二階段是對(duì)權(quán)值和閾值的修改,這個(gè)修改是從輸出層向下進(jìn)行計(jì)算和修改.假設(shè)全部過(guò)程中,對(duì)于輸出層均有j=0,1,2,…,m;k=1,2,3,…,l.其中,j為隱含層節(jié)點(diǎn)數(shù),k為輸出節(jié)點(diǎn)數(shù).對(duì)于隱層,均有i=0,1,2,…,n;j=1,2,3,…,m.其中i為輸入節(jié)點(diǎn)數(shù).輸入向量為X,隱含層的輸出向量為O,輸出層輸出向量為Y,期望輸出為t.輸入層到隱含層之間的權(quán)值矩陣用V表示,隱含層到輸出層之間的權(quán)值矩陣用W表示.

具體步驟如下.

步驟1 初始化,給雙層BP網(wǎng)絡(luò)各層的權(quán)值V和W賦一個(gè)隨機(jī)數(shù)做初值;誤差E置0,樣本模式計(jì)算器p置1,訓(xùn)練次數(shù)q置1,網(wǎng)絡(luò)訓(xùn)練后達(dá)到的精度Emin設(shè)為一正小數(shù).學(xué)習(xí)速率η設(shè)置為(0,1]區(qū)間的小數(shù).

步驟2 輸入訓(xùn)練樣本,計(jì)算各層輸出.用當(dāng)前樣本Xp和dp對(duì)向量X和d賦值.

權(quán)值的調(diào)整公式為:

(1)

(2)

(3)

(4)

誤差定義式為:

(5)

yk=f(netk)

(6)

其中

利用式(1)至式(4)可計(jì)算隱含層和輸出層的各分量.

步驟3 計(jì)算網(wǎng)絡(luò)的誤差.設(shè)共有P對(duì)訓(xùn)練樣本,總輸出誤差ERME算法是將全部樣本輸出誤差的平方(Ep)2進(jìn)行累加再開(kāi)方.

(7)

步驟4 求出各層誤差,對(duì)已知樣本的計(jì)算式為:

(8)

(9)

步驟5 修改權(quán)值計(jì)算W和V中的各分量.

(10)

(11)

步驟6 檢查所有樣本是否完成一次訓(xùn)練,若p

步驟7 按新值計(jì)算判斷誤差是否達(dá)到精度要求,若滿足ERME

2.2 BP網(wǎng)絡(luò)的訓(xùn)練及仿真

創(chuàng)建BP網(wǎng)絡(luò)常用的調(diào)用格式為[5]:

net=newff(P,T,[S1S2…S(N-1)],

{TF1TF2…TFN}

其中,P,T分別為輸入樣本和期望響應(yīng);Si為網(wǎng)絡(luò)各層的神經(jīng)元數(shù)目;TFi為網(wǎng)絡(luò)各層的傳遞函數(shù)類(lèi)型.

在變壓器壽命評(píng)估中調(diào)用logsig(n)函數(shù)和purelin(n)函數(shù),通過(guò)判斷輸出函數(shù)與0或1的接近程度來(lái)評(píng)估變壓器的老化狀態(tài).本文采用的圖1是一個(gè)典型的具有兩個(gè)神經(jīng)元層的BP神經(jīng)網(wǎng)絡(luò),隱含層傳遞函數(shù)為logsig,輸出層的傳遞函數(shù)為purelin函數(shù).函數(shù)執(zhí)行的結(jié)果是返回一個(gè)N層的前向型BP神經(jīng)網(wǎng)絡(luò).利用sim函數(shù)可以實(shí)現(xiàn)網(wǎng)絡(luò)對(duì)一定輸入的仿真.

在神經(jīng)網(wǎng)絡(luò)的開(kāi)發(fā)中,輸入層信號(hào)由油中特征氣體CO,CO2,油中糠醛,丙酮,CO2/CO的值5個(gè)信號(hào)組成.其中油中特征氣體CO和CO2由色譜分析得到,油中糠醛使用液相色譜分析得到,丙酮使用氣相色譜分析得到.隱含層節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn),然后反復(fù)試驗(yàn)可以得出為80,此時(shí)的誤差收斂效果最佳.輸出層的輸出為5維向量,定義此5維向量不同的值對(duì)應(yīng)變壓器的不同狀態(tài).

為了提高變壓器絕緣老化診斷的可靠性,應(yīng)該注意以下3個(gè)問(wèn)題.

(1) 應(yīng)該準(zhǔn)確地測(cè)量糠醛,丙酮,CO,CO2的真實(shí)含量,盡量避免變壓器濾油、換油、補(bǔ)加油.若達(dá)不到這一要求,則應(yīng)該在濾油、換油、補(bǔ)加油的前后進(jìn)行油中溶解氣體和糠醛、丙酮的分析,折算其損失,累計(jì)真實(shí)含量.

(2) 在變壓器出現(xiàn)局部高溫過(guò)熱或電弧放電引起絕緣老化、但面積又不大時(shí),產(chǎn)生的糠醛、丙酮不多,則應(yīng)該注意DGA數(shù)據(jù)中不僅CO和CO2及CO/CO2的異常,油中氫氣及烴類(lèi)氣體一定很高.這是與非故障狀態(tài)引起絕緣老化相區(qū)別的主要特征.

(3) 對(duì)于較低溫度下的局部過(guò)熱故障引起的絕緣異常老化,造成局部的油道堵塞、油流不暢等,就會(huì)出現(xiàn)局部絕緣分解.這種情況產(chǎn)生的糠醛、丙酮含量也很少,且一般無(wú)法采取過(guò)熱處理樣本聚合度,甚至可能會(huì)導(dǎo)致變壓器燒壞.因此,在判斷時(shí)應(yīng)該結(jié)合密封方式、絕緣結(jié)構(gòu)、運(yùn)行方式、檢修史、故障史等進(jìn)行綜合判斷.

某電廠SFP3-260000/220的升壓變壓器,額定容量為200MW[6].對(duì)應(yīng)變壓器的上述5種狀態(tài)各采集了10組數(shù)據(jù).從每種情況中選擇9組值作為樣本,剩余值作為檢測(cè)樣本,將輸入樣本存儲(chǔ)于bp.xls.xlsx中,利用Matlab命令讀取.

在Matlab軟件命令窗口中輸入命令:

[filename,pathname]=uigetfile(′bp.xls.xlsx′);

file=[pathnamefilename];

x=xlsread(file);

p=x;

p=p′;

p即為輸入樣本向量.

判斷結(jié)果類(lèi)型編碼如表1所示.

表1 調(diào)節(jié)器輸出向量編碼表

輸出響應(yīng)向量輸入命令:

T=zeros(45,5);

for j=0:4;

for i=j*9+1:j*9+9;

T(i,j+1)=1;

end

end

T=T′;

T為定義的期望響應(yīng)向量.

構(gòu)建BP神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)參數(shù)如表2所示.

表2 BP神經(jīng)網(wǎng)絡(luò)參數(shù)

網(wǎng)絡(luò)訓(xùn)練輸入命令為:

net=newff(minmax(p),[80,5],{‘logsig’,‘purelin’},‘trainlm’)

net.trainparam.show=100,

net.trainparam.epoch=2000,

net.trainparam.goal=1e-3,

[net,tr]=train(net,p,T).

執(zhí)行上面的命令,得出經(jīng)過(guò)350次迭代,網(wǎng)絡(luò)達(dá)到了設(shè)定的誤差性能目標(biāo),且誤差曲線變化平緩,符合要求,表明網(wǎng)絡(luò)訓(xùn)練成功.

將剩余的5組數(shù)據(jù)存入bp_test.xls,利用xlsread命令讀取輸入檢測(cè)向量,對(duì)人工神經(jīng)網(wǎng)絡(luò)的變壓器老化診斷進(jìn)行測(cè)試.輸入命令:

[filename,pathname]=uigetfile(‘bp_ptest.xls’);

file=[pathname filename];

xtest=xlsread(file);

ptest=xtest′;

result_test=sim(net,ptest)′.

仿真輸出結(jié)果如圖3所示.

圖3 仿真輸出結(jié)果

將結(jié)果整理如表3所示.

表3 BP網(wǎng)絡(luò)變壓器絕緣老化診斷結(jié)果分析

從表3可以看出,訓(xùn)練后的人工神經(jīng)網(wǎng)絡(luò)對(duì)變壓器絕緣老化的診斷結(jié)果與實(shí)際老化狀態(tài)完全符合,因此本文設(shè)計(jì)的變壓器絕緣老化診斷系統(tǒng)可以比較準(zhǔn)確地測(cè)試變壓器老化狀態(tài)及變壓器的使用壽命.

3 結(jié) 論

本文設(shè)計(jì)的變壓器絕緣老化診斷系統(tǒng),主要具有3大優(yōu)點(diǎn):一是避免了單獨(dú)使用CO和CO2含量測(cè)試的不確定性;二是在很大程度上減少了停機(jī)時(shí)間,降低了DP值判斷法的經(jīng)濟(jì)損失;三是可以及時(shí)了解變壓器絕緣老化狀態(tài),掌握其使用壽命,提高了變壓器運(yùn)行的可靠性.

[1] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].北京:化學(xué)工業(yè)出版社,2007:22-28.

[2] 王大忠.模糊理論、專(zhuān)家系統(tǒng)及人工神經(jīng)網(wǎng)絡(luò)在電力變壓器故障診斷中的應(yīng)用[J].華中電力,1996,9(5):302-120.

[3] 馮定.神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)[M].北京:科學(xué)出版社,2006:35-46.

[4] 章政.基于遺傳編程的電力變壓器絕緣故障診斷模型研究[D].上海:上海交通大學(xué),2007.

[5] 孫祥,徐流美,吳清.MATLAB7.0基礎(chǔ)教程[M].北京:清華大學(xué)出版社,2005:124-128.

[6] ALLAN D M.Practical life-assessment technique for aged transformer insulation[J].IEE Proceedings A-Science,Measurement and Technology,1993(5):404-408.

(編輯 胡小萍)

Study on the Transformer Insulation Aging Diagnosis SystemBased on Artificial Neural Networks

MOU Xueyun1, LIU Shuiming2, ZHANG Huafu2

(1.SchoolofElectricalEngineering,ShanghaiUniversityofElectricPower,Shanghai200090,China; 2.StateGridShanghaiJinshanElectricPowerSupplyCompany,Shanghai201515,China)

The method of ANN (Artificial Neural Networks) in transformers diagnosis insulation aging is introduced.Transformer insulation aging diagnosis system is developed through using BP algorithm.Several states of the transformer are defined.The higher feasibility and effectiveness of ANN for transformer insulation aging diagnosis and prediction of its remaining life span are verified by the result.

artificial neural networks; transformer; insulation aging

10.3969/j.issn.1006-4729.2016.05.016

2015-05-19

簡(jiǎn)介：牟雪云(1983-),女,碩士,山東濰坊人.主要研究方向?yàn)樽儔浩鹘^緣老化.E-mail:xue68yun@163.com.

TM403.3;TP183

A

1006-4729(2016)05-0490-05