王 超1，汪萬平

(1.國網(wǎng)四川省電力公司，四川 成都 610041；2.國網(wǎng)四川省電力公司電力科學(xué)研究院，四川 成都 610072)

?

基于BP神經(jīng)網(wǎng)絡(luò)和故障樹分析方法的變壓器故障綜合診斷模型

王 超1，汪萬平2

(1.國網(wǎng)四川省電力公司，四川 成都 610041；2.國網(wǎng)四川省電力公司電力科學(xué)研究院，四川 成都 610072)

電力變壓器是電力系統(tǒng)中最重要的輸變電設(shè)備之一，其故障征兆和故障原因之間的關(guān)系錯綜復(fù)雜，單項診斷方法信息特征獨特、考慮角度單一，通常難以滿足其故障診斷要求。提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和故障樹分析方法的變壓器故障綜合診斷新模型。首先收集整理變壓器故障信息量作為訓(xùn)練和識別樣本，建立了基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型，再利用故障樹分析方法，對變壓器故障等級、嚴(yán)重程度等進行劃分。通過大量的現(xiàn)場數(shù)據(jù)驗證表明，與單一診斷方法相比，該模型能提高故障診斷正確率。研究成果為變壓器故障評估診斷提供了一種新思路。

變壓器；故障樹；BP神經(jīng)網(wǎng)絡(luò)；故障診斷；綜合診斷模型

電力變壓器是電網(wǎng)的核心設(shè)備，其運行可靠性直接關(guān)系到電力系統(tǒng)的安全與穩(wěn)定，全面實時地對變壓器運行狀態(tài)做出快速有效的評估，將對電網(wǎng)的安全穩(wěn)定運行以及運維工作量和成本的降低發(fā)揮關(guān)鍵性作用[1]。

在長期運行過程中，由于受到各種內(nèi)因和外因的影響，變壓器難免出現(xiàn)缺陷和故障。及時發(fā)現(xiàn)變壓器潛在的缺陷和故障，有利于將隱患消除在萌芽狀態(tài)，有助于降低變壓器故障對電網(wǎng)的危害程度[2]。國內(nèi)外研究學(xué)者長期致力于變壓器狀態(tài)評估與故障診斷方面的研究，在變壓器故障診斷模型研究方面主要有基于改進小波神經(jīng)網(wǎng)絡(luò)、支持向量機、物元理論等方法的變壓器故障診斷模型[3-7]。由于單一算法特征信息獨特，考慮角度較為單一，診斷準(zhǔn)確性不能得到有效保障。目前，關(guān)于多種方法對變壓器進行綜合診斷評估的模型研究并不多見，相關(guān)文獻也較少。

這里提出一種基于BP神經(jīng)網(wǎng)絡(luò)和故障樹分析方法的變壓器故障綜合診斷模型，該模型首先收集整理變壓器故障信息量作為訓(xùn)練和識別樣本，建立了基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型；再利用故障樹分析方法，對變壓器故障等級、嚴(yán)重程度等進行劃分。結(jié)合現(xiàn)場故障數(shù)據(jù)分析表明，變壓器故障診斷多方法組合的思想能有效地提高變壓器故障診斷準(zhǔn)確性，解決了多種獨立診斷結(jié)果集結(jié)統(tǒng)一的問題。

1 BP神經(jīng)網(wǎng)絡(luò)

BP (back propagation)神經(jīng)網(wǎng)絡(luò)，即誤差反向后傳算法，是由Rumelhart McCelland于1985年提出。它由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者達到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止[8]。

BP神經(jīng)網(wǎng)絡(luò)模型包括節(jié)點輸出模型、作用函數(shù)模型、誤差計算模型和自學(xué)習(xí)模型。

1) 節(jié)點輸出模型

隱節(jié)點輸出模型：

Oj=f(∑Wij×Xi-qj)

(1)

輸出節(jié)點輸出模型：

Yk=f(∑Tjk×Oj-qk)

(2)

式中：f為非線性作用函數(shù)；Wij、Tjk為神經(jīng)元的閾值；Xi-qj為神經(jīng)元輸入向量；Qj-qk為中間節(jié)點神經(jīng)元輸出向量。

2) 作用函數(shù)模型

作用函數(shù)是反映下層輸入對上層節(jié)點刺激脈沖強度的函數(shù)，又稱刺激函數(shù)，一般取為(0,1)內(nèi)連續(xù)取值Sigmoid函數(shù)：

f(x)=1/(1+e)

(3)

3) 誤差計算模型

誤差計算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計算輸出之間誤差大小的函數(shù)：

Ep=1/2×∑(tpi-Opi)

(4)

式中，tpi是i節(jié)點的期望輸出值；Opi是i節(jié)點的計算輸出值。

4) 自學(xué)習(xí)模型

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，是連接下層節(jié)點和上層節(jié)點之間的權(quán)重矩陣Wij的設(shè)定和誤差修正過程。BP網(wǎng)絡(luò)分為有師學(xué)習(xí)方式-需要設(shè)定期望值和無師學(xué)習(xí)方式-只需輸入2種模式。自學(xué)習(xí)模型為：

ΔWij(n+1)=h×Φi×Oj+a×ΔWij(n)

(5)

式中，h為學(xué)習(xí)因子；Фi為輸出節(jié)點i的計算誤差；Oj為輸出節(jié)點j的計算輸出；a是動量因子。

2 故障樹理論

故障樹分析方法(fault tree analysis)簡稱FTA法，是一種分析、判斷系統(tǒng)的可靠性和可用性，將系統(tǒng)故障形成的原因由總體至部分按樹枝狀逐級細(xì)化的重要分析方法。利用FTA分析系統(tǒng)的故障模式，通過衡量元、部件對系統(tǒng)的重要度，找出系統(tǒng)或設(shè)備的薄弱環(huán)節(jié)，以便在設(shè)計和系統(tǒng)運行管理中采取相應(yīng)的措施[9-11]。

故障樹是一種特殊的倒立樹狀邏輯因果關(guān)系圖，它用事件符號、邏輯門符號和轉(zhuǎn)移符號描述系統(tǒng)中各種事件之間的因果關(guān)系。對故障樹的定性分析，主要是對原始故障樹進行化簡并得到其最小割集的過程，其主要目的是為了找出導(dǎo)致頂事件發(fā)生的所有可能故障模式。

故障樹的結(jié)構(gòu)函數(shù)是故障樹的數(shù)學(xué)表達式，它是對故障樹進行定性和定量分析的基礎(chǔ)，考慮由n個不同的獨立底事件構(gòu)成的風(fēng)險樹，化簡后的風(fēng)險樹之頂事件的狀態(tài)中完全由底事件的狀態(tài)Xi(i=1，2，…，n)的取值所決定(共2n個狀態(tài))，即Φ(X)=Φ(x1，x2，…，xn)稱為邏輯函數(shù)風(fēng)險樹的結(jié)構(gòu)函數(shù)。

例如，與門結(jié)構(gòu)風(fēng)險樹的結(jié)構(gòu)函數(shù)為

(6)

式(6)的意義是當(dāng)全部底事件都發(fā)生(即全部Xi都取值1時)，則頂事件才發(fā)生(Φ(X)=1)。而對于或門結(jié)構(gòu)風(fēng)險樹，其結(jié)構(gòu)函數(shù)為

(7)

式(7)的意義是當(dāng)系統(tǒng)中任一個底事件發(fā)生時，則頂事件發(fā)生。

用結(jié)構(gòu)函數(shù)代表風(fēng)險樹，利用布爾代數(shù)運算規(guī)則和邏輯門等效變換規(guī)則，獲得對應(yīng)的簡化后的風(fēng)險樹，然后通過定性分析可得到以最小割集和形式的風(fēng)險樹結(jié)構(gòu)函數(shù)。

3 故障診斷模型構(gòu)建

根據(jù)大量試驗數(shù)據(jù)和運行經(jīng)驗總結(jié)變壓器故障類型，大致可分成七類故障，在七類故障中還包含了子故障。七類故障為繞組故障、鐵心故障、絕緣故障、引線故障、分接開關(guān)故障、套管故障及其他故障。

依據(jù)上述故障分類類型，所建模型采用了故障樹分析法和神經(jīng)網(wǎng)絡(luò)法，對變壓器故障情況進行綜合評估：其中故障樹分析法用于故障定位，即分析故障到底屬于變壓器哪個組(部)件；神經(jīng)網(wǎng)絡(luò)法用于故障定性，即故障到底屬于是過熱還是放電，屬于哪種過熱或者是放電。借助于故障樹形式，可將變壓器故障直觀地逐級劃分為基本故障類型，這不僅有利于故障原因的分析，而且對改進設(shè)計和制造工藝均有很大的幫助。

3.1 故障樹模型的建立

根據(jù)對變壓器故障以及事故的統(tǒng)計分析，建立了電力變壓器故障樹。將威脅大型變壓器安全運行并需盡快安排檢修的情況作為頂故障，導(dǎo)致頂故障發(fā)生的中間級故障是按變壓器主要組件故障劃分的，變壓器主故障樹結(jié)構(gòu)如圖1所示。

圖1 大型變壓器主故障樹

圖2 繞組故障子樹

進一步根據(jù)故障間的因果關(guān)系，可以分別找出導(dǎo)致中間級故障的根本故障原因，因而形成一系列故障子樹，包括“繞組故障”、“鐵心故障”、“主絕緣故障”等子樹，如圖2～圖4所示。

圖3 鐵心故障子樹

1) 故障概率分級

基于專家意見及現(xiàn)場經(jīng)驗，將變壓器的故障率按照故障發(fā)生概率大小對故障可能性等級進行劃分，分為極高(Ⅰ)、較高(Ⅱ)、一般(Ⅲ)、較低(Ⅳ)、極低(Ⅴ)5個等級，如表1所示。

圖4 主絕緣故障子樹

表1 故障等級標(biāo)準(zhǔn)劃分表

根據(jù)各種故障模式發(fā)生概率的統(tǒng)計，忽略了統(tǒng)計中帶來的一些難以避免的誤差，分別計算出發(fā)生各種故障的可能性，并針對故障可能性概率劃分的5個等級進行故障可能性等級的評定。

2) 故障嚴(yán)重度分析

通過計算機編程實現(xiàn)了AHP層次分析法和可拓工程法兩種方法相結(jié)合，從而對23種故障嚴(yán)重性進行預(yù)算，基于專家意見及現(xiàn)場經(jīng)驗將變壓器故障失效嚴(yán)重度按照綜合評判分為很嚴(yán)重(Ⅰ)、較嚴(yán)重(Ⅱ)、一般(Ⅲ)、不太嚴(yán)重(Ⅳ)、不嚴(yán)重(Ⅴ)5個等級。結(jié)果如表2所示。

表2 故障嚴(yán)重性等級劃分標(biāo)準(zhǔn)

3.2 BP神經(jīng)網(wǎng)絡(luò)模型的建立

標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)由3個節(jié)點層組成。即輸入層、隱含層和輸出層，各層次的節(jié)點之間形成全互聯(lián)連接，各層次內(nèi)的節(jié)點之間沒有連接。在BP網(wǎng)絡(luò)模型建立和訓(xùn)練過程中，最為重要的參數(shù)是權(quán)值和閾值，通過調(diào)整權(quán)值和閾值來減少誤差完成訓(xùn)練，因此這兩類參數(shù)的選取對網(wǎng)絡(luò)收斂速度以及精度有重要影響。采用梯度下降法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值參數(shù)進行優(yōu)化選擇，計算簡單，速度快，適用于簡單網(wǎng)絡(luò)。

應(yīng)用現(xiàn)有的油氣數(shù)據(jù)及其對應(yīng)的故障類型樣本數(shù)據(jù)，將其轉(zhuǎn)化為相應(yīng)的模式數(shù)據(jù)，輸入到BP神經(jīng)網(wǎng)絡(luò)中。通過訓(xùn)練學(xué)習(xí)，建立網(wǎng)絡(luò)結(jié)構(gòu)模型，再向網(wǎng)絡(luò)輸入待測樣本，經(jīng)網(wǎng)絡(luò)訓(xùn)練得到分析結(jié)果。

4 實例與分析

以328臺110 kV及以上電壓等級的電力變壓器事故和故障統(tǒng)計資料為基礎(chǔ)，通過對其故障數(shù)據(jù)的整理分析，得出變壓器故障概率的分級如表3所示。

表3 變壓器故障概率分級表

然后對這328臺變壓器進行故障嚴(yán)重度的分析，所得的變壓器故障嚴(yán)重度的綜合評判和等級劃分如表4所示。

根據(jù)變壓器故障發(fā)生的概率和變壓器故障的嚴(yán)重程度，結(jié)合風(fēng)險矩陣進行分析，可分別對變壓器的繞組故障、鐵心故障和絕緣故障進行故障等級的劃分，如表5所示。

表4 變壓器故障嚴(yán)重度的綜合評判和等級劃分

表5 變壓器故障的評估實現(xiàn)

應(yīng)用已建立的BP神經(jīng)網(wǎng)絡(luò)故障診斷模型，對工程現(xiàn)場獲取的故障變壓器油氣數(shù)據(jù)進行識別，實例如下。

實例1：

某變壓器的油色譜數(shù)據(jù)為：H2=176 μL/L、CH4=205.9 μL/L、C2H4=75.7μ L/L、C2H6=47.7 μL/L、C2H2=68.7 μL/L。采用BP神經(jīng)網(wǎng)絡(luò)對變壓器進行故障診斷，診斷結(jié)果如圖5所示，其識別結(jié)果為電弧放電。利用傳統(tǒng)采用的改良三比值法進行驗證，其編碼為(1，1，1)，故障類型為電弧放電。

圖5 神經(jīng)網(wǎng)絡(luò)診斷實例1

圖6 神經(jīng)網(wǎng)絡(luò)診斷實例2

實例2：

某變壓器的油色譜數(shù)據(jù)為：H2=11.3μL/L、CH4=21.8μL/L、C2H4=53μL/L、C2H6=11.2μL/L、C2H2=25μL/L，采用BP神經(jīng)網(wǎng)絡(luò)對變壓器進行故障診斷，診斷結(jié)果如圖6所示，其識別結(jié)果為電弧放電。利用傳統(tǒng)采用的改良三比值法進行驗證，其編碼為(1，2，2)，故障類型為電弧放電。

5 結(jié) 語

所提出的變壓器故障診斷多方法組合的思想，有效地解決了變壓器故障診斷多種獨立評價結(jié)果集結(jié)統(tǒng)一的問題。組合診斷法具有單一診斷方法難以取代的優(yōu)勢，有良好的應(yīng)用前景。從診斷結(jié)果來看，該方法比單項診斷方法具有更高的故障診斷準(zhǔn)確率。

從診斷技術(shù)的發(fā)展來看，組合診斷將是未來智能診斷技術(shù)的研究方向。組合診斷的可行性和有效性在于能把涉及診斷的不同理論、思想和方法有機整合起來，以實現(xiàn)診斷模型對診斷求解的高效性和可靠性。所提出的研究思路不僅限于變壓器故障診斷，還可應(yīng)用于其他設(shè)備、其他領(lǐng)域的故障診斷。

[1] 王昌長，李福祺，高勝友．電力設(shè)備的在線監(jiān)測與故障診斷[M]．北京：清華大學(xué)出版社，2003．

[2] 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，2009，22(20)：92-97．

[3] 陳偉根，潘翀，云玉新，等．基于改進小波神經(jīng)網(wǎng)絡(luò)算法的電力變壓器故障診斷方法[J]．儀器儀表學(xué)報，2008，29(7)：1489-1493．

[4] 董明，孟源源，徐長響，等．基于支持向量機及油中溶解氣體分析的大型電力變壓器故障診斷模型研究[J]．中國電機工程學(xué)報，2003，23(7)：88-93．

[5] 袁娜，宮政，武中利，等．一種改進的物元模型在變壓器故障診斷中的應(yīng)用[J]．華北電力大學(xué)學(xué)報，2012，39(3)：47-52．

[6] 熊浩，孫才新，杜鵬，等．基于物元理論的電力變壓器狀態(tài)綜合評估[J]．重慶大學(xué)學(xué)報：自然科學(xué)版，2006，29(10)：24-28．

[7] 梁永亮，李可軍，牛林，等.變壓器狀態(tài)評估多層次不確定模型[J]．電力系統(tǒng)自動化，2013，37(22)：73-77．

[8] 黃新波，王婭娜，劉林，等．變壓器油色譜在線監(jiān)測中BP神經(jīng)網(wǎng)絡(luò)算法分析[J]．陜西電力，2013，6(8)：52-58．

[9] 周寧，馬建偉，胡博，等．基于故障樹分析的電力變壓器可靠性跟蹤方法[J]．電力系統(tǒng)保護與控制，2012，40(19)：72-77．

[10] 谷凱凱，郭江．緊致融合模糊集和故障樹的變壓器故障診斷[J]．高電壓技術(shù)，2014，40(5)：1507-1513．

[11] 鄢小虎，盧文華，杜振波，等．一種基于多參量融合故障樹的變壓器故障診斷方法[J]．自動化與儀器儀表，2015，4(8)：76-81．

Power transformer is one of the most important power transmission equipments in power system, the relationship between the fault symptoms and the fault causes is intricate, and the information characteristics of single diagnosis method is unique when considering from the single point of view, which usually is difficult to meet the needs of fault diagnosis. A new model of transformer fault diagnosis based on BP neural network and fault tree analysis is proposed. Firstly, a collection of transformer fault information is used as training samples to establish the model of transformer fault diagnosis based on BP neural network, and then the fault tree analysis method is adopted to divide the severity and fault level of transformer. Through a large number of field data, the proposed model has improved the diagnosis accuracy compared with the single diagnosis method. The research results provide a new idea for transformer fault diagnosis.

transformer; fault tree; BP neutral network; fault diagnosis; integrated diagnosis model

TM41 <文獻標(biāo)志碼：a class="emphasis_bold"> 文獻標(biāo)志碼：A 文章編號：1003-6954(2016)06-0032-04文獻標(biāo)志碼：a

1003-6954(2016)06-0032-04

A 文章編號：1003-6954(2016)06-0032-04

2016-10-08)

王 超(1976)，碩士、高級工程師，主要從事電力系統(tǒng)自動化裝備、高壓直流輸電系統(tǒng)工程與研究。