薛小軍　曹偉青

摘 要：針對(duì)變壓器故障的復(fù)雜性和不確定性，結(jié)合油中氣體分析方法，提出應(yīng)用B樣條模糊神經(jīng)網(wǎng)絡(luò)對(duì)變壓器故障進(jìn)行診斷。模糊神經(jīng)網(wǎng)絡(luò)的基函數(shù)采用B樣條函數(shù)，可以使網(wǎng)絡(luò)的權(quán)值調(diào)整在局部范圍內(nèi)，從而可以加快網(wǎng)絡(luò)的學(xué)習(xí)速度，仿真結(jié)果證明了該方法可以有效地檢測(cè)出變壓器故障類型。

關(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；變壓器；故障診斷

DOI：10.16640/j.cnki.37-1222/t.2018.19.154

電力變壓器是電網(wǎng)運(yùn)行的主要設(shè)備，及時(shí)有效地監(jiān)測(cè)和診斷變壓器故障對(duì)電力系統(tǒng)的可靠運(yùn)行具有重要意義[1]。考慮到電力設(shè)備故障的復(fù)雜性和不確定性，傳統(tǒng)的監(jiān)測(cè)方法得到的故障診斷率很低。神經(jīng)網(wǎng)絡(luò)具有并行處理，學(xué)習(xí)和記憶以及自適應(yīng)調(diào)節(jié)能力，所以非常適合用于變壓器故障診斷領(lǐng)域[2-3]。本文采用B樣條函數(shù)作為模糊神經(jīng)網(wǎng)絡(luò)的隸屬函數(shù)，由于B樣條函數(shù)具有歸一性、緊密性等優(yōu)點(diǎn)，可以加快網(wǎng)絡(luò)的學(xué)習(xí)速度。實(shí)驗(yàn)表明，該方法能較準(zhǔn)確地識(shí)別變壓器故障類型，且診斷精度較高。

1 B樣條模糊神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)是由模糊邏輯推理和神經(jīng)網(wǎng)絡(luò)結(jié)合在一起，充分發(fā)揮模糊邏輯的知識(shí)表達(dá)能力和神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)能力。這里引用B樣條基函數(shù)作為網(wǎng)絡(luò)的隸屬函數(shù)，B樣條基函數(shù)使用精確的多項(xiàng)式分段插值的形式，可對(duì)給定的輸入/輸出數(shù)據(jù)進(jìn)行光滑的曲線擬合[4]。

根據(jù)B樣條基函數(shù)的歸一性，在模糊神經(jīng)網(wǎng)絡(luò)中用B樣條函數(shù)作為模糊子集的隸屬函數(shù)可以使得模糊神經(jīng)網(wǎng)絡(luò)的輸出變得簡(jiǎn)單；同時(shí)由于它具有緊密性，可以把每次學(xué)習(xí)中權(quán)值的調(diào)整限制在局部的范圍內(nèi)，從而加快學(xué)習(xí)過程[4]。B樣條模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

該模糊神經(jīng)網(wǎng)絡(luò)采用B樣條函數(shù)作為隸屬函數(shù)，由輸入層、模糊化層、規(guī)則層以及輸出解模糊化層四層組成。

2 網(wǎng)絡(luò)節(jié)點(diǎn)的確定

變壓器故障診斷的方法中，油中溶解氣體分析法（DGA）是比較有效的一種方法[5]，通過分析不同的故障氣體（氫氣H2、甲烷CH4、乙烷C2H6、乙烯C2H4、乙炔C2H2）的濃度來監(jiān)測(cè)變壓器是否發(fā)生故障。同時(shí)根據(jù)變壓器故障類型，網(wǎng)絡(luò)的輸出可以分為：正常（y1）、中低溫過熱（y2）、高溫過熱（y3）、低能放電（y4）和高能放電（y5）五種類型，所以網(wǎng)絡(luò)采用5輸入5輸出結(jié)構(gòu)。在網(wǎng)絡(luò)訓(xùn)練過程中，變壓器故障類型對(duì)應(yīng)的網(wǎng)絡(luò)的目標(biāo)輸出如表1所示。

3 網(wǎng)絡(luò)訓(xùn)練的學(xué)習(xí)算法

網(wǎng)絡(luò)訓(xùn)練時(shí)，首先要構(gòu)造網(wǎng)絡(luò)的誤差代價(jià)函數(shù)，則在網(wǎng)絡(luò)連接權(quán)調(diào)整過程中，就要使這個(gè)誤差代價(jià)函數(shù)最小化，本文采用監(jiān)督學(xué)習(xí)算法中的反向誤差傳播算法，設(shè)和分別為網(wǎng)絡(luò)的實(shí)際輸出和期望輸出，則在時(shí)刻t，網(wǎng)絡(luò)的學(xué)習(xí)誤差函數(shù)可表示為：

4 仿真實(shí)驗(yàn)

在訓(xùn)練樣本數(shù)據(jù)表的30個(gè)樣本中，選前22個(gè)樣本訓(xùn)練網(wǎng)絡(luò)，后8個(gè)樣本用于檢驗(yàn)。設(shè)置誤差精度為0.001。分別采用BP神經(jīng)網(wǎng)絡(luò)和B樣條模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，圖2為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差變化曲線，圖3為B樣條模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差變化曲線。對(duì)比圖2和圖3可以看出，采用BP網(wǎng)絡(luò)訓(xùn)練時(shí)，網(wǎng)絡(luò)的收斂速度較慢；而B樣條網(wǎng)絡(luò)收斂較快。

兩種網(wǎng)絡(luò)對(duì)故障診斷的結(jié)果如表2和表3所示。

對(duì)比表2和表3可以看出，對(duì)于同樣的訓(xùn)練測(cè)試數(shù)據(jù)，B樣條模糊神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)的診斷精度高。

5 結(jié)束語(yǔ)

本文根據(jù)變壓器故障的特點(diǎn)，結(jié)合氣體分析法，構(gòu)建了B樣條模糊神經(jīng)網(wǎng)絡(luò)模型，很好地實(shí)現(xiàn)了對(duì)變壓器故障的診斷，通過不同診斷模型的對(duì)比，可以看出B樣條模糊神經(jīng)網(wǎng)絡(luò)收斂速度快，且診斷精度高。

參考文獻(xiàn)：

[1]黃鞠銘，朱子述，胡文華等.BP網(wǎng)絡(luò)在基于DGA變壓器故障診斷中的應(yīng)用[J].高電壓技術(shù)，1996，22（02）：21-23.

[2]R Naresh， V Sharma， M Vashisth. An Integrated Neural FuzzyApproach for Fault Diagnosis of Transformers [J].IEEE Trans.PowerDeliv.（S0885-8977），2008，23（04）：2017-2024.

[3]崔東軍，劉念，劉秀蘭.基于加權(quán)小波神經(jīng)網(wǎng)絡(luò)的油浸式電力變壓器故障檢測(cè)[J].電力系統(tǒng)保護(hù)與控制，2010，38（18）：19-23.

[4]Weiqing CAO， Pan FU， Genhou XU. Fault Diagnosis of Tool Wear Based on weak feature extraction and GA-B-spline Network. Sensors & Transducers journal，2013，152（05）：60-67.

[5]許慧君，王宗耀，蘇浩益.基于DGA的反饋云熵模型電力變壓器故障診斷方法研究[J].電力系統(tǒng)保護(hù)與控制，2013，41（23）：115-119.