蘆小雨 程 剛

（中國電建集團河南省電力勘測設(shè)計院有限公司，河南 鄭州 450000）

1 神經(jīng)網(wǎng)絡(luò)技術(shù)原理

神經(jīng)網(wǎng)絡(luò)的基本原理就是將多個不同神經(jīng)元的計算機單位層級進行連接權(quán)重的相互連接，進而構(gòu)建信息處理數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)內(nèi)部包括一個輸入層、多個隱藏層和一個輸出層組成，輸入層接收外部指令信息，輸出層產(chǎn)生最終的預(yù)測結(jié)果或輸出，隱藏層位于2 層之間，每個隱藏層內(nèi)包括多個神經(jīng)元。通過前向傳播手段將上、下神經(jīng)元進行連接，神經(jīng)網(wǎng)絡(luò)中處理信息隨層次依次向下層傳遞，再采用激活函數(shù)來確定神經(jīng)元的輸出。但是學(xué)習(xí)連接權(quán)重與信息處理傳遞流程相反，通過反向傳播手段將輸出層信息傳播到隱藏層和輸入層，訓(xùn)練和調(diào)節(jié)連接權(quán)重，基于損失函數(shù)來度量預(yù)測結(jié)果與真實標簽之間的誤差，最后根據(jù)梯度更新連接權(quán)重，起到降低誤差的作用。另外，神經(jīng)網(wǎng)絡(luò)可以有效識別輸入數(shù)據(jù)的特性，進而完成數(shù)據(jù)分類、預(yù)測等任務(wù)[1]。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖1所示。

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

神經(jīng)網(wǎng)絡(luò)應(yīng)用主要包括前向計算、平均誤差計算及誤差反向傳遞3 個部分，具體內(nèi)容如下。

1.1 前向計算

進行前向計算時，先在神經(jīng)網(wǎng)絡(luò)內(nèi)輸入選定的采樣點數(shù)據(jù)，并將采樣點負載端輸出的原始數(shù)據(jù)On視為各輸入層節(jié)點的輸出點，其表達式如公式（1）所示。輸出層輸入則用Im表示，其表達式如公式（2）所示。隱層輸入用Ij表示，其表達式如公式（3）所示。

式中：On為輸出層第n個節(jié)點輸出；Xn為輸入層第n個節(jié)點輸出；n、N代表各輸出點；Im為輸出層輸入；Vi，j為自隱層至輸出層的連接權(quán)重；j為隱層輸入；H為函數(shù)系數(shù)；Ij為隱層輸入；Wi，j為自輸入層至隱層的連接權(quán)重；an、aj為相應(yīng)的閾值。

通過上述公式可融合得出相應(yīng)節(jié)點輸出的非線性函數(shù)。

1.2 計算平均誤差

計算平均誤差時，常用E表示和計算所有樣本的平均誤差，如公式（4）所示。

式中：E為訓(xùn)練結(jié)束判斷參數(shù)；k為訓(xùn)練樣本；N為訓(xùn)練樣本個數(shù)；M為輸出神經(jīng)元的個數(shù)；Ek為第k個訓(xùn)練樣本的平均誤差；ekm為第k個樣本的輸出神經(jīng)元m的誤差。

1.3 誤差反向傳遞

誤差反向傳遞是利用網(wǎng)絡(luò)中權(quán)系數(shù)與輸入訓(xùn)練樣本次數(shù)之間的密切關(guān)系，對網(wǎng)絡(luò)中的權(quán)系數(shù)進行反向調(diào)整的過程。具體計算時，先通過公式（5）對輸出層與隱層之間的權(quán)系數(shù)進行表達及計算，再通過公式（6）對輸入層與隱層之間的權(quán)系數(shù)進行表達及計算。

式中：Vj，n為輸出層與隱層之間的權(quán)系數(shù)；On為輸出層第n個節(jié)點輸出量；Wi，j為自輸入層至隱層的權(quán)重系數(shù)；i、k為函數(shù)計算系數(shù)；η為數(shù)值增益系數(shù)，取值為0～1；δ為慣性系數(shù)，取值為0～1。

可根據(jù)實際需要，利用數(shù)值增益系數(shù)η和慣性系數(shù)δ調(diào)整學(xué)習(xí)收斂速度。最后結(jié)合計算分析結(jié)果，構(gòu)建電氣自動化設(shè)備的神經(jīng)網(wǎng)絡(luò)模型，判斷設(shè)備是否存在故障[2]。

2 神經(jīng)網(wǎng)絡(luò)在電氣自動化中的應(yīng)用優(yōu)勢

2.1 便于調(diào)節(jié)參數(shù)

傳統(tǒng)設(shè)備參數(shù)調(diào)節(jié)均是通過技術(shù)人員的認識及經(jīng)驗來完成的。而應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)則可實現(xiàn)對數(shù)據(jù)的自動學(xué)習(xí)及特征提取，無須人工參與，可較好降低因人為因素引起的參數(shù)調(diào)整錯誤，進而根據(jù)實際需要高效、精確地調(diào)節(jié)相關(guān)參數(shù)。

2.2 誤差小

應(yīng)用神經(jīng)網(wǎng)絡(luò)算法對電氣自動化設(shè)備故障進行診斷，可不受其他因素影響且設(shè)置的參數(shù)會始終保持不變，不易發(fā)生實際數(shù)值與理論數(shù)值相差過大的情況，因此診斷誤差小。

3 實例分析

為研究神經(jīng)網(wǎng)絡(luò)的故障診斷效果，該文以S7-315/10 型變壓器為例進行分析。該變壓器為三相銅芯10kV 變壓器，容量為315kVA。為判斷該變壓器故障情況、并解決傳統(tǒng)故障判別方法精度不高以及對技術(shù)人員經(jīng)驗依賴大等問題，首先采用色譜分析法對變壓器油氣進行分析，以判斷變壓器實際故障情況，其次重點采用神經(jīng)網(wǎng)絡(luò)技術(shù)對氣體種類、濃度與故障之間的關(guān)系進行研究及確定。

3.1 色譜分析

油氣色譜分析法的變壓器故障診斷

變壓器油在變壓器中起到絕緣、散熱和消弧作用，其故障特征氣體種類一般由H2、CH4、C2H6、C2H4、C2H2組成。該文實例分析的大型變壓器油中所含氣體極限情況見表1。

表1 該變壓器油中所含氣體極限參數(shù)表

故障檢測工作原理：當(dāng)變壓器出現(xiàn)設(shè)備故障時，表1 中變壓器油中的氣體會發(fā)生不同濃度的變化。這些氣體有些是自然存在于油中的，有些是變壓器發(fā)生故障時機械刺激或放電產(chǎn)生的。利用油氣色譜分析法對比變壓器中產(chǎn)生的氣體含量，就可以實現(xiàn)變壓器運行故障的自動檢測。其中油氣色譜分析法的三類比值法使用最常見，見表2。

表2 油氣色譜分析三比值法參數(shù)表

造成變壓器故障的常見因素有超壓及超流、繞組短路、冷卻不足、絕緣損壞以及溫度過高等，其變壓器油的過熱、揮發(fā)和氧化是工作過程的基本反應(yīng)。在變壓器的實際工作過程中，通常使用的故障檢測方法有以下2 種：1）通過專業(yè)儀器檢測變壓器的運行電壓、電流、溫度、壓力和油量等數(shù)據(jù)，分析變壓器的具體故障原因。2）通過使用氣相色譜儀手段，對變壓器油中的氣體進行成分檢測及比例分析。

該變壓器通過氣相色譜儀對變壓器的氣體進行實際檢測和數(shù)據(jù)分析，并利用模糊神經(jīng)網(wǎng)絡(luò)作為智能技術(shù)支持，判斷出變壓器油中氣體比例與變壓器故障兩者之間的關(guān)系，利用計算機設(shè)定嚴謹?shù)淖儔浩鞴收暇幋a，然后從輸入端進入神經(jīng)網(wǎng)絡(luò)系統(tǒng)中進行機器學(xué)習(xí)，以此形成更智能的自動化變壓器故障檢測系統(tǒng)。

3.2 基于神經(jīng)網(wǎng)絡(luò)的故障智能診斷過程

根據(jù)氣相色譜分析的相關(guān)參數(shù)構(gòu)建故障診斷模型，并利用神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行訓(xùn)練，以此來達到高效、精準診斷變壓器故障的目的。

3.2.1 構(gòu)建變壓器故障智能診斷模型

構(gòu)建變壓器故障檢測模型是實現(xiàn)智能診斷設(shè)備故障的先決條件，通過電氣工程中的專業(yè)設(shè)備模式識別電流的頻率、最大值、最小值和流向等數(shù)據(jù)變化情況，并標識電氣工程中設(shè)備運行故障信號的特征表現(xiàn)。然后根據(jù)這些特征表現(xiàn)構(gòu)建智能的電氣自動化故障檢測模型，如圖2所示。另外，一般電氣工程中設(shè)備規(guī)模大且結(jié)構(gòu)復(fù)雜，會伴有多種不同的特征表現(xiàn)，因此電氣自動化故障檢測必須有統(tǒng)一化的處理方式，并對不同的特征表現(xiàn)均有對應(yīng)的監(jiān)測模塊[3]。

圖2 變壓器故障檢測模型流程圖

3.2.2 神經(jīng)網(wǎng)絡(luò)識別離散層故障信號

創(chuàng)建電氣自動化故障檢測模型后，要利用神經(jīng)網(wǎng)絡(luò)算法識別電氣工程設(shè)備運行的離散層故障信息。由于電氣工程中設(shè)備運行故障信號具有多樣性，單一的故障信號不能診斷出設(shè)備運行的具體故障原因，因此需要技術(shù)人員將電氣工程中的設(shè)備運行故障信號進行統(tǒng)一化處理，從多樣性的故障信號轉(zhuǎn)化為一致性的離散層故障信號。然后將轉(zhuǎn)化后的離散層故障信號進行學(xué)習(xí)訓(xùn)練，并分析優(yōu)化離散層故障信號有效值，獲取故障信號之間的特征表現(xiàn)關(guān)系[4]，如公式（7）所示。

式中：υ為離散層故障信號有效值；xi為電氣工程中設(shè)備運行故障的線路流經(jīng)特征（i為實數(shù)）；N為電氣工程中設(shè)備運行故障信號數(shù)量（N為實數(shù)極值）。

從公式（7）中可得出離散型設(shè)備運行故障信號有效值，然后根據(jù)電氣工程中設(shè)備運行故障的流經(jīng)強度算法，獲取故障信號之間的特征表現(xiàn)關(guān)系[5]，如公式（8）所示。

式中：p為電氣工程中設(shè)備運行故障電流極值；Nj是電氣設(shè)備運行強度故障點的極值特征；xi為電氣工程中設(shè)備運行故障的線路流經(jīng)特征（i為實數(shù)）。

公式（8）中對xi進行了絕對值處理，故而可以避免設(shè)備運行故障時電流的流經(jīng)方向問題。

3.2.3 變壓器行故障檢測的定位

根據(jù)上述神經(jīng)網(wǎng)絡(luò)識別的離散層故障信號以及變壓器運行故障檢測的定位技術(shù)，對變壓器運行故障進行智能自動化診斷、預(yù)測和分析，主要包括以下3 點：1）要利用獲得的變壓器運行故障模式，識別分析出每個故障信號的目標值。2）使用神經(jīng)網(wǎng)絡(luò)技術(shù)優(yōu)先選擇隱藏層的神經(jīng)元數(shù)目和激活函數(shù)，作為整個故障檢測系統(tǒng)的控制中心。3）采用計算機神經(jīng)網(wǎng)絡(luò)算法計算變壓器運行的故障幅值，最后分析電氣設(shè)備運行的自我診斷數(shù)據(jù)，如公式（9）所示。

式中：s為電氣設(shè)備的故障幅值；H為初始布拉格波長漂移量；i為光線有效彈光靈敏度；p為光纖有效彈光系數(shù)；h為初始布拉格波長；ah為波長應(yīng)變量；bh為波長頻率；ω為波長諧振矢量；υ為離散型故障信號的有效值。

通過公式（9）不僅可獲得變壓器運行故障信息的統(tǒng)一化控制結(jié)果，還可去掉變壓器運行故障的不顯著信號參數(shù)，并增強故障信號參數(shù)的穩(wěn)定性。這樣既可保證變壓器自我診斷的一致性，也可采用神經(jīng)網(wǎng)絡(luò)算法完成對變壓器運行故障的自動化檢測和分析[6]。

3.3 故障診斷分析

3.3.1 輸入模糊規(guī)則

因為利用氣相色譜分析法對變壓器油氣分析獲得的含量數(shù)據(jù)差異較大，無法直接輸入神經(jīng)網(wǎng)絡(luò)，即使進行過優(yōu)化處理，也還是存在較大差異。因此在數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前采用隸屬函數(shù)對數(shù)據(jù)進行優(yōu)化，以縮小數(shù)據(jù)差異，并控制數(shù)據(jù)限值在0～1，使三比值樣本轉(zhuǎn)化為適合神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)形式。這樣既能提高數(shù)據(jù)的可訓(xùn)練性，也能增強神經(jīng)網(wǎng)絡(luò)的容錯能力，保證診斷結(jié)果的準確性。該文研究中應(yīng)用的隸屬函數(shù)如公式（10）～公式（12）所示。

式中：X1、X2、X3為變壓器油氣含量分析數(shù)據(jù)優(yōu)化函數(shù)值；U1、U2、U3為變壓器油氣含量實際分析值。

3.3.2 輸出轉(zhuǎn)換規(guī)則

如果第n個輸出的第j個值比其他數(shù)值大得比較多，則將該值視作相應(yīng)故障類型的輸出解。如果輸出的值中存在2 個最大值或者幾個最大值，并且最大值相差較小，而其他輸出值偏小，則說明這幾個故障發(fā)生概率比較大。實際診斷中，將輸出值大于0.55 的統(tǒng)一記作1，表示已發(fā)生該故障，其他小于0.55的值記作0，表示未發(fā)生此故障。

3.3.3 樣本訓(xùn)練

選取110 組實測數(shù)據(jù)中的15 組典型樣本，利用神經(jīng)網(wǎng)絡(luò)對選取的樣本進行模糊處理及訓(xùn)練，將學(xué)習(xí)率Ir設(shè)定為0.3，隱層節(jié)點數(shù)S1為12，輸出節(jié)點設(shè)有8 個，誤差精度取0.1。樣本經(jīng)神經(jīng)網(wǎng)絡(luò)模糊處理及訓(xùn)練后形成相應(yīng)的“權(quán)”矩陣，然后統(tǒng)計并記錄變壓器的故障數(shù)據(jù)。

3.3.4 診斷結(jié)果

通過神經(jīng)網(wǎng)絡(luò)完成樣本訓(xùn)練后，先自檢，再跟實際數(shù)據(jù)做對比分析，最后診斷出變壓器的具體故障情況。具體結(jié)果見表3。

表3 基于神經(jīng)網(wǎng)絡(luò)的變壓器診斷結(jié)果

從表3 可以看出，利用神經(jīng)網(wǎng)絡(luò)對變壓器故障進行診斷，最終的結(jié)果和實際開箱檢測結(jié)果是一樣的，說明該文利用神經(jīng)網(wǎng)絡(luò)對變壓器故障進行診斷達到了預(yù)期效果。

4 總結(jié)

綜上所述，該文通過實例證明了神經(jīng)網(wǎng)絡(luò)技術(shù)在電氣自動化設(shè)備故障診斷中具有良好的效果，不僅診斷結(jié)果準確，還不易受其他因素影響，診斷效率也比較高，可有效解決依賴技術(shù)人員經(jīng)驗及其他系統(tǒng)信息等問題，并且可通過準確描述故障情況來確定故障位置，可為電氣自動化設(shè)備穩(wěn)定性運行提供保障。