基于人工神经网络的电力变压器故障诊断

刘亚丽++李怡++邓命

摘要：電力变压器在电力系统中承担着电压变换、电能分配和电能转移的重任，因此变压器的正常运行是电力系统安全运行的重要保障。本文应用人工神经网络的方法对电力变压器的故障进行了自动诊断，诊断正确率达90%。

关键词：人工神经网络；电力变压器；故障诊断

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）32-0174-03

1引言

电力变压器在长期的运行中，故障是不可避免的。变压器一旦损坏会造成大面积停电且故障修复耗时长，因此变压器故障的及早发现和处理具有非常重要的意义。

电力变压器的故障一般有机械故障、热性故障和电性故障，由于机械故障一般都以热性故障和电性故障的形式体现，因此主要以热性故障和电性故障为主。热性故障一般为中低温过热和高温过热，电性故障一般为低能放电和高能放电。传统的变压器故障诊断方法存在着效率偏低以及诊断准确率不高的问题，因此我们可以利用人工神经网络的方法对电力变压器的故障进行自动诊断。

2人工神经网络

2.1 人工神经网络概述

人工神经网络（ANNs）是对人脑或生物神经网络若干基本特性的抽象和模拟。

依靠系统的复杂程度，ANNs可通过调整内部大量节点之间相互连接的关系，进而对有效信息进行可靠处理。而BP神经网络通常是指基于误差反向传播（Back Propagation）算法的多层前向神经网络， 不仅能对输入-输出模式映射关系进行学习和存储，而且对描述此种映射关系的数学方程不需要事前揭示。最速下降法为BP神经网络的学习规则，通过反向传播来持续调整网络的权值和阈值，使其误差平方和最小。

本文采用BP神经网络的三层前馈结构，分别为（input）、隐含层（hide layer）和输出层（output layer）。输入层的节点数为5（对应电力变压器油中气体H2、CH4、C2H4、C2H2、C2H6），输出层则有5个节点（对应无故障，中低温过热，高温过热，低能放电，高能放电），隐含层的节点数根据经验公式确定：

其中，r为隐层的节点数，n为输入的节点数，m为输出的节点数，a则为1～10之间的常数。经试验，本文r取13。各层间神经元相互连接，且各层内没有连接。如图1所示：

BP神经网络的训练首先对每一层的权值和偏差进行初始化（用小的随机数），以免被大的加权输入饱和，并且需对一些参数进行设定及初始化（期望的误差最小值、最大循环次数、修正权值的学习效率）；第二步需要对网络各层输出矢量及网络误差进行计算；第三步需要对各层反向传播的误差变化、各层权层的修正值及新的权值进行计算，最后需要对权值修正后的误差平方和进行计算，若符合要求则训练完成，若不符合要求则继续。

2.2电力变压器故障诊断的BP神经网络设计

2.2.1样本数据的定义

电力变压器的故障主要体现为中低温过热、高温过热、低能放电和高能放电。电力变压器的故障数据一共为70组，其中样本集数据为50组，测试集数据为20组，且分别定义样本数据如下：

无故障，记为10000；

中低温过热，记为01000；

高温过热，记为00100；

低能放电，记为00010；

高能放电，记为00001。

2.2.2样本数据的预处理

为提高神经网络的训练效率，本论文对数据进行了标准化处理，使其落入[-1，1]区间；并且对输入样本集数据进行了主元分析，以减小各样本矢量的相关性，从而达到降维的目的。

2.2.3 BP神经网络设计参数设置

MATLAB中，BP神经网络设计需要定义有关参数：训练步数、显示训练结果的间隔步数、训练目标误差、训练允许时间和训练中最小允许梯度值等，最终可返回训练后的权值、循环训练的总数和最终误差。神经网络对象的一些主要训练参数及含义如表1所示。

2.2.4 BP神经网络验证

表2列出了20组测试集数据，最后一列为网络期望输出，对应变压器的实际故障类型。

由电力变压器故障诊断的误差变化曲线可知：在使用BP神经网络法对网络进行训练时，网络只训练了112步，速度非常的快。网络的训练均方误差此时已经达到目标误差0.01的数量级，因此该网络可用。对样本集数据进行训练后，我们可得到一个相关的BP神经网络模型，再用测试集数据对改模型进行验证，验证结果如表3所示。（注：图中*号表示该BP神经网络模型诊断错误的数据组）

由以上BP神经网络自动诊断结果可以得知：电力变压器故障诊断正确的个数为18个，故诊断正确率为90%左右。

3 结论

本文应用人工神经网络的方法对电力变压器的故障进行了自动诊断，诊断正确率可达90%。随着计算机技术和人工智能技术的发展，利用人工神经网络进行变压器的故障诊断有利于有效地实现对故障的综合诊断，从而提高故障诊断的准确性，可靠性和诊断效率，为变压器故障诊断技术的发展拓展新的途径。

参考文献：

[1] 张铮，徐超，任淑霞，等.数字图像处理与机器视觉——Visual C++与Matlab实现[M].北京：人民邮电出版社，2014.

[2] 马锐.人工神经网络原理[M].北京：机械工业出版社，2010.

[3] 郭磊，董秀成.BP神经网络在变压器故障诊断中的应用[J] .西华大学学报，2008（5）：10-13.

[4] 殷跃.基于BP神经网络的电力变压器故障诊断的研究[D].吉林：吉林大学通信工程学院，2007.

[5] 王连成.基于神经网络的DGA法在变压器故障诊断中的应用研究[D].黑龙江：哈尔滨工业大学电气工程及自动化学院，2009.

[6] 李霖.基于BP神经网络的变压器故障诊断方法研究[D].湖南：长沙理工大学电气与信息工程学院，2013.

[7] 曾成碧，蒲维，曾先锋.BP神经网络在油浸式变压器过热性故障诊断中的应用[J]. 四川电力技术，2012（4）：60-63.

[8] 陈小玉.改进的神经网络在变压器故障诊断中的应用[J].计算机仿真，2012（8）：318-321.

[9] 宋彩利， 吴宏岐.神经网络在变压器故障诊断中的应用研究[J].微计算机信息，2008（34）：155-157.

[10] Qi Shen，Wei-min Shi，Xi-ping Yang，Bao-xian Ye. Particle swarm algorithm trained neural network for QSAR studies of inhibitors of platelet-derived growth factor receptor phosphorylation[J]. European Journal of Pharmaceutical Sciences，2006（5）： 369-376.

[11] E.A.Mohamed，A.Y.Abdelaziz.A Neural Network-based Scheme for Fault Diagnosis of Power Transformers. Electric Power Systems Research，2005.