基于BP神经网络的油浸式变压器故障诊断

黄明增 高泷森 林广大

摘 要：本文研究了一种基于BP神经网络的变压器故障诊断方法，利用油中气体含量分析的方法，收集整理变压器故障信息作为训练和诊断样本，建立了基于BP神经网络的变压器故障诊断模型，准确率最高达到95%，具有较高的实际应用价值。

关键词：油浸式变压器；BP神经网络；故障诊断

中图分类号：TM411 文献标识码：A 文章编号：1003-5168（2018）07-0049-03

Fault Diagnosis of Oil-immersed Transformer Based on BP Neural Network

HUANG Mingzeng1 Gao Longsen2 LIN Guangda1

（1. College of Engineering， South China Agricultural University，Guangzhou Guangdong 510642；

2. College of Information Engineering， Hebei Geography University，Shijiazhuang Hebei 050031）

Abstract： In this paper， we studied a kind of transformer fault diagnosis method based on BP neural network， using analysis method of gas content， collected transformer fault information as the training samples， and diagnosised based on BP neural network model of transformer fault diagnosis， 96% accurate， feasible in practical application.

Keywords： oil-immersed transformer；BP nerve network；fault diagnosis

油浸式变压器在电力系统中发挥着变化电压、电能转化的作用，其安全、穩定运行影响着整个电力系统的可靠性，关系到国计民生。由此，准确判断变压器的运行状态，对变压器潜伏性的故障做出预测，就显得极为重要，也是国内研究的焦点之一[1，2]。当油浸变压器内部存在过热或放电故障时，其内部油中溶解的气体类型和含量会发生变化，油中溶解气体分析成为判别其运行状态的一种有效手段[3]。

在判断变压器故障时用到的特征气体主要包括：氢气（H2）、甲烷（CH4）、乙烷（C2H6）、乙烯（CH4）、乙炔（C2H2）、一氧化碳（CO）及二氧化碳（CO2）。本文选取前五种气体作为故障诊断气体，将变压器的故障类型分为中低温过热、高温过热、低能放电和高能放电故障。本文将BP神经网络应用于变压器故障预测诊断，对准确判断变压器的运行状态及预测变压器潜伏性故障具有重要意义。

1 BP神经网络

BP（backpropagation）神经网络是一类多层的前馈型神经网络。由于其权值的调整采用反向传播（Backpropagation）的学习算法，因此被称为BP网络。BP神经网络结构简单，可调整的参数多，训练算法多，可操作性好，拥有高度的自组织能力、非线性逼近能力和自学习能力 ，在模式识别和分类方面应用十分广泛，也适用于变压器故障诊断。

BP算法的基本思想是学习过程由信号的正向传播与误差的反向传播两个过程组成。在正向传播时，输入样本在输入层输入，经各隐层处理传向输出层。当输出层的实际输出与期望的输出不符时，进入反向传播阶段。在反向传播时，依据误差信号不断进行权值调整。此过程不断进行，直到网络输出误差减少到可以接受的范围，或达到设定的学习次数。BP算法的步骤具体如下。

①初始化。输入向量为[Xk=x1，x2，x3，…，xi，…，xnT]（n为输入层单元个数），隐层输出向量为[Yk=y1，y2，y3，…，yi，…，ymT]（m为隐层单元数），输出层输出向量为[Ok=o1，o2，o3，…，oi，…，olT]，期望输出向量为[Dk=d1，d2，d3，…，dk，…，dlT]，输入层到隐层之间的权值矩阵为[Vk=v1，v2，v3，…，vk，…，vlT]，隐层到输出层之间的权值矩阵为[Wk=w1，w2，w3，…，wk，…，wlT]。将随机较小非零值赋予[Vk（0）]、[Wk（0）]，训练次数q设为1，误差E设为0，网络训练精度Emin设为较小的正小数，学习率[μ]设为0～1的小数。

②输入样本数据Xk。

③计算网络各层输出。

[yj=i=0nvijxi]，j=1，2，…，m （1）

[ok=j=0mwjkyi] k=1，2，…，l （2）

④计算输出误差。判断误差是否满足要求，若满足，进行步骤⑧；若不满足，进行步骤⑥。

[E=12d-02=12k=1ld-02] （3）

⑤计算网络各层的误差信号。

[δ0k=dk-okok1-ok] （4）

[δyj=k=1lδ0kwjkyi1-yi] （5）

⑥根据误差信号修正各层权值。

[Δwjk=μdk-okok1-okyi] （6）

[Δvij=μk=1lδ0kwjkyi1-yixi] （7）

⑦判断q是否达到最大训练次数。若q未达到最大训练次数，返回步骤②；若达到最大训练次数，进行下一个步骤。

⑧判断误差E是否小于网络训练精度Emin。若

2 BP神经网络故障诊断模型的构建

2.1 输入特征向量

研究油中溶解气体与变压器内部故障的对应关系，进行网络仿真。按照国际电工委员会的推荐选取H2、CH4、C2H6、C2H4和C2H2这5种气体作为判断依据，将这5种气体所占百分比作为BP神经网络的输入特征向量。以收集的220组变压器故障数据作为神经网络训练样本。

2.2 输出特征向量

将变压器故障分为中低温过热、高温过热、低能放电和高能放电4种故障类型并进行编码作为神经网络输出。故障类型及其对应的输出编码如表1所示。

2.3 隐层节点数的选取

无限隐含层节点的神经网络可以逼近任何在映射区间内的连续函数，但隐含层节点增加会使神经网络结构更加复杂，计算工作量增加，训练时间延长。因此，可以参考隐含层节点数的经验计算公式选择合适的节点数：

[x=n+m+a] （8）

[n]为输入神经元个数，[m]为输出神经元个数，[a]为0～10之间的常数。不同隐含层节点数的训练效果如表2所示。

通过比较迭代次数、误差性能和均方差性能优化函数值可知，当隐含层节点个数为14时，网络训练的误差最低，此时经过123迭代达到训练目标，所以隐含层节点数选14。

2.4 训练函数的选择

训练函数的选择对网络的误差和训练时间具有较大影响，可以通过选择最优的训练函数来降低网络的误差和训练时间。选择不同训练函数的效果如表3所示。

采用trainlm训练函数的误差最低，收敛速度也很快。虽然trainlm算法占用的内存较多，但目前的计算机可以满足其要求，故采用trainlm训练函数。

3 实验仿真

3.1 样本训练程序

net=newff（minmax（P），[14，5]，{'tansig'，'purelin'}，'trainlm'）；

% P：訓练样本输入，T：训练样本输出，P_test：测试样本输入，T_test：测试样本期望输出

net.trainParam.goal=0.015；

net.trainParam.epochs=1000；

net=train（net，P，T）；

y=sim（net，P）；

e=T-y；

net.performParam.ratio=20/（20+1）；

perf=msereg（y）；% 均方差性能优化函数

y2=sim（net，P_test）%故障诊断

save BP net%保存训练得到的BP神经网络

3.2 故障诊断

以收集的220组故障数据作为神经网络训练样本，用训练得到BP神经网络模型对20组变压器故障数据组进行故障诊断。故障诊断神经网络模型BP的输出层传递函数是线性函数，根据最大隶属原则，在诊断输出向量的各个分量中，其隶属度越接近于1，表示其对应的故障类型的可能性越大，反之可能性越小。因此，将诊断输出向量中的各个列向量的最接近1的值取为1，其他分量的值取为0，进行最大隶属化处理，得到的部分故障诊断结果如表4所示。

将故障诊断结果与实际故障类型进行对比，准确率达95%，在实际应用中可操作性高。

3.3 不同神经网络诊断方法的比较

比较BP神经网络与径向基函数神经网络、Elman神经网络在变压器故障诊断上的效果。为了保证合理性，径向基函数神经网络的均方误差（goal）设为0.01，扩展速度（spread）取8～14之间的常数，并记录最佳结果数据。

分别对三个模型进行训练，比较三个模型的误差性能和故障诊断准确率，结果如表5所示。

4 结语

本文提出了一种基于BP神经网络的变压器故障诊断模型。

①选取油中溶解气体中的H2、CH4、C2H6、C2H4和C2H25种特征气体作为BP神经网络的输入特征向量。

②分析了BP神经网络隐含层节点数、训练函数对故障诊断准确度的影响，通过选择合适的隐含层节点数、训练函数可以提升故障诊断的准确率。

③比较BP神经网络与其他神经网络在变压器故障诊断上的效果，BP神经网络较为简单，训练时间短，可操作性高，且准确率在实际应用中也能满足要求。

参考文献：

[1]董明，屈彦明，周孟戈，等.基于组合决策树的油浸式电力变压器故障诊断[J].中国电机工程学报，2005（16）：35-41.

[2]贾京龙，余涛，吴子杰，等.基于卷积神经网络的变压器故障诊断方法[J].电测与仪表，2017（13）：62-67.

[3]熊浩，李卫国，宋伟.概率聚类技术应用于变压器DGA数据故障诊断[J].高电压技术，2008（5）：1022-1026.