基于神经网络的变压器故障诊断系统

初海剑

（中钢集团吉林机电设备有限公司 吉林·吉林 132000）

0 引言

变压器主要是应用电磁感应原理工作，可以把一种电压的交流电能转变成另一种相同频率电压的静止电气装置。一些大中型变压器在使用时，由于工作过程中存在的电磁、物理和化学反应，会导致变压器产生不同情况的变化，其中有些变化会使变压器发生故障，这些故障可根据其发生位置分为内部和外部两种。

通常我们把发生在油箱内的故障称为内部故障，大致可分为两类，一是电性故障（包括局部放电、火花放电和电弧放电）；二是热性故障（包括一般性过热故障和严重过热性故障）。

目前，对变压器的故障诊断多采用以下两种故障诊断方法：气相色谱分析法，状态量监测法。

本文提出，利用神经网络对油中气体的分析，进行变压器故障的诊断，综合了以上传统的判断方法，使得判断更完善。

1 人工神经网络

人工神经元模型是受生物神经元的启发，进行抽象与模拟。对于抽象的理解是从数学角度出发，而模拟则是基于神经元的的功能和结构。

一般地，人工神经元是一个多输入单输出的非线性域值器件。假定x1,x2,…,xn表示某一神经元的第n个输入；Wji表示第j个神经元与第i个神经元的突触连接强度，其值称为权值；Ai表示第i个神经元的输入总和，相应于生物神经细胞的膜电位，称为激活函数；yi表示第i个神经元的输出；表示神经元的域值，那么人工神经元的输出可描述为

前向神经网络是故障诊断领域中广为应用的一种网络。它包含一个输出层和一个输入层，一个或多个隐含层。网络具有学习能力，采用BP网络，通过调整层与层之间的权值，从而得出大量的映射输出，它不需要过多已知的数据参数表述输入——输出相互间模式映射。只需要用确定的映射关系对网络训练，经过反复的学习，映射能力就体验在这种网络当中。

当电力变压器发生故障时，通过采集变压器油，对油中分解出气体的组成及含量进行提取，运用到专家系统及神经网络中，通过BP模型及算法对变压器故障进行诊断，是该领域这几年来主要研究的热点和方向。

2 系统设计与开发

本系统选择MATLAB语言进行编程，MATLAB为我们提供了一个交互式程序设计的学习环境，此系统采用矩阵的基本数据结构，在生成矩阵对象时，并不要求明确的维数说明。在技术和工程研究领域，MATLAB还被用来解决实际教学课题和数学模型。其典型的应用包括了对数值计算和处理、算法设计及验证还有一些特殊的矩阵计算应用，如科学绘图、数值和符号计算、通讯系统的设计与仿真等。

该系统选择的是神经网络（neural network）工具箱，直接调用相关函数就可实现对网络和程序的设计。

神经网络工具箱的BP网络：Initff和Simuff函数用于对不超过三层的前馈型网络的初始化和仿真。Trainbp、Trainbpx、Trainlm函数用于训练BP。三个函数中Trainlm的训练快速，排在首位，但它需要更大的存储空间，Trainbpx的训练速度次之，Trainbp最慢。在程序中选用Initff，Simuff，和Trainlm函数。

BP网络通常采用可微的传递函数。在进行BP网络的训练中，常用的传递函数有logsig、tansig、purelin，计算这些函数的导数是关键环节，可利用神经网络工具箱提供的求导函数进行计算。如果要用到其它函数可以进行自定义。

在设计BP网络时，利用函数Initff初始化BP网络，只需输入几个参数：已知向量、隐含层神经元总数、传递函数。假设，一个BP网络含有2层、隐含层有x个神经元，tansig为传递函数，输出层有y个神经元，purelin为传递函数，则BP网络的初始化命令为：[w1，b1，w2，b2]=Initff（p，x，’tansig’，y，’purelin’）；

在收集采样数据时，输入的向量应包含输入值中的最大值和最小值，用以保证得到的初始值为最佳值。函数Initff也可以从目标矢量中自动识别输出层神经元的个数。

当利用不同的函数对BP网络进行训练时只会产生不同学习规则，并不会使他们的用法产生太大的差别。

对于单层BP网络tp=[disp_freq max_epoch err_goal lr]；[w，b，epochs，tr]=Trainbp（w，b，’F’，p，t，tp）；

其中tr表示训练误差，训练参数tp确定了学习过程的显示频率、最大训练步数、误差指标以及学习率，F表示神经元所采用的传递函数类型。

对于两层 BP 网络[w1，b1，w2，b2，epochs，tr]=

Trainbp（w1，b1，’F’，w2，b2，’F2’，p，t，tp）；

对于三层BP网络

[w1，b1，w2，b2，w3，b3，te，tr]=

Trainbp（w1，b1,’F’,w 神经网络工具箱的 BP 网络：Initff和Simuff函数用于对不超过三层的前馈型网络的初始化和仿真。Trainbp、Trainbpx、Trainlm函数用于训练BP。三个函数中Trainlm的训练快速，排在首位，但它需要更大的存储空间，Trainbpx的训练速度次之，Trainbp最慢。在程序中选用Initff，Simuff，和Trainlm函数。

3 系统处理过程及诊断实例

使用神经网络对变压器进行故障诊断时，首要注意的是：为输入特征参数的选取。选择正确的输入特征参数将会对神经网络诊断变压器故障的准确率有着明显的提升。此篇论文运用统计分析技术中的理论，对变压器油中的气体，进行处理分析，广泛的选取了神经网络中输入的特征参数，为使输入参量包括所有的信息，应选择尽可能多的输入参量。

本文选择了20个测试采集的样本，对演练完成的网络进行了仿真模拟测试，其判断正确率达到了预期的要求，根据文献[2]中已知的故障数据，得到下面给出几个诊断实例。某变压器工作中气体继电器动作，取样分析见下表1：

表1：某变压器色谱分析数据 （单位：L/L）

变压器油中总烃超标严重，三比值编码为：0 2 2，属于超过700℃的热故障。将数据输入网络，输出为Y1=0，Y2=0.93，Y3=0，Y4=0.89，数据显示为过热和放电。

实际检验看到，从绕组引出的高压套管的铜螺栓发黑、松动，存在过热迹象，伴随着放电现象，由此表明此前判断正确。

某热电厂——变压器上的气体继电器发生变化，色谱分析如下表2：

表2：变压器色谱分析数据 （单位：L/L）

三比值法编码为：0 2 1，存在着300～700℃中等温度范围的热故障。网络输出为 Y1=0.01，Y2=0.72，Y3=0.4，Y4=0.68，说明故障温度不是很高，并有放电现象。

实际检查后发现C相高压段第14～15复合绝缘纸之间发生了局部放电现象，出现黑色印迹，但未出现烧焦的现象。

通过对输入特征参量的确定、典型样本集的选取、程序中参数的选择进行系统处理来提高神经网络诊断的准确率。实验中对变压器色谱分析得出的数据，进行实时的研究诊断，进一步说明变压器在运行中可能出现的故障。

4 结论

变压器内部故障的判断技术对故障的准确判断有着非常重要的地位，变压器油中溶解的气体含有着重要的信息，通过分析油中溶解气体的成分就可判断出故障的性质、故障的强弱程度。本文利用神经网络，用已知的数据对网络进行训练后就可实现对一般故障的诊断，并随着训练数据越来越大，网络权值和结构的逐渐调整，判断准确率也将越来越高，但只能是在一定的范围变化（理论上可达到100%，只要用所有故障类型的数据对网络进行训练）。

因为是直接采样的变压器油，所以可进行在线监测，使得判断和数据的收集更加便捷，这对变压器潜伏性故障的发行有着重要的作用。