變壓器故障智能診斷方法研究

1、第一章 引言1.1 課題的背景及意義作為我國(guó)的支柱產(chǎn)業(yè)， 電力在社會(huì)的發(fā)展中起到了至關(guān)重要的作用， 而且近 幾年我國(guó) GDP的快速持續(xù)增長(zhǎng)， 我國(guó)已成為除美國(guó)之外的第二大經(jīng)濟(jì)體。 當(dāng)然隨 著經(jīng)濟(jì)的發(fā)展， 國(guó)內(nèi)各方面對(duì)于電力的需求也日益增加， 不管是國(guó)家重工業(yè)， 還 是人們的日常生活，電力在這些方面起到了有力的保障。變壓器是電力系統(tǒng)中至關(guān)重要的器件， 雖然變壓器不需要移動(dòng)， 而且工作時(shí) 振動(dòng)十分微小， 并且其中的變壓器油性能優(yōu)秀， 由于這幾個(gè)優(yōu)點(diǎn)， 變壓器相對(duì)于 其他電力設(shè)備來(lái)說發(fā)生故障的概率較小， 但是因?yàn)樵O(shè)計(jì)上存在了一定的缺陷、 制 造工藝的不完善、調(diào)試工作的馬虎等問題，變壓器故障還是經(jīng)常發(fā)

2、生的。隨著電力行業(yè)的快速發(fā)展， 人們的生活與電力已經(jīng)息息相關(guān)， 所以在電力系 統(tǒng)運(yùn)行的過程中， 需要隨時(shí)隨地的掌握變壓器的狀態(tài)， 以免無(wú)法發(fā)現(xiàn)變壓器的異 常運(yùn)行，并且一旦發(fā)生事故， 會(huì)給人民生活造成巨大的財(cái)產(chǎn)損失。 在變壓器的運(yùn) 行過程中， 需要對(duì)變壓器的各方面進(jìn)行監(jiān)控并且進(jìn)行一定的預(yù)測(cè)， 并且測(cè)得的實(shí) 時(shí)數(shù)據(jù)可以用來(lái)建立數(shù)據(jù)庫(kù)， 當(dāng)變壓器發(fā)生故障時(shí)候， 可以用數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn) 行對(duì)比，以此來(lái)判斷變壓器所發(fā)生的故障類型以及故障發(fā)生的原因。根據(jù)有關(guān)資料表明： 變壓器的在線監(jiān)測(cè)技術(shù)能夠降低故障的發(fā)生率， 通過在 故障發(fā)生之前便采取一定措施阻止故障的方法， 每年約有三分之一的事故可以避 免。這樣一來(lái)

3、，電力系統(tǒng)的安全性和可靠性便得到了提升。同時(shí)，由于事故的大 量減少，經(jīng)濟(jì)效應(yīng)也越來(lái)越明顯， 這兩項(xiàng)技術(shù)也得到了人們的廣泛認(rèn)可， 并且在 越來(lái)越多的行業(yè)中的到應(yīng)用。 變壓器的在線監(jiān)測(cè)技術(shù)和故障診斷技術(shù)可以無(wú)時(shí)無(wú) 刻的反映出設(shè)備的運(yùn)行狀態(tài)， 減少了故障的發(fā)生， 具有十分重要的科學(xué)意義和經(jīng) 濟(jì)效益，同時(shí)還促進(jìn)了社會(huì)的發(fā)展、 提高了生活質(zhì)量、 提供了更加清潔高效的能 源，為環(huán)保事業(yè)做出了杰出的貢獻(xiàn)。1.2 本文的主要研究?jī)?nèi)容本文主要把三比值法、神經(jīng)網(wǎng)絡(luò)及 BP算法運(yùn)用到變壓器故障智能診斷中。 本論文的主要研究?jī)?nèi)容如下：（1）簡(jiǎn)要分析國(guó)內(nèi)外變壓器故障智能診斷的現(xiàn)狀和發(fā)展趨勢(shì)。（2）歸納出變壓器發(fā)生故障時(shí)

4、的氣體類型特征匯總。（3）全面介紹運(yùn)用三比值法來(lái)對(duì)變壓器故障類型進(jìn)行分類，并利用matlab編寫相關(guān)程序來(lái)實(shí)現(xiàn)這一過程，通過 訓(xùn)練數(shù) 據(jù)和 測(cè)試數(shù)據(jù)來(lái)檢驗(yàn)其精確度，并 進(jìn)行分析。（4）研究基于人工神經(jīng)網(wǎng)絡(luò)的變壓器故障智能診斷方法，并構(gòu)建基于BP算法的電力變壓器診斷模型。（5）把三比值法與人工神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)法檢測(cè)的結(jié)果進(jìn)行比較分析，判斷哪 種方法精確度更高。（6）總結(jié)全文，分析各方法的優(yōu)缺點(diǎn)以及哪些仍然無(wú)法解決的問題，分析 在變壓器故障領(lǐng)域的上升空間，并展望未來(lái)。第二章 變壓器故障診斷的現(xiàn)狀和發(fā)展趨勢(shì)隨著變壓器技術(shù)的提高， 變壓器各方面的要求也變得更加苛刻， 為了滿足各 方面的需要， 現(xiàn)代變壓器采

5、用了更加緊湊的絕緣方式， 因此變壓器內(nèi)部的絕緣將 要承受更高的壓力。 隨著人工智能技術(shù)的發(fā)展， 越來(lái)越多的理論方法用來(lái)完善變 壓器故障診斷技術(shù)，比如特征氣體法、三比值法、人工神經(jīng)網(wǎng)絡(luò)（ ANN）、智能型 系統(tǒng)法（ TFDAD）、模糊理論（ Fuzzy Theory）、專家系統(tǒng)法（ TFDES）等，這些方 法對(duì)故障診斷技術(shù)的完善補(bǔ)充使其得到了更大的發(fā)展與進(jìn)步。2.1 變壓器油中溶解氣體分析的研究（1）特征氣體法 這種方法主要是依據(jù)不同故障時(shí)油中溶解氣體含量之間的差距來(lái)判斷變壓 器所發(fā)生故障類型的。比如變壓器過熱時(shí)的主要成份是 CH4、C2H4 ；局部放電 時(shí)的主要成份是 H2、CH4 ；電弧和火

6、花放 電時(shí)的主要成份是 C2H2、H2；當(dāng)故障 涉及固體 絕緣 時(shí)就會(huì)產(chǎn)生大量的 CO、C02 氣體。所以變壓器的故障類型便可以 通過這些溶解氣體的主要成分來(lái)判斷。(2 )比值法該方法是根據(jù)各種氣體的比值來(lái) 判別 變壓器故障類型的。比值法可以分為 有編碼和無(wú)編碼兩種。 有編碼的有 IEC 三比值法及其改良， 日本電協(xié)研法及其改 良，英國(guó)德能堡比值法等等；無(wú)編碼的就是取消了氣體比值區(qū)間對(duì)應(yīng)一個(gè)編碼， 而是直接采用比值范圍對(duì)應(yīng)于一種故障。 比值法舍棄了一些較小概率的情況， 所 以它的精確度不能是很高。2.2 人工智能在變壓器故障診斷中的應(yīng)用社會(huì)經(jīng)濟(jì)的發(fā)展導(dǎo)致了科學(xué)技術(shù)的提升， 與早期變壓器故障檢測(cè)

7、的傳統(tǒng)方法比較，電力變壓器的在線監(jiān)測(cè)技術(shù)和故障診斷技術(shù)有了非常大改變。運(yùn)用計(jì)算機(jī)技術(shù)來(lái)對(duì)人的大腦活動(dòng)進(jìn)行模擬， 現(xiàn)代生活中將其稱為人工智能 技術(shù)。而將這種技術(shù)運(yùn)用到電力行業(yè)中， 能夠改善電網(wǎng)結(jié)構(gòu)， 尤其對(duì)于變壓器故 障診斷技術(shù)，效果很明顯，即降低故障發(fā)生率，延長(zhǎng)變壓器使用壽命。目前在這 一領(lǐng)域運(yùn)用較多的技術(shù)有： 專家系統(tǒng)、 模糊數(shù)學(xué)、 人工神經(jīng)網(wǎng)絡(luò)以及信息融合法 等。(1) 人工神經(jīng)網(wǎng)絡(luò)ANN(人工神經(jīng)網(wǎng)絡(luò))是一種建立在動(dòng)物神經(jīng)網(wǎng)絡(luò)行為基礎(chǔ)上的算法數(shù)學(xué)模型， 它運(yùn)用分布式并行處理信息方式。 這種網(wǎng)絡(luò)通過調(diào)整其內(nèi)部無(wú)比復(fù)雜的節(jié)點(diǎn)間連 接關(guān)系來(lái)進(jìn)行信息處理， 并且這個(gè)網(wǎng)絡(luò)能夠自學(xué)習(xí)、 自適應(yīng)， 在

8、動(dòng)態(tài)的過程中會(huì) 不斷進(jìn)化，所以這方法在故障診斷中有廣泛的應(yīng)用。(2) 信息融合法信息融合(information fusion)起源于 1973年美國(guó)國(guó)防部自主開發(fā)的聲吶信號(hào)處理系統(tǒng)。一開始的時(shí)候被稱為數(shù)據(jù)融合，這個(gè)概念也曾經(jīng)出現(xiàn)在 1970 的 一些文獻(xiàn)中。(3) 模糊數(shù)學(xué)因?yàn)殡娏ψ儔浩鞯膹?fù)雜性， 在系統(tǒng)運(yùn)行過程中， 會(huì)出現(xiàn)很多或大或小的干擾 因素，這便導(dǎo)致了會(huì)出現(xiàn)這樣一種情況： 一種故障類型在診斷時(shí)會(huì)顯示出多種不 同的故障特征。 這便使分析結(jié)果存在了很大的模糊性， 因此模糊數(shù)學(xué)理論便可以 在其中起到一定作用。(4) 專家系統(tǒng)專家系統(tǒng)是一種計(jì)算機(jī)程序，在某些特定的 領(lǐng)域 中能以人類專家的智力

9、解 決問題。將專家系統(tǒng)運(yùn)用到變壓器故障智能診斷后， 使得普通用戶也可以以專家 的智慧來(lái)診斷變壓器故障，它對(duì)變壓器故障智能診斷的推廣具有很大意義。以上各個(gè)方法在某一領(lǐng)域都對(duì)變壓器故障智能診斷有優(yōu)勢(shì)， 但同時(shí)這些方法 各自也存在著一些局限性與不足， 如何更好地利用這些方法和他們的組合成了今 后變壓器故障智能診斷的研究方向。第三章 變壓器油中溶解氣體分析的原理及方法對(duì)變壓器進(jìn)行故障診斷后分析變壓器所發(fā)生的故障類型， 那么便需要有一個(gè) 故障類型參照。 因此在診斷之前便需要把變壓器的各種故障類型進(jìn)行分類。 在現(xiàn) 在診斷技術(shù)中，一般會(huì)將各種故障表現(xiàn)成熱故障的形式。變壓器發(fā)生故障時(shí)候， 內(nèi)部的絕緣材料在強(qiáng)熱

10、的作用之下， 經(jīng)過化學(xué)反應(yīng)， 產(chǎn)生各種不同類型、 不同含 量的氣體， 這些氣體會(huì)慢慢溶解在變壓器油中。 我們根據(jù)不同故障產(chǎn)生氣體含量 和種類之間的差別， 并且還可以通過檢測(cè)變壓器油中氣體溶解量的差別， 便可以 判斷變壓器發(fā)生的故障類型。 但是變壓器發(fā)生故障時(shí)候內(nèi)部反應(yīng)很復(fù)雜， 涉及到 多個(gè)方面的問題， 所以單一的依據(jù)這一對(duì)應(yīng)關(guān)系來(lái)判斷是不夠準(zhǔn)確的。 本章將著 重介紹特征氣體法和氣體比值法。3.1 變壓器故障與油中氣體關(guān)系通過分析故障發(fā)生時(shí)在熱作用下絕緣材料產(chǎn)生的各種氣體在變壓器油中的 溶解程度可以判斷變壓器的故障類型。（1）熱性故障產(chǎn)生熱故障的原因有：1）導(dǎo)線過電流2）鐵芯局部短路、多點(diǎn)接地，

11、形成環(huán)流3）分接開關(guān)接觸不良4）接線焊接不良5）電磁屏蔽不良使漏磁集中6）油道堵塞影響散熱熱性故障的氣體特征：1）當(dāng)固體材料局部過熱時(shí)會(huì)產(chǎn)生大量 CO和 CO2且CO /CO2 102）當(dāng)油局部過熱時(shí)會(huì)產(chǎn)生大量 C2H 4和 CH 4 。隨著溫度升高，則 C2H 6和 H2 增加，當(dāng)油嚴(yán)重過熱時(shí)才產(chǎn)生少量乙炔 C2H 2。（2）電性故障產(chǎn)生電性故障的原因有：1）繞組匝間、層間、相間絕緣擊穿2）引線對(duì)地閃絡(luò)或斷裂3）分接開關(guān)飛弧 電氣故障產(chǎn)生的氣體主要是 H2 和C2H 2，其次是 C2H 4和 CH4 。（3）按能量大小分1）高能量電弧放電原因 繞組短路或者大部分絕緣面積擊穿的嚴(yán)重繞組故障 嚴(yán)

12、重的鐵芯失火、大面積鐵芯短路這種氣種主要是 H2 和 C2H 2 造成火花放電的原因有引線接觸不良不穩(wěn)定的鐵芯接地 分接開關(guān)觸頭接觸不良 套管導(dǎo)電桿與引線接觸不良3）造成局部放電原因有 沖片棱角或沖片間局部放電 金屬尖端之間局部放電 這時(shí)產(chǎn)生的主要?dú)怏w是 H2 和CH4表 3-1 給出不同的變壓器故障類型和產(chǎn)生氣體的組分關(guān)系。表 3-1 電力變壓器不同故障類型產(chǎn)生的氣體故障類型主要?dú)怏w次要?dú)怏w油過熱CH4，C2H4H2，C2H6油和紙過熱CH4，C2H4，C0，C02H2，C2H6油紙絕緣中局部放電H2，CH4，COC2H2，C2H6，C02油中火花放電H2，C2H2油中電弧H2，C2H2CH

13、4，C2H4，C2H6油和紙中電弧H2，C2H2，CO，C02CH4，C2H4，C2H63.2 以油中特征氣體組分比值診斷故障的方法3.2.1 DGA 的診斷流程 變壓器 DGA的診斷流程如圖 3-2 所示。圖 3-2 變壓器 DGA的診斷流程圖3.3 以三比值法診斷變壓器內(nèi)部故障的原理及方法(1) 三比值法的診斷原理IEC 三比值法原理是根據(jù)變壓器內(nèi)油、 紙絕緣在故障下裂解產(chǎn)生氣體組分含 量的相對(duì)濃度與溫度的相互依賴關(guān)系， 從 5 種氣體中選擇兩種溶解度和擴(kuò)散系數(shù) 相近的氣體組分組成三對(duì)比值； 以不同的編碼表示， 根據(jù)比值的編碼判斷變壓器 所屬的故障類型。表 3-3 和 3-4 是三比值法的

14、編碼規(guī)則和故障診斷類別判斷方法。表 3-3 三比值法編碼規(guī)則氣體比值范圍C2H2/C2H4CH4/H2C2H4/C2H63222表 3-4 三比值法故障類型判別編碼編碼組合故障類型C2H2/C2H4CH4/H2C2H4/C2H6000正常狀態(tài)001中低溫過熱020中低溫過熱021中低溫過熱002高溫過熱012高溫過熱022高溫過熱010低能量放電200低能量放電201低能量放電202低能量放電210低能量放電211低能量放電212低能量放電100高能量放電101高能量放電102高能量放電110高能量放電111高能量放電112高能量放電120高能量放電121高能量放電122高能量放電運(yùn)用 MAT

15、LAB技術(shù)來(lái)實(shí)現(xiàn)三比值法，首先對(duì)各個(gè)情況進(jìn)行編碼，部分代碼如下： sanratio1=sample(:,5)./sample(:,4);sanratio2=sample(:,2)./sample(:,1);sanratio3=sample(:,4)./sample(:,3);for kk1=1:n1if sanratio1(kk1)0.1&sanratio1(kk1)3 sanratio1(kk1)=2;endkk1=kk1+1;end for kk1=1:n1if sanratio2(kk1)0.1 sanratio2(kk1)=0;endif sanratio2(kk1)0.1 sanra

16、tio2(kk1)=0;endif sanratio2(kk1)1 sanratio2(kk1)=2;end kk1=kk1+1;end for kk1=1:n1if sanratio3(kk1)1 sanratio3(kk1)=0;endif sanratio3(kk1)1 sanratio3(kk1)=1;endif sanratio3(kk1)3 sanratio3(kk1)=2;end kk1=kk1+1;end sanratio0=sanratio1 sanratio2 sanratio3;%得出編碼結(jié)果3.4 三比值法訓(xùn)練測(cè)試結(jié)果一共選取 90組 DGA原始數(shù)據(jù)來(lái)檢測(cè)該三比值程序，

17、首先對(duì)各種故障進(jìn)行編 碼，正常狀態(tài)的數(shù)據(jù)編碼為 0，高溫過熱故障的數(shù)據(jù)編碼為 1，中低溫過熱故障 的數(shù)據(jù)編碼為 2，高能量放電故障的數(shù)據(jù)編碼為 3 最后低能量放電故障的編碼為 4。經(jīng)過檢測(cè)后，得出結(jié)果如下圖 3-5 ：圖 3-5 三比值法運(yùn)行結(jié)果該檢測(cè)結(jié)果與 DGA數(shù)據(jù)實(shí)際故障情況的對(duì)比如下表 3-6 ：（DGA原始數(shù)據(jù)見附錄 1）表 3-6 三比值法測(cè)試結(jié)果與實(shí)際結(jié)果對(duì)比表樣本號(hào)C2H2/C2H4 CH4/H2C2H4/C2H6 實(shí)際故障類型三比值法檢測(cè)出的故 障類型1000正常狀態(tài)正常狀態(tài)2000正常狀態(tài)正常狀態(tài)3102正常狀態(tài)高能量放電4002正常狀態(tài)高溫過熱5000正常狀態(tài)正常狀態(tài)62

18、02正常狀態(tài)低能量放電7000正常狀態(tài)正常狀態(tài)8022正常狀態(tài)高溫過熱9100正常狀態(tài)高能量放電10000正常狀態(tài)正常狀態(tài)11000正常狀態(tài)正常狀態(tài)12000正常狀態(tài)正常狀態(tài)13000正常狀態(tài)正常狀態(tài)14000正常狀態(tài)正常狀態(tài)15000正常狀態(tài)正常狀態(tài)16022高溫過熱高溫過熱17022高溫過熱高溫過熱18022高溫過熱高溫過熱19022高溫過熱高溫過熱20002高溫過熱高溫過熱21022高溫過熱高溫過熱22022高溫過熱高溫過熱23022高溫過熱高溫過熱24002高溫過熱高溫過熱25022高溫過熱高溫過熱26022高溫過熱高溫過熱27022高溫過熱高溫過熱28022高溫過熱高溫過熱29022

19、高溫過熱高溫過熱30022高溫過熱高溫過熱31022高溫過熱高溫過熱32022高溫過熱高溫過熱33022高溫過熱高溫過熱34022高溫過熱高溫過熱35022高溫過熱高溫過熱36021中、低溫過熱中、低溫過熱37001中、低溫過熱中、低溫過熱38021中、低溫過熱中、低溫過熱39001中、低溫過熱中、低溫過熱40001中、低溫過熱中、低溫過熱41011中、低溫過熱正常狀態(tài)42021中、低溫過熱中、低溫過熱43021中、低溫過熱中、低溫過熱44021中、低溫過熱中、低溫過熱45122中、低溫過熱高能量放電46022中、低溫過熱高溫過熱47021中、低溫過熱中、低溫過熱48021中、低溫過熱中、低溫

20、過熱49001中、低溫過熱中、低溫過熱50001中、低溫過熱中、低溫過熱51001中、低溫過熱中、低溫過熱52021中、低溫過熱中、低溫過熱53021中、低溫過熱中、低溫過熱54020中、低溫過熱中、低溫過熱55021中、低溫過熱中、低溫過熱56100高能量放電高能量放電57101高能量放電高能量放電58202高能量放電低能量放電59102高能量放電高能量放電60102高能量放電高能量放電61102高能量放電高能量放電62102高能量放電高能量放電63102高能量放電高能量放電64102高能量放電高能量放電65102高能量放電高能量放電66201高能量放電低能量放電67102高能量放電高能量放

21、電68102高能量放電高能量放電69102高能量放電高能量放電70102高能量放電高能量放電71102高能量放電高能量放電72102高能量放電高能量放電73122高能量放電高能量放電74100高能量放電高能量放電75101高能量放電高能量放電76202低能量放電低能量放電77102低能量放電高能量放電78202低能量放電低能量放電79102低能量放電高能量放電80102低能量放電高能量放電81201低能量放電低能量放電82202低能量放電低能量放電83201低能量放電低能量放電84201低能量放電低能量放電85022低能量放電高溫過熱86201低能量放電低能量放電87202低能量放電低能量放電

22、88200低能量放電低能量放電89101低能量放電高能量放電90202低能量放電低能量放電從上表可以看出，總體的精確度還是很高的，一共 90組 DGA原始數(shù)據(jù)，其 中 15 組檢測(cè)出來(lái)的結(jié)果錯(cuò)誤，剩余 75 組結(jié)果都是正確的，故總體的精確度為 83.33%，基本符合變壓器故障診斷精確度。 由此可見運(yùn)用三比值法來(lái)檢測(cè)變壓器 故障還是有一定可行度和可靠性的。3.5 三比值法的不足三比值法目前雖然被廣泛用于檢測(cè)變壓器故障診斷， 切檢測(cè)出來(lái)的精確度也 能基本滿足精確度要求，但它本身仍然存在很多不足，如下：（1）變壓器故障類型有很多種，其中有好幾種并不能包括在三比值法中， 往往這些故障運(yùn)用三比值法就檢測(cè)

23、不出來(lái)。（2）當(dāng)變壓器油中氣體含量正常時(shí)也可能出現(xiàn)故障，這時(shí)候三比值法就不 能精確檢測(cè)出來(lái)。（3）當(dāng)某些故障在編碼邊界時(shí)，三比值法可能模糊混淆部分?jǐn)?shù)據(jù)，造成誤 判。（4）三比值法只適用于變壓器油中氣體分析，并不能運(yùn)用在其它方面。3.6 本章小結(jié)本章歸納了變壓器的故障類型及產(chǎn)生故障時(shí)的氣體特征， 講述了 DGA技術(shù)在 故障診斷時(shí)的流程。詳細(xì)介紹了三比值法，并運(yùn)用MATLAB技術(shù)實(shí)現(xiàn)。選取 90組 DGA原始數(shù)據(jù)進(jìn)行檢測(cè)，檢測(cè)結(jié)果精確度達(dá)到了 83.33%，基本滿足了變壓器 故障精確度要求。體現(xiàn)了三比值法在變壓器油中溶解氣體檢測(cè)變壓器故障的可行 性和可靠性。第四章 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷氣體

24、在變壓器油中溶解時(shí)候可能會(huì)受到電、熱、機(jī)械等各方面因素的作用， 在溶解過程中涉及到了極其復(fù)雜的機(jī)理， 所以，通過一般的理論方法并不能夠精 確地計(jì)算并反映出各個(gè)方面的映射關(guān)系，比如變壓器油中溶解的特征氣體、 變 壓器故障類型以及故障嚴(yán)重程度這三者之間的關(guān)系。在對(duì)適用于故障分析的神經(jīng)網(wǎng)絡(luò)進(jìn)行建立模型之后， 便可以進(jìn)行下一步的樣 本數(shù)據(jù)錄入從而達(dá)到對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目的。 訓(xùn)練之后的神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)發(fā)現(xiàn) 樣本數(shù)據(jù)中的規(guī)律， 所以在給定溶解氣體的有關(guān)數(shù)據(jù)之后， 這種神經(jīng)網(wǎng)絡(luò)的模型 能夠十分迅速的得出變壓器所屬的故障類型。4.1 神經(jīng)網(wǎng)絡(luò)的介紹神經(jīng)網(wǎng)絡(luò)( ANN)是一個(gè)模仿人腦工作機(jī)理的非線性信息處理系統(tǒng)

25、。神經(jīng)網(wǎng) 絡(luò)是好多個(gè)人工神經(jīng)元通過相互之間的連接組成的， 而人工神經(jīng)元?jiǎng)t是負(fù)責(zé)處理 信息的基本單元。神經(jīng)網(wǎng)絡(luò)能夠快速得出故障分析結(jié)果的原因是它能夠通過訓(xùn)練 算法直接發(fā)現(xiàn)樣本數(shù)據(jù)中的知識(shí)，然后再將這些知識(shí)隱藏在它的權(quán)值和閾值中， 這樣一來(lái)，神經(jīng)網(wǎng)絡(luò)在分析實(shí)例時(shí)便可以直接運(yùn)用這些知識(shí)。神經(jīng)網(wǎng)絡(luò)( ANN)運(yùn)用非常廣泛，它擁有著其它信息處理系統(tǒng)不擁有的的優(yōu) 點(diǎn)；例如以下這幾個(gè)方面：(1) 非線性(2) 輸入輸出映射(3) 自適應(yīng)(4) 可信度估計(jì)(5) 信息的分布式存儲(chǔ)(6) 容錯(cuò)性4.1.1 神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)受到神經(jīng)元與神經(jīng)元之間連接方式的影響， 有很多種不 同形式的拓?fù)浣Y(jié)構(gòu)。

26、(1) 前向網(wǎng)絡(luò)如圖 4-1 所示，這種形式的拓?fù)渚W(wǎng)絡(luò)為前向網(wǎng)絡(luò)。 從圖中更可以看出， 這種 網(wǎng)絡(luò)是由輸入層、 隱藏層和輸出層組成的。 作為整個(gè)網(wǎng)絡(luò)的前提， 這種結(jié)構(gòu)中， 信息是單向流通的。 在輸入端給出一個(gè)特定數(shù)據(jù)， 該數(shù)據(jù)就會(huì)經(jīng)過輸入層然后傳 遞到隱藏層， 而在隱藏層中的神經(jīng)元會(huì)對(duì)這個(gè)數(shù)據(jù)進(jìn)行一系列的處理， 最后被傳 到輸出層，得到輸出結(jié)果。(2) 有反饋的前向網(wǎng)絡(luò)如圖 4-2 所示，這種網(wǎng)絡(luò)的特點(diǎn)是在網(wǎng)絡(luò)中增加了一條由輸出層到輸入層的 信息反饋通道， 這種通道形成一個(gè)反饋過程。 一般來(lái)說， 有反饋的前向網(wǎng)絡(luò)在存 儲(chǔ)模式序列中經(jīng)常采用，例如可以分析變壓器故障的回歸 BP便是這種類型的網(wǎng) 絡(luò)

27、結(jié)構(gòu)。圖 4-2 有反饋前向網(wǎng)絡(luò)的結(jié)構(gòu)圖(3) 層內(nèi)互連前向網(wǎng)絡(luò)這種類型的網(wǎng)絡(luò)，其中的神經(jīng)元隱藏層是相互連接的。 在這種連接方式的 作用下，每層內(nèi)的神經(jīng)元便不可能在同一時(shí)間作用。(4) 相互結(jié)合型網(wǎng)絡(luò)在無(wú)反饋的前向網(wǎng)絡(luò)中， 每個(gè)信號(hào)都是從輸入層、 隱藏層和輸出層一一傳遞 的，具有單向性，只能從前往后傳遞，不能從后往前。在相互結(jié)合型網(wǎng)絡(luò)中，任 意兩個(gè)不同的神經(jīng)元之間都存在著不同的連接。 信號(hào)從輸入層進(jìn)入之后， 便在層 內(nèi)神經(jīng)元之間一直不斷的傳來(lái)傳去， 在不斷傳遞的過程中， 信號(hào)會(huì)處于一直變化 的狀態(tài)下，直到整個(gè)網(wǎng)絡(luò)達(dá)到了一種平衡。4.2 BP 神經(jīng)網(wǎng)絡(luò)及變壓器故障診斷算法4.2.1 BP 網(wǎng)絡(luò)在

28、多層前向網(wǎng)絡(luò)的基礎(chǔ)上， 使誤差沿著輸出途徑并令學(xué)習(xí)算法反向傳播的網(wǎng) 絡(luò)叫做 BP網(wǎng)絡(luò)。如圖 4-5 所示，它擁有三層結(jié)構(gòu)， 分別是輸入層、 隱藏層和 輸出層。首先給網(wǎng)絡(luò)一個(gè)特定的輸入信號(hào)， 輸入層便會(huì)接受它， 然后經(jīng)過不同神經(jīng)元 的各種程度的處理之后， 信息便傳到了隱藏層， 在隱藏層內(nèi)， 還會(huì)對(duì)信息進(jìn)行一 定的處理，處理完畢之后信息傳出隱藏層到達(dá)最后的輸出層。由于單向性的特征， 后層神經(jīng)元只受到前一層神經(jīng)元狀態(tài)的影響， 這種方 式叫作前向傳播； 如果最后輸出的的結(jié)果與所期待的數(shù)據(jù)有著較大的差距， 那么 便會(huì)把兩者之間的誤差通過反饋通道傳遞到輸入層， 緊接著輸入層變回按照誤差 來(lái)改變各層之間的權(quán)

29、值。 就是在這種前向傳播和誤差反饋的不斷重復(fù)過程中， 通 過誤差反饋不斷的改變各層之間的可變參數(shù)， 最終得到一個(gè)在要求范圍以內(nèi)的誤 差，從而得出最優(yōu)結(jié)果。通過這一次的學(xué)習(xí)， 等到下次再給出一個(gè)輸入數(shù)據(jù)時(shí)候， 網(wǎng)絡(luò)便會(huì)一句上次 學(xué)習(xí)經(jīng)驗(yàn)迅速給出一個(gè)輸出結(jié)果實(shí)現(xiàn)特定的感知、 識(shí)別、模式分類、 推理和特征 提取等功能。圖 4-5 BP 網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖設(shè)輸入節(jié)點(diǎn)數(shù) m， 隱藏層節(jié)點(diǎn)數(shù)為 k ，輸出層節(jié)點(diǎn)數(shù) n，對(duì)應(yīng)的輸入為 X (x1,x2,xm)T， 隱藏層輸出為 Y (y1,y2,ym)T ， 輸出層為 O (o1,o2,om)T 。 輸 入層 xi 與隱藏層 yj 的連接權(quán)值 wij ；隱藏層

30、節(jié)點(diǎn) yi ， 與輸出層節(jié)點(diǎn) oi 間的連接權(quán) 值為 wij； 第 j 個(gè)神經(jīng)元的閾值為 j=(1 ，2，?k) ，網(wǎng)絡(luò)輸出層第 1個(gè)神經(jīng)元的閾 值為 i=(1 ，2，?n) 。(1) 對(duì)于輸入層，輸入 =輸出，即 xi oi(2) 對(duì)于隱含層有輸入：mNet jw ij xtji1(4-6)輸出：myj f (Net j) f (wij xtj)i1(4-7)(3) 對(duì)于輸出層有：輸入：Netlwjlyj4-8)j1 輸出：kOl f ( Netl ) f( wjlyj l)(4-9)j1其中 f( )為 sigmoid 激勵(lì)函數(shù) f (x) f (1/(1 e x)。4.2.2 BP 網(wǎng)絡(luò)

31、的算法輸入值為：4-10)(4-11 )X12X 1, X 2, Xn其中：X1 14.67 3.68 10.56 2.74 0.2X 2 15.02 4.2 9.8 2.5 0.2（ ?。悍嚼ㄌ?hào)里的數(shù)據(jù)為收集好的 DGA原始數(shù)據(jù)） 誤差函數(shù)為：E1 n dl ol2l1式中， dl 期望輸出；ol 網(wǎng)絡(luò)的實(shí)際輸出。將誤差公式展開至隱層得：4-12)1n2Edlf (netl ) 22l11nkdlf ( wjl yj)2l1j14-13)展開至輸入層得：1nE2l1dlkf ( wjl f (netj) j021n2l1dl2 kmf ( wjl f ( wijxi)j 0 i 04-14)

32、權(quán)值的調(diào)整量 ( w )與網(wǎng)絡(luò)誤差的負(fù)梯度成正比wjl4-15)EwjlwijEwij4-16)其中學(xué)習(xí)速率 (0,1)。隱藏層與輸出層之間的連接權(quán)值的修正量為：設(shè)ujOi4-17)同理4-18)4-19)各層權(quán)值調(diào)整4-20)4.2.3 BP 神經(jīng)網(wǎng)絡(luò)的改進(jìn)BP 網(wǎng)絡(luò)采用誤差梯度下降的方式進(jìn)行迭代， 收斂速度慢， 網(wǎng)絡(luò)學(xué)習(xí)過程長(zhǎng)， 并且在訓(xùn)練時(shí)容易陷入局部極小值。為了讓 BP算法不受以上種種因素的影響， 所以用下面幾種方法：(1) 自適應(yīng)學(xué)習(xí)速率法 一個(gè)網(wǎng)絡(luò)的學(xué)習(xí)效率受到學(xué)習(xí)速率的影響， 通過改變速率的大小， 繼而可以 改變整個(gè)網(wǎng)絡(luò)的特性。速率太小的話，學(xué)習(xí)時(shí)間便會(huì)延長(zhǎng)；反而速率太大，網(wǎng)絡(luò)

33、很大可能會(huì)失去穩(wěn)定。所以，選擇一個(gè)合適的速率很重要。自適應(yīng)學(xué)習(xí)速率法則提供了一個(gè)尋找合適學(xué)習(xí)速率的方法。 首先它會(huì)給出一 個(gè)初始速率， 接著通過不斷改變?cè)撍俾剩?然后選擇其中更優(yōu)的速率， 把它作為下 次調(diào)整的初始值。重復(fù)這種過程，直到找到一個(gè)最為合適的學(xué)習(xí)速率。(2) 附加動(dòng)量法缺乏對(duì)前面的參考就容易使網(wǎng)絡(luò)振蕩，進(jìn)而進(jìn)入局部極值。為了改善這種情況，我們通常引入附加動(dòng)量法，加入動(dòng)量項(xiàng)的改進(jìn)算法：w(k 1) w(k) (1 )D(k) D(k 1) (4-21) 式中 ， D(k) k 時(shí)刻的負(fù)梯度；學(xué)習(xí)率；a 動(dòng)量因子。4.2.4 神經(jīng)網(wǎng)絡(luò)系統(tǒng)的可靠性神經(jīng)網(wǎng)絡(luò)同時(shí)也存在許多不足， 其中可靠性問

34、題就是其中之一。 為了提高神 經(jīng)網(wǎng)絡(luò)的可靠性，我們通常采取以下措施。神經(jīng)網(wǎng)絡(luò)的狀態(tài)變化服從：X(t t) F(X(t),W)(4-22)式中 X系統(tǒng)的狀態(tài)微量；F 確定的函數(shù)；x0(t) 隨機(jī)地從訓(xùn)練集合中抽取的樣本；w 系統(tǒng)的權(quán)值向量。神經(jīng)網(wǎng)絡(luò)動(dòng)力系統(tǒng)的學(xué)習(xí)過程服從：X(t t) H (X 0(t),W(t)(4-23)式中， H確定的函數(shù)。4.3 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷 MATLAB 仿真MATLAB軟件可以進(jìn)行高性能的數(shù)值計(jì)算，算法原型以及通過矩陣公式解決 一些特殊問題，不同專業(yè)的符號(hào)計(jì)算，文字處理，系統(tǒng)仿真等功能，在各個(gè)學(xué)科 和工程領(lǐng)域起著不小的作用。MATLAB 軟件中最重要的

35、是它的工具箱， MATLAB工具箱可以實(shí)現(xiàn)很多功能， 它 們主要分為以下幾類：1. 控制類工具箱2應(yīng)用數(shù)學(xué)類工具箱3信號(hào)處理類工具箱4其他常用工具箱本文首先建立 BP 網(wǎng)絡(luò)變壓器故障診斷模型。然后利用已經(jīng)收集好的 90 組 DGA原始數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練，訓(xùn)練完后再利用剩下的 40 組數(shù)據(jù)對(duì)其進(jìn)行檢測(cè)， 最后對(duì)訓(xùn)練和檢測(cè)結(jié)果進(jìn)行歸納和分析。4.3.1 樣本的收集和選擇樣本的收集和選擇對(duì) BP神經(jīng)網(wǎng)絡(luò)能否有效的進(jìn)行變壓器故障診斷有著很大 的影響，收集和選擇樣本的原則是：(1) 樣本應(yīng)有代表性。 對(duì)于故障診斷中的樣本，樣本中各種故障所占的比例應(yīng)當(dāng)和實(shí)際情況發(fā)生 的比率一致。只有這樣才能訓(xùn)練性能良好的

36、BP網(wǎng)絡(luò)。(2) 樣本應(yīng)有廣泛性。變壓器的容量、型號(hào)、運(yùn)行環(huán)境等因素的不同都會(huì)對(duì) 數(shù)據(jù)有著不小的影響， 所以收集數(shù)據(jù)時(shí)要兼顧各個(gè)方面， 這樣訓(xùn)練出來(lái)的網(wǎng)絡(luò)適 應(yīng)能力才強(qiáng)。從表 4-24 可以看出國(guó)內(nèi)的變壓器發(fā)生不同故障的比例，其中過熱性故障和 高能量放電性故障比率最好，是多發(fā)事故。表 4-24 變壓器發(fā)生故障類型比率故障類型比率( %)過熱性故障53高能量放電故障18.1過熱兼高能量放電啊10.0火花放電7.0受潮或局部放電1.9本文按照選取的原則， 選取 130 組已經(jīng)確認(rèn)故障類型的 DGA原始數(shù)據(jù)。其中90 組數(shù)據(jù)用來(lái)對(duì) BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，另外 40組用來(lái)對(duì)網(wǎng)絡(luò)進(jìn)行檢測(cè)。4.3.2 D

37、GA 數(shù)據(jù)的預(yù)處理(1) 確定輸入變量 本課題選擇五種氣體，分別是 H2、CH4、C2H6、C2H4、C2H2，這五種氣體同 時(shí)也是區(qū)別變壓器故障的標(biāo)準(zhǔn)，具有權(quán)威性和代表性。(2) 確定輸出變量輸出變量就是程序設(shè)計(jì)最終要實(shí)現(xiàn)的目的， 即輸入五種特征氣體的含量要輸 出該變壓器的故障類型。 在變壓器眾多故障中， 有四種故障比較常見， 分別是高 溫過熱故障(大于 700)、中低溫過熱故障(小于 700)、高能量放電故障以 及低能量放電故障。各個(gè)故障編碼如下表 4-25 ：表 4-25 變壓器各個(gè)故障編碼正常狀態(tài)高溫過熱中低溫過熱高能量放電低能量放電01234首先對(duì) DGA原始數(shù)據(jù)進(jìn)行預(yù)處理，采取方法

38、如下：for i=1:90x12(6,i)= x12(1,i) + x12(2,i)+ x12(3,i)+ x12(4,i)+x12(5,i);endfor i=1:90x12(1,i)= x12(1,i)/x12(6,i);x12(2,i)= x12(2,i)/x12(6,i);x12(3,i)= x12(3,i)/x12(6,i);x12(4,i)= x12(4,i)/x12(6,i);x12(5,i)= x12(5,i)/x12(6,i);x12(6,i)=x12(6,i)/200;end新增加了一行為五種特征氣體參數(shù)之和 (x12)，然后把每一個(gè)參數(shù)分別除以 總和，這樣對(duì)原始數(shù)據(jù)處理以

39、后可以讓各個(gè)數(shù)據(jù)之間的差別更鮮明， 使得輸出的 結(jié)果更顯而易見，更精確。4.3.3 網(wǎng)絡(luò)的訓(xùn)練本方案選取了包含了各種故障的 DGA原始數(shù)據(jù)共 130組，其中利用 90 組來(lái) 進(jìn)行訓(xùn)練。 DGA部分原始數(shù)據(jù)如下表 4-26 ：（完整數(shù)據(jù)詳見附錄 1） 表 4-26 部分 DGA原始數(shù)據(jù)樣本號(hào)H2CH4C2H6C2H4C2H2114.673.6810.562.740.2215.024.29.82.50.231043336432317.5501.1513.51.71.20.6069.872.490.79464.8714.73.810.52.70.286.71011713.998.57.24.33.9

40、3.51046.836.98.57.50.31133.672.9733.227.72.5124233.614.88.90.561346.1311.5733.148.520.631414060100805158741110.1721165090182605.917762022753216161887500265209192794871097084.42016.716.56.8757.42.472116.12410.1348.90.81224.6810.8317.566.960233.7626.817.2261.880.312418.6117.976.6955.361.362530.11394.5

41、626.140.162615.8921.83.258.120.982715.94304.9748.770.3281.386.159.276.636.63292074163471345203035.150.616.1931.13145168823303.13213026613847740.5332364101598173.5345610051.42482.3351482391138784360.9843.8326.828.403738.2317.8722.910382427.824.43003916013033960401506040701本方案首先嘗試?yán)盟姆址ㄒ淮涡詤^(qū)分出四種故障， 嘗試后發(fā)

42、現(xiàn)輸出結(jié)果的 精確度并不高。為了提高 BP網(wǎng)絡(luò)的精確度，故采用二分法對(duì) DGA原始數(shù)據(jù)進(jìn)行 訓(xùn)練，總體分為四個(gè)步驟：（1）從所有數(shù)據(jù)中分離出正常狀態(tài)對(duì)正常狀態(tài)的數(shù)據(jù)和有故障狀態(tài)的數(shù)據(jù)進(jìn)行編碼，正常狀態(tài)為0，有故障狀態(tài)為 1，得出訓(xùn)練結(jié)果如下圖 4-27 ：圖 4-27 從所有數(shù)據(jù)中分離出正常狀態(tài) 注：紅線代表實(shí)際情況，藍(lán)線代表訓(xùn)練輸出結(jié)果從圖中可以看出第 10組、第 12組以及第 14 組數(shù)據(jù)訓(xùn)練結(jié)果與實(shí)際相差較 大，一共 90 組數(shù)據(jù)。其中 15 組為正常狀態(tài)，訓(xùn)練結(jié)果為分離出了 12 組正常狀 態(tài)的數(shù)據(jù)，共有 3 組數(shù)據(jù)存在偏差，故精確度為 96.67%，基本符合變壓器故障 診斷精確度要求

43、。（2）從所有故障數(shù)據(jù)中分離出高溫過熱故障 對(duì)高溫過熱故障和其他故障類型進(jìn)行編碼，高文過熱故障為0，其余故障類型為 1，得出訓(xùn)練結(jié)果如下圖 4-28 ：圖 4-28 從所有故障數(shù)據(jù)中分離出高溫過熱故障 從圖中可以看出，雖然區(qū)分度不是很大，但以 0.6 為界限，基本可以把高 溫過熱故障從所有故障類型中區(qū)分出來(lái)，大約有 7 組數(shù)據(jù)存在偏差，總共為 75 組數(shù)據(jù)，故精確度大約為 90.67%，基本符合變壓器故障診斷精確度要求。（3）從中低溫過熱、高能量放電及低能量放電中分離出中低溫過熱故障 對(duì)中低溫過熱故障和其他剩余故障進(jìn)行編碼，中低溫過熱故障為0，剩余其他故障為 1，得出訓(xùn)練結(jié)果如下圖 4-29

44、：圖 4-29 從中低溫過熱、高能量放電及低能量放電中分離出中低溫過熱故障從圖中可以看出， 以 0.5 為界限，基本上把中低溫過熱故障從其他幾個(gè)故障類型 中分離出來(lái)了。一共 55 組數(shù)據(jù)，只有 1 組數(shù)據(jù)存在較明顯的偏差，故精確度大 約為 98.18%，基本符合變壓器故障診斷精確度要求。（4）區(qū)分高能量放電及低能量放電 首先對(duì)高能量放電故障和低能量放電故障進(jìn)行編碼，高能量放電故障為0，低能量放電故障為 1，得出訓(xùn)練結(jié)果如下圖 4-30 ：圖 4-30 區(qū)分高能量放電及低能量放電從圖中可以看出，這兩個(gè)故障的 DGA數(shù)據(jù)區(qū)分度不是特別明顯，但以 0.5 為界限大致能勉強(qiáng)區(qū)分出來(lái)。一共 35組數(shù)據(jù)，

45、有 6 組數(shù)據(jù)存在明顯偏差，故精 確度為 82.85%，雖然精確度偏低，但基本還是能滿足變壓器故障診斷精確度要 求。通過上述四個(gè)步驟對(duì) BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，總體訓(xùn)練成果如下表 4-31 ：表 4-31 各種故障的精確度故障類型高溫過熱故障中低溫過熱 故障高、低能量放電故障正常狀態(tài)精確度90.67%98.18%82.85%96.67%總精確度87.78%總體數(shù)據(jù)的訓(xùn)練準(zhǔn)確度為 87.78%滿足準(zhǔn)確度要求，因此體現(xiàn)了此方案的可行性與可靠性。4.3.4 網(wǎng)絡(luò)的檢測(cè)本方案一共 130 組數(shù)據(jù)，其中 90 組用來(lái)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練， 剩余的 40 組則用來(lái)對(duì)網(wǎng)絡(luò)進(jìn)行檢測(cè)，部分 DGA原始數(shù)據(jù)如下表 4-3

46、2 ：（完整原始數(shù)據(jù)詳見附錄 2）表 4-32 部分用于檢測(cè)的 DGA原始數(shù)據(jù)樣本號(hào)H2CH4C2H6C2H4C2H2193.536.7111.269.41.1211293.3132123.60.5314.24.413.962.480.17411.172.47.21.94.4514.73.810.52.70.261721111454.17901605433029844.663.220.11290.6692464321416747.21056144361641.811692121356923.91282161794068.91318131611559321481130742302.9151703

47、3077430131611912033840.551757761921018407115850905722621535199258433702016013033960依舊采用相同的 DGA數(shù)據(jù)預(yù)處理方法， 并且采用二分法進(jìn)行分析檢測(cè)。 同樣分成四個(gè)步驟：1）從所有數(shù)據(jù)中檢測(cè)出正常狀態(tài)對(duì)正常狀態(tài)的數(shù)據(jù)和有故障狀態(tài)的數(shù)據(jù)進(jìn)行編碼，正常狀態(tài)為0，有故障狀態(tài)為 1，得出檢測(cè)結(jié)果如下圖 4-33 ：圖 4-33 從所有數(shù)據(jù)中檢測(cè)出正常狀態(tài)從上圖可知， 40組數(shù)據(jù)中只有 1 組數(shù)據(jù)存在較大差異，因此準(zhǔn)確度較高，達(dá)到 了 97.5%，符合變壓器故障診斷精確度要求。（2）從所有故障數(shù)據(jù)中檢測(cè)出高溫過熱故障 對(duì)高溫過熱故障和其他故障類型進(jìn)行編碼，高文過熱故障為0，其余故障類型為 1，得出檢測(cè)結(jié)果如下圖 4-34 ：圖 4-34 從所有故障數(shù)據(jù)中檢測(cè)出高溫過熱故障 從上圖可以看出，一共 35 組數(shù)據(jù)，只有一兩組數(shù)據(jù)存在較大偏差，故精確 度較高，達(dá)到 94.28%的準(zhǔn)確度，符合變壓器故障診斷精確度要求。0，剩余（3）從中低溫過熱、高能量放電及低能量放電中檢測(cè)出中低溫過熱故障 對(duì)中低溫過熱故障和其他剩余故障進(jìn)行編碼，中低溫過熱故障為其他故障為