神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力變壓器故障診斷

1、神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力變壓器故障診斷摘要 介紹了一種用于信號(hào)分類識(shí)別的小波神經(jīng)網(wǎng) 絡(luò) , 其網(wǎng)絡(luò)權(quán)值由小波函數(shù)集充當(dāng) , 并在學(xué)習(xí)過程中 應(yīng)用了共耗梯度法。將此小波神經(jīng)網(wǎng)絡(luò)用于變壓器油 色譜診斷 , 經(jīng)仿真計(jì)算 , 證實(shí)它具有比 BP 網(wǎng)絡(luò)更好的 遙近性能 , 可以達(dá)到較高的準(zhǔn)確率。關(guān)鍵詞 小波 神經(jīng)網(wǎng)絡(luò) 故障診斷 BP神經(jīng)網(wǎng)絡(luò) 變 壓器一.前言為了保證電力系統(tǒng)的可靠、穩(wěn)定、安全運(yùn)行,電力變壓 器起著關(guān)鍵性的作用。當(dāng)電力變壓器有故障前兆或者發(fā)生故 障時(shí),電力變壓器油經(jīng)過化學(xué)變化,會(huì)分解出一些氣體,隨 著這些氣體的成分,濃度含量的不同變壓器故障也不同,通 過對這些氣體色譜的分析,就能快速對變壓器運(yùn)行

2、狀態(tài)或故 障程度進(jìn)行診斷了。這就是國際上通用檢測電力變壓器的油 色譜分析。但是,無論采取三比值發(fā)還是改進(jìn)電協(xié)研法,對變壓器的故障診斷準(zhǔn)確率只有 80%,難以滿足電力系統(tǒng)安全 的需要。然而,在某種程度上講,這些辦法都依賴于工程技 術(shù)人員的分析經(jīng)驗(yàn),于主管能動(dòng)性有很大的關(guān)系。但同時(shí)電 力變壓器的運(yùn)行維護(hù)水平、容量、電壓水平、絕緣結(jié)構(gòu)以及 符合情況等諸多客觀因素,均會(huì)對診斷結(jié)果帶來的影響甚至 對于同一變壓器、同一運(yùn)行條件下也會(huì)出現(xiàn)采用不同診斷方 案,得出不同診斷結(jié)果的現(xiàn)象。隨著目前工業(yè)計(jì)算機(jī)和人工 智能控制技術(shù)的發(fā)展,國際上有科學(xué)家將多年的運(yùn)行經(jīng)驗(yàn)和 診斷方法加以綜合和總結(jié),提出了基于人工神經(jīng)網(wǎng)絡(luò)的

3、變壓 器故障診斷專家系統(tǒng)。 其中 BP 網(wǎng)絡(luò)及其模型應(yīng)用的最多, 并 且取得了非常顯著了研究成果,但是 BP 網(wǎng)絡(luò)的逼近能力有 限,診斷的準(zhǔn)確率難以再次提高。二.神經(jīng)網(wǎng)絡(luò)首先先用 BP 網(wǎng)絡(luò)算法分析。 這種網(wǎng)絡(luò)的優(yōu)點(diǎn)是不僅有輸 入層節(jié)點(diǎn),輸出層節(jié)點(diǎn),而且有隱層節(jié)點(diǎn)(可以是一層或者 多層 。對于輸入信號(hào),要先向前傳播到隱藏節(jié)點(diǎn),經(jīng)過作用 函數(shù)后,再把隱藏節(jié)點(diǎn)的輸出信息傳播到輸出節(jié)點(diǎn),最后給 出輸出的結(jié)果。若再輸出層不能得到期望的輸出,則輸入反 向傳播,講誤差信號(hào)沿原來的連接通道返回,通過修改各層 神經(jīng)元的權(quán)值,得到誤差信號(hào)最小。實(shí)際上,設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)到輸入輸出以及中間層 網(wǎng)絡(luò)結(jié)構(gòu)和輸入特征

4、向量的首選。首先必須非常細(xì)心地選擇 輸入特征向量,使其正確的反映問題的特征;其次是選擇一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)成神經(jīng)網(wǎng)絡(luò)?？梢愿鶕?jù)網(wǎng)絡(luò)訓(xùn)練性能以及精度來 改變中間層數(shù)(節(jié)點(diǎn)數(shù)獲取一個(gè)理想的網(wǎng)絡(luò)。 三.小波分析小波分析是近些年新型的一種數(shù)學(xué)方法,被認(rèn)為是繼傅里葉 變化之后又一重大理論突破,小波變換同在時(shí)域和頻域內(nèi)有較好 的局部化性質(zhì),隨著信號(hào)不同,頻率分成在時(shí)時(shí)域的取樣疏密自 動(dòng)調(diào)節(jié),以分析信號(hào)的任意細(xì)節(jié),提取信號(hào)特征,被譽(yù)為數(shù)學(xué)顯 微鏡。小波神經(jīng)網(wǎng)絡(luò)是小波分析和神經(jīng)網(wǎng)絡(luò)結(jié)合的產(chǎn)物,它結(jié)合 了小波變換的局部化性質(zhì)和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能,具有較強(qiáng)的 逼近能力。本文將對小波神經(jīng)網(wǎng)絡(luò)對變壓器油色譜故障診斷的應(yīng) 用

5、進(jìn)行分析探討。小波神經(jīng)網(wǎng)絡(luò)的原理小波神經(jīng)網(wǎng)絡(luò)依據(jù)如下的小波變換原理在函數(shù)空間 2L (R 中,選擇一稱為母小波函數(shù) ( h x , 使其滿足:(h R(h 為 (h 的傅里葉變換, 再對 (h 進(jìn)行伸縮, 平移變換,得到小波基函數(shù)(, a b x bh a-= 其中, a,b 分別為 (h 的伸縮因子和平移因子。小波神經(jīng)網(wǎng)絡(luò)是基于小波分析而構(gòu)成的神經(jīng)網(wǎng)絡(luò)模型,在信 號(hào)分類中,小波空間可作為信號(hào)分類的特征空間,而信號(hào)特征提 取仄是通過一組小波函數(shù)族與輸出信號(hào)的矢量內(nèi)積輸入到神經(jīng)網(wǎng)絡(luò)分類器來實(shí)現(xiàn)的。(22cos1.75xh x xe-=輸出層傳遞函數(shù)是 SIGMOID 函數(shù),即:(11e-=+(,

6、 11J I jk k K J j i j t b O u W P i h a =-= 設(shè)共有 N 組樣本參加訓(xùn)練,網(wǎng)絡(luò)參數(shù) , , j j j b a 可用下列公式 優(yōu)化:(2112Nn n n E d O =-式中 n d 是輸入信號(hào) n p 的理想輸出,令'j jt b t a -=('1u u u u u=-則 E 的梯度可表示為(''' 211cos1.75tNIj nn n n i jE g dO u p i t e-=-(2'11'' ' 211.75sin 1.75cos 0.75NIj n n n j n

7、 i jt j j E g b d O u p i b t t t ea a =-=-+(2'2' 11''' ' 2( ( ( 1.75sin 1.75cos 0.75N Ij n n n j n i jtj j E g a d O u p i a t tt t e a a =-=-+采用共軛梯度法最小化 E , 由 ( j g 和 j 可產(chǎn)生列矢量 ( g W 和 W ;用 ( l s W 表示 l 次迭代 W 的搜索方向,但是 W 的函數(shù),這 一搜索過程可描述如下(is W =(lg W -1l =1(1 1( ( ( (li l lL l

8、 Tl g W g W g W s W g W g W -+1l 11(l l lWWs W +-=+同理可優(yōu)化 jb ·ja ,如此反復(fù)迭代 , 直到 E 小于設(shè)定的允許誤差 , 結(jié)束神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)。網(wǎng)絡(luò)訓(xùn)練及診斷結(jié)果分析通常神經(jīng)網(wǎng)絡(luò)在訓(xùn)練中對所有樣本的梯度進(jìn)行平均 , 以得 到梯度的估值。這種平均作用會(huì)忽略訓(xùn)練樣本的個(gè)體差異 , 降低學(xué)習(xí)靈敏度。在缺乏足夠典型訓(xùn)練樣本的情況下 , 某個(gè)具有代表 性的樣本信息會(huì)被其它樣本所淹沒 , 不能充分反映到神經(jīng)網(wǎng)絡(luò) 的參數(shù)中。為充分利用有限的訓(xùn)練樣本 , 我們采用分塊重復(fù)學(xué)習(xí)的方 法。為充分利用有限的訓(xùn)練樣本 , 我們采用分塊重復(fù)學(xué)習(xí)的方 法。

9、首先將所有樣本平均地分成 10份 , 再由 10份構(gòu)成 10個(gè)訓(xùn)練樣 本子塊;第 1個(gè)子塊由除第 1份以外的其它樣本組成 , 第 2個(gè)子塊 由除第 2份以外的其它樣本組成 , 依此類推。設(shè)網(wǎng)絡(luò)訓(xùn)練的允許 誤差為 。 , 依次用這 10個(gè)子塊訓(xùn)練網(wǎng)絡(luò) , 當(dāng)每個(gè)子塊的誤差均 小于 時(shí) , 完成網(wǎng)絡(luò)的學(xué)習(xí)。本文選用2H ·4C H ·24C H ·22C H ·26C H 五種特征氣體作為神經(jīng)網(wǎng)絡(luò)的輸人 , 由于氣體含量的絕對值變動(dòng)范圍很大 , 直 接用氣體含量值作為輸人會(huì)影響網(wǎng)絡(luò)的收斂特性 , 所以要對輸 人樣本進(jìn)行歸一化預(yù)處理 , 保證輸人數(shù)據(jù)范圍在 0

10、-1之間。本文 用如下歸一化方法處理樣本數(shù)據(jù):(min max min 0.8(, (, 0.1( (G i j G j P i j G j G i -=+-(i=1,2,3,4,5 j=1,·······N 其中, N 為樣本數(shù), G(i,j表示第 j 組樣本中第 i 種氣體含量值,m ax (G j 和min (G j 分別為第 j 組樣本數(shù)據(jù)中的最大值和最小值。 P(i,j 為各種氣體的歸一化值。P (i,j 實(shí)際上反映了各種氣體在樣本中的比例 , 但該樣本的特征氣體總和尚未反映出來 , 所以再增加一個(gè)反映氣體總和的

11、輸人量:0.001(; 1;sum G j ( 1000( 1000sum sum G j G j <其中, ( sum G j 為第就 j 組樣本氣體總量 , 這樣 , 神經(jīng)網(wǎng)絡(luò) 一共有 6個(gè)輸人節(jié)點(diǎn)。經(jīng)模擬計(jì)算 , 在對數(shù)據(jù)的歸一化預(yù)處理中 , 將總量作為輸人比不考慮總量 , 準(zhǔn)確率有所提高。下面對小波神經(jīng)網(wǎng)絡(luò)和 BP 網(wǎng)絡(luò)進(jìn)行比較,本文在色譜故障診 斷所用的小波神經(jīng)網(wǎng)絡(luò) , 其隱層取 15個(gè)節(jié)點(diǎn);同時(shí)構(gòu)造了一個(gè)網(wǎng) 絡(luò) , 它含兩隱層 , 隱層和輸出層的傳遞函數(shù)都是 sigmoid 函數(shù),每 層節(jié)點(diǎn)數(shù)均為 30個(gè)。用 30個(gè)樣本分別對 BP 網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)進(jìn) 行訓(xùn)練 , 迭代允許誤差均取 0.001, 網(wǎng)絡(luò)輸出層均有 4個(gè)節(jié)點(diǎn) , 分 別代表無故障、過熱故障、低能量放電、高能量放電。兩種網(wǎng)絡(luò) 模型對 20個(gè)校驗(yàn)樣本的判斷結(jié)果如附表。可見 , 本例中 BP 網(wǎng)