神经网络在变压器油色谱故障诊断中的应用

陈伟

摘要：本文通过对变压器油中气体含量的研究以及对神经网络的学习，构建了神经网络的诊断模型，而后对同一样本进行多种训练，通过对误差仿真结果的比较，证实了改进型算法的可行性与优越性，从而对变压器的油色谱故障诊断提供了更科学的方法。

关键词：变压器故障；油中气体；神经网络

一、引言

电力变压器是电网运行的主要设备，其安全运行是保障电力系统可靠运行的重要条件。目前油中溶解气体的色谱分析技术是电力系统充油电气设备故障诊断的一种主要手段。但由于设备故障原因、故障现象的复杂性以及不确定性，传统的故障诊断方法准确率不高。因此，有必要探索出一种更方便、更可靠的诊断方法，提高诊断的准确率。由于神经网络具有学习和记忆、并行处理、自适应能力、鲁棒性、非线性映射等固有性质，使其非常适合应用于变压器故障诊断领域。目前BP算法是在电气故障诊断领域中的模式分类和特征提取等方面应用最成功、研究最广泛的一种神经网络。

二、变压器油中气体来源

（1）绝缘油的分解

绝缘油由许多不同分子量的碳氢化合物分子组成，各分子由C-C键结合在一起。变压器故障可以使某些C-H键和C-C键断裂，生成少量不稳定的碳氢化合物的自由基和活泼的氢原子，这些自由基或氢原子经复杂的化学反应迅速化合，产生氢气、低分子烃类气体，例如乙烷、乙烯、甲烷、乙炔等，或产生碳的固体颗粒、碳氢聚合物。在故障初期，形成的气体溶解于油中；若故障能量较大，可能聚集出游离气体。碳氢聚合物、碳的固体颗粒可沉积在设备内部。

（2）固体绝缘材料的分解

层压板、纸或木块等固体绝缘材料分子有大量的弱C-O键和无水右旋糖环及葡萄糖贰键。其热稳定性较油中的碳氢键弱，并可以在较低温度下重新化合。当聚合物裂解有效温度高于105℃时，完全裂解和碳化温度高于300℃，在生成水、吠喃化合物、少量烃类气体、大量的CO、CO2，同时油被氧化。以上分解出的气体形成气泡经对流、扩散溶解在油中[1]。

（3）气体的其他来源

某些情况，有些气体不是由设备故障造成的，比如油中含有的水与铁作用，生成氢。在阳光照射下，油也可生成某些气体。当设备检修时，暴露在空气中的油会吸收空气中的CO2等。

某些操作也会生成故障气体，如有载调压的变压器中，切换开关油室内的油向变压器主油箱渗漏或者选择开关在某个位置动作时，悬浮电位放电影响设备曾经有故障，排除故障后绝缘油未彻底脱气，部分残余气体仍留在油中设备油箱带油补焊原注入的油就含有某些气体等。

三、神经网络的基本特征

BP（BackPropagation）网络是一种利用误差反向传播训练算法的神经网络。它由输入层、中间层和输出层组成，是一种含有隐含层的多层网络。其中中间层（隐含层），可以是一层或多层。BP网络具有更好的分类和记忆能力，“逆推”模式的学习算法解决了多层网络中的隐含单元连接权的学习难题[2]。BP网络是具有良好的非线性函数或泛函能力及其自适应性能、自组织及容错性等特点的非线性系统，为非线性时间序列的识别、建模、预测及模式识别与分类、函数逼近、系统辨识、最优预测等方面提供了一条薪新的途径，有效地克服了通常时间序列预测模型中存在的局限于线性研究及平稳性不合理，因而目前BP网络的应用最为广泛。

神经网络基本特征是：正向传播时，从输入层传入输入样本，经隐层逐层处理后，传向输出层。若输出层的实际输出和期望输出不相符，则转向误差的反向传播阶段。误差反向传播是将输出误差以某种形式，通过隐层向输入层逐层反传，同时将误差分摊给各层的所有单元，从而获得各层单元的误差信号，该误差信号作为修正各单元权值的依据。信号正向传播与误差反向传播各层权值调整过程周而复始地进行，权值不断调整的过程，就是网络的学习训练过程。该过程一直进行到网络输出的误差减少到可接受的程度，或者进行到预先设定的学习次数为止。

四、神经网络算法的设计

（1）确定输入输出模式

网络的输入层的作用是缓冲存储器，输入矢量的维数决定其节点数。本文考虑分散性大、来源多、现场获得的数据不完整，网络的输入向量选取五种气体组分，数据样本经过预处理后，全部输入量的取值范围均在0和1之间。可根据待分类模式数来确定输出层的节点数。变压器故障一般是单一类型故障，神经网络的输出层向量釆用6种故障模式，分别为低温过热、无故障、高温过热、中温过热、高能放电、低能放电。故障发生的概率用网络输出值（0，1）范围表示，数值越大表明此类故障的严重程度越大。

（2）数据样本的预处理

常用数据处理有两种：分布变换和尺度变化。

尺度变化是指，通过变换将网络的输入、输出值限定在某区间范围内。本文采用的方法是数据预处理，原因是网络的输入分量具有不同的物理意义和量纲。尺度变化可以使各个不同的分量具有同等地位。

（3）选取转移函数

若不调整网络神经元的转移函数，容易导致神经元的净输入过大，调整权值使其进入平坦区。输出函数时，若不改变期望输出，就会造成数值较大分量的，绝对误差大；数值较小分量的，绝对误差小。函数连续可导，有利于提高网络的非线性能力，因此特别适合做转移函数。

五、基于改进的BP算法对变压器故障的诊断

（1）选择BP神经网络隐层节点数

选取样本集合，用变压器油五种气体组分作为网络的输入向量。经数据样本预处理后，所有输入量的取值均处在0和1之间，输出层向量采用低温过热、无故障、高温过热、中温过热、高能放电、低能放电共6种故障模式，从而确定隐层节点数。然后分别将同一组样本应用到隐层节点数不同的网络中，利用网络平均误差收敛速度计算出最佳隐层节点数。

（2）BP神经网络算法的改进

为了加快算法训练速度，避免陷入局部极小值和改善算法的有效性，对BP算法进行如下改进：

a.附加动量法

修正网络权值时，不仅需要考虑误差在梯度上的影响，同时也需要考虑误差曲面的变化趋势，允许网络忽略微小变化特性。用附加动量的作用，可加速算法收敛性，有可能会越过这些局部极小值[3]。

b.自适应学习速率

根据不同的问题，选择适当的学习速率。网络学习过程中，要求具备自动调整学习速率能力。通常，调节学习速率的准则是：第一，检查权值的修正值对误差函数的影响程度，若对其降低，说明选取的学习速率太小，应该逐步增加学习速率；如果发生过调情况，则应减小学习速率值。

六、结论

本文在研究神经网络特点的基础上，将神经网络应用于变压器故障诊断模型，阐述了变压器故障诊断模型的设计流程，从神经网络参数选择、输入量选择、数据归一化等方面对此模型进行了深入探讨。在MATLAB环境下进行了大量仿真试验，将改进算法用在对变压器油中气体浓度的预测。结果表明，改进型神经网络模型预测性能更优越，拟合精度更高，预测结果更准确，更符合客观实际规律，有助于变压器的运行状态预测及故障诊断。

参考文献：

[1]王晓莺等；变压器故障与监测，北京：机械工业出版社，2004.3。

[2]廖瑞金等；基于人工智能的电力变压器绝缘故障诊断面向对象知识库，电工技术学报，2001。

[3]阎平凡；人工神经网络与模拟进化计算[M]，北京：清华大学出版社，2000。