电力变压器的智能故障诊断研究*

乔维德，孙龙林

（1.常州市广播电视大学，江苏 常州 213001；2.上海海洋石油局钻井分公司，上海 200000）

1 引言

电力变压器是电力系统中容量最大、故障率较高的设备，其运行状态的安全与否直接关系到整个电力系统的安全性和经济性。因此，对电力变压器的运行状态进行监测，及时发现变压器的早期故障前兆，预测故障趋势以防止故障带来的损失一直是电力部门追求的目标。基于此，变压器的故障诊断技术便成为电力系统工程界和学术界重点关注的课题。

目前在现有的变压器故障诊断中，基本上是基于油中溶解气体分析（DGA）的特征气体法、IEC三比值法、Rogers四比值法等，这些方法是通过先确定故障类型（故障模式），然后把故障样本按照一定的规则或经验分配到模式中去，并对同一模式中的样本提取模式特征量来实现的。然而这些传统的检测方法在实际应用中仍存在着一定的不完善性和局限性，如对于同一组试验数据，采用不同诊断方法，有时会得到不同的诊断结果。随着人工智能技术的发展，变压器故障诊断技术也取得了很大进展，人工神经网络中的误差反向传播（BP）网络结构简单、可塑性强，具有很强的学习能力和模式分类能力，可以采用BP网络根据变压器油中的溶解气体的组成成分来对变压器故障进行诊断，这已经有成功的先例。但BP网络采用的网络权值学习算法大多是BP算法，其网络训练费时，而且存在局部极小值的固有缺陷，从而影响了故障诊断的准确性、快速性和有效性。为此，提出一种改进遗传算法（IGA）与BP算法相结合的IGA-BP算法来优化BP网络的权值和阈值，并将经IGA-BP优化的BP网络应用于电力变压器数据分析，实现了变压器的故障诊断。实例分析表明，该方法结构简单，容易收敛，且能很好地区分多种故障特征，有效地提高了变压器故障的正判率。

2 BP神经网络及算法

BP神经网络是误差反向传播前馈型神经网络，其结构由输入层、输出层和若干隐含层组成，网络的学习训练过程是按误差由输出层节点经隐含层节点向输入节点反向传播的。网络学习目的是使网络尽量逼近所需要的映射，这种映射是通过学习样本的输入和输出对反映出来的，但标准BP算法中网络的权值和阈值采用梯度下降进行调节，通常具有收敛速度慢、容易陷入局部极小等缺点，因此必须对BP算法进行改进。这里采用对每个连接权值和阈值增加一个矢量项，即惯性系数,增加有效的学习效率,且有效抑制振荡现象。可以应用下式实现:

式中：W为网络中的连接权和阈值；α为惯性系数。

3 改进遗传算法（IGA）

遗传算法（GA）是一种基于自然选择和自然遗传的全局优化算法，它模拟了自然选择和遗传过程中的繁殖、杂交和突变的现象。目前遗传算法已成功解决了许多复杂的优化问题，它最大的优点是：即使对多态的和非连续性的函数,也能获得全局最优解。但仍存在着早熟和收敛速度慢等不足，因此本文对传统的遗传算法进行了改进，然后采用改进遗传算法（IGA）优化神经网络结构和权重等，提高优化效率。

3.1 遗传算法的编码方式改进

神经网络的权重、阈值学习是一个复杂的连续参数优化问题,每个遗传码串代表一种神经网络结构中的权重和阈值。如果采用二进制编码形式，每一个权重和阈值究竟用几个二进制表示就是一个较难决定的问题，位数太少，则训练时间可能很长或可能找不到解；如果位数太多,则染色体长度又很长，训练时间就很长或者不能实现，而且二进制编码占用空间较大，在求解适应度值时还会遇到一个解码问题，这也在某种程度上增加算法计算时间，所以本文采用浮点数编码方式。

3.2 交叉算子和变异算子的改进

交叉概率Pc和变异概率Pm直接影响算法的收敛性。从种群的个体来看，如果交叉概率Pc过大，新个体产生的速度越快；如果交叉概率Pc过小，新个体产生的速度就越慢，GA搜索过程较慢。对于变异概率Pm，如果变异概率Pm过大，GA搜索过程就变成了随机过程，若变异概率Pm过小，则其产生新个体的抑制早熟现象的能力便会削弱。因此设计自适应变化的交叉概率Pc和变异概率Pm很有必要。本文采用一种交叉概率和变异概率的自适应调整规则，使得每个个体根据在遗传过程中按其适应度选择不同的交叉概率和变异概率，并加以自动调节。自适应交叉概率Pc和变异概率Pm计算公式表述为：

式中：fmax表示种群最大适应度值；favg为种群平均适应度；f′表示在要交叉的两个个体中较大的适应度值；f表示要变异的个体适应度值；这里，k1、k2、k3、k4是 0-1 之间的常数，k3和 k4较大。

3.3 适应度的调节

种群适应度的平均值favg和方差δ的计算公式为：

为了避免特优个体被过多复制而产生“过早收敛”和搜索后期的“停滞现象”，加快收敛速度，本文对适应度按如下公式进行调整，即

其中：fi为个体i的适应度值；N为群体规模；为调整后个体i的适应度；r为1-5之间的整数。

4 基于IGA-BP混合算法的神经网络

在IGA-BP混合算法的神经网络中，网络的训练分两步：首先应用改进遗传算法（IGA）优化训练神经网络，使其定位在权空间全局最优解附近，然后利用BP算法局部搜索，最终使其快速收敛到最终的优化值。IGA-BP混合算法的具体实现过程为：

（1）根据给定的输入、输出训练样本集，确定神经网络的输入层、输出层及隐含层节点数，构建神经网络的拓扑结构。

（2）设置遗传算法的群体规模N.、交叉概率Pc、变异概率Pm，将神经网络的权向量和阈值编码成浮点数表示的字符串，在［-1,1］之间随机产生N条染色体作为初始种群。

（3）按下列公式计算第i条染色体的误差平方和Ei和适应度fi的值。

其中：qk为神经网络的期望（目标）输出值；yk为每条染色体的实际输出值。

（4）计算种群中每代群体中的最大适应度值fmax和平均适应度值favg，如果fmax满足精度要求转去执行（7），否则按顺序执行（5）。

（5）对交叉概率Pc和变异概率Pm进行自适应调整，采用改进的交叉和变异算子执行遗传操作，产生下一代群体，回到步骤（3）。

（6）用步骤（3）中所得群体中适应度最大的染色体初始化网络权值和阈值。

（7）通过反向传播计算，求出各层权值和阈值，应用BP算法的改进公式对权值和阈值反复调整，并判断是否满足精度要求，如果满足，则结束训练，否则转（8）。

（8）计算并修正神经网络的权值和阈值，返回步骤（7）。

IGA-BP算法优化神经网络的流程如图1所示。

图1 IGA-BP算法优化神经网络程序框图

5 基于IGA-BP算法的神经网络在变压器故障诊断中的应用

5.1 输入、输出量的确定

当变压器内部存在潜伏性过热或放电故障时，就会出现 H2、CH4、C2H6、C2H4和C2H2等故障气体，随着发热和放电程度的不同，所产生的气体种类、油中溶解气体的的浓度、各种气体的比例关系也不相同。考虑到变压器发生故障时各种气体浓度的分布十分广泛,如果直接将气体浓度作为输入,不仅导致网络神经元处于饱和状态,而且神经网络需要实现的映射也较复杂，会使得网络规模过大,很不实用。并且当训练样本的数据差异性较大时,将会直接影响网络的收敛,因此需要对输入量作归一化处理,变成［0，1］之间的数值。本文利用不同故障情况下变压器油中溶解的 H2、CH4、C2H6、C2H4和 C2H2这 5种气体中的每种气体浓度分别与气体含量总和的比值作为神经网络的输入矢量；采用无故障（Y1）、低温过热（Y2）、中温过热（Y3）、高温过热（Y4）、低能放电（Y5）、高能放电（Y6）6种故障性质类型作为神经网络的输出矢量；其中低温、中温和高温过热中的温度分别设定为＜300℃、300-700℃和＞700℃三种情况［4］，低能放电主要指局部放电和较微弱的火花放电，而高能放电主要指电弧放电和较强烈的火花放电。如果网络某输出神经元值越大，说明发生该类型故障的可能性或严重程度就越大。例如当变压器出现了高温过热故障时，Y4的期望输出为“1”，而其它期望输出均为“0”。

表1 神经网络故障诊断训练样本（部分）

5.2 故障样本数据的选取及神经网络的训练

选取对变压器经过吊芯处理检查后的120组故障数据作为训练样本，将变压器油中溶解的H2、CH4、C2H6、C2H4和 C2H2气体浓度含量与气体总量的比值作为神经网络的输入量，对应的故障类型作为网络的期望输出值。如表1所示为神经网络故障诊断训练样本，表1中仅列出21组部分训练用故障样本数据。

根据选定的120组训练样本，利用BP算法、标准GA算法和本文提及的IGA-BP混合算法分别对神经网络进行学习训练，根据所给的实际训练样本数目、经验公式和实际训练结果，最终确定网络隐含层节点个数是14。从以上三种算法的训练结果来分析，对于相同层次、结构、训练样本、训练次数和误差容限，IGA-BP算法与常规BP算法、标准GA算法相比，神经网络训练时间更短，训练准确度也有了较大的提高。如表2所示为不同算法的训练结果。

表2 三种学习算法的神经网络训练结果

5.3 故障诊断实例分析

将实际检测到的15组非训练样本的变压器故障数据（油中溶解气体浓度）经过归一化处理后,作为测试样本输入上面已训练好的神经网络,经IGA-BP算法计算后得到如表3所示的诊断结果,并将其诊断结果、实际故障以及特征气体法、IEC法、Rogers法等判断结果进行比较，可以明显看出，本文提出的IGA-BP混合算法比其它几种方法的诊断准确性要高，从而提高了变压器故障诊断的可靠性和准确度。

表3 变压器故障数据检验样本及其诊断结果

6 结束语

本文提出一种改进遗传算法（IGA）与BP算法相结合而形成的IGA-BP混合算法，该混合算法有效地解决常规BP算法收敛速度慢、容易陷入极小和传统GA单独训练神经网络速度缓慢等问题与不足，具有较强的全局和局部搜索能力。将该算法应用于变压器的智能故障诊断，诊断速度快、准确率高，为今后变压器的智能故障诊断提供了一种切实可行的技术方案。

［1］胡方霞,任艳君,陈兴龙.基于遗传模糊神经网络的煤气鼓风机故障诊断［J］.计算机工程与设计，2008，29（23）:6079-6081.

［2］潘 昊,侯清兰.基于粒子群优化算法的BP网络学习研究［J］.计算机工程与应用,2006（16）:41-42.

［3］王华春,于湘涛等.变压器常见故障及人工神经网络在其诊断中的应用［J］.自动化技术与应用,2003（9）:64-66.

［4］钱 政,严 璋.用可靠性数据分析及BP网络诊断变压器故障［J］.高电压技术,1999（3）:13-15.

［5］乔维德.BP神经网络在车辆类型识别中的应用［J］.电气传动自动化,2006（6）:49-51.