基于DGA与神经网络的牵引变压器在线监测技术

董 芳

(郑州铁路局郑州供电段，河南 郑州 450052)

0 引言

绝缘油和固体绝缘材料是直接影响变压器寿命的关键因素。高温下油会分解为碳氢化合物，固体绝缘材料则分解成碳氧化合物，均以气体为主的方式存在［1］。现场采用的DAG方法(油中溶解气体分析)，是从变压器油中实时取样，分析样本油中气体的浓度，与标准推荐值比较，判断变压器是否存在故障或故障的严重程度，实际使用效果并不理想。尤其是在电气化铁路上，由于电力机车负荷波动，使牵引变压器不断承受过负荷和短路冲击，其瞬时短路70次/年［2］，这种恶劣工作条件使牵引变压器故障存在大量不确定因素。

本文提出一种基于DGA并利用BP神经网络对牵引变压器实施在线监测与故障诊断的方法。所采用的BP神经网络以变压器油中五种气体占据总烃的比例以及五种气体的相互比值作为输入，以故障类型判别结果作为输出。网络训练样本来自于以经验积累设备运行过程中实时更新的采样数据，安装之前以及在线运行过程中，都可以不断进行网络训练，保持最佳的在线故障判别状态。

1 基于DGA与神经网络的牵引变压器在线监测

1．1 牵引变压器故障形式及其气体特征

机械、过热和电气故障是牵引变压器主要故障类型，并且机械性故障常表现为热或者电的故障形式。

热故障表现为牵引变压器中的绝缘油、固体绝缘材料的过热。按照温度区分，包括低温过热、中温过热、高温过热。绝缘油中主要气体为甲烷(CH4);随着过热温度升高则乙烯(C2H4)含量增加，在高温过热时，C2H4为主要气体，其次为CH4等，当变压器内部由高温过热转为放电异常现象时，氢气(H2)和乙炔(C2H2)含量逐渐占有极大的比例。热故障可由C2H4含量所占有的比例区分严重程度。

电气故障包括高、低能量电弧放电(Arcing)和高、低能量局部火花放电(Corona)四种类型，此时变压器内部已经潜在严重的故障，应立即停止运转进行检修。无论哪种放电，均会涉及到牵引变压器固体绝缘材料的故障或老化，也会产生CO和CO2气体。线圈匝间、层间击穿以及引线断裂或者对地闪络、分接开关飞弧等，都属于电弧放电故障，产生的主要气体是C2H2和H2，其次是CH4和 C2H4，故障无预兆，发展速度快。过饱和绝缘油气泡产生放电、轭流件与外壳产生放电、套管与外壳产生放电、铁芯矽钢片之间放电、裸露金属放电等属于火花放电，故障特征气体以C2H2和H2为主。

1．2 神经网络模型的选择

神经网络的结构选择:简单结构是实现神经网络可靠运行的前提。在各种类型的神经网络中，BP(反向传播)神经网络具有结构简单、容错性强、在线学习准确迅速等优点。一个隐层单元的BP网络即可实现任意的非线性映射，能够满足本项目的检测精度要求。因此，本项目采用三层BP神经网络，包含一个输入层、一个隐层、一个输出层。

神经网络的输入、输出的确定:输入、输出分别表示故障征兆和故障类型。网络的输入为牵引变压器油中气体 H2、CH4、C2H6、C2H4、C2H2分别与总烃的比值以及 CH4/H2、C2H4/C2H6、C2H2/C2H4的比值，共计8个。网络的输出为牵引变压器故障类型，本文将热故障和电气故障细分成六种类型，网络有8个输出神经元，其对应之故障类型及符号如下所示:00:无故障;01:低温过热;02:中温过热;03:高温过热;04:低能量电弧放电;05:高能量电弧放电;06:低能量火花放电;07:高能量火花放电。

隐藏层节点数的确定:本项目隐藏层节点数为20层。隐含层神经元个数n2和输入层神经元个数n1之间有以下近似关系:n2=2n1+1。本文选用三层神经网络模型，输入层神经元个数为8，隐含层神经元个数可以选择为17。选定过程中运用RPROP算法进行了反复尝试，在其他参数不变的情况下，固定收敛精度，比较迭代次数。隐藏层节点数为19时，迭代116次收敛;隐藏层节点数为20时，迭代82次收敛;隐藏层节点数25、30等更多时，运算速度减慢。

该神经网络的构建、训练与测试在Matlab6．5环境下进行，其网络拓扑图如图1所示。

图1 BP神经网络拓扑图

2 仿真试验及其结果分析

2．1 训练、测试样本的获取

网络训练需要选取蕴含代表性信息的足够数量的训练样本。本文从电气化铁路牵引变电所搜集到的126组经过吊芯检查后故障类型已经确定的牵引变压器的油中气体含量值，经过EXCEL处理后，作为神经网络的输入。已知其实际对应的故障类型，作为神经网络的输出值，由此形成训练和测试样本集。其中100组作为训练样本，26组作为测试样本。

2．2 神经网络的训练

网络训练过程中，依据样本中的输入数据给出实际输出，与期望输出不断地进行比较，并根据两者之差，修正神经网络的权值和阈值。对所有样本数据正向运行一次并反传修改连接权一次称为一次训练，或称一次学习，这样的训练需要反复地进行下去直至获得合适的映射结果。本项目预先给定的循环次数为2000次。

2．3 神经网络的测试

在神经网络训练完成后，需要有另外的数据来对网络加以测试。本文选取26个测试样本数据，对经过训练的BP神经网络进行了测试，测试结果与现场运行情况一致。

表1中列举了10组测试样本数据及其测试结果。

表1 神经网络部分测试数据及测试结果

3 结论

计算机仿真训练表明，经过样本充分训练的网络，内含了故障现象与故障原因之间的复杂的非线性关系，能够在足够快的运算速度的前提下，正确给出牵引变压器故障类型以及故障严重程度的判别。尤其是神经网络优秀的自适应能力，使其可以在在线运行的同时，实现在线训练，提高判断正确率。在DGA方法基础上，借助于人工神经网络模糊判断能力，可以有效诊断牵引变压器故障。

［1］董其国．电力变压器故障与诊断［M］．北京:中国电力出版社，2001:83－85．

［2］郭满生．牵引变压器的特点及其发展［J］．电工技术杂志，2001，(1):55 －56．

［3］杨启平．变压器油中溶解气体在线监测技术的研究［J］．变压器．2005，42(3):39 －43．

［4］飞思科技产品研发中心．神经网络理论与MATLAB7实现［M］．北京:电子工业出版社，2005:99－104．