变压器故障诊断中的神经网络技术发展

廖建文，张 艳，孙 鸿

（1.宜宾职业技术学院电子信息与控制工程系，四川宜宾644000；2.宜宾机电一体化研究所，四川宜宾644000）

变压器故障诊断中的神经网络技术发展

廖建文1，张 艳1，孙 鸿2

（1.宜宾职业技术学院电子信息与控制工程系，四川宜宾644000；2.宜宾机电一体化研究所，四川宜宾644000）

变压器故障诊断的发展与信息技术、人工智能技术等密切相关.神经网络及其优化算法在变压器故障诊断中受到广泛的应用.网络结构的设计和学习算法的优化关系到故障诊断的准确性和实时性.研究发现，数学理论与神经网络的融合以及量子神经计算有助于故障诊断能力的提高，已成为神经网络的发展趋势.

神经网络;故障诊断;变压器

变压器（Transformer）是电力系统中的重要输电设备，其运行状态直接影响系统是否能安全运行.为保证电力系统的正常运行，必须及时、有效地监视变压器的运行状态，诊断变压器的潜伏性故障.

常规变压器故障诊断主要包括绝缘油的特性试验以及油中溶解气体分析[1].作为我国现行的变压器故障诊断方法，油中溶解气体分析法（dissolvedgas analysis,DGA），依靠变压器油中溶解的CH4、C2H6、C2H4、C2H2以及CO、CO2、H2的气体组分、含量及产气速率，来判断变压器故障[2].但是，变压器油中溶解气体检测装置普遍存在传感器的精度和长期稳定性不高以及使用色谱柱不适于现场连续在线监测的问题.为解决以上问题，研究人员从气体的光声光谱入手，通过检测不同组分的油中溶解气体所吸收光能的大小，进行故障判断[3-4].

然而，从故障分类的模糊性来看，现用的三比值法编码不能完全反映变压器的故障状态.为了充分反映气体与故障的非线性关系，神经网络这种具有高度自组织和自学习能力的数学工具被广泛应用.这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的[5].将神经网络应用于变压器故障诊断，可有效提高故障诊断的准确度.

本文从网络结构、学习算法及融合数学理论三个方面讨论了变压器故障诊断中的神经网络设计与应用.

1 变压器故障诊断中的神经网络结构

神经网络结构多种多样，具有代表性的网络模型有误差反传网络（backpropagation,BP网络）、径向基函数网络（RBF网络）、Hopfield网络和自组织特征映射网络等.其中，BP网络和RBF网络在变压器故障诊断中得到了广泛的应用.

1.1 BP网络及其改进

BP网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一.它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小.BP神经网络模型拓扑结构如图1所示，包括输入层（inputlayer）、隐层(hidelayer)和输出层(outputlayer).

图1 BP神经网络拓扑结构

将BP网络与DGA技术相结合的方法一般是把与故障密切相关的气体浓度（如CH4、C2H4、H2与总烃）或其光谱信息作为输入特征向量，把故障类型作为输出特征向量[6-9].神经网络通过自学习过程，实现故障的判断.

随着故障判断的准确性和实时性要求的提高，科研人员结合小波分析技术和量子计算理论对BP网络作出了改进.改进主要体现在隐含层的设计，而输入层和输出层则沿用了BP神经网络的结构.

小波神经网络一般是把常规神经网络的隐含层节点函数换成小波函数，相应的输入层到隐含层权值及阈值分别由小波函数的伸缩和平移参数代替，充分利用了小波变换的局部化性质，因而具有较强的逼近和容错能力、较快的收敛速度[7-8].

量子神经网络的隐层设计借鉴了量子态叠加的思想，采用多量子能级变换函数，使网络具有一种固有的模糊性[9].研究表明，将量子神经网络（quantum neuralnetwork）与信息融合相结合，可以克服经典神经网络的诸多缺陷，例如缺乏经验、处理速度慢、无推理性以及信息融合技术处理知识“瓶颈问题”等，为变压器故障诊断提供了一条新的途径.

1.2 RBF网络及其改进

径向基函数(radialbasisfunction,RBF)神经网络是一种在模式识别、曲线拟合、故障诊断等领域被广泛应用的神经网络.在结构层次上，RBF网络与BP神经网络是一致的，区别在于RBF网络的输入层节点无需对输入向量做任何操作，仅仅只是完成将输入传递到隐含层的工作.但是，RBF神经网络在逼近能力、分类能力、学习速度等方面均优于BP神经网络.

提高RBF神经网络诊断能力的关键在于网络结构和参数的优化，即隐含层的节点数目、各基函数的数据中心及扩展常数、输出节点的权值的设计[10].在确定隐含层节点数和中心时常采用聚类算法[11-13]进行训练.为了降低网络输出误差，RBF网络在具体实现时往往采用两步训练的方法，首先利用聚类算法获取对应参数，然后通过各种算法(例如Gauss⁃ian-PSO算法[13])来调节各节点的连接权值.结果表明，这种方法可以有效降低变压器故障诊断系统的误报和漏报概率，已成为目前主流的RBF网络训练算法.

概率神经网络（probabilisticneuralnetworks, PNN）是由径向基函数网络发展而来的一种前馈型神经网络.在层次结构上，PNN网络与传统RBF网络有很大的差异，分为输入层、模式层、求和层和输出层[14].表1给出了PNN网络各层次的功能与特点.由于该网络把非线性运算转化为线性运算，大大降低了传统网络的计算时间，能满足训练上实时处理的要求则成为其最大的优点.同时，这种算法的转化依然保留很高的精度.

表1 PNN网络各层次功能与特点

2 变压器故障诊断中的神经网络学习算法

神经网络算法是指根据逻辑规则进行推理的过程，在变压器故障诊断中体现为诊断能力.

2.1 BP算法及其优化

McClelland和Rumelhart提出了一种迄今为止运用较广泛的神经网络算法——误差反传算法（backpropagation,BP算法），从实践上证明了神经网络具有很强的非线性逼近能力、自适应和自学习能力，可以解决许多具体问题.它的基本思想是对网络的连接权值进行调整，使得任意输入都能得到所期望的输出.算法的基本流程主要分为两步：首先把样本的输入信息输入到网络中，由网络自第一隐层开始逐层地进行计算，并向下一层传递，直至传至输出层，其间每一层神经元只影响到下一层神经元的状态；然后，以其输出与样本的期望输出进行比较，如果它们的误差不能满足要求，则沿着原来的连接通路逐层返回，并利用两者的误差按一定的原则对各层节点的连接权值进行调整，使误差逐步减小，直到满足要求为止[5].

然而，标准BP算法存在若干缺陷——易产生振荡甚至发散、收敛速度慢、隐层节点数和初始值只能由经验选定、易陷入局部极小值，从而导致标准BP算法很难胜任实际问题的解决[15].因此出现了很多优化算法，如：附加动量算法、共轭梯度算法（开始几步下降较快，但在接近最优值时，由于梯度趋于零，使得目标函数下降趋缓）、高斯—牛顿算法（能在最优值附近产生一个理想的搜索方向）、变速率算法、Levenberg-Marquardt算法（简称LM算法）等.LM算法实际上是梯度下降法和牛顿法的结合，具有较好的收敛性和鲁棒性，文献[15]将其应用于变压器的故障诊断，缩短了训练时间，提高了诊断准确性.

2.2 粒子群优化算法及其优化

1995年，Eberhart等人提出了一种基于群体智能的演化计算理论——粒子群优化算法（PSO），用于训练BP神经网络的全部权值和阈值，最终搜索出粒子适应度函数最小时的BP网络最佳权值和阈值[16].该算法在收敛速度、鲁棒性和全局搜索能力方面体现出快、高、强的优势，更为突出的是PSO算法不需要借助问题本身的特征信息，从而避免了梯度下降法中要求梯度的过程，缩短了神经网络的训练时间.在标准PSO算法中，最重要的参数是“惯性权重”.该参数主要决定算法搜索的范围——权值越大全局搜索能力越强，但需要很大的运算量，训练时间较长；取较小的权值则会增强算法的局部搜索能力，但容易陷入局部最优.基本的PSO算法中认为惯性权重为1，导致迭代后期缺乏局部收敛的能力.

对于神经网络而言，全局探测和局部开发能力都是必要的，为了更好地改善PSO算法的性能，SHI、Eberhart等人又提出了线形递减权值（LDIW）策略[17]、模糊惯性权值（FIW）策略[18]和随机惯性权值（RIW）策略[19].其中，LDIW策略相对简单且收敛速度快，因而被广泛使用.为了较好区分变压器DGA中相近故障类型，文献[20]提出了带有邻域的PSO算法使适应度函数最小化，从而降低均方误差.文献[21]结合PSO算法和BP算法提出了一种改进的粒子群优化（modifiedPSO,MPSO）算法，具有收敛快和全局优化的优点，提高了变压器故障诊断的准确性和可靠性.文献[22]在PSO算法的基础上提出了一种改进的非线性递减算法，以实现在算法早期通过加快惯性权值的递减速度，使得算法尽快进入局部搜索.

2.3 微分进化算法

微分进化算法（differentialevolution,DE）是一种实数编码的基于种群进化的优化算法，具有很强的全局搜索能力.它在许多优化问题中都表现出优于自适应模拟退火算法、PSO算法、遗传（GA）算法的性能[23].DE算法有三个控制参数β,CR和NP，其中参数β和CR影响了搜索过程的鲁棒性和算法的收敛速度：当β较小时，可能导致收敛过早，当β较大时，可能导致错过局部最优；CR较小影响算法全局搜索能力，而CR较大时，降低了算法的稳定性[23].对控制参数进行自适应调整能够较优地选择神经网络的权值和阈值，提高变压器故障诊断的精确度[24].为避免过多重叠个体对种群搜索能力的影响，运用混沌处理的策略——根据种群中个体的分布情况，对算法中的重叠个体将混沌状态映射到优化变量中，并把混沌运动的遍历范围同优化变量的取值范围联系起来，然后利用混沌变量进行搜索，进一步提高了DE算法的整体搜索能力[25].

3 数学理论与神经网络的融合

变压器故障的不确定性、多样性和各故障之间联系的复杂性是故障诊断技术上的难点，单一的故障特征和诊断方法无法完成诊断任务.将数学理论与神经网络相融合，得到被观测对象更精确的评估值，以便对故障进行更精确的判断和决策，是诊断技术领域采用的有效方法.

3.1 基于粗糙集理论的神经网络

波兰学者Pawlak于1982年提出的粗糙集（roughset）理论是一种研究不完整数据、不确定知识的表达、学习及归纳的数学方法，为研究不精确数据的分析、推理，挖掘数据关系、发现潜在知识提供了行之有效的工具[26].把经过粗糙集方法约简后的决策表作为神经网络的训练样本集，既使输入矢量的选取有了理论依据，又有效压缩了训练样本的规模，降低了网络的复杂性和训练时间，提高了网络诊断能力[27-28].

3.2 基于信息融合理论的神经网络

对多源信息进行处理的过程称为信息融合(in⁃formationfusion).这种方法可以把不同时间和空间的数据进行综合处理，从而得到对现实环境更精确、可靠的描述.证据理论在变压器故障诊断中的应用是信息融合与神经网络相结合的产物，这种方法具有处理不确定信息的能力.

文献[29]提出了一种BP神经网络与D-S证据理论的融合模型用于变压器的故障诊断.由图2可以看出，这种信息融合主要是采用级联的方式，将神经网络输出结果的归一化值作为D-S证据理论识别框架命题的基本概率分配，然后再应用组合规则进行融合.

图2 神经网络与DS证据理论融合模型

距离函数的引入有效地衡量证据间的冲突程度，可以提高证据理论的应用价值.这种方法与最大－最小蚂蚁系统、神经网络算法结合起来，既综合利用变压器故障诊断的一些优良方法，又解决了部分证据因高度冲突而合成失效的问题，从而有效地提高了变压器故障诊断的准确性[30].

3.3 模糊神经网络

模糊神经网络的结构通常采用BP神经网络的结构，模糊理论主要用于学习算法的优化，比如在变压器故障诊断中通常先将训练样本集模糊化后作为网络的输入[31].潘超等人针对变压器故障诊断中的空间映射和模式识别问题，提出了一种用模糊TOP⁃SIS法解决采集数据优化问题的方法[32].首先对监测信息进行优劣排序和分类，完成对状态信息的优选；其次，根据优化数据构建BP神经网络，通过编码对监测对象的不同故障状态进行模式识别和诊断分析.

3.4 可拓神经网络

可拓神经网络是把可拓理论中基元模型、可拓距离、位值、关联函数、可拓域、菱形思维等概念巧妙地引入了神经网络技术，使得在处理某一类问题较之传统神经网络或单独使用可拓理论方法更具有优越性[33].在信息表达精确度、系统自学习能力、并行处理能力及自适应能力上，可拓理论与神经网络具有互补的能力.

可拓神经网络只有输入层和输出层，网络参数个数较少，网络权值物理意义清晰明了，可解释性强，只需知道输入特征的个数及输出故障类型的个数即可确定整个网络的结构[34].研究表明，将可拓神经网络应用于变压器故障诊断，较大改善了网络结构、学习能力和训练时间，提高了故障诊断的效果.

4 结语

基于神经网络的变压器故障诊断技术尚处于发展之中.神经网络的结构和算法决定了故障诊断的准确性和实时性.神经网络在故障诊断中的应用依赖于各学科的最新科技成就，特别要借助各种有效的数学工具，例如：基于信息融合的诊断方法、基于可拓理论的诊断方法、基于模糊数学的诊断方法等.另外，量子神经网络具有网络结构简单、一次学习和高速信息处理能力、稳定性好等优势.随着量子计算技术的发展，量子神经网络在变压器故障诊断中将得到更多的应用.

[1]LIUB,WANGL,JINYH.AneffectivehybridPSO-basedalgo⁃rithmforflowshopschedulingwithlimitedbuffers[J].Computers &OperationsResearch,2008,3(9):2791-2806.doi:10.1016/j.cor. 2006.12.013.

[2]国家能源局.DL/T722-2014变压器油中溶解气体分析和判断导则[S].北京:中国电力出版社,2015.

[3]JALBERTJ,GILBERTR.Decompositionoftransformeroils:anew approachforthedeterminationofdissolvedgases[J].IEEETrans⁃actionson,1997,12(2):754-760.doi:10.1109/61.584362.

[4]罗明才.基于油中溶解气体分析的变压器光声光谱检测及绝缘诊断技术[D].重庆:重庆大学,2008.

[5]李霖.基于BP神经网络的变压器故障诊断方法研究[D].长沙:长沙理工大学,2013.

[6]王南兰,邱德润.油中溶解气体分析的变压器故障诊断新方法[J].高电压技术,2006,32(6):35-37.

[7]方健,彭辉,李自品,等.改进小波网络在油浸式变压器故障诊断中的应用[J].高压电器,2011,47(11):115-120.

[8]李晓静,李杰.改进的小波神经网络在变压器故障诊断中的应用[J].电子器件,2013,36(3):404-407.

[9]龚瑞昆,马亮,赵延军,等.基于量子神经网络信息融合的变压器故障诊断[J].电力系统保护与控制,2011,39(23):79-84.

[10]梁永春,李彦明.改进型组合RBF神经网络的变压器故障诊断[J].高电压技术,2005,31(9):31-33.

[11]陈江波,文习山,蓝磊，等.基于新径向基函数网络的变压器故障诊断方法[J].高电压技术,2007,33(3):140-143.

[12]任静,黄家栋.基于免疫RBF神经网络的变压器故障诊断[J].电力系统保护与控制,2010,38(11):6-9.

[13]付强,陈特放,朱佼佼.采用自组织RBF网络算法的变压器故障诊断[J].高电压技术,2012,38(6):1368-1375.

[14]王桂英,张世军,潘思尧.基于神经网络的变压器故障诊断方法研究[J].计算机测量与控制,2012,20(7):1760-1762.

[15]项文强,张华,王姮,等.基于L-M算法的BP网络在变压器故障诊断中的应用[J].电力系统保护与控制,2011,39(8):100-103.

[16]EBEBHABTRC,KENNEDYJ．Anewoptimizerusingparticleswarm theory[C].Nagoya:Proc6thIntSymposiumonMicroMachineHuman Science,1995:39-43.doi:10.1109/MHS.1995.494215.

[17]SHIYH,EBERHARTRC.Empiricalstudyofparticleswarmopti⁃mization[C].WashingtonDC:InternationalConferenceonEvolu⁃tionaryComputation,1999:l945-l950.doi:10.1109/CEC.1999.785511. [18]SHIYH,EBERHARTRC.Fuzzyadaptiveparticleswarmoptimi⁃zation[C].Seoul:TheIEEECongressonEvolutionaryComputation, 2001:101-106.doi:10.1109/CEC.2001.934377.

[19]EBERHABTRC,SHIYH.Trackingandoptimizingdynamicsystems withparticleswarms[C].Seoul:TheIEEECongressonEvolutionary Computation,2001:94-100.doi:10.1109/CEC.2001.934376.

[20]贾嵘,徐其惠,李辉,等.基于邻域粒子群优化神经网络的变压器故障诊断[J].高压电器,2008,44(1):8-10.

[21]王晓霞,王涛.基于粒子群优化神经网络的变压器故障诊断[J].高电压技术,2008,34(11):2362-2367.

[22]贾嵘,李宏斌,康会西，等.改进粒子群优化神经网络在变压器故障诊断中的应用[J].高压电器,2010,46(5):14-17.

[23]苏海军,杨煜普,王宇嘉.微分进化算法的研究综述[J].系统工程与电子技术,2008,30(9):1793-1797.

[24]刘卓,黄纯,李波.利用微分进化优化神经网络的变压器故障诊断[J].电力系统及其自动化学报,2011,23(2):54-58.

[25]刘丽,唐杰,刘卓.基于改进微分进化优化神经网络的电力变压器故障诊断[J].电力系统保护与控制,2010,38(20):106-109.

[26]张景明,肖倩华,王时胜.融合粗糙集和神经网络的变压器故障诊断[J].高电压技术,2007,33(8):122-125.

[27]俞晓冬,马凤英,臧宏志.粗糙集理论与神经网络在变压器故障诊断中的应用[J].继电器,2006,34(1):10-14.

[28]张景明,刘建国.粗糙集和BP神经网络在变压器故障诊断中的应用[J].变压器,2009,46(4):18-21.

[29]陈新岗,田晓宵,张超峰,等.一种结合DS证据信息融合的变压器故障诊断方法[J].变压器,2010,47(8):59-62.

[30]程加堂,艾莉,段志梅.改进证据理论与神经网络集成的变压器故障诊断[J].电力系统保护与控制,2013,41(14):92-96.

[31]彭宁云,文习山,舒翔.模糊神经网络在变压器故障诊断中的应用[J].高电压技术,2004,30(5):14-17.

[32]潘超,马成廉,郑玲峰,等.一种结合模糊TOPSIS法和BP神经网络的变压器故障诊断方法[J].电力系统保护与控制,2009,37(9): 20-24.

[33]周玉,钱旭,张俊彩,等.可拓神经网络研究综述[J].计算机应用研究,2010,27(1):1-5.

[34]张俊彩,钱旭,周玉.可拓神经网络在变压器故障诊断中的应用[J].计算机工程与应用,2011,47(7):8-11.

【编校：李青】

DevelopmentofNeuralNetworksinTransformerFaultDiagnosis

LIAOJianwen1,ZHANGYan1,SUNHong2
(1.DepartmentofElectronicInformationandControlEngineering,YibinVocationalandTechnicalCollege,Yibin,644000Sichuan,Chi⁃na;2.YibinMechatronicsResearchInstItute,Yibin,Sichuan644000,China)

Thedevelopmentoftransformerfaultdiagnosisrelatestoinformationtechnologyandartificialintelligencetech⁃nologyclosely.Neuralnetworkanditsoptimizationalgorithmarewidelyusedintransformerfaultdiagnosis.Bothnetwork structureandoptimizationofalgorithmrelatetoaccuracyandrealtimeoffaultdiagnosis.Thestudyfoundthattheintegra⁃tionofmathematicaltheoryandneuralnetworksandquantumneuralcomputationhelpstoimprovetroubleshootingcapa⁃bilities,andithasbecomeatrendofneuralnetworks.

neuralnetworks;faultdiagnosis;transformer

TP183

A

1671-5365(2015)12-0010-05

廖建文，张艳，孙鸿.变压器故障诊断中的神经网络技术发展[J].宜宾学院学报,2015,15(12):10-14. LIAOJW,ZHANGY,SUNH.DevelopmentofNeuralNetworksinTransformerFaultDiagnosis[J].JournalofYibinUniversity, 2015,15(12):10-14.

2015-08-31修回：2015-10-13

四川省教育厅重点项目(15ZA0397)；宜宾职业技术学院科研项目(ybzysc14-36)

廖建文（1964-），女，副教授，硕士，研究方向为电子技术应用、神经网络与控制理论

时间：2015-10-1317:05

http://www.cnki.net/kcms/detail/51.1630.z.20151013.1705.003.html