基于DGA技术与BP神经网络融合的变压器故障诊断

张艳华，席先鹏，刘林，王兴成

(三峡大学电气与新能源学院，湖北 宜昌 443002)



基于DGA技术与BP神经网络融合的变压器故障诊断

张艳华，席先鹏，刘林，王兴成

(三峡大学电气与新能源学院，湖北 宜昌 443002)

运用油中气体数据分析(DGA)技术是目前诊断变压器故障方法中最普遍也是运用最广泛的，它在变压器的预防诊断试验中具有很重要的作用。但由于故障的多样性，DGA技术不能全面的准确地检测出多重故障。因而将加入BP神经网络理论使之与DGA技术融合来判断变压器的故障，能够更全面更精确地检测出故障。

DGA技术；BP神经网络；变压器；故障诊断，网络检测

1 引言

在电力系统中电力变压器是所有电力设备中最昂贵也是最重要的电力设备，它安全运作与否直接决定整个电网能否稳定运行。因此变压器的故障诊断具有十分重要的意义。早期都是靠定期巡检和做预防性试验来对变压器进行维护，由于这些工作缺乏连续性就使得一些突发性故障和隐藏故障不能及时得到处理，日积月累最终使变压器寿命以及运行效率大大的降低，严重影响电网的经济运行。DGA技术是目前比较受欢迎的和认知度比较高的变压器故障诊断技术。它包括：改良三比值法、罗杰斯法、四比值法等[1]。但变压器油中溶解气体和故障原因并不是一一对应的，一组故障特征气体可能由多种故障引起，同样的一种故障也可能产生多种故障特征气体，他们是一种复杂的非线性映射关系。而这种非线性的映射关系同神经网络十分相似，所以本文引入神经网络理论将之与DGA技术融合对变压器进行诊断。

2 DGA技术

DGA技术[2]就是根据油中溶解气体：H2、CH4、C2H6、C2H4、C2H2、CO、CO2的含量通过查表来判断其故障。其中最典型的就是三比值法[9]，它是根据C2H4/CH4、CH4/H2、C2H4/C2H6三组比值来确定变压器故障原因。但由于故障与编码不可能总是一一对应的，所以其全面性和准确度不能保证。

3 BP神经网络

3.1 BP神经网络建模框图

3.2 输入层与输出层神经元数

输入层选用H2、CH4、C2H6、C2H4、C2H2五种气体作为输入，而CO、CO2并没有选用因为它们的含量变化性大，加入会导致训练次数增加，还会增大误差。

输出层为中低温过热、高温过热、局部放电、高能放电、低能放电和正常。

图1

3.3 样本数据获取及预处理

样本由变压器实测数据得到，但由于每组实测数据相互之间的差值可能相差很大，数据大的误差可能相对大一些，那么网络学习算法为了减小误差就会偏向样本中大的数据从而导致小数据的相对误差变大，所以对数据进行预处理是很有必要的。本文将样本数据以其所占百分比作为输入。

3.4 激活函数和训练方法

输入数据经过预处理后都介于0～1之间，因此可以选择一个函数使其输出也在0～1之间，结果越接近1则故障判断结果越准确。于是选择以下激活函数：

3.5 隐含层层数与其神经元数

隐含层层数与其神经元数的确定直接关系到整个神经网络非线性程度，隐含层数多其处理数据的能力强但工作量大、工作时间长而且需要大量的样本，网络也变得十分复杂。所以我们可以先选择一层隐含层然后增加神经元数量，如果一层不行再加一层直到满意为止。神经元数到底加到多少并没有一个定性的说法，到目前为止有如下经验公式[12]：

S=2b+1

S=log2a

上式中：S是隐含层神经元数；a是输入层神经元数；b是输出层神经元数；ω是1～10之间的常数。

3.6 权值和误差的算法公式

3.7 BP神经网络结构图

图2

3.8 MATLAB编程训练及训练函数选择

训练主程序如下：

M=[];%预处理样本输入;

N=[];输出;

net_1.IW{1,1}=[];

net_1.b{1}=[];

net_1.LW{2,1}=[];

net_1.b{2}=[];

net_1=newff(minmax(P′),[m,n],{′logsig′,′logsig′},′训练函数′);

%创建名为newff()BP神经网络;

%trainrp为网络训练函数;

%minmax()求每行最大值与最小值;

%logsig为隐含层与输出层的激活函数;

inputWeights=net_1.IW{1,1};%权值输入;

inputbias=net_1.b{1};%阀值输入;

layerWwights=net_1.LW{2,1};%权值输入;

layerbias=net_1.b{2};%阀值输入;

net_1.trainParam.show=xx;%没xx次学习显示误差曲线点;

net_1.trainParam.Ir=xx;%学习效率;

net_1.trainParam.epochs=xx;%最大训练次数;

net_1.trainParam.goal=xx;%训练精度;

[net_1,tr]=train(net_1,M′,N′);%训练;

A=sim(net_1,M′);%仿真;

E=N-A′;

MSE=mse(E)

图3 弹性梯度下降法

图4 自适应Ir梯度下降法

由表2可知，弹性梯度下降法训练58步收敛，自适应Ir梯度下降法要2972步才收敛，自适应Ir动量梯度下降法1051步收敛，而动量梯度下降法20000步仍没有收敛。虽然弹性梯度下降法误差比适应Ir动量梯度下降法大一点但收敛步数少很多。所以综合考虑选择弹性梯度下降法作为训练函数。

图5 自适应Ir动量梯度下降法

图6 动量梯度下降法

4 网络检测

测试样本数据预处理后导入到训练好的神经网络中结果如表3所示。

5 结束语

由表3中的结果可以看出DGA技术测得的数据可能会出现无编码和无法判断,而以油中气体为依据训练的BP神经网络对变压器的故障有比较准确的诊断结果。

表1 神经网络训练样本数据

表2 误差与收敛步数

表3 结果对比

[1] 董明,孟源源,徐长响,等.基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究[J].中国电机工程学报,2003,23(7):88-92.

[2] 李俭,孙才新,陈伟根,等.灰色聚类与模糊聚类集成诊断变压器内部故障的方法研究[J].中国电机工程学报,2003,23(2):112-115.

[3] 田冰冰,刘念,刘琨,等.基于改进蚁群算法的变压器诊断数据的约简[J].电力系统保护与控制,2011,39(1):96-99,122.

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

[5] 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.

[6] ZHANG Ge-xiang，JIN Wei-dong，HU Lai-zhao.Application of generalized adaptive wavelet neural network based on resemblance coefficient to signal recognitionp[C]//Proceedings of 2004 IEEE International Symposium on Intelligent Control.Taipei(China),Piscataway(USA)：2004：443-447.

[7] 曹永刚，周玲，丁晓群，等.基于概率神经网络的电力变压器故障诊断[J].继电器，2006，34(3)：9-11.

[8] Ze Zhao,Li Cui,EasiMed.A remote health care solution[C]// Proceeding of the 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference.Shanghai(China):2005:2145-2148.

[9] 赵笑笑,云玉新,陈伟根.变压器油中溶解气体的在线监测技术评述[J].电力系统保护与控制，2009,37(23):187- 191.

[10] PATIYC，KRISHNAPRASAD P S.Analysis and synthesis of feed forward and neural networks using discrete affine wavelet[J].IEEE Trans on Neural Networks，1993，4(1)：73-75.

[11] PHAM T D,YAN H.Information fusion by zzy integral[C]//Proc.1996 Australian New Zealand Con.f on Intelli-gent Information Systems,fu1996:18-20.

[12] 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.

[13] RUTA D,GABRYS B.An overview of classifier fusion methods[J].Computing and Information Systems,2000,7(1):1-10.

Transformer Fault Diagnosis Based on DGA Technology and BP Neural Network

ZHANGYan-hua,XIXian-peng,LIULin,WANGXing-cheng

(China Three Gorges University,Yichang 443002,China )

Using data analysis technology of gas oil(DGA)is currently the most common method for transformer fault diagnosis and is also the most widely used.It has a very important role in the prevention of transformer′s test.However,due to the diversity of faults,DGA technique can not accurately detect all of multiple faults.So we use the amalgamation of DGA method and BP neural network to determine the transformer′s failure,and make it more comprehensive and accurate to be detected.

DGA technology;BP neural network;transformer;fault diagnosis;network test

1004-289X(2015)04-0088-05

TM41

B

2015-02-01

张艳华(1990-)，女，湖北汉川人,硕士研究生，主要研究方向：电力设备故障监测与诊断; 席先鹏(1990-)，男，湖北当阳人,硕士研究生，主要研究方向：高压绝缘与测试技术、电力设备故障监测与诊断; 刘林(1989-)，男，湖北荆州人,硕士研究生，主要研究方向：高压绝缘与测试技术、电力设备故障监测与诊断。