基于反向传播神经网络的变压器绝缘故障诊断方法

李 铮 姜思博

（东北电力大学研究生部，吉林 吉林 132012）

在电力系统中，大型变压器不仅是关键部件，同时价格也极为昂贵，所以大型电力变压器的管理维护就显得极为关键，其维修工作同样也是电力系统管理的核心内容。变压器的材料构成主要包括：绝缘材料、框架材料、导电以及导磁材料。其中绝缘物主要是有机物，比如绝缘纸、矿物油以及各种有机合成物质。这些绝缘物质会随着各种环境的作用，时间的变化等元素，其绝缘性能呈下降趋势，并容易诱发各种电气故障，造成供电系统失效。而且当前的诸多文献资料也证明，变压器故障产生的重要原因就是绝缘材料的性能劣化。比如变压器短路故障引发的击穿；因为油温升高导致绝缘物劣化后产生的绝缘故障等。

电力变压器故障一旦产生，维修时间往往较长，特别是随着变压器容量和等级的上升，其故障产生的负面影响就会越严重，由此造成的经济损失和社会影响也就越大。虽然随着材料技术的发展，变压器选择的构建材料性能也得到了不同程度的提升，对于设备的可靠运行具有一定的帮助，但是在使用时不可避免会出现一些无可预估的问题，再加上运维方式的问题，电力变压器依然会出现不同种类的故障。对此只有通过注重对变压器绝缘状态的监测，并通过预防式的监测才能够做到防患于未然，消除潜伏故障，通过提前维修方式消除故障问题的扩大。另外通过先进的状态监测技术也有助于快速定位发生故障的部位，从而有助于缩短变压器的维修时间，这对于促进电力系统安全稳定显然具有积极意义。

神经网络是由大量处理单元广泛互连而成的网络，其信息处理由神经元之间的相互作用来实现；网络的学习和识别决定于各神经元连接权的动态演化过程。作为一个超大规模非线性连续时间自适应信息处理系统，它具有高度的非线性，模拟并行性，高度容错性，鲁棒性，自联想自学习和自适应等许多特点。使其成为电气设备在线监测中最有前途的故障诊断方法之一。

本文研究改进的反向传播神经网络在变压器油中溶解气体故障诊断中的应用，并着重就其算法的分析、网络的选定、学习过程的收敛性以及实例计算等问题展开研究。

1 BP神经网络的学习流程及其特点

由于神经网络是用神经元互联权矩阵来存储长期记忆的，神经网络的学习算法的目的就是要调整神经元间的连接权值，使整个网络达到预期的功能。在学习过程中，将训练样本数据加到网络的输入端，同时将相应的期望输出与网络的实际输出相比较，得到误差信号，以此控制权值连接强度的调整，经过多次训练后收敛得到一个确定的权值W矩阵。根据BP网络理论隐含层可以为一层或多层，但有一个隐含层的BP网络已经能以任意精度完成任何连续函数的映射，故一般只采用一个隐含层。学习过程由正向传播输出过程和反向传播调整过程两部分组成：在正向传播过程中，输入信号从输入层经隐含单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态；如果在输出层得不到期望的输出，则输出信号的误差将沿着原来的连接通路反向传播，直至输入层；通过沿途修改各层神经元间的连接权值和神经元阈值，使得误差逐步达到最小。调整权值和神经元阈值的办法很多，应用得最广泛的BP算法采用了最速下降的负梯度调整法。只考虑一个隐含层的BP神经网络如图3.2所示，先给LA层单元与LB层单元之间和LB层单元与LC层单元之间的连接权以及LB层单元的阈值 θi、LC 层单元阈值 γi赋[-ε，+ε]区间的随机值(ε≤1)。 对每个模式对(Ak，Tk)（k=1,2,m），图3.2所示的学习流程框图按下面的过程来学习：将输入模式Ak送到LA层，LA层单元的激活值ah通过连接权矩阵V送到LB层，产生LB层新的净输入netbi，进而产生LB层单元的输出值bi：

BP算法是LMS算法在多层前馈神经网络中的应用，是一个非线性技术的优化问题。由于BP网络在理论上的完整性，它在包含电气设备绝缘故障诊断的许多领域得到了成功的应用，但也存在不少的问题，如：已学习好的网络的推广泛化能力，即能否逼近规律和对于大量未经学习的样本也能正确处理；误差曲面存在不少的局部最小点；学习算法收敛很慢；网络的隐含层数目的选取缺少完整的理论指导。因此研究新的迭代收敛算法具有重要的实用价值。

2 自适应共轭梯度算法在特征气体诊断法中的应用

共轭梯度算法简介：

共轭梯度算法（ConjugateGradient）是重要的无约束最优化方法。其特点是利用上一次的搜索方向和本次出发点的负梯度的线性组合来生成共轭方向，并以此搜索目标函数极值。共轭梯度算法所述如下：

向量采用一般过热、严重过热、高能量放电、低能量放电4个输出神经元。高能量放电一般指电弧放电和比较强烈的火花放电；低能量放电一般指局部放电和比较微弱的火花放电。反映过热性故障的只能有一个输出大于0，因为它们是互斥的；反映放电性故障的只能有一个输出大于0；但可在过热类型和放电类型中可同时有大于0的输出，因为实际故障中确有放电兼过热类型的故障。输出值最大为1.0，数值越大则表明该类型的故障的可能性和严重程度也越大，如输出为{0.0，1.0，1.0，0.0}，那么则表示故障是严重过热与高能量放电。

在选取学习样本时，样本中各类故障的百分比应当和实际变压器故障发生的比率相当，例如变压器过热故障较多，那么样本中可多收集一些过热故障的样本；考虑到变压器型式、容量、厂家、运行环境等因素的影响，搜集了125组不同制造厂生产的、运行在不同电压等级下及不同地区的变压器色谱分析记录和相应的实际故障结果，使样本具有良好的广泛性；经过反复调试，选出能反映出各种故障类型的典型样本18组，其它的样本数据用来做验证、检验。

因此该系统能够实现多故障的诊断，从序列为12、13、15、16、19能够展现这种情况。另外通过三比值法得出的故障结论还出现了偏差，比如序号为20就说明了这个偏差，但是采用ACG－BP网络则能够消除这个误差。

总之ACG－BP网络系统能够的学习积累能力较强，并且将其经验存储在权值矩阵中，所以能够快速准确的进行故障诊断。