APP下载

基于BP神经网络和Borda法则的油浸式变压器故障诊断

2016-05-24陈晓星

现代经济信息 2016年9期
关键词:支持向量机BP神经网络

陈晓星

摘要:针对油浸式变压器故障诊断数据样本量少,故障诊断率较低和可靠性差的缺点,为了提高油浸式变压器故障诊断的准确率,提出一种综合Borda法则和BP神经网络的油浸式变压器故障诊断方法。实验结果表明,Borda组合模型比Borda、SVM和BP具有更高的准确率,可以较好地实现油浸式变压器故障的诊断。

关键词:BP神经网络;Borda法则;油浸式变压器;故障编码;支持向量机

中图分类号:TM41 文献识别码:A 文章编号:1001-828X(2016)009-000-03

Abstract: in view of the oil immersed transformer fault diagnosis data sample size less, fault diagnosis rate is low and poor reliability of the shortcomings, in order to improve the oil immersed transformer fault diagnosis accurate rate,we proposed a comprehensive Borda rule and BP neural network for oil immersed transformer fault diagnosis method. The experimental results show that the combination model has higher accuracy than Borda, SVM and BP, can achieve oil immersed transformer fault diagnosis much better.

Key words: BP neural network; Borda Rule; Oil-immersed Transformer; Fault Encoding; Support Vector Machine

一、引言

在电力系统中,变压器作为一个主要的构成部分,其运行具有稳定的性能和可靠的性能,这样就保证这个电力系统达到安全、可靠的作用。变压器发生故障容易引发安全事故和停电故障,危及人身安全和财产安全。传统的变压器维护方式是基于发生故障再维修的方式,具有维护成本高,且无法实现变压器故障的早期预警和潜伏性故障的及时排除[1]。根据变压器具有复杂的故障机理,以及具有多样性的故障征兆等特点,单一的诊断方法很难做出完善的判断,基于上述原因,本文提出一种综合Borda法则和BP神经网络的油浸式变压器故障诊断方法。

二、 BP神经网络

BP神经网络(Back-propagation Neutral Network) 通常是指基于误差反向传播算法的多层前向神经网络,其由D.E.Rumelhart和J.L.McCelland等人[2]于1986年提出,目前BP算法已被广泛地应用于工程领域。

在BP网络结构图中,用X=(X1, X2,…, Xn)表示BP神经网络的输入值;用Y=(Y1, Y2,…, Ym)表示神经网络的预测值。BP神经网络算法的具体流程如下:

Step1:初始化网络。我们可以把神经网络分为三层,它们分别为:输入层、隐含层、输出层,它们每一层所具有的节点数分别是n、l、m,在对其进行确定的时候一定要依据神经网络中的输入X=(X1, X2,…, Xn)以及其中的输出Y=(Y1, Y2,…, Ym);对它们三者神经元之间的连接权值wij, wjk进行初始化;对隐含层阀值与输出层阀值 进行初始化,并且不仅要设定学习速率的函数,而且还要对神经元激励函数进行设定;

Step2:计算隐含层输出。在对其输出 进行计算的时候,主要是依据X、wij、a;

Step7:算法停止条件是否满足,若满足,则停止;否则,返回Step2。

BP神经网络的算法流程依次为实验数据采集、数据归一化、建立网络、训练模型、测试模型、数据反归一化、结果输出。

三、基于BP神经网络的油浸式变压器故障

1.诊断模型设计

文中主要选择的特征气体有五种,第一种气体是H2(氢气);第二种气体是CH4(甲烷);第三种气体是C2H6(乙烷);第四种气体是C2H4(乙烯);第五种气体是C2H2(乙炔),而变压器的经常出现的故障主要有7种[3],样本种类及故障编码分别为:低温过热 [ 1 0 0 0 0 0 0]、中温过热 [ 0 1 0 0 0 0 0]、高温过热[ 0 0 1 0 0 0 0]、局部放电 [ 0 0 0 1 0 0 0]、低能放电 [ 0 0 0 0 1 0 0]、电弧放电 [ 0 0 0 0 0 1 0]、正常状态 [ 0 0 0 0 0 0 1]。

为实现油浸式变压器故障的诊断,本文借助于BP神经网络技术建立油浸式变压器故障诊断模型。选择H2、CH4、C2H6、C2H4、C2H2 5种气体在油中溶解的体积含量作为BP的输入,七种不同故障模式为BP输出[4]。

2.算法步骤

基于BP神经网络的变压器故障诊断流程:

Step 1:构建训练样本以及数据预处理。

数据预处理主要进行归一化,避免数据数量级不同导致结果偏差过大,同时能够加速网络的收敛速度。

Step 2:建立BP神经网络模型;

Step 3:训练网络;采用Levenberg-Marquardt方法,该方法训练速度快,选取前70组数据作为训练样本。

Step 4:测试网络;运用测试样本,验证本文算法的有效性。

Step 5:输出结果并保存网络,方便后期变压器故障诊断。

3.数据来源

在建立故障诊断的训练样本和仿真测试样本数据的时候,所选择的指标是在油中溶解的不相同气体的量,这些气体分别为H2、CH4、C2H6、C2H4、C2H2,根据数据样本类型,将油浸式变压器故障分为7类,分别为低温过热、中温过热、高温过热、局部放电、低能放电、电弧放电和正常状态。将H2、CH4、C2H6、C2H4、C2H2 5种气体在油中溶解的体积含量作为BP的输入,七种不同故障模式为BP输出。将采集到的205组电力变压器油中溶解气体含量数据分为两个部分[5],前140组样本数据作为训练集,后65组样本数据作为测试集,详细数据如表1所示。

4.数据预处理

为避免BP处理不同数量级原始数据出现计算不平衡,同时降低算法计算复杂度,提高BP的分类性能,样本数据的预处理公式为[6]:

式中,xi(i=1,2,…,5)表示未归一化的样本数据;xmax表示同组未归一化的样本数据中的最大值;xmin表示同组未归一化的样本数据中的最小值;xi表示归一化之后的数据。(见图4、图5)

5.实验结果分析

为了验证BP神经网络的变压器故障诊断模型的有效性,神经网络的参数设置如下:神经网络的参数设置如下:训练目标goal=0.01,训练次数epoch=1000,中间层神经元个数为11,输出神经元为7,输入神经元为5。其实验结果如图6、图7和图8所示。

由图6可知,基于BP神经网络的变压器故障诊断的准确率为86.153%,产生误判的可能原因主要有两个:(1)中温过热故障和高温过热故障二者数据较为接近,导致分类界限模糊产生误判;(2)BP分类器自身缺陷产生误判。

由于油浸式变压器综合监测涉及的样本数据具有特征信息量大的特点,导致在一定情况下获得的油浸式变压器的诊断结论很多时候可靠性较差[7]。为了最大程度地提高油浸式变压器故障诊断的准确率,将BP神经网络和Borda法则结合,提出一种基于BP神经网络的故障诊断的组合模型,实现油浸式变压器故障的最佳诊断,其诊断流程图如图7所示。

四、基于BP神经网络和Borda的组合故障诊断

1. Borda法则

在1781年,法国的数学家C.De Borda提出了一种新的法则[8],我们把它叫做Borda法则,该法则就是对 个专家给出的 个被评价对象的优先级关系进行比较,最终确定它们的Borda分数,并且对它们所得的分数进行排序,最终的评价结果为得分最高的对象。与Borda法则的思想进行结合,将油浸式变压器故障诊断数学模型归纳为:假设Y={ y1, y2,…, y7}为评价对象,它所表示的内容是油浸式变压器比较常见的7中类型的故障,U={u1, u2,…, u7}所表示的内容是 个专家组合而成的小组,然后采用7种不同的方法对Y={ y1, y2,…, y7}中的一些对象进行评价。

对某个专家k,当评价等于yi时,令bki =1,其他记作0,那么专家对评价对象Yi的评分可下式表示。

在公式中,Yi所表示的内容是yi的所得的分数。其中的对象可以根据分数的高低进行排序,最大的Yi所对应的yi是最终的结果。

为了使诊断的结果与实际情况更加的匹配,在本文中运用了算术加权运算,对他们进行有效的区分。对第k个专家赋予权值wk,0≤wk≤1,则评价对象yi的Borda分数可表示为[9]:

2.数据来源

选择油中不同气体的体积含量构建油浸式变压器故障诊断的训练样本数据和仿真测试样本数据,这些气体分别为H2、CH4、C2H6、C2H4、C2H2,根据数据样本类型,将油浸式变压器故障分为7类,分别为低温过热、中温过热、高温过热、局部放电、低能放电、电弧放电和正常状态。将H2、CH4、C2H6、C2H4、C2H2 5种气体在油中溶解的体积含量作为BP和Borda组合模型的输入,七种不同故障模式为BP和Borda组合模型的输出。将采集到的205组电力变压器油中溶解气体含量数据分为两个部分,前140组样本数据作为训练集,后65组样本数据作为测试集,详细数据如表1所示。

3.实验结果分析

为了验证Borda组合模型的变压器故障诊断模型的有效性,神经网络的参数设置如下:神经网络的参数设置如下:训练目标goal=0.01,训练次数epoch=1000,中间层神经元个数为11,输出神经元为7,输入神经元为5。其实验结果如图9所示和表3所示。

由表3不同方法的对比结果可知,Borda组合模型、Borda和SVM都较BP提高了油浸式变压器故障诊断的准确性。通过对比发现,Borda组合模型比Borda、SVM和BP具有更高的准确率,可以较好地实现油浸式变压器故障的诊断。

五、结论

针对单一方法无法实现油浸式变压器故障的准确诊断,为了提高变压器在线监测设备的可靠性和变压器故障诊断的准确率,提出一种综合Borda法则和BP神经网络的变压器故障诊断方法。实验结果表明,Borda组合模型、Borda和SVM都较BP提高了油浸式变压器故障诊断的准确性,Borda组合模型比Borda、SVM和BP具有更高的准确率,可以较好地实现油浸式变压器故障的诊断。

参考文献:

[1]谢红侠,史丽萍,惠正运.改进免疫聚类算法的变压器故障诊断研[J].电测与仪表,2012,49(3):15-19.

[2]刘志刚,李德仁,秦前清等.支持向量机在多类分类问中的推广[J].计算机工程与应用,2004,16(7):96-100.

[3]陈伟根,孙才新.变压器局部放电与油中气体浓度的对应关系[J].重庆大学学报,2000,23(4):86-89.

[4]Memon A,Nowak D.Traffic Signal Control Based on Genetic Algorithm[J].IEEE Trans on Systems,Man and Cybernetics,2007(10):707-717.

[5]杜文霞,吕锋,句希源.基于BP神经网络的电力变压器故障诊断[J].变压器,2007,44(3):45-47.

[6]丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报,2011,40(1):2-10.

[7]赵振兵,高强,苑津莎等. 变电站电气设备双通道图像在线监测方法[J]. 电力系统自动化,2008,32(10):76-79.

[8]潘翀,陈伟根,云玉新等.基于遗传算法进化小波神经网络的电力变压器故障诊断[J].电力系统自动化.2007,31(13):88-92.

[9]吴书有.基于振动信号分析方法的电力变压器状态监测与故障诊断研究[D].中国科学技术大学,2009.

[10]陈小锋,史忠科.基于遗传算法的变压器振动信号动态优化方法[J].系统仿真学报,2004,16(6):1155-1157.

猜你喜欢

支持向量机BP神经网络
基于改进支持向量机的船舶纵摇预报模型
基于支持向量机的金融数据分析研究