基于人工神经网络的变压器绝缘老化诊断算法研究

牟雪云, 刘水明, 张华富

(1.上海电力学院 电气工程学院, 上海 200090; 2.国网上海市电力公司 金山供电公司,上海 201515)



基于人工神经网络的变压器绝缘老化诊断算法研究

牟雪云1, 刘水明2, 张华富2

(1.上海电力学院 电气工程学院, 上海 200090; 2.国网上海市电力公司 金山供电公司,上海 201515)

介绍了人工神经网络在变压器绝缘老化诊断中的应用,并采用BP算法设计了变压器绝缘老化诊断系统.定义了不同的变压器状态,采用大量的数据进行训练,结果表明,应用人工神经网络对变压器绝缘老化程度进行判断并对其剩余寿命进行评估,具有更高的准确性和可靠性.

人工神经网络; 变压器; 绝缘老化

近年来,人工神经网络在变压器故障智能诊断和变压器绝缘老化诊断中得到广泛的应用.根据人工神经网络原理,结合变压器领域知识,本文成功地开发了变压器固体绝缘老化诊断的神经网络算法.

本文用向量表示不同的变压器状态,如(1 0 0 0 0)代表正常运行状态,输出越趋向于(1 0 0 0 0)表示可靠性越高,越趋向于(0 1 0 0 0)代表过负荷老化,越趋向于(0 0 1 0 0)代表液体油绝缘故障,趋向于(0 0 0 1 0)表示轻度绝缘材料裂解,趋向于(0 0 0 0 1)代表重度绝缘材料裂解.并通过实例训练验证了本文设计的变压器绝缘老化诊断系统可以比较准确地测试变压器老化状态及变压器的使用寿命情况.

1 人工神经网络分类

考虑不同的拓扑结构、网络功能和学习方法等,人工神经网络可以分为以下6类[1].

(1) 感知器型神经网络 是最简单的神经网络,只有单层神经网络结构,采用硬限值函数作为网络的传递函数,适用于简单的线性二类划分.

(2) 线性型神经网络 是一种自适应元件,适用于拟合数据和数据逼近.

(3) BP神经网络 一种按误差反向传播算法进行训练的多层前馈网络,是目前应用最为广泛的神经网络模型之一.具有一个或多个隐含层.图1是一个典型的具有单层感知器的人工神经网络结构图.

图1 BP神经网络结构

(4) 竞争神经网络 各个神经元之间是相互竞争的关系,适用于模式分类问题.

(5) 反馈型神经网络 所有神经元同时将输出信息作为输入信息反馈给其他神经元的一种形式,并经过一定的时间调节后达到稳定状态.

(6) 随机型神经网络 按随机原理在神经网络中产生,按概率论原理工作,用于解决组合优化等问题.

2 变压器绝缘老化人工神经网络系统开发

变压器绝缘老化的情况相当复杂,因为变压器在运行中存在众多不确定性的因素.应用人工神经网络对变压器绝缘老化程度进行判断并对其剩余寿命进行评估[2],具有更高的准确性和可靠性.

2.1 BP算法

BP神经网络采用Widrow-Hoff学习算法和非线性传递函数[2],典型的BP网络采用的是梯度下降算法.BP网络一般采用的是非线性传递函数,使网络能够以任意的精度接近任一非线性函数,这就是BP网络的重要性质之一,一般BP网络采用隐含层、中间层的结构,能够提取更高层的统计数据,尤其是输入量很大时,BP网络能提取高阶统计数据.

BP网络是距今为止在人工神经网络中应用的最多的网络,主要原因就在于BP算法的多层感知器具有以下3方面的能力[3].

(1) 非线性映射能力 在没有提供先前了解输入输出关系的模型时,BP网络能通过学习、存储输入输出之间的相互映射关系;能够应用足够多的样本数据模式对BP网络进行训练,从而可以完成由m维空间向量向n维空间向量的非线性映射.

(2) 泛化能力 BP网络训练后将样本对应的非线性关系存储在权值矩阵中,在以后的训练中,再次向网络输入网络未曾见过的数据时,依然能够完成由输入输出的成功映射.

(3) 容错能力 BP网络允许输入样本中有较大的误差甚至是错误.

本文设计的变压器绝缘老化的人工神经网络结构如图2所示,其中a,b,p等对应的都是矩阵向量函.

图2 变压器绝缘老化的人工神经网络结构

BP算法包括两个阶段[4],第一阶段计算实际输出;第二阶段是对权值和阈值的修改,这个修改是从输出层向下进行计算和修改.假设全部过程中,对于输出层均有j=0,1,2,…,m;k=1,2,3,…,l.其中,j为隐含层节点数,k为输出节点数.对于隐层,均有i=0,1,2,…,n;j=1,2,3,…,m.其中i为输入节点数.输入向量为X,隐含层的输出向量为O,输出层输出向量为Y,期望输出为t.输入层到隐含层之间的权值矩阵用V表示,隐含层到输出层之间的权值矩阵用W表示.

具体步骤如下.

步骤1 初始化,给双层BP网络各层的权值V和W赋一个随机数做初值;误差E置0,样本模式计算器p置1,训练次数q置1,网络训练后达到的精度Emin设为一正小数.学习速率η设置为(0,1]区间的小数.

步骤2 输入训练样本,计算各层输出.用当前样本Xp和dp对向量X和d赋值.

权值的调整公式为:

(1)

(2)

(3)

(4)

误差定义式为:

(5)

yk=f(netk)

(6)

其中

利用式(1)至式(4)可计算隐含层和输出层的各分量.

步骤3 计算网络的误差.设共有P对训练样本,总输出误差ERME算法是将全部样本输出误差的平方(Ep)2进行累加再开方.

(7)

步骤4 求出各层误差,对已知样本的计算式为:

(8)

(9)

步骤5 修改权值计算W和V中的各分量.

(10)

(11)

步骤6 检查所有样本是否完成一次训练,若p

步骤7 按新值计算判断误差是否达到精度要求,若满足ERME

2.2 BP网络的训练及仿真

创建BP网络常用的调用格式为[5]:

net=newff(P,T,[S1S2…S(N-1)],

{TF1TF2…TFN}

其中,P,T分别为输入样本和期望响应;Si为网络各层的神经元数目;TFi为网络各层的传递函数类型.

在变压器寿命评估中调用logsig(n)函数和purelin(n)函数,通过判断输出函数与0或1的接近程度来评估变压器的老化状态.本文采用的图1是一个典型的具有两个神经元层的BP神经网络,隐含层传递函数为logsig,输出层的传递函数为purelin函数.函数执行的结果是返回一个N层的前向型BP神经网络.利用sim函数可以实现网络对一定输入的仿真.

在神经网络的开发中,输入层信号由油中特征气体CO,CO2,油中糠醛,丙酮,CO2/CO的值5个信号组成.其中油中特征气体CO和CO2由色谱分析得到,油中糠醛使用液相色谱分析得到,丙酮使用气相色谱分析得到.隐含层节点数根据经验,然后反复试验可以得出为80,此时的误差收敛效果最佳.输出层的输出为5维向量,定义此5维向量不同的值对应变压器的不同状态.

为了提高变压器绝缘老化诊断的可靠性,应该注意以下3个问题.

(1) 应该准确地测量糠醛,丙酮,CO,CO2的真实含量,尽量避免变压器滤油、换油、补加油.若达不到这一要求,则应该在滤油、换油、补加油的前后进行油中溶解气体和糠醛、丙酮的分析,折算其损失,累计真实含量.

(2) 在变压器出现局部高温过热或电弧放电引起绝缘老化、但面积又不大时,产生的糠醛、丙酮不多,则应该注意DGA数据中不仅CO和CO2及CO/CO2的异常,油中氢气及烃类气体一定很高.这是与非故障状态引起绝缘老化相区别的主要特征.

(3) 对于较低温度下的局部过热故障引起的绝缘异常老化,造成局部的油道堵塞、油流不畅等,就会出现局部绝缘分解.这种情况产生的糠醛、丙酮含量也很少,且一般无法采取过热处理样本聚合度,甚至可能会导致变压器烧坏.因此,在判断时应该结合密封方式、绝缘结构、运行方式、检修史、故障史等进行综合判断.

某电厂SFP3-260000/220的升压变压器,额定容量为200MW[6].对应变压器的上述5种状态各采集了10组数据.从每种情况中选择9组值作为样本,剩余值作为检测样本,将输入样本存储于bp.xls.xlsx中,利用Matlab命令读取.

在Matlab软件命令窗口中输入命令:

[filename,pathname]=uigetfile(′bp.xls.xlsx′);

file=[pathnamefilename];

x=xlsread(file);

p=x;

p=p′;

p即为输入样本向量.

判断结果类型编码如表1所示.

表1 调节器输出向量编码表

输出响应向量输入命令:

T=zeros(45,5);

for j=0:4;

for i=j*9+1:j*9+9;

T(i,j+1)=1;

end

end

T=T′;

T为定义的期望响应向量.

构建BP神经网络,网络参数如表2所示.

表2 BP神经网络参数

网络训练输入命令为:

net=newff(minmax(p),[80,5],{‘logsig’,‘purelin’},‘trainlm’)

net.trainparam.show=100,

net.trainparam.epoch=2000,

net.trainparam.goal=1e-3,

[net,tr]=train(net,p,T).

执行上面的命令,得出经过350次迭代,网络达到了设定的误差性能目标,且误差曲线变化平缓,符合要求,表明网络训练成功.

将剩余的5组数据存入bp_test.xls,利用xlsread命令读取输入检测向量,对人工神经网络的变压器老化诊断进行测试.输入命令:

[filename,pathname]=uigetfile(‘bp_ptest.xls’);

file=[pathname filename];

xtest=xlsread(file);

ptest=xtest′;

result_test=sim(net,ptest)′.

仿真输出结果如图3所示.

图3 仿真输出结果

将结果整理如表3所示.

表3 BP网络变压器绝缘老化诊断结果分析

从表3可以看出,训练后的人工神经网络对变压器绝缘老化的诊断结果与实际老化状态完全符合,因此本文设计的变压器绝缘老化诊断系统可以比较准确地测试变压器老化状态及变压器的使用寿命.

3 结 论

本文设计的变压器绝缘老化诊断系统,主要具有3大优点:一是避免了单独使用CO和CO2含量测试的不确定性;二是在很大程度上减少了停机时间,降低了DP值判断法的经济损失;三是可以及时了解变压器绝缘老化状态,掌握其使用寿命,提高了变压器运行的可靠性.

[1] 韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2007:22-28.

[2] 王大忠.模糊理论、专家系统及人工神经网络在电力变压器故障诊断中的应用[J].华中电力,1996,9(5):302-120.

[3] 冯定.神经网络专家系统[M].北京:科学出版社,2006:35-46.

[4] 章政.基于遗传编程的电力变压器绝缘故障诊断模型研究[D].上海:上海交通大学,2007.

[5] 孙祥,徐流美,吴清.MATLAB7.0基础教程[M].北京:清华大学出版社,2005:124-128.

[6] ALLAN D M.Practical life-assessment technique for aged transformer insulation[J].IEE Proceedings A-Science,Measurement and Technology,1993(5):404-408.

(编辑 胡小萍)

Study on the Transformer Insulation Aging Diagnosis SystemBased on Artificial Neural Networks

MOU Xueyun1, LIU Shuiming2, ZHANG Huafu2

(1.SchoolofElectricalEngineering,ShanghaiUniversityofElectricPower,Shanghai200090,China; 2.StateGridShanghaiJinshanElectricPowerSupplyCompany,Shanghai201515,China)

The method of ANN (Artificial Neural Networks) in transformers diagnosis insulation aging is introduced.Transformer insulation aging diagnosis system is developed through using BP algorithm.Several states of the transformer are defined.The higher feasibility and effectiveness of ANN for transformer insulation aging diagnosis and prediction of its remaining life span are verified by the result.

artificial neural networks; transformer; insulation aging

10.3969/j.issn.1006-4729.2016.05.016

2015-05-19

简介：牟雪云(1983-),女,硕士,山东潍坊人.主要研究方向为变压器绝缘老化.E-mail:xue68yun@163.com.

TM403.3;TP183

A

1006-4729(2016)05-0490-05