基于B样条模糊神经网络的变压器故障诊断

薛小军　曹伟青

摘 要：针对变压器故障的复杂性和不确定性，结合油中气体分析方法，提出应用B样条模糊神经网络对变压器故障进行诊断。模糊神经网络的基函数采用B样条函数，可以使网络的权值调整在局部范围内，从而可以加快网络的学习速度，仿真结果证明了该方法可以有效地检测出变压器故障类型。

关键词：模糊神经网络；变压器；故障诊断

DOI：10.16640/j.cnki.37-1222/t.2018.19.154

电力变压器是电网运行的主要设备，及时有效地监测和诊断变压器故障对电力系统的可靠运行具有重要意义[1]。考虑到电力设备故障的复杂性和不确定性，传统的监测方法得到的故障诊断率很低。神经网络具有并行处理，学习和记忆以及自适应调节能力，所以非常适合用于变压器故障诊断领域[2-3]。本文采用B样条函数作为模糊神经网络的隶属函数，由于B样条函数具有归一性、紧密性等优点，可以加快网络的学习速度。实验表明，该方法能较准确地识别变压器故障类型，且诊断精度较高。

1 B样条模糊神经网络

模糊神经网络是由模糊逻辑推理和神经网络结合在一起，充分发挥模糊逻辑的知识表达能力和神经网络的自适应学习能力。这里引用B样条基函数作为网络的隶属函数，B样条基函数使用精确的多项式分段插值的形式，可对给定的输入/输出数据进行光滑的曲线拟合[4]。

根據B样条基函数的归一性，在模糊神经网络中用B样条函数作为模糊子集的隶属函数可以使得模糊神经网络的输出变得简单；同时由于它具有紧密性，可以把每次学习中权值的调整限制在局部的范围内，从而加快学习过程[4]。B样条模糊神经网络的结构如图1所示。

该模糊神经网络采用B样条函数作为隶属函数，由输入层、模糊化层、规则层以及输出解模糊化层四层组成。

2 网络节点的确定

变压器故障诊断的方法中，油中溶解气体分析法（DGA）是比较有效的一种方法[5]，通过分析不同的故障气体（氢气H2、甲烷CH4、乙烷C2H6、乙烯C2H4、乙炔C2H2）的浓度来监测变压器是否发生故障。同时根据变压器故障类型，网络的输出可以分为：正常（y1）、中低温过热（y2）、高温过热（y3）、低能放电（y4）和高能放电（y5）五种类型，所以网络采用5输入5输出结构。在网络训练过程中，变压器故障类型对应的网络的目标输出如表1所示。

3 网络训练的学习算法

网络训练时，首先要构造网络的误差代价函数，则在网络连接权调整过程中，就要使这个误差代价函数最小化，本文采用监督学习算法中的反向误差传播算法，设和分别为网络的实际输出和期望输出，则在时刻t，网络的学习误差函数可表示为：

4 仿真实验

在训练样本数据表的30个样本中，选前22个样本训练网络，后8个样本用于检验。设置误差精度为0.001。分别采用BP神经网络和B样条模糊神经网络进行故障诊断，图2为BP神经网络训练误差变化曲线，图3为B样条模糊神经网络训练误差变化曲线。对比图2和图3可以看出，采用BP网络训练时，网络的收敛速度较慢；而B样条网络收敛较快。

两种网络对故障诊断的结果如表2和表3所示。

对比表2和表3可以看出，对于同样的训练测试数据，B样条模糊神经网络比BP神经网络的诊断精度高。

5 结束语

本文根据变压器故障的特点，结合气体分析法，构建了B样条模糊神经网络模型，很好地实现了对变压器故障的诊断，通过不同诊断模型的对比，可以看出B样条模糊神经网络收敛速度快，且诊断精度高。

参考文献：

[1]黄鞠铭，朱子述，胡文华等.BP网络在基于DGA变压器故障诊断中的应用[J].高电压技术，1996，22（02）：21-23.

[2]R Naresh， V Sharma， M Vashisth. An Integrated Neural FuzzyApproach for Fault Diagnosis of Transformers [J].IEEE Trans.PowerDeliv.（S0885-8977），2008，23（04）：2017-2024.

[3]崔东军，刘念，刘秀兰.基于加权小波神经网络的油浸式电力变压器故障检测[J].电力系统保护与控制，2010，38（18）：19-23.

[4]Weiqing CAO， Pan FU， Genhou XU. Fault Diagnosis of Tool Wear Based on weak feature extraction and GA-B-spline Network. Sensors & Transducers journal，2013，152（05）：60-67.

[5]许慧君，王宗耀，苏浩益.基于DGA的反馈云熵模型电力变压器故障诊断方法研究[J].电力系统保护与控制，2013，41（23）：115-119.