两种神经网络方法在电力变压器故障诊断中的性能分析

付刚 王伟 张洋 孙鹏

摘  要：电力变压器是电力系统中最重要的设备之一，它的安全稳定运行关系到整个电力系统的安全性和稳定性。文章首先分析了电力变压器油中溶解气体的特征，然后以三比值法作为主要实验依据，设计了BP神经网络和模糊神经网络两种模型，在此基础上对变压器故障诊断进行了实验，最后对比分析实验结果。

关键词：BP神经网络;模糊神经网络;油中溶解气体;故障诊断

中图分类号：TM41         文献标志码：A         文章编号：2095-2945（2019）26-0005-04

Abstract： Power transformer is one of the most important equipment in power system， and its safe and stable operation is related to the security and stability of the whole power system. In this paper， the characteristics of dissolved gas in power transformer oil are analyzed， and then two models of BP neural network and fuzzy neural network are designed based on the three-ratio method， on the basis of which the fault diagnosis of transformer is tested. Finally， the experimental results are compared and analyzed.

Keywords： BP neural network; fuzzy neural network; dissolved gas in oil; fault diagnosis

引言

随着电力变压器设备技术的发展，其结构复杂度和部件的关联性也在不断的提高，电力变压器的安全、稳定运行密切关系着整个电力系统的生产安全，它能否正常运作对于电力能源的传输有着重要的影响，因此对电力变压器的研究一直以来是国内外学者和专家研究的热门课题之一[1-2]。

在目前电力变压器故障诊断方法中，对油中溶解气体检测的研究一直以来都是研究的重点[3]。早在1973年

Halstead就发现了油中溶解气体的相对含量与变压器内部故障之间确实存在一定的关系，并做出了进一步研究。国内外学者对变压器故障诊断的研究方法主要分为传统方法和人工智能方法。油中溶解气体检测方法是最经典的传统方法之一[4]。人工智能方法有粗糙集理论、信息融合、证据理论和人工神经网络等，这些方法各有优劣。例如贝叶斯网络的利用条件限制较多，现场运用非常复杂;人工神经网络虽然在一定程度上提高了准确率，但是数据量增加后运行效率变低;支持向量机在小样本的实验中凸显了优势，在处理大量数据时效率太低。本文对BP神经网络和模糊神经网络两种模型进行了对比实验，结果表明在电力变压器故障诊断中模糊神经网络优于BP神经网络。

1 神经网络模型

1.1 BP神经网络

BP神经网络是一种按照误差逆传播算法训练的多层前馈网络。BP神经网络的学习规则是运用最快下降法，通过正向计算和逆向传播来不断调整网络内的各个节点的权值和阈值，最终使网络的误差平方和最小，從而达到整个网络最优的目的。它的特点是在不需要描述映射关系的前提下，能够自主学习和贮藏大量的输入-输出模式之间的映射关系。

BP神经网络具有以下优点：（1）具有很强的非线性映射能力，从根源上实现了输入数据到输出结构的映射功能，这一优点使得BP神经网络特别适合运用在一些非线性的复杂问题上;（2）自学习和自适应能力，不需要复杂的操作就可以自主的学习和调整整个网络的运行;（3）泛化能力，即BP神经网络不仅能保证当前分类对象的正确性，还能对未来遇到的情况作出正确的预判和分析;（4）容错能力，BP神经网络比较稳定，不会因为某个部分的神经元被破坏后而出现非常大的差错，即对检测结果影响不大，具有一定的容错能力。BP神经网络的结构从左至右分三层。第一层为变压器初始数据输入层，三个不同的特征信号分别对应输入层的三个神经元。第二层为隐含层，采用tansig和logsig传递函数处理数据，并通过共轭梯度动量算法反复训练BP神经网络。第三层为输出层，根据网络计算的结果输出故障类型。

1.2 模糊神经网络

模糊神经网络是基于模糊集理论和人工神经网络提出的一种神经网络。模糊神经网络具有以下两点优势：（1）普通人工神经网络的学习泛化能力的优势;（2）模糊逻辑推理中的强大结构性知识表达能力。因此受到了大家的广泛关注和研究。简单而言，模糊神经网络就是普通神经网络的产物，利用神经网络的特性来实现模糊集理论。较BP神经网络的结构而言，模糊神经网络的层数更多，结构更复杂，一般采用五层网络结构。模糊神经网络的五层结构分别是：第一层是网络的输入层，最后一层是网络的结果输出层，中间三层分别是隶属度函数层、模糊规则层和归一化层。训练样本通过输入层进入神经网络，每个单元模式输出之间的关系可以用公式（1）计算：

模糊规则层是模糊神经网络中比较特殊的一部分，也是模糊神经网络的特点所在，主要利用匹配模糊规则计算出每条规则的适应度，对不确定的信息进行分类和计算。

2 基于神经网络的故障诊断模型和算法

2.1 故障诊断理论

电力变压器故障诊断，就是根据电力变压器故障产生的特征和部位来确定故障类型和故障的严重程度[5]。变压器故障诊断的方法有很多，比较常用的一些预防性试验有绝缘试验、局部放电试验、绝缘油电气试验、油中气体分析法等[6]。油中溶解气体分析法是对油浸式电力变压器内部故障检测最主要的技术手段，故油中溶解气体分析法在《电力设备预防性试验规程》里被列为重点方法。

油中溶解气体分析法具有及时发现早期潜伏在电力变压器内部的故障问题的能力，可以提早消除不少在运维中的事故隐患问题。这种方法的特点之一就是能够在不停电的情况下进行，且不受外界的电场和磁场的影响。此种方法技术成熟，便于实施，数据来源可靠，早已在国内外的电力变压器故障诊断中运用，积累了很多经验。油中溶解气体分析法主要依靠分析油中的CH4、C2H6、C2H4、C2H2和H2五种组分的含量并根据气体相对含量与设备老化损坏之间的联系对故障进行判断，变压器老化产生一氧化碳（CO）和二氧化碳（CO2）也是造成故障产生的一些原因，有时也会被当做参考量作为输入数据中。由于油中溶解气体法中把这五种气体中的两两比值作为分析的依据来进行分析，从而得到三个比值的数值作为分析的结果，故称“三比值法”。

故障特征分析即为对信号的分析与处理。故障诊断工程的核心问题是如何从传感器上的原始信号中分离出有用信息并分析出与故障特征相关的信息。大部分的机械在出现故障时都会出现异常声音或震动，所以声音和震动数据对于机械设备故障诊断是十分重要的故障信息。比较常用的提取故障特征的方法有时域分析法、频域分析法、相位分处理等。以上的方法都是基于线性信号进行提取分析的，而对于机械故障来说，故障信号都是非线性的。因此，我们使用上述方法時很难将多个故障信号之间的关系完全地解释清楚。1980年以后，在信号分析处理中采用非线性的人工神经网络开始流行起来，我国也开始将人工神经网络应用于设备故障研究方面，并取得了实质性的进步与成果[7-9]。

2.2 变压器故障诊断

本文对BP神经网络和模糊神经网络的建立步骤如图1所示。

本文运用三比值法的编码规则以及对故障诊断结果的分类进行了改进并制定了表1、表2所示的编码表格，这种方法摒弃了油浸式变压器中油的体积不确定的缺点，可以比较准确的对变压器的故障进行判断。

经由三比值编码方法对数据样本进行处理可得到比值编码数据，部分比值编码数据如表3所示。

3 实验仿真与分析

本实验在Matlab环境下建立BP神经网络模型和模糊神经网络模型，用实际数据进行模型训练，从90组4维数据中抽取70组数据对两个神经网络同时进行训练（前3列都是三比值法的比值代码数据，第4列为分类输出，即为故障分类），然后将最后20组数据样本作为验证样本。实验的测试集实验结果如图2和图3所示。

神经网络的结构图中都显示了各神经网络的结构和定义的各项参数。所有的训练集和测试集对比图都为一个坐标图，其中横坐标为训练样本和测试样本的序号，纵坐标分别表示无故障（0）、低温过热（1）、中温过热（2）、高温过热（3）、局部放电（4）等，按照表3的故障顺序依次类推。

为了更好地对比两个神经网络，我们做了一个关于两个神经网络的纵向和横向对比，即将训练集数据样本组数从10组开始，每组以10为等差值不断向上增加训练组数，并对比它们两个在不同训练分组下的训练集正确率和测试集正确率。经过实验，得到了如图4和图5所示的对比图，X方向代表训练集数，Y方向代表训练的准确率。

在第一个实验中，由BP神经网络和模糊神经网络的训练集和测试集对比图看出，在训练集数据样本达到70组时，模糊神经网络训练集没有出错，且测试集中正确率为95%（20组训练数据样本中只出现了一个故障分析错误），在训练集同样没有出错的情况下，BP神经网络测试集的正确率只有90%（出现了两个故障分析错误），在此情况下模糊神经网络对于电力变压器的故障诊断能力优于BP神经网络。在第二个实验中，由对比图可以看出，在训练组数不断递增的情况下，模糊神经网络的学习能力和收敛能力都优于BP神经网络。

4 结论

通过理论分析和实验结果表明，如果拥有更多的气体比值数据，能将训练集不断地增加去训练两种神经网络，模糊神经网络对于电力变压器故障诊断的预测能力，判断故障的准确率以及收敛能力都是优于BP神经网络的，为今后研究变压器提供了思路。电力变压器是一个非常复杂的设备，对于故障的研究今后还需运用深度学习的知识进行研究，从而大大提高诊断的准确性。

参考文献：

[1]李刚，张博，赵文清，等.电力设备状态评估中的数据科学问题：挑战与展望[J].电力系统自动化，2018，42（21）：10-20.

[2]李刚，于长海，刘云鹏，等.电力变压器故障预测与健康管理：挑战与展望[J].电力系统自动化，2017，41（23）：156-167.

[3]刘冰尧，雷菊阳，耿英博.油浸式变压器故障诊断的研究[J].化工自动化及仪表，2018，45（01）：69-72.

[4]杨振勇，叶林.变压器油中溶解气体色谱分析误差来源及排除[J].湖北电力，2014，38（06）：22-24.

[5]赵文清，祝玲玉，高树国，等.基于多源信息融合的电力变压器故障诊断方法研究[J].电力信息与通信技术，2018，16（10）：25-30.

[6]李刚，于长海，范辉，等.基于多级决策融合模型的电力变压器故障深度诊断方法[J].电力自动化设备，2017，37（11）：138-144.

[7]陈龙龙，王波，袁玲.一种电力变压器神经网络故障诊断方法[J].南京信息工程大学学报（自然科学版），2018，10（02）：199-202.

[8]谭子兵，黄秀超，钟建伟.基于BP人工神经网络的电力变压器故障诊断研究[J].湖北民族学院学报（自然科学版），2018，36（01）：89-92.

[9]张奎，王建南，王肖峰.基于神经网络的变压器故障诊断[J].电子测量技术，2017，40（12）：98-101.