智能神经网络在电力变压器故障检测中的应用

任东红，贺笃贵，董国贵，谢萍萍

（铜陵职业技术学院，安徽铜陵，244000）

1 变压器故障检测的重要意义

随着全球经济的剧烈增长，社会不断发展，人们的生活水平伴随着经济增长而不断提高，而科技的不断革新也带来了生活方式的改变，人们对能源以及清洁能源的需求日益增加，这就要求电网及电力系统的容量要极速扩大，从而满足日益增长的电力需求量，同时也伴随着对电力系统中设备的可靠稳定运行也有着更高的要求。

变压器作为电力输变电系统中极其重要的设备之一，其安全可靠的运行是保证工业及居民用户用电的基础；其肩负着电能传输和变压的重要使命，在电力系统中处于关键枢纽地位。特别是随着超高压换流变压器的研发和运营应用，目前变压器的电压等级从原来的10KV、110KV 发展为500KV、700KV 甚至1000KV 乃至更高的级别提升[1]。同时由于电力系统中电力容量的不断扩大，输电网络的电压等级也不断提高，对特高压大型变压器的需求量也不断增加。变压器的稳定性要求也随之提高，技术难度也越来越高。

电力变压器一旦发生故障，轻则局部断电检修，重则大面积停电，电力系统的稳定性受到破坏，甚至影响社会稳定等，让社会付出巨大的时间成本和惨重的经济代价，对家庭用户的基本生活造成影响，破坏企业用户的正常生产。对于电力变压器而言，其内部结构相对复杂，主要分为导电线圈部分、导磁部分、绝缘部分和其他连接结构部分。其绝缘性能的好坏直接关系着电力变压器能否稳定运行，到目前为止电力变压器的绝缘物质仍然以提炼的矿物油为主，因此矿物油是变压器故障发生的关键物质。目前变压器故障检测中学者们研究最多的即通过检测及预测变压器箱内绝缘油的成分来检测及预估变压器的故障，从而做到及时检测、及时检修，防患于未然，避免大面积电力事故产生。变压器油是一种由多种碳氧化合物组成的混合物，其主要包括烷炔、环烷炔、稀炔、芳香炔等物质[1]。电力变压器在长期正常运行过程中，箱体内的绝缘油类材料在电场、热场、氧化、裂解作用下产生少量低分子烃类气体和碳的氧化物；同时若变压器发生故障，在热故障和电故障的作用下，也会产生一些此类气体。我们需要选取变压器油中产生的某一类或者某几类气体作为检测分析依据，从而准确的判断和预测变压器的故障。目前国内依据IEC60599-1999《运行中矿物浸电气设备溶解气体和游离气体分析和解释导则》规定的9 种气体CO、CO2、H2、CH4、C2H2、C2H4、C2H6、N2、O2作为变压器油的检测气体，其中N2、O2是非必测气体，必测气体中CH4、C2H2、C2H4、C2H6四种气体统称为总烃。9 种气体中O2和N2组合用于分析诊断变压器的气密性程度和脱气情况；CO 和CO2的浓度则用于判断变压器的固体绝缘材料的老化程度和故障情况；C2H2用来判断变压器是否发生高能放电或者低能放电的程度；H2、CH4、C2H4、C2H6则用来判断变压器是否发生局部放电故障或者热性故障。

2 人工智能神经网络在变压器故障检测中的应用

根据分析，变压器故障类型与变压器油溶解气体的成分和浓度有着密切的关系，如何找出这种对应关系是找出变压器故障的关键。目前人们共提出了以下几种传统故障与气体的对应关系的方法。

第一种是特征气体法：随着变压器故障的产生，变压器内的气体组分和浓度将产生变化，通过测量对正常变压器油内气体组分和浓度的比较以及根据气体的产生速度来判断变压器的故障类型，此种方法简单粗糙、容易实施，但存在识别精度低的问题；第二种常用方法是罗杰斯比值法，该方法通过大量实验表明变压器的故障类型不仅与变压器油中气体的组分和浓度相关，同时还与气体的相对含量有关，如变压器发生热性故障，产生的故障气体主要是CH4、C2H4，变压器产生电性故障，产生的故障气体主要是C2H2和 H2，因此可根据CH4 和H2的比值来区分是热性故障和电性故障；罗杰斯通过研究提出了通过CH4/H2、C2H2/C2H4、C2H4/C2H6，C2H6/CH4的比值进行判别变压器故障的四比值法。同时在罗杰斯方法的基础上，国际电工委员会提出了三比值法。第三种是改良三比值法：改良三比值法在三比值法的基础上根据变压器故障情况下裂解产生气体组分含量的相对浓度与温度的相互依赖关系，选取溶解度和扩散系数相近的气体组分组成比值CH4/H2、C2H2/C2H4、C2H4/C2H6并以不同的编码表示。根据己知的编码规则和分类方法，从而查表确定故障性质。但该方法存在诸多缺点，如编码不全、编码边界过于绝对、不能诊断多故障等[1]。

由于传统的判断方法存在不足，当前各种智能手段被应用与变压器故障检测中，常见的智能技术有人工神经网络技术、智能学习算法、模糊技术、专家系统等。神经网络技术作为人工智能领域的领头羊，是近年来发展起来的一门十分活跃的交叉学科，它作为一种新的方法体系，具有分布并行处理、非线性映射、自适应学习和鲁棒性等特点，使得其在模式识别、控制优化、智能信息处理等方面能够得到广泛应用。

目前，众多学者致力于基于人工神经网络的变压器故障模型研究，建立的主要故障检测模型如图1 所示，其包括神经网络构建、神经网络训练、神经网络预测三大部分，首先通过输入输出之间的关系选择合适的神经网络构建神经网络模型，其次根据网络模型结构特点选择精准的学习算法对网络进行训练得到准确的网络模型。最后根据训练得到的神经网络模型，进行准确的变压器故障诊断，同时可以通过神经网络测试数据得出网络的测试精度。

图1 神经网络检测故障模型

学者们基本按照上图建立基于神经网络的故障检测模型。根据变压器油的特性，将与变压器故障密切相关联的气体作为神经网络的输入，变压器发生的故障类型作为神经网络的输出，具体的神经网络变压器诊断模型可参照图2，神经网络可以包含一个或者多个隐含层，通常个数为1，隐含层神经元的个数根据实际网络训练情况确定。

图2 神经网络诊断模型结构

模型研究初期学者们主要研究是根据传统的BP 神经网络建立神经网络变压器检测模型，如GUARDADO[2]等人将“三比值法”的数据作为BP 神经网络输入输出，建立神经网络检测判断模型，证明了BP 神经网络的可行性，但预测精度较低；随着研究的深入，学者们根据变压器油气体输入成分的特性对神经网络进行改进，引入之智能神经网络及智能学习算法，如范俊辉[3]等人将粒子群算法（PSO）和概率神经网络(PNN)结合起来进行研究，建立变压器故障诊断模型，PSO 算法解决了PNN 网络中存在的平滑因子选取不够科学的缺点，变压器故障诊断的精确度得到了提高。刘景艳[4]等人引入径向基神经网络（RBF），同时结合遗传变异学习算法，提高了RBF 神经网络的训练和预测精度，提高了变压器故障诊断的准确度。马文静[5]等人运用小波神经网络建立变压器故障预测模型，并利用遗传算法对神经网络进行训练，将模型成功应用于变压器故障诊断，但考虑到遗传算法相对复杂，训练时间较长，贾嵘[6]等人运用改进的粒子群算法较好的全局搜索能力，对小波神经网络模型进行训练，在变压器故障诊断中取得较好的效果。

3 变压器检测的发展研究方向

电力变压器是电力系统中最关键的设备之一，变压器的可靠运行至关重要，近些年来众多学者致力于如何快速准确的诊断和预测变压器的故障。基于神经网络的变压器故障模型是近些年的研究方向，目前有以下四大问题有待进一步研究。

（1）变压器故障类型密切相关的气体类型的进一步确定。目前学者们主要根据三比值法中的气体作为神经网络的输入，是否还有其他相关变量需要考虑是学者们的一大研究方向；（2）神经网络结构的研究。神经网络结构并不是越复杂预测精度越高，学者们要根据输入输出之间的关系实际选择和改进神经网络模型，建立适合的神经网络模型。（3）学习算法的选择，学习算法一方面可以提高训练时间，另一方面可以提高模型建立的精度，学习算法很难二者都兼顾，学者们在后期研究中可以将训练精度作为首要解决的问题。（4）目前针对变压器故障诊断仍然以已发生故障判断为主，很难做到通过变压器油中溶解气体的变化来预测变压器即将产生的故障，部分学者做过相关预测，但是整体预测精度较低，变压器故障的准确预测必将是电力学者们今后的主要研究内容，从而做到真正的防患于未然。