基于概率神经网络的油浸式变压器失效判别仿真研究①

2022-06-27钟明灯陈冬冬

佳木斯大学学报（自然科学版） 2022年3期

钟明灯, 陈冬冬

(闽南理工学院a.光电与机电工程学院,b.电子与电气工程学院,福建泉州 362000)

0 引言

在当今的社会形势下,人们在享受电力带来便利的同时,逐步开始重视电力系统运行安全性和稳定性[1]。人们的生活和工作都离不开电,电力系统如果发生故障,会造成大面积断电的情况,不仅影响人们的日常生活和工作,严重情况下会带来一系列的事故,严重威胁了人们的生命财产安全。因此,降低电网故障的发生概率,已经成为目前相关领域研究的主要目标[2]。在电力系统中,变压器作为重要的变电装置,其运行的安全性和稳定性直接决定了电网系统的安全性能。如果运行的变压器失效或损坏,直接会造成电网故障或者断电情况,甚至造成一定的经济财产损失[3]。因此,对油浸式变压器的失效判别进行仿真研究,完善对油浸式变压器的失效预防方法,对于做好定期维护,提高失效判别的效率,保证电网的安全稳定运行具有重要意义。

王阳等人[4]提出了一种基于小波包分析的变压器故障识别方法,用以判别变压器的运行故障问题。构建故障区变压器PSCAD 模型,通过对变压器故障特征量的提取,确定变压器发生故障时电流运行的特征,并根据电流的变化情况对变压器故障进行识别。通过实验证明了该方法的有效性和实用性,但是该方法的判别效率较低。谢乐等人[5]为了对变压器故障进行有效识别,提出了一种基于机器学习的变压器故障特征量提取方法,首先利用线性判别分析法对运行的变压器故障信息进行采集与分析,构建基于机器学习的变压器故障识别模型,利用该模型对采集的变压器故障信息进行降维操作,获得输入的特征向量,实现对变压器故障特征向量的提取,以此对变压器故障作出诊断。再结合机器学习优化提取的变压器故障特征向量,对故障特征向量进行进一步的区分,从而提高整体的识别效率,实例证明了该方法具有更高的识别准确率,但是有效率不满足要求。

基于以上分析,将概率神经网络应用到了油浸式变压器失效判别方法设计中,从而提高变压器的失效判别性能。

1 油浸式变压器失效判别方法设计

1.1 识别变压器失效信号

对油浸式变压器的失效信号进行识别过程中,首先要对失效信号进行时频分析,就是对失效信号进行分解[6]。根据分解出的失效信号能量信息情况,实现对变压器失效信号特征的提取,具体操作步骤如下:

Step1:采集变压器运行正常信号f t（）上所有的失效信号点,并利用函数表述失效信号数据,获取失效信号的最大极值和最小极值包络线均值,用m1t（）表示;

Step2:将采集的变压器正常信号f t（）中的失效信号包络线均值进行数据排列,结果用h1t（）表示,h1t（）代表失效信号的包络线分量序列,对得到的数据进行迭代处理,直到h1t（）符合包络线均值的范围,得到第一个变压器失效信号的特征e1t（） ,代表信号f t（）的最高失效信号频率分量;

Step3:将c1t（）从f t（）中分离出来,就可以提取出变压器的失效信号r1(t),即式(1):

将r1(t)作为变压器运行的原始信号,重复上述步骤,则得到第二个失效信号的特征向量c2(t)。

对得到的变压器失效信号特征向量进行希尔伯特变换[7],得到变压器失效信号识别公式如式(2):

利用时频定义了变压器失效信号,结合希尔伯特变换,完成变压器失效信号的识别。

1.2 基于概率神经网络计算变压器失效的响应特性

在变压器处于工作状态时,变压器的连接线路和电力传输线路都会发生故障,不同的区域发生故障数据会有所不同,通过数据应答的显性位置确定故障位置,利用概率神经网络计算变压器失效的响应特性[7],概率神经网络连接拓扑结构如图1所示。

图1 概率神经网络连接拓扑结构

分析图1的概率神经网络结构图可知,当变压器发生故障时,失效故障的位置会将显性位转化为故障隐性位,此时存在变压器失效故障值[8]。根据概率神经网络变压器故障的失效故障比率数值,将逻辑故障值转换为变压器故障失效值,转换过程就可表示为式(3):

式(3)中,C表示变压器失效故障点,W表示变压器发生失效故障的时间,C表示失效故障点的数量,E表示失效故障的特征向量,TR表示变压器失效故障修复时长,T(u)表示变压器失效故障的修复时长参数。当失效故障持续一段时间时,会对变压器造成一定的损害,所以在计算变压器失效故障的响应特性前,先计算变压器失效故障的周期[9],公式为(4):

式(4)中,t表示变压器故障识别时长,v表示变压器失效故障的累积时长。分析变压器运行的特性可知,一般情况下很难确定实际产生的失效故障点,因此根据变压器的失效故障周期可以确定其响应时长[10],则基于概率神经网络计算变压器失效的响应特性可表示为式(5):

式(5)中,A t（）表示变压器失效的响应特性数量,Li表示变压器故障阈值。

根据以上过程,完成了变压器失效的响应特性的计算。

1.3 构建油浸式变压器失效数据统计量

构建油浸式变压器失效数据统计量时,首先要对目标运算数据进行处理,通过对失效数据的特征变量整理,按照特征类别对其进行分类[11],并记入数据库,通过对失效数据的筛选,实现对变压器失效数据统计量的分析运算。

式(6)中,I表示变压器失效故障失效数据之间的关联度,x表示故障变量,y代表特征变量,p代表变压器失效故障产生后的故障函数。对得到的失效数据的关联变量进行排列运算[12],过程如式(7)所示:

式(7)中,p（x,Qi）与p（Q,xi）分别表示变压器失效数据统计变量x与关联函数变量Q在同一变电器运行状况下的对应概率,由此对失效数据的关联函数I进行降序排列,获得相应的变压器失效数据排列情况。通过上述得到的变压器失效故障不同阈值对其进行二次筛选,删除不在统计量范围内的函数变量,然后根据失效数据的统计变量构建映射矩阵[13],根据矩阵排列方式,得到变压器失效数据统计量计算公式如式(8):

式(8)中,t表示各个统计变量的概率密度函数,I表示变压器失效数据与正常运行数据之间的关联变量。

引入变量分析法建立变压器失效数据关联函数,通过排列运算失效数据的关联变量,获取油浸式变压器失效数据统计量。

1.4 设计变压器失效判别算法

根据变压器失效数据采集频率fs,完成对变压器失效信号的判别,将采集的n组失效信号作为判别样本。

根据概率神经网络,将变压器失效判别信号和正常运行的变压器信号表示为fFaultless(t)和fFault(t),得到初始状态下变压器的故障判别信号A和D。

分别求取变压器失效判别信号A和D的特征向量σA、σD,计算公式如(9),(10):

利用概率神经网络构建变压器失效信号判别模型[14],得到故障判别函数fx t（） ,计算故障判别信号得到对应的初始特征向量,计算公式如(11),(12):

将上述计算的故障判别信号初始特征向量与正常运行信号做乘积,得到实时监测的变压器失效故障判别特征向量,并将获取到的故障特征向量与变压器失效数据统计量进行匹配处理[15],即得到油浸式变压器失效数据判别函数f t（） :

式(13),(14)中,当i=0时,表明变压器不存在失效故障,当i=1时,表明变压器存在失效故障。mi,k,A,mi,k,D代表第i类变压器失效判别故障的特征向量,mx,k,A,mx,k,D代表失效判别信号f（t）对应的失效数据统计量的第k维分量。

设定失效故障判别参数ζ,通过失效故障判别参数ζ计算变压器正常运行下的信号与发生失效故障的信号f t（）之间的距离di,di的计算公式如式(15):

式(15)中,失效故障判别参数ζ在[0,1]范围内时,根据故障失效判别信号,识别油浸式变压器的工作状态,通过公式(15)计算变压器的工作状态类型,根据工作状态类型判别变压器发生失效故障时的故障类型,完成对油浸式变压器失效判别算法的设计。

2 仿真分析

2.1 设置仿真模型及参数

为了验证基于概率神经网络的变压器失效判别方法在实际应用中的性能,在MATLAB仿真平台上构建了油浸式变压器失效故障仿真模型,如图2所示。

图2 油浸式变压器失效故障仿真模型

在仿真分析之前,先分析变压器失效故障节点的测量结果,并将其作为计算量输入。相关参数设置情况如表1所示。

表1 仿真参数

2.2 设置实验指标

仿真分析过程中,保持表1 中的仿真参数不变,在判别节点处生成有效判别集与实际测试结果相等时,就可记为一次有效判别,利用失效判别有效率衡量油浸式变压器失效判别方法的有效性,失效故障判别有效率计算公式为(16):

式(16)中,i和j表示设定的失效故障和实际判别的失效故障,n表示判别路径,m表示判别路径约束参数,Vij表示有效判别集,tij表示约束生成的时间集合。

利用判别效率衡量油浸式变压器失效判别方法的性能,计算公式为(17):

式(17)中,T表示判别到的变压器失效故障,W表示失效故障总数。

2.3 结果分析

为了突出基于概率神经网络的变压器失效判别方法优越性,引入基于小波包分析与神经网络的判别方法和基于线性判别分析和分步机器学习的判别方法作对比,测试了三种方法的判别有效率和判别效率,结果如下。

三种方法的油浸式变压器失效判别有效率测试结果如图3所示。

从图3的结果可以看出,采用三种方法判别油浸式变压器失效故障时判别有效率存在很大差别,其中基于小波包分析与神经网络的判别方法的判别有效率在60%～70%之间,基于线性判别分析和分步机器学习的判别方法的判别有效率在80%以上,具有一定的有效性,而采用基于概率神经网络的变压器失效判别方法时,油浸式变压器失效判别有效率在90%以上,说明该方法油浸式变压器失效故障判别方法的有效性更高,结果更具说服力。

图3 油浸式变压器失效判别有效率测试结果

三种方法的油浸式变压器失效判别效率测试结果如图4所示。

图4 油浸式变压器失效判别效率测试结果

从图4的结果可以看出,在变压器失效判别效率测试中,基于小波包分析与神经网络的判别方法和基于线性判别分析和分步机器学习的判别方法比较接近,但是基于线性判别分析和分步机器学习的判别方法的判别效率比基于小波包分析与神经网络的判别方法高,而采用文中方法时,油浸式变压器失效判别效率是最高的,经计算变压器失效判别效率均值为93.7%,因此说明文中方法具有更好的判别效率与性能。