基于改进BP 神经网络的电气设备绝缘故障诊断研究

高春桥

（北京市化工职业病防治院，北京 100080）

0 引 言

电气设备在使用过程中会出现各种故障，其中绝缘故障的发生率最高且难以监测。在电气设备中，容易出现绝缘故障的设备包括电缆、绝缘子、变压器、发电机、开关设备、电动机、终端设备、连接器以及接头等。这些组件或设备在长期使用、老化、外力破坏、操作不当等因素的影响下，可能发生绝缘故障[1-2]。为此需要电力行业凭借强大的运算能力和先进的智能技术设计诊断方法，以应对电气设备在使用过程中出现的由不同因素造成的绝缘故障，并建立以统计数据为依据，有利于电气设备在各种因素和干扰环境下诊断绝缘故障的实验模型，从而达到较高的实验可靠性和实用性。

文献[3]提出基于递归神经网络的变压器套管绝缘故障检测方法（下文简称文献[3]方法），通过高分辨的智能信息跟踪识别方法采集故障信息特征并进行融合处理，采用递归神经网络学习方法在处理后的信息中提取电感和稳压参数，建立故障样本数据的检测分析模型，并对提取到的故障参数进行特征分类处理，实现对故障特征的分类识别和自动化检测。但该方法在运用中存在过度依赖故障数据的情况，导致诊断准确性较低。文献[4]提出基于分解法的主变压器绝缘故障诊断方法（下文简称文献[4]方法），提取主变压器绝缘油中的溶解气体作为特征量，分解油中气体特征量，根据气体特征量组分与故障类别之间的关系构建故障诊断模型，实现主变压器绝缘故障诊断。但该方法诊断结果的稳定性较低。

为解决上述方法存在的问题，提出基于改进BP神经网络的电气设备绝缘故障诊断方法，以变压器绝缘故障为例，设计具体绝缘故障诊断方法，旨在为电气故障维修行业提供一种可靠且高效的绝缘故障诊断方法。

1 改进BP 神经网络对变压器绝缘故障诊断方法设计

针对当前电气设备绝缘故障诊断过程中存在的问题，文章以变压器绝缘故障为例，设计绝缘故障诊断方法，并将变压器绝缘故障诊断方法设定为3 个环节。

1.1 采集变压器绝缘原始信号

在应用改进BP 神经网络对变压器绝缘故障进行诊断之前，需要采用改进谐波分析法进行在线监测[5]。根据以往研究结果，设定变压器原始信号的采集过程如下：一是将待检设备中各项传感器检测到的电压信号和电流信号传输到各设备绝缘监测终端；二是由监测终端通过总线将模拟信号传输到上位机；三是通过抗混叠滤波器对电压信号和电流信号进行滤波与放大，将电流信号转换成电压信号，并限定模拟信号的辐值；四是模拟信号经高精度的A/D 转换器转换成数字信号，并将其传送到数字信号处理（Digital Signal Processing，DSP）控制器进行数据处理，使用介损算法计算变压器运行信号。

信号采集工作完成后，对已获取的信号进行预处理。本次研究采用介损算法对已获取的信号进行预处理。介损算法主要有电压比较法、正弦波参数法、傅里叶变换法、高阶正弦拟合法以及谐波分析法等。对比多种方法的优劣性后，选择快速傅里叶变换法完成信号滤波处理。此方法凭借计算量小、计算速度快等优势成为目前最常用的绝缘在线监测方法，相较于其他方法有设计电路简单、硬件电路稳定、测得的信号更为准确等优点。为避免在计算过程中出现频谱泄露和栅栏效应引发谐波分析法计算的信号与实际信号相差过大的问题，在滤波过程中，增加汉宁窗谐波分析法计算电气绝缘信号数值，并将此数值作为后续诊断工作的信号数据基础。

1.2 BP 神经网络优化处理

典型的BP 神经网络是一种应用广泛的三层前馈神经网络模型，用于解决非线性问题。其利用梯度下降法，在运算过程中通过信号的前向传播和误差反向传播不断自我训练，最终获取误差最小信号[6-7]。BP神经网络在解决非线性问题上具有很强的优势，同时在网络性能方面已十分成熟。但BP 神经网络应用在绝缘故障诊断中时，由于信号量极大，极易造成网络速度较慢、学习收敛时间过长、陷入局部极小值等问题。因此，需要采用不同规则动态调整学习率，消除学习过程中的无效迭代，调整各节点的权值和阈值。在原始的BP 神经网络构架中，根据以往的绝缘故障特征，调整数据训练迭代次数，并增设信号数据类别划分阈值。如果信号数据超出此阈值，说明其为异常信号，否则为正常信号。

与此同时，采用自适应学习率改进的BP 算法，搭建3 层前馈神经网络。先对网络进行初始化，经过隐含层、输出层得到一个前向传播的预测值，如果预测值与实际数值不相符，则进行误差反向传播。通过调整权值，确定误差是增大或减小，若总误差增大，说明此次调整权值无效，反之有效。应用激活函数对此神经网络进行激活，并在设定的计算环境中对信号进行诊断。

1.3 变压器绝缘故障诊断

变压器绝缘故障状态界限并不明显，仅使用改进后的BP 神经网络无法直接对故障展开识别判定，为此本次研究采用信息熵对故障进行描述。对比多种信息熵类型，选择小波动态空间特征谱熵描述设备状态。首先，根据BP 神经网络训练结果，提取绝缘信号特征，并确定训练结果的隶属度函数参数。其次，融合不同特征量数据，得到对应的小波能量谱，并将两者带入以往研究中提出的绝缘状态隶属度值矩阵。矩阵中各熵值之间的支持度采用隶属度间偏差进行衡量，两熵值之间的隶属度偏差越大，表示两者之间的关联程度越低，熵值可信度越低。最后，需要融合已获取到的信号熵值，并确定不同熵值之间的比重。

根据上述计算，可进一步提取到绝缘信号特征。以此类推，获取到3 个以上的绝缘信号特征后，将特征值再一次导入改进后的BP 神经网络中进行训练，并得到最终的绝缘故障信号判定结果，根据此信号完成故障诊断与捕捉。对诊断结果进行复核的计算公式为

式中：s为诊断结果；f为实际结果。在式（1）的基础上，得到诊断结果的精度控制公式为

式中：P2的取值范围为0 ～1，结果越接近1，则说明诊断结果可靠性越高。否则，要根据上文内容，进行二次诊断。

2 故障诊断实验

2.1 实验准备

第一步，利用在线监测装置采集变压器多条配电线路的绝缘信号样本，共计39 915 个，其中包括17 328 个故障信号和22 587 个正常信号；第二步，对绝缘样本信号进行Labellmg 技术标记，将绝缘信号样本形成电气系统绝缘故障样本库，并分为训练集和测试集。为便于后续的实验操作，本次研究中将其划分为5 组，具体实验数据如表1 所示。

表1 实验数据

本次研究中，将表1中的数据作为实验数据基础，选择当前应用范围较广的绝缘故障诊断方法与文章所提方法进行故障诊断测试，以此确定提出方法是否具有推广应用价值。

2.2 实验指标

在本次实验中，将实验对比指标设定为诊断结果准确率和诊断过程耗时，具体的计算公式为

式中：A为诊断结果准确率；Q'为存在的故障信号量；Q为诊断出的故障信号量；T为诊断过程耗时；Tsta为诊断工作的初始时间；Tend为诊断工作的结束时间。为进一步提升结果的全面性，将实验环境设定为已处理信号与未预处理信号2 个环境，增加实验对比性。

在本次实验中，使用上述2 个指标对文章所提方法的基础应用性能进行分析，并进一步完成文章提出方法与当前可应用方法的性能对比。

2.3 对比试验

将文章提出的方法与文献[3]方法、文献[4]方法在变压器绝缘故障诊断结果准确率和诊断过程耗时2 个方面进行对比，结果如表2、表3 所示。

表2 变压器绝缘故障诊断结果准确率 单位：%

表3 变压器绝缘故障诊断过程耗时 单位：s

通过表2 可以看出，利用文章所提方法的绝缘故障诊断结果准确率明显高于文献[3]方法和文献[4]方法。文章提出的方法在不同信号量的实验组别中，均可得到较为稳定的故障诊断结果，整体诊断准确率相对较高，且无波动。相比之下，其他两种方法的绝缘故障诊断准确性相对较差，且容易受信号量的影响。综合以上实验结果可以确定，文章所提方法所得诊断结果的可信度较高。

通过表3 可以看出，针对相同数量的测试信号，不同的绝缘故障诊断技术在诊断过程中耗费时长不一致，文献[4]方法在诊断过程中耗时5 ～8 s，虽然低于文献[3]方法的绝缘故障诊断时间，但是高于文章提出方法的绝缘故障诊断时间。对上述内容进行整理分析可以确定，文章提出方法的诊断效率最高，可在最短的时间内完成故障诊断。

2.4 实验结论

经过上述对比实验不难发现，基于改进BP 神经网络的绝缘故障诊断技术在诊断过程中的诊断耗时最短，从侧面证实改进后的BP 神经网络克服原有神经网络在诊断过程中的不足。与此同时，此方法也可获取到可靠性最高的诊断结果。在日后的研究中，可应用其完成电气设备的绝缘故障诊断工作。

3 结 论

针对当前电气设备绝缘故障诊断过程存在的信号数据处理落后等问题，本次研究对BP 神经网络展开针对性优化，并将其应用到变压器绝缘故障诊断工作中，通过实验证实此方法的可信性。虽然此方法能够在一定程度上缓解当前方法在应用中的不足，但还存在计算复杂的问题，在后续的研究中将针对此问题展开更为深入的研究，保证此方法具有较为稳定的应用效果。