本站小編為你精心準備了徑向基神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

從變壓器的產(chǎn)生到現(xiàn)在，國內(nèi)外出現(xiàn)了許多變壓器故障診斷的方法，其中預(yù)防性試驗是最主要的故障診斷方法，主要有電氣試驗、油中溶解氣體分析（DGA）和絕緣油的特性試驗等。由于科學(xué)及計算機技術(shù)的快速發(fā)展，出現(xiàn)了基于人工神經(jīng)網(wǎng)絡(luò)、人工智能、模糊技術(shù)、故障樹法等的變壓器故障診斷方法[1-4]。模糊數(shù)學(xué)能很好地用模糊技術(shù)有效地解決有變壓器故障診斷中的不確定性和模糊性。在變壓器故障診斷的組比值編碼中，針對氣體比例的閥值，利用模糊數(shù)學(xué)技術(shù)建立模糊現(xiàn)象子集對應(yīng)不同的故障類型的隸屬函數(shù)，從而進行故障模式的診斷。將模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于變壓器油中溶解氣體故障診斷的方法，采用由輸入層、輸出層、隱含層和模糊化層組成的一種四層前向模糊神經(jīng)網(wǎng)絡(luò)，利用模糊理論預(yù)處理數(shù)據(jù)，可建立基于模糊神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型[5]。模糊控制和神經(jīng)網(wǎng)絡(luò)理論相結(jié)合的變壓器故障診斷，利用遺傳算法對其參數(shù)進行優(yōu)化，解決了常規(guī)模糊理論不能自學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)算法易陷入局部極小、收斂速度慢等缺點，加快了收斂速度，提高了計算精度[6]。動態(tài)模糊神經(jīng)網(wǎng)絡(luò)和混沌優(yōu)化算法相結(jié)合的變壓器故障診斷方法將混沌變量引入模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)優(yōu)化，利用混沌優(yōu)化的動態(tài)模糊神經(jīng)網(wǎng)絡(luò)建立變壓器故障診斷模型，使每個輸入變量和模糊規(guī)則都根據(jù)誤差減少率做出修正，對識別和預(yù)測變壓器運行狀態(tài)具有較高的精度[7]。故障樹也叫FAT法，是評價復(fù)雜系統(tǒng)可靠性和安全行的方法，以系統(tǒng)不希望發(fā)生的事件作為頂事件為分析目標，用演繹法找到頂事件發(fā)生的原因事件組合，求出其概率。用FAT法研究變壓器線圈的故障率，從而提高變壓器的可靠性[8]。本文結(jié)合絕緣油中溶解氣體分析，采用徑向基神經(jīng)網(wǎng)絡(luò)技術(shù)，研究變壓器故障診斷方法。將絕緣油中特征氣體的含量作為神經(jīng)網(wǎng)絡(luò)的輸入、故障類型為輸出，利用Matlab軟件建立徑向基神經(jīng)網(wǎng)絡(luò)故障診斷模型。徑向基神經(jīng)網(wǎng)絡(luò)（RBF）是人工神經(jīng)網(wǎng)絡(luò)模型的一種,RBF具有準確率高、結(jié)構(gòu)自適應(yīng)確定、輸出和初始權(quán)值無關(guān)的優(yōu)良特性，使訓(xùn)練網(wǎng)絡(luò)的時間遠遠小于其他的網(wǎng)絡(luò)訓(xùn)練[10]。通過神經(jīng)網(wǎng)絡(luò)方法與經(jīng)典的故障診斷三比值法進行比較研究，說明基于徑向基神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法較三比值法的故障診斷準確率有很大提高，是一種便于在實際中應(yīng)用的變壓器故障診斷有效方法。

1變壓器故障分析

電力變壓器固體絕緣材料和油在電和熱的雙重作用下，會產(chǎn)生各種氣體，而這些氣體將溶解于變壓器內(nèi)部的油中，通過對油中氣體種類和含量進行分析，就能判斷變壓器的故障。產(chǎn)生的氣體主要有氫氣、烴類、一氧化碳和二氧化碳，其中氫氣、甲烷、乙炔、乙烷、乙烯、一氧化碳、二氧化碳是判斷故障時用到的主要氣體，稱為特征氣體。熱性故障主要是因熱應(yīng)力造成絕緣加速老化引起的。當過熱只影響到絕緣油分解而不影響到其他材料時，會發(fā)生低溫過熱，此時主要產(chǎn)生低分子烴，特征氣體主要是甲烷和乙烷，并且這兩種烴占總烴的80%以上。當溫度較低時，甲烷所占比例最大；當溫度繼續(xù)升高到500℃時，即中溫過熱，乙烯和氫氣的含量急劇增大；溫度繼續(xù)升高到700℃（高溫過熱）以上時，會產(chǎn)生乙炔，但含量不太大，不會超過總烴量的6%。電性故障是在高電應(yīng)力的作用下導(dǎo)致絕緣老化而引起的內(nèi)部故障。根據(jù)能量密度的不同可分成不同的幾種故障類型：（1）高能放電，常見的是線圈匝和層間擊穿，其次是對地閃絡(luò)及分接開關(guān)飛弧或者引線斷裂，發(fā)生前沒有先兆現(xiàn)象，很難預(yù)測。特征氣體主要有乙炔、氫氣，其次有乙烯和甲烷。（2）低能放電，低能放電發(fā)生的情況較多，如鐵芯接地片接觸不良或者引線接觸不良而引起放電等。特征氣體主要有乙炔和氫氣，但烴的含量不高。（3）局部放電，局部放電較上面兩個放電發(fā)生的機率要小很多，發(fā)生局部放電時，特征氣體會跟隨放電能量密度的變化而變化，通常總烴的含量不高，主要是氫氣，還有甲烷，氫氣通常占氫和總烴的90%以上。

2基于徑向基神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型

RBF神經(jīng)網(wǎng)絡(luò)是由輸入層、隱含層和輸出層構(gòu)成的三層前向網(wǎng)絡(luò)[10]。輸入向量信號傳遞到隱層，隱層有S1個隱神經(jīng)元，其節(jié)點徑向基傳遞函數(shù)為高斯函數(shù)(radbas)；輸出層有S2個神經(jīng)元，節(jié)點函數(shù)是線性函數(shù)（pruelin）。函數(shù)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。當輸入向量進入網(wǎng)絡(luò)的輸入端時，徑向基層的每個神經(jīng)元都會輸出一個值，代表輸入向量和神經(jīng)元權(quán)值向量之間的接近程度。如果輸入向量與權(quán)值向量相差很多，則徑向基層的輸出接近0，經(jīng)過第二層的線性神經(jīng)元，也輸出接近0；如果輸入向量與權(quán)值向量很接近，則徑向基層的輸出接近1，經(jīng)過第二層的線性神經(jīng)元，輸出值就更加接近第二層權(quán)值；在這個過程中，如果只有一個徑向基神經(jīng)元的輸出為1，而其他的神經(jīng)元輸出均為0或者接近0，那么線性神經(jīng)元層的輸出就相當于輸出為1的神經(jīng)元對應(yīng)的第二層權(quán)值的值。一般情況下，不止一個徑向基神經(jīng)元的輸出為1，所以輸出值就會有所不同。

2.1徑向基神經(jīng)網(wǎng)絡(luò)輸入輸出設(shè)計網(wǎng)絡(luò)輸入層節(jié)點數(shù)就是一個故障模式包含的特征量數(shù)。基于油中溶解氣體與內(nèi)部故障的對應(yīng)關(guān)系，本論文采用6種特征氣體作為網(wǎng)絡(luò)的輸入向量，它們是H2，CH4，C2H4，C2H2，C2H6，CO2，這樣，網(wǎng)絡(luò)的輸入層的節(jié)點數(shù)被確定為6.在對變壓器的故障識別中，采用6種故障類型：低溫過熱、中低溫過熱、高溫過熱、低能放電、高能放電和局部放電，這樣輸出層的節(jié)點數(shù)也為6。下圖為實現(xiàn)變壓器故障診斷的RBF網(wǎng)絡(luò)拓撲結(jié)構(gòu)。

2.2徑向基網(wǎng)絡(luò)徑向基函數(shù)確定及樣本數(shù)據(jù)處理針對變壓器故障的特點，本文選用高斯函數(shù)為徑向基函數(shù)，具體如下式所示。其中：x是6維輸入向量；c為基函數(shù)的中心，是與x具有相同維數(shù)的向量；δ決定基函數(shù)圍繞中心點的寬度。徑向基函數(shù)的優(yōu)點在于：（1）表現(xiàn)的形式簡單，即使是多變量的輸入也不會增加過多的復(fù)雜性；（2）徑向?qū)ΨQ；（3）便于理論分析；（4）函數(shù)光滑性好，任意階的倒數(shù)都存在。為保證網(wǎng)絡(luò)的學(xué)習(xí)信息準確和網(wǎng)絡(luò)不出現(xiàn)飽和，以及網(wǎng)絡(luò)的規(guī)模不會過大，在把數(shù)據(jù)輸入網(wǎng)絡(luò)前，把數(shù)據(jù)進行歸一化處理，歸一化公式如下。其中：xi表示特征氣體的數(shù)值，xmin表示所有氣體數(shù)值中的最小值，xmax表示所有氣體數(shù)值中的最大值。

2.3用徑向基網(wǎng)絡(luò)進行變壓器故障診斷的基本步驟用RBF神經(jīng)網(wǎng)絡(luò)診斷變壓器故障大致分為三步：（1）收集變壓器故障樣本數(shù)據(jù)，對輸入向量即6種特征氣體數(shù)據(jù)進行歸一化處理；（2）為得到網(wǎng)絡(luò)訓(xùn)練的輸出向量，對變壓器故障樣本數(shù)據(jù)中的故障類型進行編碼。從RBF神經(jīng)網(wǎng)絡(luò)的輸入和輸出樣本數(shù)據(jù)中選出一些作待測樣本，剩下的作訓(xùn)練樣本；（3）構(gòu)建和訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)。根據(jù)第一步和第二步得到的RBF神經(jīng)網(wǎng)絡(luò)的輸入和輸出訓(xùn)練樣本和待測樣本數(shù)據(jù)，構(gòu)建和訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，直到達到滿意的精度為止。

3徑向基神經(jīng)網(wǎng)絡(luò)訓(xùn)練及變壓器故障診斷

RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練及變壓器故障診斷實驗在Mat⁃lab應(yīng)用軟件的神經(jīng)網(wǎng)絡(luò)工具箱中進行，實驗選取273組故障數(shù)據(jù)作為訓(xùn)練樣本，另外60組故障數(shù)據(jù)作為待測樣本。利用函數(shù)newrb（）構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)。newrb（）函數(shù)可自動增加網(wǎng)絡(luò)的隱層神經(jīng)元數(shù)目，直到均方差滿足精度或者神經(jīng)元數(shù)目達到最大為止。調(diào)用方式如下：Net=newrb（P,T,goal,spread）其中，P為歸一化以后的輸入向量構(gòu)成的矩陣，T為歸一化以后的期望輸出向量構(gòu)成的矩陣，goal為訓(xùn)練精度，spread為徑向基層的散布常數(shù)。用sim（）進行故障診斷測試構(gòu)建的RBF神經(jīng)網(wǎng)絡(luò)。調(diào)用方式如下：zhenduan=sim(netrbf,P1)其中，P1為歸一化以后的待測樣本的輸入向量構(gòu)成的矩陣。選取精度goal為0.02，徑向基層的散布常數(shù)spread為5，構(gòu)建和訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，并用待測樣本的輸入向量P1進行故障診斷測試。RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的均方差變化情況如圖3所示。從圖中可以看到，均方差隨著訓(xùn)練次數(shù)的增加而逐漸減小，當訓(xùn)練次數(shù)達到150次的時候，均方差達到目標值。RBF神經(jīng)網(wǎng)絡(luò)對待測樣本的故障診斷結(jié)果如下所示。應(yīng)用最大隸屬原則，將zhenduan中的各個列向量的最大值取為1，其它分量的值取為0，然后與故障類型目標矩陣T1的各個列向量進行比較，有49個診斷結(jié)果正確，正確率為81.67%。選取精度goal為0.02，徑向基層的散布常數(shù)spread分別取為spread=10、spread=14、spread=10.5，構(gòu)建和訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，并用待測樣本的輸入向量P1進行故障診斷測試，診斷結(jié)果準正確率列于表2。經(jīng)比較可以得出，當spread=10.5時準確率最高。所以選擇spread=10.5時訓(xùn)練得到的RBF神經(jīng)網(wǎng)絡(luò)模型變壓器故障診斷模型。

4徑向基神經(jīng)網(wǎng)絡(luò)故障診斷和三比值法的比較

三比值法的基本原理是變壓器發(fā)生故障時,從變壓器油中提取五種特征氣體H2、CH4、C2H2、C2H4、C2H6的成分含量，計算出相應(yīng)的三對比值C2H2/C2H4、CH4/H2、C2H4/C2H6并賦予相應(yīng)的編碼，再由編碼規(guī)則，得到一組編碼表，然后根據(jù)提供的診斷標準就可找到相應(yīng)的故障類型。用三比值法對上述60組樣本檢驗數(shù)據(jù)P1進行故障診斷,結(jié)果如表3。從表3可以看出，用三比值法有26組數(shù)據(jù)無法診斷故障類型，有6組故障類型診斷錯誤，故有32組數(shù)據(jù)不能正確判斷故障類型。三比值法與徑向基神經(jīng)網(wǎng)絡(luò)模型故障診斷準確率的比較如表4所示。通過上面的實驗可知，選擇適合的spread參數(shù)，基于徑向基神經(jīng)網(wǎng)絡(luò)模型的變壓器故障診斷方法比三比值法具有很好的優(yōu)越性，診斷的準確率有很大的提高。

5總結(jié)

電力變壓器是電力系統(tǒng)的重要設(shè)備，它的安全性直接關(guān)系到整個電網(wǎng)是否能安全正常運行，在變壓器運行過程中，準確診斷故障原因，及時排除故障，可提高電力系統(tǒng)運行的安全性和可靠性，減少經(jīng)濟損失。本文研究用徑向基神經(jīng)網(wǎng)絡(luò)模型進行變壓器故障診斷變壓器的故障。選取變壓器273組故障數(shù)據(jù)作為訓(xùn)練樣本，另外60組故障數(shù)據(jù)作為待測樣本，通過調(diào)整訓(xùn)練精度goal和徑向基層的散布常數(shù)spread，對徑向基神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，確定了最佳的徑向基層的散布常數(shù)spread=10.5時，故障診斷準確率達到91.67%。與三比值法比較，診斷準確率有很大的提高。用徑向基神經(jīng)網(wǎng)絡(luò)模型進行變壓器故障診斷，模型建立簡單方便，故障診斷準確率高，是一種便于在實際中推廣應(yīng)用的有效的故障診斷方法。

作者：禹建麗 張喆 單位：鄭州航空工業(yè)管理學(xué)院中原工學(xué)院理學(xué)院