基于径向基函数的集成神经网络在变压器故障诊断中的应用
臧宏志 胡玉华 俞晓冬
(山东大学电气工程学院 济南 250061)
摘 要 本文提出一个结合电气试验与油中溶解气体分析结果的故障诊断方法,采用具有良好分类能力的径向基函数集成神经网络,由于既充分利用了油中溶解气体分析结果中的有效信息,又考虑到一些对故障反映比较灵敏的电气试验的结果,因而该方法有助于提高故障诊断的准确性。诊断结果表明,本算法应用于电力变压器故障诊断具有较高的正判率。 关键词 集成神经网络 电力变压器 基于径向基函数的神经网络 溶解性气体分析
1 引言 变压器是电力系统中重要设备,其运行状态直接关系到电力系统的安全与稳定,及时而准确地检测出变压器早期潜伏性故障是非常有价值的。 鉴于电气试验及油中溶解气体分析能够从不同的角度反映绝缘介质的各种缺陷,且灵敏度各不相同的特点,如能在故障诊断过程中综合利用油中溶解气体分析与电气试验结果中的有效信息,将有助于提高故障诊断的质量。 通过对搜集的相关资料进行统计分析和综合考虑各项电气实验项目的有效性,选取绕组直流电阻、绕组变比、空载电流和空载损耗、局部放电以及铁芯绝缘电阻或接地电流、微水分析等多种项目,按故障发生部位对变压器的故障类型进行从宏观到微观的逐层分类。在实际应用中,先按故障模式特征分为电路故障、磁路故障、绝缘故障和冷却故障等。电路故障可细分为引线、绕组导线和分接开关等;磁路故障分为铁芯局部短路或多点接地、结构件及磁屏蔽体中漏磁引起的过热;绝缘故障可细分为主绝缘、纵绝缘和引线绝缘等。 2 气体色谱分析数据(DGA)模糊化预处理 为了合理、充分的利用原始数据中蕴含的信息,采用模糊隶属度函数对油中溶解气体原始数据进行预处理,考虑故障发展的连续性及在计算中的归一化要求,以一种“反正切”函数分布作为特征气体含量的隶属度函数。
3 径向基函数集成神经网络 集成神经网络的基本思想是通过信号的有效组合,用各种子神经网络,从不同的侧面诊断故障。子网络组建须遵循的原则是:个子网络之间的相关性尽量小;训练子网络样本集尽量不同。输入特征向量之间的相关性应尽量小,见文献[2,4,6]。 集成神经网络是一个有机的整体,各子网络既相互独立,又相互配合。在各种信号俱全的情况下,集成神经网络可以在线实现,否则通过人机接口,可以离线实现。 径向基函数网络在逼近能力、分类能力和学习速度等方面均优于BP网络。当输入信号靠近基函数的中央范围时,隐层节点将产生较大的输出。 径向基函数神经网络由三层组成,输入层结点只传递输入信号到隐层,隐层结点由像高斯函数那样的辐射状作用函数构成,而输出节点通常是简单的线性函数。由于RBFNN具有任意函数逼近能力,并且RBFNN的学习时间远小于前向神经网络的其他学习算法的训练时间。另外,RBFNN隐藏神经元数目可以在参数优化过程中自动确定。函数采用了高斯基函数,具备如下优点;①表示形式简单,既使对于多变量输入也不增加太多的复杂性:②径向对称;③光滑性好,任意阶导数均存在;④由于该基函数表示简单而且解析性好,因而便于进行理论分析。 基于上述的优点,本文采用以高斯基函数为作用函数的径向基神经网络作为分类器。高斯函数具体如下式所示:
其中:x是n维输入向量;c为基函数的中心,与x具有相同维数的向量;δ决定基函数围绕中心点的宽度。 4 各电气及油务试验项目的侧重点 通过变压器空载试验、短路试验及阻抗测量实现对变压器绕组严重变形故障的初步诊断。当绕组发生变形时,变压器内部的磁路结构会发生变化,空载电流及损耗、短路损耗及阻抗随之也会发生一定的变化,通过横向相间比较、纵向历史数据的比较,有可能判断,见文献[3,5]。 绕组直流电阻的测量的次序排在变压器试验项目的第二位,在变压器的所有试验项目中,这是一项方便而有效的考核绕组纵绝缘和电流回路连接情况的试验。它能够反映绕组匝间短路、绕组断股、分接开关以及导线接头接触不良等故障,实际上也是判断各相绕组电压比是否平衡,调压开关档位是否正确的有效手段。 通过绕组分接头电压比试验,能够检验分接开关档位、变压器连接组别是否正确,对于匝间短路等故障也能灵敏地反应,但对于绕组变形故障则无能为力。 随着变压器故障诊断技术的发展,人们越来越认识到,局部放电(PD)是变压器诸多故障和事故的根源,因而局部放电的测量也越来越受到重视。近几年出现了多种测量方法和试验装置,有离线测量的、有在线检测的、有基于超声波原理的,还有利用红外线进行PD测量的。 绝缘油试验、油中含水量、油中含气量以及油中糠醛含量测量都属于油务实验或油化验的范畴。糠醛含量的大小能够反映绝缘的老化程度;绝缘油的耐压实验能说明油质的好坏。 通过微水分析,确定吸收比或极化指数能够反映绝缘受潮,至今仍然是诊断受潮故障的有效手段。 当某项试验测量值高于规定的注意值时,就认为可能存在故障。 5 基于DGA数据和电气试验结果的集成神经网络模型 各分类模块的神经网络为基于径向基函数的神经网络(RBFNN)。 首先大量、广泛地搜集经吊芯检查有明确结论的变压器故障前的数据(包括DGA数据及电气试验数据),精心的组织训练样本,对各神经网络进行训练,达到训练误差后保存网络连接权值。 实际应用中,先利用《电力设备预防性试验规程》中规定的色谱注意值及产气率指标来判定设备是否存在异常,若存在异常,则对DGA数据进行归一化处理,RBFNN1根据输入的7种特征气体值对故障进行分类,分为电路故障、磁路故障、绝缘故障和不涉及绝缘的故障,然后电气试验信息分配模块根据故障的类型选取有用的电气试验结果,与DGA数据一起作为下一级网络的输入,获得更精确的故障部位的诊断。故障部位诊断如图1所示。
6 仿真实例
结果分析:从实际数据分析,电气试验直阻、吸收比、介质损均正常,空载电流异常。计算总烃产气速率,设备有异常;RBFNN1模块输出(0.029 2,0.962 3,0.011 8,0.142 6),诊断为磁路故障,结合空载电流异常结果经NN3判断,诊断为铁芯局部短路或多点接地,吊罩发现铁芯多点接地。 7 实验及结论 根据本文提出的算法,组织30个典型的学习样本进行训练,确定了网络的权值,通过对20个实验样本的测试,其准确判断率有了显著的提高。表明结合电气试验与油中溶解气体分析结果的故障果中的有效信息,又考虑到一些对故障反映比较灵敏的电气试验的结果,大大提高了故障定位的准确性;并且该诊断方法还是一个开放式的模型,随着对变压器故障机理和诊断方法的不断深入研究,可以对其进行扩展。
参考文献
1 电力工业部.电力设备预防性试验规程(DL/T596-1996).1996. 2 杨启平,薛五德.基于人工神经网络的变压器故障诊断.变压器,2000,37:33~36 3 张建文.电力变压器故障诊断方法分析.煤矿机电,1999,22:6~8 4 Y.Zhang,X.Ding,y.Liu.An artificialneuralnetworkapproach to transformer fault diagnosis.IEEE Transac-tions on Power Delivery,1996,11(4):1836~1841 5 Ding X,Liu Y.Symposium on diagnosis and mainte-nance techniques[C].CIGRE Berlin April,1993. 6 Ebron S,Lubkeman D L,White M.A neuralnetworkapproach to the detection of incipient faults on powerdistribution feeders[J].IEEE Trans.on Power Deliv-ery,1990,5(2):905~912
|