神经网络理论在变压器故障诊断中的应用

李永丽　顾福海　刘志华　张兴华　贺家李

摘　要　把专家知识与神经网络计算相结合，用变压器原副边正序和负序电流分量的方向进行变压器的故障诊断，克服了传统的二次谐波制动特性差动保护在涌流伴随故障状态下的动作延时，能正确识别变压器的内部故障、励磁涌流、外部故障及空载合于内部故障等不同状态。用此原理构成的变压器保护动作时间最快可为半个周期，可适合于任意连接方式的双绕组变压器，且不受系统参数的影响，具有广泛的实用性和很强的容错能力，大量仿真结果证明了此方法的优越性。
关键词　神经网络　涌流　故障识别　变压器
分类号　TM 772　TP 183

THE APPLICATION OF NEURAL NETWORK IN THE FAULT IDENTIFICATION OF TRANSFORMERS

Li Yongli, Gu Fuhai, Liu Zhihua, Zhang Xinghua, He Jiali
(Tianjin University, 300072, Tianjin, China)

Abstract　Combining the expert knowledge and the artificial neural network (ANN) calculation, a new method is proposed based on the directions of positive and negative sequence currents on primary and secondary sides of a transformer to identify its different states. It is superior to the traditional transformer differential protective principle with second harmonic restraint and has no delay when a no-load transformer switches on an internal fault. It can correctly identify, within half cycle from the fault inception, the internal faults, magnetizing inrush current state, external faults and switching on the internal faults of a no-load transformer. In addition, this method is suitable for the two-winding transformers with any type of connections and less influenced by the system parameters. It has broad availability and high fault tolerant ability. A lot of simulations were given to demonstrate its superiority.
Keywords　neural network　inrush current　fault identification　transformer

0　引言
　　变压器是电力系统的重要设备之一，它的可靠运行对输电系统的安全、经济运行具有重大意义。目前，差动原理仍是变压器保护的主要形式。由于变压器空载投入或外部故障切除后电压恢复时，在变压器一次侧会产生很大的励磁涌流，为了避免差动保护在此时误动作，一种常用的方法是监测二次谐波电流，当它超过一定数值时闭锁差动保护。由于励磁涌流中二次谐波的含量随变压器的合闸角、系统结构与参数变化很大，所以制动门坎数值的选择比较困难。尤其是电力系统中超高压长距离传输和电力电缆的普遍使用，当变压器内部故障时，也会产生各次谐波。这可能是因为电流互感器(TA)饱和、无功补偿电容或连接变压器的超高压长输电线的分布电容或电缆电容的分布特性引起的。如果这些原因所产生的二次谐波的大小超过了制动门坎值，致使变压器内部故障时差动保护不可能瞬时动作，造成故障范围的扩大或更严重的损失。为了弥补二次谐波制动原理的不足，目前国内外的变压器保护采用间断角或波形对称原理作为相互补充^［1～7］。
　　基于神经网络能很好地识别系统状态的特点，很多电力工程师已经提出了一些方法用于变压器的状态识别^［8～11］。但以往的方法并未把专家知识与神经网络（EANN）计算结合起来，进而通过最小的工作量得到最好的结果。本文中，作者提出了一种用变压器原副边正序和负序电流分量的方向来区分变压器状态的EANN方法。此方法适用于任意连接方式的双绕组变压器并且不受系统参数的影响。经检验其有很强的冗错能力。

1　EANN结构和特性
　　多层反传神经网络是目前人们认识最为清楚、应用最为广泛的一种模型^［12］。理论分析表明，采用3层神经网络，若对其各层神经元的个数不加以限制，就可以在模式空间构成任意复杂程度的几何模型，从而对任意复杂的对象进行分类。本文即选用3层神经网络模型用于变压器的状态分析。其输入层有9个节点，输出层有1个节点，用于区别变压器的故障与非故障状态。变压器的励磁涌流状态属于变压器的非故障状态。隐含层节点的个数根据神经网络的结构由人为经验选取。通过对几个含有不同隐含层节点个数的神经网络模型的训练，最终确定的网络模型如图1所示。

图1　变压器故障诊断的EANN模型
Fig.1　EANN-based fault detector of transformers

　　神经网络中的单个神经元采用Signoid函数描述。即：

2　基于神经网络的变压器故障诊断
　　变压器的内部故障分为油箱内和油箱外两种。油箱内的故障包括各相绕组之间发生的相间短路、接地短路，单相绕组部分线匝之间发生的匝间短路，绕组或引出线通过外壳发生的接地故障以及铁心烧损等。油箱外的故障主要是套管和引出线上发生的相间和接地短路。上述故障又可分为对称和不对称故障两种类型。神经网络输入层节点的选取正是基于这两种故障类型的序分量特征。设变压器两侧的电流均以从母线流向变压器的方向为正方向。
　　a.变压器的不对称故障可根据其两侧负序电流的相对方向来区分。当变压器发生区内不对称故障时，变压器两侧负序电流的符号相同。而当变压器发生区外不对称故障时，变压器两侧负序电流的符号相反。
　　b.对变压器的对称故障情况，由于此时负序电流分量为零，所以可根据变压器两侧故障电流正序分量的相对方向来区分。当变压器发生区内对称故障时，变压器两侧故障电流正序分量的符号相同。而当变压器发生区外对称故障时，变压器两侧故障电流的正序分量符号相反。
　　本文建立的神经网络模型输入层有9个节点。前3个节点代表负序分量的特征。当变压器两侧负序电流瞬时值的符号相同时，输入节点的数值为1；当变压器两侧负序电流瞬时值的符号相反时，输入节点的数值为－1；如果变压器任一侧负序电流瞬时值为零时，输入节点的数值为0。为了神经网络的可靠判定和提高其故障的容错能力，用3个连续采样点的负序电流作为神经网络的3个输入X₁，X₂，X₃，神经网络输入层中间的3个节点X₄，X₅，X₆代表正序分量的特征。当变压器两侧故障电流的正序分量瞬时值符号相同时，输入节点的数值为1；当变压器两侧故障电流的正序分量瞬时值符号相反时，输入节点的数值为-1；如果变压器任一侧故障电流的正序分量瞬时值为零时，输入节点的数值为0。神经网络输入层的后3个节点X₇，X₈，X₉代表变压器原边相电压的有效值U_a，U_b，U_c。当U_a或U_b或U_c的数值小于变压器原边额定电压的70％时，对应的输入节点数值为1，否则为0。当变压器处于励磁涌流状态时，X₁～X₆的数值为0，X₇～X₉的数值也为0；当变压器空载合于内部故障时，X₁～X₆的数值为0，但X₇～X₉的数值不全为0。这样，传统变压器差动保护的动作延时就可以避免。当神经网络判断变压器区内故障时，其输出节点的数值为1；若输出节点的数值为0，表示变压器处于励磁涌流或外部故障或正常运行状态。

3　神经网络的训练与检验
　　本文用EMTP仿真了一个双电源的电网模型。网络结构如图2所示。

图2　EMTP仿真模型
Fig.2　Two-source transformer network

　　如果每周期采样12点，负序和正序电流分量可由下式计算：

式中　i₂(k)和i₁(k)代表第k个采样值时的负序和正序电流瞬时值；i_a，i_b，i_c是A，B和C相在不同采样点的电流。
　　输入层中的电压有效值可通过半波傅氏算法得到。
　　对变压器进行的各种仿真试验包括：①变压器的所有内部故障，如发生在K2和K3的单相对地故障、两相短路、两相对地故障和三相故障；②励磁涌流状态，如断路器1(QF1)的空载合闸和断路器2(QF2)断开，以切除变压器的外部故障；③变压器的所有外部故障，如发生在K1和K4的单相对地故障、两相短路、两相对地故障和三相故障；④断路器1(QF1)空载合于内部故障，如QF1合在K1的单相对地故障、两相短路、两相接地故障及三相短路。神经网络的学习算例示于表1。表2为训练后所得的神经网络的权值及域值矩阵。

表1　神经网络的学习算例
Table 1　Learning conditions

表2　神经网络的权值矩阵
Table 2　Artificial neural network (ANN) weights