Elman神经网络在变压器故障诊断中的应用

王 平,王春艳

(承德石油高等专科学校电气与电子工程系,河北承德 067000)

Elman神经网络在变压器故障诊断中的应用

王 平,王春艳

(承德石油高等专科学校电气与电子工程系,河北承德 067000)

变压器是电力系统中的枢纽设备之一,其运行情况将直接影响电力系统的安全运行。传统的变压器故障诊断方法不仅判断变压器中存在的故障的准确率低,而且对综合性故障也无法准确判断。应用Elman神经网络进行变压器故障诊断,极大的提高了诊断准确率,提高电力系统运行可靠性。

变压器;故障诊断;Elman神经网络;准确率

变压器故障在线监测技术一直以来都是电力系统运行与维护的一个重要研究方向,早在20世纪60年代,国内外一些专家就开始了对在线监测技术的研究,经过几十年的发展,在线监测技术已经从理论研究发展到实际应用阶段,国内外各大公司相继研制了各种用于故障在线监测的装置,随着众多在线监测装置的研发,诊断方法也逐步发展。但是,传统的故障诊断范围比较狭窄,往往局限于诊断单一的故障,对于复杂的、综合性故障不能准确判断。因此,提高检测精度和准度是检测技术发展的重要方向。神经网络技术在故障诊断过程中发挥了重要作用,大大的提高了诊断的精度和准度,而Elman神经网络在油田变压器故障诊断中使诊断的精度达到了90%以上,具有很高的应用价值。

1 基于E lman神经网络的故障诊断

1.1 Elman神经网络

E lman型回归神经网络一般分为四层:输入层、隐含层(中间层)、承接层和输出层,如图1所示。

E lman网络的非线性状态空间表达式为:

其中,y,x,u,xc分别表示m维输出结点向量,n维中间层结点单元向量,r维输入向量和n维反馈状态向量。w3,w2,w1分别表示中间层到输出层、输入层到中间层、承接层到中间层的连接权值。g(ω3x(k))为输出神经元的传递函数,y(k)是中间层输出的线性组合。f(x)为中间层神经元的传递函数,常采用S函数。

1.2 基于Elman神经网络变压器故障诊断

利用Elman神经网络进行变压器故障诊断,根据改良三比值法,确定神经网络模型的输入神经元为5个,分别为H2、CH4、C2H6、C2H4、C2H2五种气体的浓度,模型输出神经元为7个,分别为变压器运行时的7种不同状态。神经网络用于分类时输出是相应类别的后验概率,神经元输出与1越接近表示变压器属于该类故障的概率越大,反之越小。例如,当输出为[1 0 0 0 0 0 0]时,表示变压器的运行在状态1,运行正常。对于神经网络的各种输出值和与之对应的变压器运行状态,加以整理,如表1所示。

表1 网络输出与变压器运行状态的对应关系

判定一个神经网络模型的好坏,首先是考察其训练的精度,其次是考察其训练的时间。对于不同的隐含层节点数,其训练的精度和训练时间会有所不同,甚至相去甚远。所以隐含层节点数的确定对神经网络的训练意义非常重大。在故障诊断模型的确立中,隐含层节点数分别采用N=9,10,11,12,13,14,并取30组典型数据作为神经网络训练的训练样本,训练精度0.01,最大训练次数设为10000。建立不同的网络模型,比较网络模型的训练精度及样本训练所需时间,确定最佳网络结构。图2为不同隐含层节点数时的网络训练曲线。

从图2中的训练曲线可以发现,当隐含层节点数为11～14时,训练结果比较理想,并且当隐含层节点数为奇数时,训练时间较短,收敛速度快,可以达到较好的训练精度。综合考虑上述各种情况,确立隐含层节点数为13。从而确定Elman神经网络的网络模型为5-13-7型,即输入层-隐含层-输出层分别为5、13、7。

2 诊断结果分析

本次实验样本选自某油田供电公司,样本数为30组,通过训练样本、分析神经网络的权值和阈值,讨论网络的性能,并与传统的三比值法进行了相应的比较。

为了提高精度,本文对误差分析采用递推预报误差(Recursive Prediction Error)算法。

式中,e(k,Θ)为预报误差矢量,Θ为参数矢量,N是数据长度。

RPE算法的基本原理是沿着E(Θ)的Gauss-Newton搜索方向修正未知参数矢量,从而使E(Θ)趋于最小。

实验样本通过训练,并进行误差分析,将实际输出值与预期目标进行对比,两者趋于一致,训练效果非常理想。

从上述分析结果可以发现,通过E lman神经网络优化后的网络模型性能优越。有一定的实际应用价值。

3 结 论

基于神经网络的故障诊断方法是当前变压器故障诊断的一个重要方向,并且逐渐取代了传统的三比值诊断方法,有很高的研究价值。基于Elman网络模型的神经网络应用于充油变压器故障诊断中,是故障诊断领域的又一大改进。

[1] 操敦奎.变压器油中气体分析诊断与故障检查[M].北京:中国电力出版社,2005.

[2] 于湘涛,马平.变压器常见故障及人工神经网络在其诊断中的应用[J].自动化技术与应用,2003,22(9):64-67.

[3] 张建文.电力变压器故障诊断方法分析[J].煤矿机电,1999,12(3):6-9.

Elman Neural Network in Fault Diagnosis of Transformer

WANG Ping,WANG Chun-yan
(Department of Electrical&Electric Engineering,Chengde Petroleum College,Chengde 067000,Hebei,China)

Transformer is one of the essential equipments in power system,and itsoperation state can affect the safety of power system directly.Ordinary transformer fault diagnosismethod can determine the faults of transformer,but its accuracy is low.Besides,it can’t determine comprehensive faults correctly.The application of Elman neural network in fault diagnosis greatly improved diagnostic accuracy and reliability.

transfor mer;fault diagnosis;E lman neural network;accuracy

T M407

B

1008-9446(2010)04-0045-03

2010-10-11

王平(1982-),男,山东高密人,承德石油高等专科学校电气与电子工程系助教,硕士研究生,主要从事电力系统自动化教学与研究工作。