基于四比值的变压器故障神经网络诊断法

赵忠秋，郑兴超，张 超

(沧州供电公司，河北 沧州 061001)

由于电力变压器故障的多样性，再加上引发这些故障的原因非常复杂且不明显，使得要准确地判断电力变压器故障性质及故障发生部位变得相当困难。长期以来，在变压器故障诊断中应用较多的是传统的油中溶解气体分析法(DGA)，如IEC推荐的三比值法，Rogers法Dornerburg法等，并引入了专家系统、人工神经网络、模糊数学、进化算法等对变压器进行诊断，取得了一定的进展[1]。其中气相色谱法由于可以发现变压器中的潜伏故障，已被广泛应用；局部放电技术作为一项准确的检测手段也已被深入研究。但由于这些手段等均存在一定的局限性，故应用人工智能技术利用它们的结果进行综合分析以进行准确的诊断被广泛的研究。其中，基于四比值的变压器故障神经网络诊断法具有较为广阔的前景。

1 变压器故障诊断基本原理

1.1 变压器油中溶解气体产生原理

在不同裂解能量的作用下，矿物油中烃类裂解物出现的顺序依次为：烷烃一烯烃一炔烃一焦炭，这一理论是目前利用油中溶解气体含量诊断变压器故障类型的基础。

对从气体继电器中所取出的气样，和从油样中脱气后得到的溶解于油中的气体的气样，用色谱分析仪对其进行组分和含量的分析时，主要是分析氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)、一氧化碳CO和二氧化碳CO2。这些气体都是当变压器发生故障时，油和固体绝缘材料在热或电，或两者兼有的作用下被分解而产生的。一旦变压器发生故障时，例如发生局部放电时，油裂解产生的气体，主要是甲烷。随着故障温度的升高，乙烯和甲烷的组分逐渐成为主要特征。在温度高于1000℃时，例如在电弧弧道温度(约3000℃以上)的作用下，油分解的产物中，含有较多的乙炔(C2 H2)。

1.2 变压器故障类型与气体特征

当变压器发生故障时，油分解的气体显现出不同的气体组分，如表1所示。

1.3 变压器油中气体含量限值判断变压器状态

通过变压器油中氢、烃气体含量限值(%)大小，可以用来判断变压器有无故障和故障的严重程度，如表2所示。当其中有一项达到注意值时，应加强监视，跟踪分析；当其中有一项达到故障值时，说明变压器内部有故障存在。

表1 变压器故障类型和气体组分关系

表2 氢、烃气体含量限值判断变压器的状态

2 基于特征气体的BP神经网络诊断法

目前普遍应用的变压器故障智能诊断方法，基本上都是采用变压器油的特征气体含量作为其神经网络的输入来实现。对于变压器故障诊断的BP的网络来说，其结构由输入层、输出层和中间隐层构成。选择H2，CO，CH4，C2H4，C2H2和C2H6六种特征气体经过模糊化处理后作为神经网络的输入，根据其组成的含量可以判断故障缺陷和故障的性质[2]。以变压器的故障性质作为神经网络输出，某输出层神经元输出越大表明发生该种故障的可能性也越大。一般的神经网络往往需要大量的训练样本，训练的样本越多，其知识库存量就越大，诊断的准确性就越高[3]。但是，许多属于同一类型的不同故障数据经过数据预处理后得到的样本往往是十分接近的，所以只要挑选一组故障数据作为该故障样本类型的样本即可，这样经过样本数据预处理后，神经网络中用于训练的故障样本数目并不需要很多。BP神经网络通过样本训练后，就能够达到对变压器故障类型的正确识别。

3 基于四比值的神经网络诊断法

3.1 四比值法诊断标准

四比值法的BP神经网络，它的理论依据是BP神经网络和四比值法的诊断方法及其标准。四比值法(又叫做罗杰斯比值法)是目前油中气体分析法中较为常用的一种，它是根据5五种不同的气体(H2，C2H6，CH4，C2 H4，C2 H2)组分产生的四个比值(CH4/H2，C2 H6/CH4，C2 H4/C2 H6，C2 H2/C2 H4)的大小范围来判断故障类型的方法，表3给出该方法具体的诊断标准。

表3 四比值法的诊断标准

续表3

3.2 四比值法神经网络的训练

由上表3可以看出它的最大的特点就是对故障分析较为详细，根据这些标准即可判断出故障的类型，但是由于诊断范围的划分过于精确，不能完全体现出变压器故障诊断的模糊性和复杂性，而且对新的故障类型缺乏学习的能力，为了使四比值法在变压器故障诊断中发挥更大的作用，本文采用经过数据预处理后五种气体含量比值作为神经网络的输入量。由于BP神经网络的输入量最好是0～1之间的数，所以计算出CH4/H2，C2 H6/CH4，C2 H4/C2 H6，C2 H2/C2 H4 的四个比值只是数据预处理的第一步，这样得到的数据仍然不是在0～1间的数，因此数据处理的第二步是对上面的四个比值分别进行范围的划分，并对每一个范围设定相应的标志值，并将这些分类的标志值表示成(I1，I2，I3，I4)，将它作为网络的实际输入量，根据对许多变压器故障样本值的分析，在表4中给出了这些比值范围的分类标志值(这些数需据根据经验总结出来，根据不同的设计，其值不是唯一的)。

表4 四比值法的分类标志

根据四比值法得出17组训练样本集，如表5所示。

表5 训练样本集

本网络设计输入节点有四个(即输入量为：I1，I2，I3，I4)，经反复调试隐含层节点的个数为10个，输出节点的个数为12个(即：O1～O12)输出量，每个输出量代表一种变压器故障运行状态，输出“1”表示有该类故障，输出“0”表示无该类故障。

3.3 采用四比值法BP神经网络的诊断实例：

某变电站一次发生故障时油中气体样本含量为：H2=791，C H4=390，C2H6=173，C2H4=560，C2H2=12(单位：μL/L)，实际故障为高温过热故障。诊断前所先将数据处理如下：

I1，…，I4作为神经网络的输入量，诊断后输出的矩阵是一个12行12列方阵，其中第12行的12个数为：(0.005 1，0.000 8，0.000 2，0.000 0，0.050 1，0.016 1，0.000 0，0.000 4，0.040 2，0.080 1，0.001 0，0.950 0)，诊断的结果中，第12个数“0.950 0”接近“1”；与表4对比后，其结果与有还流或接头过负荷符合，与实际情况相符合。

4 结束语

利用四比值法BP神经网络诊断变压器故障，只要输入故障现象后，就可以同时清晰的看到各个诊断的结果，便于比较分析，有利于更快，更全面地进行变压器的故障诊断。

该诊断方法法的计算精度、收敛速度及计算稳定性较常规的BP算法及遗传算法有很明显的提高，对输出和输入关系比较复杂的训练样本集，有很好的学习效果[4]。它提高了诊断的准确可靠性，推广了神经网络应用于电力变压器故障诊断的实用性。

[1]李红雷，肖登明，等.神经网络诊断变压器故障的新方法[J].高压电器，2000(6)：12-17.

[2]丁晓群，孙军，等.模糊诊断电力变压器故障点部位的研究[J].电网技术，2000，24(5)48-51.

[3]杨启平，薛五德，兰之达.变压器故障人工智能系统的研究[J].高电压技术，2003，29(3)：10-12.

[4]王大忠，周泽群，等.结合遗传算法的人工神经网络在诊断电力变压器故障诊断中的应用[J].中国电机工程学报，1997，27(3)：109-112.