基于概率神经网络的变压器油色谱故障诊断的可行性探讨

鲁国华

（神华国华 （北京）电力研究院电控技术研究室，北京市朝阳区，100025）

1 引言

变压器油色谱在线监测和故障诊断对于变压器的安全运行有着十分重要的意义，国家电网、南方电网以及各发电集团对此项工作的认识和理解的深度都在不断加深，同时，利用统计进行模式识别的判定规则或策略的公认标准是：在某种意义上，使预期风险降到最小，这样的策略称之 “贝叶斯策略”，适用于包含许多类别的分类问题。训练后的PNN （概率神经网络）在一些易满足的条件下，以PNN 实现的判别边界渐进地逼近贝叶斯最佳判定面。概率神经网络并不需要预先给出有关模式的经验知识和判别函数，它通过样本及自身的学习机制自动形成所要求的决策能力，从映射角度看就是从征兆到故障类型的映射。

电气设备故障的发生总会伴随着各种征兆，且故障类型也多种多样，既有渐变故障和突变故障，又有电回路故障和磁回路故障；既有线性故障，又有非线性故障，甚至多种故障交织在一起，其关系错综复杂，数学模型建立比较困难。概率神经网络的输人结点对应着故障征兆，输出结点对应着故障类型或者原因，利用故障样本对网络进行训练，以确定网络的结构和参数。网络训练完成后，故障的模式分类就是根据给定的一组征兆，实现征兆集到故障集之间的非线性映射过程。

2 神经网络的设计流程

概率神经网络具有较强的非线性处理能力，实际上就是用故障样本空间映射到故障类型或者模式中去，从而形成对判断变压器故障类型有用的故障诊断网络。变压器油中分解的气体能够很好地反映各类变压器的潜伏型故障，而在各种诊断方法中，三比值法是比较准确的，也是国标所推荐的，因此，选择CH4／H2、C2H2／C2H4和C2H4／C2H6三比值作为输入特征量，设计流程如图1所示。

图1 设计流程

根据 《变压器油中溶解气体分析和判断导则DL／T722-2000》，将变压器故障分为5类进行探讨，见表1。

表1 故障分类

3 概率神经网络的训练

利用Matlab中newpnn命令调用概率神经网络并利用样本对该网络进行训练，利用sim 函数进行网络预测。神经概率网络中Spread参数的的选择对于网络的训练效果是有影响的，用23组典型数据对概率神经网络进行训练，蓝色表示实际故障分类，红色表示故障征兆经概率神经网络训练后的分类，不同Spread值训练对比如图2 （图中选择了两个不同的Spread值的训练结果对比）所示。

图2 不同Spread值训练对比

神经概率网络训练完毕后，将23组原始数据再回代回训练后的网络，检验训练网络训练后与实际的误差情况，数据回代校验网络结果如图3 所示。

图3 数据回代校验网络结果

4 网络测试数据说明

本概率神 经 网 络 以CH4／H2、C2H2／C2H4和C2H4／C2H6为故障征兆即网络输入，共选取23组数据对概率神经网络进行训练，利用训练好的网络对10组已知故障的数据进行预测故障，并选取国华系统内电厂主变数据6组，共16组进行故障预测，具体数据见表2。

图4 测试结果

5 网络训练后的测试

利用训练完毕的pnn概率神经网络对16组数据进行测试，可以看出网络预测正确率为75%，其中对于数据13、14 和15 还有待进一步明确状态，默认原始状态为1即正常状态。测试结果如图4所示。

表2 测试数据 %

6 结论

通过上面的分析可以知道，利用pnn 概率神经网络对变压器潜在的变化趋势或者故障诊断是可行的，关键在于可靠、典型故障数据的收集以及变压器实时在线监测数据的准确性以提高网络判定的准确性。

［1］ 张德丰.Matlab神经网络应用设计 ［M］.北京：机械工业出版社，2009

［2］ 史峰，王小川.Matlab 神经网络30 个案例分析［M］.北京：北京航空航天大学出版社，2010

［3］ 王瑞.混凝土泵车臂架疲劳寿命研究 ［D］.西安：长安大学，2009

［4］ GB／T7252-2001，变压器油中溶解气体分析和判断导则 ［S］

［5］ DL／1722-2000，变压器油中溶解气体分析和判断导则 ［S］