BP神经网络在多台电力变压器检修决策中的研究

陈抒

摘 要：针对风险分析的复杂性和各因素的非线性等特点，本文提出了基于BP神经网络的智能化知识表示和风险评估方法，建立了基于BP神经网络的状态检修决策模型，通过实例分析，验证了该模型的合理性和工程实用性。

关键词：多台电力变压器；风险评估；状态检修；决策；BP神经网络.

1 引言

电力工业是关系到国民生计的重要基础产业和公用事业。安全、稳定和充足的电力供应，是国民经济健康稳定持续快速发展的重要前提条件。在实际工作中，当多台电力变压器同时出现缺陷或故障时，如何进行检修排序以获得最大效益是一个急需解决的问题。为了解决这个问题，本文提出了一种基于BP神经网络的电力变压器检修决策方法，并成功应用到多台电力变压器的检修排序中。

2 多台电力变压器决策分析方法

（1）量化风险法

量化风险法是对资产面临的威胁、存在的弱点、造成的影响，以及三者综合作用对各个方面造成的影响和损失进行量化的评估方法。电力变压器的量化风险法模型综合考虑变压器资产成本，变压器资产损失程度和变压器风险程度（故障率）三方面的因素，计算出变压器继续运行的风险值，并根据风险值的大小安排多台变压器的检修排序，其风险值按式（1）计算：

（1）

其中，t是指某一时刻（Time），A是指资产成本（Assets），F是指变压器资产损失程度评估 （Failure），P是指变压器故障概率（Probability），R是变压器风险评估值（Risk）。变压器资产损失程度F是指一旦发生风险事件，对周围造成的影响，由成本、环境和安全三个要素构成。变压器故障概率P是指变压器在现有的运行状态下发生故障的概率。

2）层次分析法

層次分析法（Analytic Hierarchy Process）简称AHP，由美国运筹学家T.L.saaty教授在上世纪70年代中期提出的，是指将决策问题的有关元素分解成目标、准则、方案等层次，在此基础上进行定性分析和定量分析相结合的一种决策方法。

3.BP神经网络在多台电力变压器状态检修决策中的研究

3.1 BP神经网络概述

BP神经网络是一种无反馈的前向网络，网络中的神经元分层排列，除了输入层、输出层之外，还至少有一层中间层（隐含层）。

BP学习工程可以描述如下[5]：

（1）工作信号正向传播：输入信号从输入层经隐单元，传向输出层，在输出端产生输出信号，这是工作信号的正向传播。在信号的向前传递过程中网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入误差信号反向传播。

（2）误差信号反向传播：网络的实际输出与期望输出之间的差值即为误差信号，误差信号由输出端开始逐层向前传播，这是误差信号的反向传播。在误差信号反向传播的过程中，网络的权值由误差反馈进行调节。通过权值的不断修正使网络的实际输出更接近期望输出。图1为一个含有二个隐层的BP网络的框架图

3.2 基于BP神经网络的变压器状态检修决策模型的确定

3.2.1 模型仿真工具的选择

本文选择了功能强大、应用领域广泛的MATLAB软件作为仿真软件。它自带神经网络工具箱。该工具箱是根据神经网络算法原理与基础，利用MATLAB语言编写了其算法的基本程序。

3.2.2模型测试

经过长期的现场调研，本文选取了某电力公司变压器运行历史过程中的几个比较典型实例作为训练样本，根据上文介绍的模型，其输入和输出如表1所示。

通过MATLAB软件对数据样本进行多次训练之后，选取最佳训练方式，并使用样本自身进行测试，测试的输出值与实际输出值的曲线如图2：

图中绿色方框代表测试的输出值，蓝色圆圈代表实际输出值，训练用时0.9668秒，迭代次数为22次，误差精度为0.0008315，平均相对误差为0.014339。从图4.2中可以看出，本网络对于训练样本自身数据检测正确率基本达到100%。可以认为本网络模型对解决多台电力变压器检修排序的问题有较好的适合度和准确度。

4 实例分析

2010年某月，某地区三台正在运行的变压器同时出现不同程度的缺陷。其具体信息如下：

变压器甲的电压等级为330kV，容量为240MVA，是系统枢纽变电站中的主变压器，满足N-1的要求，用户等级为一级用户，带电运行了10年，最近一次状态评价中，油色谱分析出现异常，通过改良三比值法判断为电弧放电，并在巡检过程中发现有载分接开关存在渗漏，因此其本体扣分值为20，分接开关扣分值为30，其他部件均为0。

变压器乙的电压等级为330kV，容量为180MVA，是系统枢纽变电站中的主变压器，满足N-1的要求，用户等级为二级用户，带电运行了8年，最近一次状态评价中，发现其本体油箱的油枕密封元件出现了异常，并出现了轻微渗漏，因此其本体扣分值为16，其他部件均为0。

变压器丙的电压等级为220kV，容量为150MVA，是地区重要变电站中的主变压器，不满足N-1的要求，用户等级为二级用户，带电运行了9年，最近一次状态评价中，发现其温度计观察口模糊，有载调压机构箱内计数器失灵，因此其本体扣分值为4，分接开关扣分值为8，其他部件均为0。

将以上三台变压器的数据进行预处理后使用本网络进行测试，得到的结果为变压器甲的输出接近于0.9，可认为处于严重风险状态，变压器乙的输出接近于0.5，可认为处于一般风险状态，变压器丙的输出接近于0.3，可认为处于较低风险状态。根据以上结果，应建议立刻对变压器甲进行停电检修，加强对变压器乙的跟踪监视，并在制定检修方案时将变压器乙缺陷部位的检修时间提前，加强对变压器丙的跟踪监视，按正常周期维护变压器丙的缺陷部位，与现场结论基本一致。

5 结论

基于BP神经网络的多台变压器检修决策模型，综合考虑了影响多台变压器决策方案的各个因素，弥补了传统方法考虑不周的问题，具有良好的工程应用价值。