变压器局放监测与改进BP神经网络预测模型研究*

高立慧， 张长胜， 赵振刚， 胡 威， 陈武奋， 李 川

(1.昆明理工大学 信息工程与自动化学院,云南 昆明 650500；2.珠江水利委员会珠江水利科学研究院,广东 广州 510000)

变压器局放监测与改进BP神经网络预测模型研究*

高立慧1， 张长胜1， 赵振刚1， 胡 威1， 陈武奋2， 李 川1

(1.昆明理工大学 信息工程与自动化学院,云南 昆明 650500；2.珠江水利委员会珠江水利科学研究院,广东 广州 510000)

采用传感系统监测变压器局部放电的变化情况，选取高频电流信号和超声波信号作为变压器局部放电的监测参量，利用改进逆传播(BP)神经网络算法对变压器局部放电量进行建模分析。以D9—QY—40000/220型电力变压器(220 kV变压器)为例进行实例研究，结果表明：基于改进BP神经网络的局放预测模型训练集误差系数为0.011 8，测试集误差系数为0.023 2。此模型的局放预测值与实际值的曲线趋势基本一致，有效地对变压器局部放电量进行预测，为变压器故障诊断奠定了基础。

传感监测系统； 改进逆传播(BP)神经网络； 局部放电； 变压器

0 引 言

电力变压器是电力系统重要的输变电设备,其绝缘状况的好坏直接影响着电力系统安全运行[1～3]。局部放电已逐渐成为引起绝缘事故的主要原因之一，严重影响变压器的正常运行,所以需要对变压器额局部放电进行检测[4～6]。2010年,孔令明等人将模糊理论应用到人工神经网络中提出了模糊神经网络，并建立了应用在电气设备绝缘故障诊断中的模型，结合了模糊理论和人工神经网络的优点，提高了故障诊断正确率[7]。2013年,华南理工大学周玲等人利用音频信号处理技术与模式识别分类算法，可对采集到的局部放电超声波信号进行识别分类，从而对存在绝故障的设备进行判断与检修[8]。

本文以220 kV(型号为D9—QY—40000/220型电力变压器)变压器为研究对象，选取了电力变压器局部放电在线监测系统所测得的高频电流信号和超声波信号的数据作为样本数据，利用改进逆传播(back propagation，BP)神经网络模型对电力变压器局部放电量进行分析与预测，并评价预测模型的性能。

1 变压器局放监测系统研究

变压器在发生局部放电过程中会产生电荷的迁移，并且会伴随着爆裂状的声发射，产生超声波信号，进而引起变压器局部过热。因此，可以通过对这些不同物理和化学现象采用高频脉冲电流检测和超声波检测技术对变压器局放进行检测。迁移的电荷可在外围测量回路中产生脉冲电流，根据法拉第电磁感应定律，变化的电场会产生变化的磁场，高频脉冲电流传感器从而获取局部放电信号；超声波传感器根据压电效应，将局放的超声信号转换成对应的电信号，数据采集装置将高频脉冲电流传感器和超声波传感器采集发到的电信号转换成标准的电压信号并将信号传送给上位机进行显示存储。电力变压器传感局部放电在线监测系统如图1所示。

图1 传感监测系统

根据220 kV电力变压器局部放电的监测需求，将超声波传感器与高频脉冲电流传感器安装在变压器器身处进行局部放电的实时监控。实验在变压器工作在额定功率下对变压器进行局放监测，根据电力变压器的实际情况，选取了变压器2015.3.10～2015.6.11所采集到的94个高频脉冲电流传感器和超声波传感器的数据，监测数据变化曲线如图2所示。

图2 变压器高频脉冲电流传感器与超声波传感器监测数据曲线图

2 基于改进BP神经网络的局放预测模型

通过高频电流传感器和超声波传感器可以监测到开关柜是否存在局部放电，但是无法监测到局部放电的视在放电值；基于改进BP神经网络的变压器局部放电预测模型可以通过所监测的参量(高频脉冲电流、超声波信号)训练出预测模型来预测变压器局部放电量。

BP网络是一类多层的前馈神经网络，如图3所示是典型的BP神经网络结构图，包含一个输出层、一个中间层、一个输入层，每一层神经元的输出，都是下一层神经元的输入，与此同时该方法只影响下一层神经元的输入，输入信号从输入层神经元传到中间层神经元，最后再传到输出层神经元。

图3 BP神经网络结构图

局部放电预测模型的基本思想是以所测得各个局放值所对应的超声波传感器的原始数为基础，对数据进行预处理作为输入样本训练集的数据，通过训练数据创建合适的BP神经网络算法模型参数，构造预测模型，对模型进行性能评价，选取最佳模型，再输入测试数据来预测开关柜局部放电量。模型采用误差系数E作为评价BP神经网络预测模型性能的参数，多层前向型神经网络是目前应用最广泛的神经网络结构，其误差函数如式(1)所示

(1)

在式(1)中，并没有将每个样本中输出变量y的数值大小考虑进去，因此，在网络终止训练时，其优化的最终误差往往是每个样本进行拟合的绝对误差较小，但是在实际的应用当中，如变压器局部放电的检测过程当中，局部放电信号范围非常大，如果将式(1)作为误差函数，会出现每个样本拟合的绝对误差较小，但是相对于实际值非常小的样本而言，其相对误差就变得非常大的情况，这样将会导致拟合的结果不均匀，即被测量变量较大的样本拟合程度非常好，但是被测量变量较小的样本拟合的程度却非常差，因此，在本文中把传统的误差函数改进为如式(2)所示

(2)

这样，通过对误差函数的改进，在神经网络训练结束后，每个样本的拟合误差都相对较小，因此，能够使每个样本都能得到较好的拟合。局放预测模型算法流程参见图4。

图4 改进BP神经网络预测模型算法流程图

3 变压器局部放电预测模型数据分析与性能评价

通过电火花发生器连续打火模拟连续放电脉冲信号的实验，测得150个放电量所对应的高频脉冲电流传感器和超声波传感器的样本数据，特征项为高频脉冲电流值和超声波信号值。选择前100个样本数据作为训练集，用于模型训练与参数选择，剩余的50个样本数据作为测试集，用于预测结果的对比分析。

基于改进BP神经网络的局部放电预测模型训练完成后，训练集仿真结果参见图5。

图5 训练集预测结果图

运用式(2)中给出的误差系数的计算方法，得到改进BP神经网络模型的训练集测试的误差系数为0.0118，放电量跟超声波传感器及高频脉冲电流传感器具有很强的相关性。

为了对改进BP神经网络的性能进行评价，对测试集的50个样本数据进行测试，测试集仿真结果参见图6。

图6 测试集预测结果对比图

运用式(2)中给出的决定系数的计算方法得出基于改进BP神经网络局放测试集误差系数为0.023 2。由图6可以看出，基于改进BP神经网络的局放预测值与实际值的曲线趋势基本一致。

根据实测数据，将采集到的94个原始数据作为输入量，利用改进BP神经网络模型对变压器局部放电量进行仿真预测，仿真预测值如图7所示。

图7 基于改进BP神经网络预测模型变压器局部放电预测值

4 结 论

本文利用改进BP神经网络模型为实现途径，构建了基于改进BP神经网络变压器局部放电预测模型。结果表明：基于改进BP神经网络的局放预测模型训练集误差系数为0.011 8，测试集误差系数为0.023 2，此模型的局放预测值与实际值的曲线趋势基本一致，有效地对变压器局部放电量进行预测，为变压器故障检修提供了必要的依据。

[1] 陈武奋，刘爱莲，李英娜，等.无线超声传感网在开关柜局部放电中的在线监测研究[J].传感器与微系统，2015，34(3):249-252.

[2] Hao L,Lewin R L.Partial discharge source discrimination using a support vector machine[J].IEEE Transactions on Dielectrics and Electrical Insulation,2010,17(1):189-197.

[3] 王国利，单 平，袁 鹏，等.变压器局部放电超高频电磁波的传播特性[J].高电压技术，2002，28(12):26-28.

[4] 程述一,律方成,谢 庆,等.基于暂态对地电压和超声阵列信号的变压器局放定位方法[J].电工技术学报,2012(4):255-262.

[5] 龚细秀.变压器局部放电高频和特高频联合监测法的研究[D].北京：清华大学，2005.

[6] Werle P,Akbari A，Borsi H，et al.Enhanced online PD evaluation on power transformers using wavelet techniques and frequency rejection filter for noise suppression[C]∥2002 IEEE International Symposium on Electrical Insulation，2002:195-198.

[7] 孔令明，肖云东，刘 娟，等.开关柜局部放电带电检测定位技术的应用与研究[J].山东电力技术，2010(6):5-8.

[8] 周 玲.基于超声波信号的局部放电故障识别算法研究[D].广州：华南理工大学，2013：5.

Research on transformer partial discharge monitoring and improved BP neural network forecasting model*

GAO Li-hui1, ZHANG Chang-sheng1, ZHAO Zhen-gang1, HU Wei1, CHEN Wu-fen2, LI Chuan1

(1.Faculty of Information Engineering and Automation,Kunming University of Science and Technology,Kunming 650500,China; 2.Pearl River Water Resources Commission of the Ministry of Water Resources,Guangzhou 510000,China)

Use sensing system to monitor the changing of the transformer partial discharge, ultrasonic and high-frequency current signal are selected as monitoring parameters of partial discharge and utilize improved back-propagation(BP)neural network algorithm to make modeling analysis on partial discharge quantity of transformer.With 220 kV Model D9—QTY—40000/220 power transformer as an example for case study.The results show that the error coefficient of test set based on improved BP neural network is 0.011 8 and the error coefficient of test set is 0.023 2.Prediction value of partial discharge the model is consistent with the actual value,it can effectively predict transformer magnitude of partial discharge and it lay foundation for transformer fault diagnosis.

sensing monitoring system; improved back propagation(BP)neural network； partial discharge; transformer

10.13873/J.1000—9787(2017)03—0040—03

2016—03—25

国家自然科学基金资助项目(51567013); 昆明理工大学人才培养基金资助项目(KKSY201303004); 云南省应用基础研究计划资助项目(2013FZ021)

TP 212

A

1000—9787(2017)03—0040—03

高立慧(1989-)，女，硕士研究生，研究方向为光纤传感技术，无线传感网及其应用等。

李 川(1971-),男，通讯作者，博士，教授，博士生导师，从事分布式光纤传感技术、测控技术等研究工作,E-mail:291420772@qq.com。