基于径向基神经网络的变压器故障诊断方法研究

王奇平，王祯璋

(上海久隆(电力)集团有限公司，上海 200040)

研究与探索

基于径向基神经网络的变压器故障诊断方法研究

王奇平，王祯璋

(上海久隆(电力)集团有限公司，上海 200040)

为解决变压器故障诊断难以智能判别问题，提出了一种基于径向基神经网络的变压器故障诊断方法。该方法采用气相色谱检测法，选用高斯函数作为径向基函数，并运用K-means聚类方法求解隐含层节点数据中心初始值，运用伪逆法求解隐含层到输出层权值初始值，运用最小均方误差方法随迭代计算不断自适应更新各个基函数的数据中心及方差、隐含层到输出层权值。仿真结果表明，该方法变压器平均故障诊断准确率为95.6%，并具有较强的容错能力，满足变压器故障诊断要求。

变压器；故障诊断；径向基神经网络

变压器是电力系统最重要的输变电设备之一，变压器故障诊断已成为电力系统研究领域的重要课题之一[1]。油中气体分析法是变压器故障诊断的重要方法之一，通过检测变压器油中气体含量，经量化后与参考标准值进行比较得出故障类型。故障诊断时具体又分为气相色谱检测法(DGA)、三比值法、罗杰斯比值法(Rogers)等[2]。由于三比值法的故障编码较少，实际应用中常常由于找不到故障编码而无法判断变压器故障类型；Rogers法存在判据过多、故障类型区分过详细等问题。由于不同变压器的容量、负荷、结构等因素对判定结果有一定影响，因此根据经验判定具有一定不足。

本文提出一种基于径向基神经网络的智能判别变压器故障类型的方法。在DGA法的基础上，充分考虑变压器全寿命周期管理过程中的历史故障记录，以弥补经验判据的不足。该方法故障识别准确率高，容错性能强。

1 变压器故障特征量

变压器故障常常是由于内部绝缘老化造成的，主要分为过热故障和放电故障[3]两类，其中过热故障又分为中低温过热(<700℃)和高温过热(>700℃)，放电故障又分为高能放电(电弧放电或强烈火花放电)和低能放电(局部放电或微弱火花放电)[4]。变压器油由多种碳氢化合物组成，在高温和放电等条件下，碳氢化合物分解主要产生H2、CH4、C2H2、C2H4、C2H6等多种气体，变压器故障类型不同，产生气体的种类和比例不同。通过检测变压器油中溶解的气体种类和含量可诊断出变压器故障类型。

2 径向基神经网络的实现

径向基神经网络由于具有较强的自适应性和泛化能力，能够逼近任意非线性函数，可较好地解决难以用数学方法直接解析但具有一定规律性的难题。径向基神经网络共分为输入层、隐含层和输出层三层。输入层节点数根据样本的维度确定，输入层到隐含层主要把低维空间数据映射到高维空间数据，根据Cover定理复杂模式分类非线性问题在高维空间比在低维空间更可能线性可分，因此隐含层节点数需要大于输入层节点数；隐含层为一组径向基函数，径向基函数的数目与隐含层节点数相同，所有隐含层节点的径向基函数常常选用相同的径向基函数，最常用的径向基函数为高斯函数；输出层数根据样本目标确定，隐含层到输出层主要把隐含层的高维空间数据经线性加权分类输出。与传统BP神经网络相比，由于采用局部数据中心方式，局部逼近网络，网络结构简单，学习收敛速度较快。

2.1 输入输出模式确定

采用DGA技术，首先通过多源传感器检测H2、CH4、C2H2、C2H4、C2H6这5种气体分别占总气体的体积百分数，经归一化预处理后，作为径向基神经网络输入层的5个输入向量。由于单一故障类型主要分为4种，因此径向基神经网络输出层共有4个神经元，输出值Y的范围在[0，1]，代表故障类型的概率，输出值越大，表示该类故障类型的可能性越高，输出值大于0.6时即可认为该故障类型极可能存在。由于过热故障和放电故障可能同时发生，因此输出层可能有2个神经元输出值较大的情况，故障类型与网络期望输出关系如表1所示。

表1 故障类型与网络期望输出关系

2.2 迭代计算

径向基神经网络输入层到隐含层的权值都为1，隐含层节点数需要根据样本数目来确定，但需要大于输入层节点数。径向基神经网络仍需要确定的参数分别为：各个基函数的数据中心及其方差、隐含层到输出层权值。各个基函数的数据中心及其方差可为固定值也可为变化值，计算方法主要有K-means聚类方法、正交最小二乘法、最小均方误差等方法，隐含层到输出层权值计算方法主要有伪逆法、最小二乘法和最小均方误差等方法。本文第一次迭代计算时基于样本数据选用K-means聚类方法来确定各个基函数的数据中心初始值，并计算方差初始值，基于样本数据选用伪逆法来确定隐含层到输出层权值初始值，之后迭代时3类参数都选用最小均方误差方法随迭代计算不断自适应学习更新。

第一次迭代计算时，隐含层节点数据中心c采用K-means聚类方法进行计算。

(1)

式中cj——隐含层第j个节点数据中心；P——样本数；x——样本输入值。

径向基函数选用高斯函数，聚类中心c确定后，根据各数据中心之间的距离确定高斯函数的方差，因此高斯函数的方差计算为

(2)

式中δj——隐含层第j个节点高斯函数的方差，δj的大小反应了网络对样本噪声的敏感程度和对样本的拟合能力；λ——重叠系数，可取某一固定值。

因此，隐含层输出值计算为

(3)

根据伪逆法，隐含层到输出层权值矩阵W的计算为

(4)

式中K——隐含层节点数；M——输出层节点数；T——转置计算标示符；D——目标输出矩阵。

目标函数为所有样本迭代计算一次后的总误差E，基于梯度下降最小均方误差法可计算为

(5)

2.3 各参数修正值的计算

从第二次迭代计算起，隐含层第j个节点数据中心cj、高斯函数方差σj、隐含层到输出层权值ωjs再通过式 (1)、式(2)、式(4)求解，而是通过自适应学习修正后更新叠加计算。

为使目标函数E最小化，基于最小均方误差法，各参数的修正值同样应与其负梯度成正比，因此隐含层到输出层权值修正值Δωjs、高斯函数方差Δσj、隐含层第j个节点数据中心修正值Δcj的计算如式(6)所示。

(6)

式中η——学习率，可取某一常数。

因此，第n+1次迭代时，隐含层到输出层权值ωjs(n+1)、高斯函数方差σj(n+1)、隐含层第j个节点数据中心cj(n+1)的更新计算如式(7)所示。

(7)

3 仿真验证

算法可通过Matlab编程实现并仿真验证。选用某变压器正常运行及故障运行的100个样本检测数据对本算法进行仿真验证，其中隐含层节点数K=10，重叠系数λ=1，学习率η=0.001。迭代终止条件为：目标函数E<0.001，或最大迭代次数N=5 000。训练完成后，另选用不同于训练数据的5组检测数据用于测试本网络性能，输入输出数据与故障类型关系如表2所示。

由表2可知，本文提出的算法故障诊断准确率较高。经10次测试，每次测试随机选取100个样本数据进行验证，本文提出的算法平均故障诊断准确率为95.6%，从理论上验证了本文提出的基于径向基神经网络进行变压器故障诊断的可行性和准确性。

表2 输入输出数据与故障类型关系

4 结语

针对变压器故障诊断难以智能判别问题，提出一种基于径向基神经网络的变压器故障诊断方法。该方法采用DGA技术，利用高斯函数作为径向基函数，网络结构简单，收敛速度快。该方法变压器平均故障类型诊断准确率为95.6%，并具有较强的容错能力，满足变压器故障诊断要求，对变压器故障在线诊断具有一定借鉴意义。

[1] 孙文星,杨贤,李朝晖,等.一种高可靠的变压器绝缘状态监测方法[J].变压器,2017,54(1):68-72.

SUN Wenxing, YANG Xian, LI Zhaohui, et al. A highly reliable on-line monitoring method for insulation condition of power transformer[J].Transformer, 2017, 54(1): 68-72.

[2]陈维荥,宋永华,孙锦鑫.基于神经网络的电力变压器状态监测[J].变压器,2002,39(z1):53-57.

CHEN Weiying, SONG Yonghua, SUN Jinxin. Power transformer monitoring based on artificial neural network[J].Transformer, 2002, 39(z1): 53-57.

[3]张志文,乔悦,罗隆福,等.信息融合技术在变压器油气识别故障诊断中的研究[J].计算机工程与科学,2012,34(3):132-136.

ZHANG Zhiwen, QIAO Yue, LUO Longfu, et al. Research of the information fusion technology in the transformer fault diagnosis with dissolved gas-in-oil analysis[J].Computer Engineering and Science, 2012, 34(3): 132-136.

[4]郭建龙,蓝小萌.一种新型的变压器运行状态监测与诊断方法[J].变压器,2011,48(1):40-43.

GUO Jianlong, LAN Xiaomeng. A new method of monitoring and diagnosis for operation condition of transformer[J].Transformer, 2011, 48(1): 40-43.

ResearchofTransformerFaultDiagnosisMethodBasedonRBFNeuralNetwork

WANG Qiping , WANG Zhenzhang

(Shanghai Jiulong (Power) Group Co., Ltd., Shanghai 200040, China)

In order to solve the problem of intelligent fault diagnosis for transformer, this paper presents a fault diagnosis method based on RBF neural network. The method adopts DGA technology, takes Gauss function as radial basis function, and uses K-means clustering method to solve initial value of hidden layer node data center; by pseudo-inverse method, it solved initial value of the hidden layer to the output layer weight. The weight of hidden layer to the output layer, the data center and its variance of each basis function are updated by the iterative calculation with the minimum mean square error method. Matlab simulation results show that the diagnostic accuracy of the transformer fault type is about 95.6%, and it has a strong fault tolerance, which meets the requirements of transformer fault diagnosis.

transformer; fault diagnosis; RBF neural network

10.11973/dlyny201705013

王奇平(1975—)，女，从事电力工程设计工作。

TM41

A

2095-1256(2017)05-0546-03

2017-08-16

(本文编辑：赵艳粉)