基于RBF神经网络的电网变压器故障检测

西安航天自动化股份有限公司 田 博 王虎军 王 洋

1.引言

变压器作为电网重要设备，在输电系统中起到升压或降压的作用，因此变压器运行状态和性能直接关系到电网运行安全。为了确保电网安全运行，需要对变压器进行定期检测，及时发现故障并进行排除。早期电网利用变压器溶解气体检测内部故障，常用的IEC比值法以及相关改良比值法虽然可以检测变压器故障，但是需要经验丰富的专家进行辅助判断，检测出来的结果依然有很大的误差。RBF神经网络法可以逼近任意非线性函数，并且具有良好的泛化能力，学习快速和收敛速度快等优点，特别适合应用于数据分类、故障诊断和控制等发面。因此本文结合具体实验分析了RBF神经网络在电网变压器故障检测中的应用，发现通过应用RBF神经网络法可以提高诊断效率和诊断准确性。

2.RBF神经网络概述

2.1 RBF神经网络原理

BRF神经网络就是径向基函数神经网络，是英文Radical Basis Function Neural Networks的简称，是一种三层前馈式神经网络。它由输入层、隐含层、输出层三层节点构成，其结构如图1所示：

图1

输入层主要由一些感知元件构成，将网络和外部环境连接起来，可以感知外部环节变化；第二层是隐含层，它将输入空间的信息进行非线性变化；第三次是输出层，它为输入层的激活模式提供响应。BRF神经网络是模拟人的大脑的神经网络结构，它可以以任意精度逼近一个连续函数。在BRF神经网络中，隐含层的中心和半径是设置好的，只有输入层和输出层之间的限值可以调整，隐含层按照固定的非线性变化，将输入空间的信息映射到一个新的隐含层中间，然后将其传输到输出层，形成一个线性组成。BRF神经网络结构具有自适应性，可以以任意精度数值逼近任何一个连续函数，从而降低网络学习时间，因此可以广泛应用在大型电力设备故障诊断工作。

RBF神经网络主要根据相似性计算和RBF网络的隐含层，相当于一个相似度计算网络，将输入层的空间数据变换为某一个空间点为中心的相似值。以单个输出神经元为例，BRF神经网络由输入层、隐含层、输出层构成，其中隐含层采用径向基函数，其实也就是沿着径向对称函数，然后将函数定义为空间中任意一点X到某中心XC之间距离的单调函数，也就是K（||X-XC||），该函数反应的是局部，如果X到XC之间的距离很远，那么这个函数的值就很小。径向函数一般是高斯函数，可以表示为：

其中XC是函数的中心，表示函数的宽度，控制函数的径向距离。假如N个输入数据X=[x1，x2，x3……xN]，其中Xi=[xi1，xi2，xi3……xip]T,i=1,2,3……N是网络输入，Y=[y1，y2，y3……y0]表示网络输出，yi则通过以下公式得出：

i=1，2,3……0,；j=1,2,3……m，其中wi=[wi1，wi2，wi3……wim]T表示神经网络输出节点i的权值矢量，g=[g1，g2，g3……gm]T表示基函数矢量。

通过上述内容，可以得出，RBF神经网络模型建立的关键步骤在于确定RBF神经网络隐含层数据中心的个数，以及隐含层数据中心Zi的位置，然后学习输出权值。在构建RBF神经网络模型的时候，如果RBF网络模型隐含层数据中心的数量太多，则会增加网络模型的计算量，降低网络泛化能力。所以在构建RBF神经网络模型的关键在于选择正确的RBF网络模型中心。

2.2 建立RBF神经网络模型

RBF神经网络模型包括确定神经网络的层数、传递函数、网络输入/输出节点、及其隐含层节点的确认。根据RBF神经网络把控输入层、隐含层和输出层；隐含层一般选择高斯函数，输出层则选择线性传递函数；网络输入/输出节点主要用于分析变压器故障类型，所以一般输入和输出节点数量相同；隐含层节点的确定直接关系到故障诊断准确性，所以隐含层节点的选择至关重要。常用方法是根据输入层的元素数量确定隐含层的节点，但是如输入层的元素比较多，则会增加计算量，所以隐含层的节点必须通过神经网络训练得到。

3.基于RBF神经网络的电网变压器故障检测实验

3.1 数据预处理

由于变压器等级、型号不同，同一种类型的变压器溶解气体的数据也不同，采集的原始数据差异比较大。如果直接用原始数据进行统计分析，则可以导致一些数量比较大的特性指标突出，从而排斥那些数量级比较小的特性指标，导致小指标数值稍微变化就影响到分类结果，所以为了确保神经网络模型的指标分辨率，按照气体含量占5种气体含量的百分比对数据进行预处理。

3.2 建立神经网络诊断模型

采集变压器各类故障样本共400个，用聚类算法计算150个变压器样本数据，然后将其聚合到输入层神经网络抗原集，Xi=（Agi1，Agi2，……Agi5），分别代表了氢气、甲烷，乙烯、乙烷、乙炔这几种气体的体积分数，F表示变压器的故障类别。确定RBF神经网络的隐含层中心数量和初始位置，N=20表示初始抗体的数量，n为6表示最佳抗体选择数量，k为10表示抗体克隆数量；克隆选择的阈值为0.5。神经网络预处理后网络中心数量为7。通过遗传算法确定RBF神经网络的初始隐含条件和隐含层中心数量位置，然后对其进行优化。将聚类算法得到150个样本的氢气、甲烷，乙烯、乙烷、乙炔这几种气体体积分数和故障类别集合到150个，变压器典型故障有低温过热（T1）、中温过热（T2）、高温过热（T3）、局部放电（PD）、低能放电（D1）、高能放电（D2）等几种故障类别，其中低温过热指变压器的温度小于300℃，中温过热指变压器的温度大于300℃小于500℃，高温过热指变压器的温度大于500℃。本文将低温过热、中温过热、高温过热、局部放电、低能放电以及高能放电作为函数的基本输出向量，也就是网络节点，网络输出结果如图2所示：

图2

本文从0到1之间的数值表示对应变压器的故障程度，数值越接近1则表示故障发生概率越大，那么当该类故障输出数值大于0.5时则表示已经发生了故障，如果出现了两种以上的故障输出值分别大于0.5时，则表示发生了多个故障。为了更好地对故障进行分析，本文将故障类别遗传算法种群设计为30，中心矢量的交叉概率为0.2，变异概率为0.05，那么函数标准差与输出节点权值交叉概率为0.6，变异概率是0.1。通过60次数据迭代以后得到神经网络收敛。为了得到比较精确的数值，还要考虑到隐含层的中心数量。本文设计5个和9个隐含层中心数量，当隐含层中心数为5时，则RBF神经网络收敛比较早，诊断精度无法满足函数计算要求；当隐含层中心数量为9时，虽然RBF神经网络收敛，但是得到的神经网络模型结构比较复杂，极大地增加了计算量。因此，必须通过RBF网络进行训练，调节隐含层和输出层的限值，然后对其进行优化。目前最常见的方法是正交最小二乘算法和聚类算法，利用其中一种算法得到计算结果，然后用RBF神经网络进行训练，优化神经网络，从而得到相对精准的数值。

3.3 诊断情况

通过对采集样本分析，发现400个样本中只有100个样本中包含氢气、甲烷，乙烯、乙烷、乙炔这五种气体体积分数，因此将其通过RBF神经网络训练以后进行网络诊断，并和BP神经网络算法进行比较。表1是RBF神经网络诊断和BP网络诊断得到的结果。

表1

为了进一步验证RBF神经网络诊断准确度，本文对5组故障变压器进行诊断，得到诊断结果表2表示5组变压器故障诊断情况。

表2

从上述实验数据可以得出，通过训练以后的RBF神经网络是用于诊断变压器故障的最优网络结构。

4.结束语

综上所述，RBF神经网络诊断电网变压器故障诊断精度比其他诊断网络算法高，因此可以在实际电网故障诊断工作中大量推广普及。RBF神经网络诊断变压器故障时，关键步骤是确定隐含层的节点和传递函数，用遗传算法训练RBF神经网络结构，提高网络结构的收敛能力，从而提高诊断精确度和效率。