基于改进模糊神经网络的变压器故障诊断的研究

祁萌 王艳 何若雪

摘要：电网在全国联网运行的现有格局下，对变压器故障的监测、诊断和预报提出了更高的技术要求。针对电力行业中有效监测变压器运行状况、及时准确进行故障诊断的实际需求，提出了一种基于模糊神经网络的变压器故障诊断算法。该算法通过利用PSO算法获得模糊神经网络参数，并结合变压器油中溶解气体分析法对变压器进行故障诊断。相对于网络参数随机生成的传统模式模糊神经网络算法，本文所提出的方法，具有故障诊断准确率高、网络训练时间短等优势。Matlab实验仿真表明，本文所提出的方法在变压器故障诊断方面切实可行，且相对于传统方法具有明显优势。

关键词：电力变压器;粒子群算法;模糊神经网络;故障诊断;Matlab仿真

中图分类号：TM715文献标志码：A

文章编号：2095-5383（2019）02-0043-03

Abstract：Power transformers play an important role in peoples production and life. With the rapid development of Chinas power grid construction，the power grid has developed into a national network，and it is very important to effectively monitor，diagnose and forecast transformer operation.  For the actual requirements of the power industry to effectively monitor the operation status of the transformer and timely and accurately diagnose the fault，a transformer fault diagnosis algorithm based on fuzzy neural network was proposed in this paper. The algorithm obtains fuzzy neural network parameters by using PSO algorithm，and combines the dissolved gas analysis method in transformer oil to diagnose the fault of the transformer. Compared with the traditional fuzzy neural network algorithm whose network parameters generated randomly，the proposed method has the advantages of high accuracy of fault diagnosis and short network training time. Matlab experimental simulation shows that the proposed method is feasible in transformer fault diagnosis and has obvious advantages over traditional methods.

Keywords： power transformer; particle swarm optimization; fuzzy neural network; fault diagnosis; matlab simulation

變压器在电力系统的供配电过程中通常起到了枢纽作用。变压器的可靠运行直接影响电网的运行成本。为保障电网运行，现有电力系统对变压器故障监测的准确性和实时性提出了更高的要求。油中气体分析法是变压器进行故障监测的常见手段。然而，传统模式下该方法中常存在的编码过界等问题[1]。因此，本文提出了一种基于改进模糊神经网络的变压器故障诊断方法。其利用人工智能中的模糊神经网络与传统油中气体分析法结合，可以显著提升变压器故障诊断的及时性和准确率。

1 模糊神经网络

本文提出的模糊神经网络结构共5层，结构如图1所示[2]。

2 粒子群算法

3 PSO算法改进模糊神经网络

本文采用粒子群算法改进模糊神经网络。模糊神经网络隶属函数的中心、宽度、输出层的权值随机确定，增加运算复杂度且耗时。本文用粒子群算法确定上述参数，对上述参数寻优[5]，具体过程是：

Step1确定模糊神经网络结构为五层。第1层的节点即是输入节点，m个输入参数节点数即为m，第2层节点数由模糊分割数决定，n个模糊分割数，则节点为m×n个。第3层节点数为am个。第4层节点数也为am个，第5层节点数视输出情况而定。

Step2初始化原始数据，设置改进粒子群算法的初始参数，包括最大惯性权重ωmax，粒子初始位置xid，粒子种群的规模n，c1和c2的值以及最大迭代次数kmax，速度范围vmax和vmin，初始化粒子的个体和全局的最优位置，即pid和pgd。粒子的维数根据粒子需要改进的参数来确定，根据前面模糊神经网络的结构，假设输出节点数为b，粒子种群的维数为：

Step3确定粒子群算法的适应度函数，用适应度函数来判断算法何时结束运算，适应度函数为模糊神经网络输出的均方误差。

Step4按照粒子群算法的步骤进行运算，达到终止条件停止迭代，输出最优解作为模糊神经网络的初始参数。

Step5初始参数带入模糊神经网络进行训练，利用增加动量项的BP学习算法更新模糊神经网络的参数，直到模糊神经网络达到期望的误差为止。流程图如图2所示。

4 实例应用

4.1 数据处理

本文采取的方法为PSO改进模糊神经网络与DGA技术结合的方法，以H2、CH4、C2H6、C2H4和C2H2，用作分析的特征气体[6]，以它们的3个比值作为输入，输入节点数为3，检测出各气体成分及含量数据，用模糊神经网络训练，根据这些含量来分类来确定是哪种故障。

对输入数据进行归一化处理：

其中：xnormalized为归一化后的相对含量值;xmin和xmax分别为气体含量的最小值和最大值;L为归一化的下界;U为归一化的上界。

输出状态分为高温发热、高能量放电、低能量放电、中低温发热4种故障[7]。

4.2 构建网络

4.2.1 模糊神经网络机构的确定

该模糊神经网络模型由5层网络结构组成，包含1个输入层，3个隐含层和1个输出层。测试样本用的输入参数分别是H2、CH4、C2H6、C2H4、C2H25种特征气体的3个比值，模糊神经网络的输入节点有3个。第2层选取2个模糊分割数对第1层的3个输入变量进行分割，这一层的节点数总共是6个，对应6个隶属度函数，分别计算出每个输入参数属于这两个模糊集合的隶属函数[8]。第3层是模糊推理层，每个节点选用两条规则，该层的节点数是23=8。

第4层节点数与第3层的节点数相同，是8个节点。第5层是输出层节点确定为1个，输出结果分别用1～4表示，分別对应着4种故障。最终确定对变压器进行故障诊断的PSO算法改进模糊神经网络的拓扑结构为3-6-8-8-1。

4.2.2 粒子群参数设置

本文的模糊神经网络的拓扑结构3-6-8-8-1，粒子的维数为3×2×2+8×1=20维，粒子数为10个。最大速度过大会造成粒子变成无规律的运动，导致难以收敛，Vmin是粒子的最小速度，Vmin减小有利于局部的搜索，如果Vmin过小又会导致粒子运动步长过小，会使算法陷入局部最小值，这两个参数的设定完全靠经验[9]，本文选择Vmax=1，Vmin=-1。c1=c2=2，wmax=0.95，wmin=0.25，以最大迭代次数2 000为终止条件。

5 结果分析

本次变压器故障诊断收集的变压器故障数据有80组，选取其中的30组作为训练样本，选取20组数据作为测试样本[10]，如表1所示。

本节是把两组故障诊断模型的仿真实验结果从准确率、迭代次数、最小均方误差3个方面进行对比分析，从而得出结论。

由表1可以看出，模糊神经网络对变压器故障诊断的模型相比与PSO改进模糊神经网络对变压器故障诊断的模型，准确率分别为90%和95%，迭代次数分别为30次和28次。PSO改进模糊神经网络这种算法，无论在收敛速度和诊断结果的准确率都有了明显的提高。

PSO改进模糊神经网络在变压器故障诊断方面[11]的应用相比与模糊神经网络模型，无论在准确率和诊断时间方面，都有很好的表现。这是因为用粒子群算法进行改进[12]，克服其收敛速度慢，易陷入最小值的问题。仿真实验结果证明了其可行性。

6 结语

本文采用PSO算法改进模糊神经网络，与DGA相结合的基础上对变压器进行故障诊断，采用3-6-8-8-1的模糊神经网络结构，最后通过对变压器故障诊断的实验仿真，得出此种方法远远优于标准BP神经网络算法，证明此方法可以用于工程实践。

参考文献：

[1]徐玮.浅析电力变压器高压试验技术[J].智能城市，2017，3（12）：179-180.

[2] 尹建波.电力变压器高压试验方法及故障处理[J].电子技术与软件工程，2018（4）：229-230.

[3] 喻圣，邹红波，余凡，等.模糊神经网络在电力系统短期负荷预测中的应用[J].智慧电力，2018（11）：88-91.

[4] 周洋，潘大志.求解0-1背包问题的贪心优化粒子群算法[J].西华师范大学学报（自然科学版），2018，39（3）：319-324.

[5] 张彩云.基于改进PSO算法的模糊神经网络研究[D].哈尔滨：哈尔滨理工大学，2014.

[6] LIU Q，LI Y，HU S，et al.A controllable inductive power filtering system： modeling，analysis and control design[J].International Journal of Electrical Power & Energy Systems，2019，105：717-728.

[7] 白浩，王昱力.基于数据清洗和知识迁移的变压器故障诊断模型[J/OL].电工电能新技术，2019.

[2019-02-10].http：//kns.cnki.net/kcms/detail/11.2283.TM.20190129.1613.010.html.

[8] 贾亦敏，史丽萍，严鑫.改进人工鱼群算法优化小波神经网络的变压器故障诊断[J].河南理工大学学报 （自然科学版），2019，38（2）：103-109.

[9] 田博 王虎军 王洋.基于RBF神经网络的电网变压器故障检测 [J].电子世界，2018（21）：135-136.

[10] LI M，WU B，YI P，et al.An improved discrete particle swarm optimization algorithm for high-speed trains assembly sequence planning[J].Assembly Automation，2013，33（4）：360-373.

[11] 夏爽，李丽宏.基于PSO-RBF神经网络在温室温度预测中的应用[J].计算机工程与设计，2017，38（3）：744-748.

[12] 梁俊卿.基于改进粒子群算法的无线传感器网络覆盖优化[J].现代电子技术，2017，40（17）：32-35.