基于神经网络的运行变压器故障诊断技术及其应用

国网江苏省电力有限公司徐州供电公司 邓剑鸣 齐丰科技股份有限公司 李明亮 戴世平

在变压器内部故障诊断方法中，溶解气体色谱分析法的准确性较高，是目前我国电力系统当中使用最多的方法。越来越多的人提出了全新的检测模式和方法，但以油溶解气体为主的在线检测系统判断故障准确率最高。

1 概念简介

1.1 神经网络

BP网络是在上世纪八十年代由Rumelhart所领导的实验小组构建的一种神经模型，BP神经模型的基本结构主要如下：net(l)jp=∑n(i-1)W(l)jiO(l-1)ip-Θ(l)n；O(l)ip=fl(net(l)jp)。BP神经网络是一种可反向传递并进行误差修复的网络体系，如参数正确时，BP网络可得到准确的方差，也是目前使用最为广泛的网络体系结构。对于BP网络可划分成输入层、隐形层、输出层。在不同的层次间实现全连接，在每一层的神经元当中没有链接。

如果对于样本进行学习并传输给网络后神经元将会激活，且输入数据后输出层的神经网络获得响应，最后减少存在的实际误差，将输出层通过中间层修正之后链接，最后回到输入流程当中，随着误差逆传播的不断优化和升级，网络对于输入的相应正确率也出现了明显增加[1]。对于BP网络学习算法来说，就是假设BP网络体系当中一共L层，需给定P个样本，对于网络期望需要输出TD，当输入到第P个样本时，对于整体神经网络中第L个神经层中的第J个神经元的操作模式可用以下公式表示，一般选择S类型的函数：f(x)=1/(1+e-n)，对于输出层可表达为：EP=1/2∑nj=1(Tjdp-T^jp)2，神经网络学习系统最根本目的是对于每一个样本的误差进行分析，让其达到最小，从而保证总误差保持在最小的情况。

BP人工神经网络自带的迅速拟合任意复杂非线性关系这一功能，在电力系统的变压器预报问题方面有很大应用价值。在预测过程中，只需给出变压器与相关变量的一定数量样本，通过训练该神经网络，就能对相应的函数关系进行模拟。换言之，在变压器预报领域只要是经过以上训练的网络都可进行直接运用[2]。

1.2 变压器故障

对于变压器的分类可以根据用途、绕组电压、结构以及输入和输出的箱数、冷却方式、调压方式等进行划分，本文就主要分析根据相数分类以及绝缘材料分类、冷却方式分类介绍变压器的分类，对于变压器相数分类可简单的划分为单相变压器、三相变压器、多相变压器三类，对于材料分类可划分为浸渍式（矿物油变压器、合成油变压器、B液变压器）和干式（包封式变压器、非包式变压器），对于冷却方式可划分为油浸（油浸子冷、油浸风冷、强油水冷、强油风冷）和干式变压器（干式子冷、干式风冷）。

1.3 变压器故障分析

变压器的故障较多，根据不同的分类法可划分为不同的故障，根据故障出现的区域可划分为内部故障和外部故障，对于故障的性质可划分为局部过热、低能量放电、老化等。以故障发生的时间来分析，可将其分为突发性故障和慢性故障。本文主要针对变压器故障特性进行分析，在变压器故障的种类进行分类可将这些故障分为高温过热故障、中低温过低故障及高能量放电故障等，如从故障的发生现象进行区分可将变压器故障分为温度故障和电性故障。

1.3.1 热性故障

据有关资料显示，在检查360台故障变压器时，发现有234台变压器是存在过热故障的、整体故障率为62.3%，有68台变压器具有高能量放电故障、整体故障率为17.9%，有42台是存在有过热兼高能量放电故障、整体故障率为9.8%，有28台是存在火花放电故障的、整体故障率为7.2%，剩余的2.1%是存在局部放电故障及受潮放电故障的。通过一些数据可总结出，在变压器的各种故障中占比最高的是存在热性故障的变压器。

在变压器正常运转过程中，会伴有由变压器金属结构件、铁芯、绕组等部件所产生的负载损耗及空载损耗；当这些损耗全部转化成热量后，有一部分会使结构件、铁芯、绕组等主要部件的温度过高，剩余的部分则会散发到周围的变压器油、绝缘物等介质中，从而提高发热体周围介质的温度，同时会利用冷却装置及油箱等设备来将热量散布到周围的环境空气中。当各部分的温度可达到散出的热量平衡于产生的热量这一状态时，就是所说的热平衡状态，那么各部件的温度就会保持在一定值上；与之相反的情况时就无法达到热平衡状态，从而导致变压器的某一部位出现热故障现象。

1.3.2 电性故障

一般在电场强度较高电压下就会发生电性故障，按照能量密度的不同可把变压器的电性故障分成局部放电故障、低能量的火花放电故障和高能量的电弧放电故障：在出现高能量电弧放电故障时，会直接烧坏或击穿绝缘体；火花放电故障属于是一种最为常见的间歇性放电故障，局部放电所释放的能量值是最小的，这种放电所释放出来的能力和两极击穿方面所释放的能量数值相同。在发生局部放电现象时会伴随着产生一些热效应现象，这是电子轰击所产生的，能量处在1～1eV范围内。

电弧放电别称高能量放电，通常可观察到绕组段间、层间或匝间出现击穿并烧坏绝缘的现象，此外还会伴有多类故障，如分接开关飞弧、对地闪络、引线断裂等，由于没有任何先兆且大部分都是瞬间爆发，所以很难实现精准预测；在发生高能量放电故障时通常都会产生大量的乙炔和氢气；CH4与C2H4紧随其后。因为故障是突然发生的，所以产生的气体会直接进入到气体继电器中，根本来不及溶解在变压器油里。可总结出，故障的发生位置及持续时间将对变压器油中的气体含量造成直接影响。

火花放电别称低能量放电，引线接触有问题、分解开关插拔电位悬浮电位、不稳定的铁芯接地、导线连接处、套管储油柜对电位未固定的套管导电杆、引线等都是最易发生低能量放电的位置。由于故障所产生的能量值较低，所以并不会产生过多的烃类气体，同样是以氢气和乙炔为主要的特征气体。

2 基于网络模型的变压器故障诊断

2.1 网络模型的变压器故障诊断意义分析

电力变压器是电网的核心设备，变压器发生故障将会直接影响电网运行，严重时甚至会出现爆炸，变压器故障诊断的作用主要用于判断设备的状态及对故障的性质进行分析，神经网络能将输入样本进行有效的分类处理，将神经网络在变压器故障诊断过程中发挥关键性作用，能够全面提升变压器的稳定性以及安全性。

2.2 BP网络设计

2.2.1 BP网络参数设计

输入向量的确定，在案例中输入阶段和正常模式的维数相似，基于变压油中溶解气体H2、CH4、C2H4、C2H2含量的具体数据，将其视为输入特征向量，从而判定变压器故障。在输入向量时，如输入太少的向量将很难实现对变压器故障的分析，如输入太多的向量就导致网络的收敛性降低。值得提出的是网络对于较小的数据敏感性不足，对于一部分较为重要的特性获取难度较大，导致精度不能达到实际的水平，并导致样本的输入空间较大，网络只有达到标准化规定的泛化能力才能实现样本数的提升，同时网络规模才能有所提升，进而影响正常训练和诊断。

针对于网络输出字节这种故障，输出向量中使用正常、中低温过热、高温过热、低能量放电及高能量放电等五个输出神经元为主。基于LOGSIG函数的特点，如果输出值在0～1，也就是故障的程度，数值越接近1故障程度越严重。

网络层设计，为了证明三层的BP网络可在任意的精度接近非线性的物理对象，增加层数最根本的目的就是降低误差，但是网络的结构会更加复杂。因此在一般的模式下，需要使用最少的网络层数构建神经网络，本次研究选择三层网络。

表1 网络输出字节故障表

2.2.2 隐层节点数设计

2.2.3 训练样本集的设计

因为变压器油中的气体分析法是诊断和处理充油电气设备最常用的一种方法，所以需选择充油中的溶解气体的含量作为本次网络输入特征的向量。训练样本的收集工作本身就是一件非常复杂的工作内容，当此项工作执行效果不佳时会出现网络映射错误的情况，导致网络学习过程存在问题。

样本首先需代表性，样本本身需全面体现出输入及输出关系，样本故障的占比需和实际变压器的故障占比相同。例如在变压器故障的诊断过程中故障的发生率高，通过这种方式就能收集到一些有用的样本。对于训练样本的收集需做到学习过程的收敛，较为复杂，样本需具有代表性和广泛性及紧凑性。根据故障变压器的色谱进行统计数据，选出故障的类型后进行训练。选择15组数据作为测试的样本，将变压器当中的气体含量的百分比作为网络的输入量和期望值。

2.3 各种训练算法比较

针对于函数逼近网络而言，LM算法的收敛情况是最好的，同时速度也是最快的，如要求的精确度较高优点更加明显，在很多时候使用LM算法训练函数可得到更小的误差，但在网络权值不断提升时TRINLM的优点将会降低，对于TRAINLM模式的识别等相关问题的处理能力就会受到影响。通过RPROP的算法训练函数TRAIRP速度最快，这一点算法所需要的储存空间更低，对于SCG算法在网络较大的模式中具有良好的性能，识别模式和PRPOP一致，但性能更加优秀、对于空间的储存需求更低，但是运算量会因为网络的大小出现大量的增加。BFGS算法和LM算法相似，需要的空间更小，但运算量会因为网络大小的增加出现大量的增长，在特定情况下收敛速度变慢反而会得到更好的效果，所以本文基于弹性的BP算法训练网络[3]。

表2 训练样本故障表

表3 训练算法表

表4 网络诊断表

2.4 仿真结果分析

对于BP网络中十五组检测数据的结果如表4所示，从中可了解到BP网络的诊断方法具有较高的故障识别和分类能力，准确率较高达到了80%。

综上，本文介绍了BP网络的概念以及结构和算法的原理，设计了相应的方案，针对于不同隐层神经元数量对神经网络训练性能的影响进行了分析，通过不同方法的比较，寻找到性能变现最佳的隐层神经元数量为10，通过比较BP算法和其他算法之间的优、劣势确定了本次的算法为弹性的BP网络算法，进行仿真实验、得到结果，本次诊断的正确率也达到了80%。