基于复合神经网络的变压器故障诊断研究

缪 薇

(江苏省江都水利工程管理处,江苏 扬州 225200)

0 引 言

变压器作为江都水利枢纽工程的重要电力设备,能否正常工作,对于泵站工程运行尤为重要。变压器一旦出现故障,若不能及时发现,将会对泵站工程造成重大损失。由于电网系统结构的复杂性及变压器的重要性,所以对变压器进行故障诊断具有重要意义[1-2]。

对变压器进行故障检测存在一定的困难:一是故障出现后,需要对故障类型作出准确判断,以采取相应的措施;二是对于出现故障的变压器,不仅要判断出其存在故障,还要判断故障点的位置,并快速进行检修,以缩短停电时间。可以采用多种方式对变压器进行故障诊断,神经网络、遗传算法等不同的技术表现出不同的诊断效果,对于变压器的故障来说,能够快速诊断故障最为重要[3-4]。因此,对于电力系统,需要采用先进的诊断手段和方法,对变压器故障进行诊断,以排除故障,使电力系统快速恢复正常运行。

1 变压器常见故障及故障采集

1.1 变压器常见故障

江都水利枢纽工程的4座大型电力抽水站正常工作离不开电力变压器,变压器是保障水利工程运行的重要设备[5]。江都站变电所及江都四站变压器为油浸式变压器,油浸式变压器的重要物质是绝缘油,绝缘油的作用是绝缘、冷却、灭弧等[6-7]。

变压器工作过程中出现的故障有多种,为了更好地诊断故障,需对故障进行分类。变压器故障分为内部和外部油箱故障,变压器故障出现的类型如表1所示。

表1 变压器故障发生类型

1.2 变压器故障采集

变压器是电网系统的重要设备,对变压器进行故障诊断时,需要确定诊断的目标,从而针对性地进行诊断[8]。变压器油箱、绝缘线、开关等都有出现故障的可能,采取合适的故障信号采集方法,可提高变压器故障检测的准确率和诊断效率。

2 基于QIA-RBF复合神经网络的变压器故障诊断

采用神经网络对变压器故障进行诊断是计算机技术快速发展的结果,变压器释放出的信号被检测系统接收,经过神经网络的样本训练,然后开展寻优工作,找到变压器存在的故障。

2.1 RBF网络设计

采用QIA-RBF复合型神经网络对变压器故障进行诊断,首先要设计RBF神经网络算法,这是进行复合神经网络设计的第一步。RBF神经网络设计包括选取参数、确定编码方式、建立亲和度函数等流程。

2.1.1 编码方式的确立

根据变压器油中析出气体种类的不同能够对变压器故障进行判断,这是设计编码方式的基础。不同的变压器故障类型可以作为一个种群,理论上种群可以无限进化。设初始种群Q(t)=(q1,q2,…,qn),其中t为种群进化代数,n为初始种群规模,qi(i=1,2,…,n)为种群第t代中的第i个抗体。变压器可能存在多种不同的故障类型,将这些类型看作染色体,基因表示气体种类与气体含量,然后进行后续处理。

经过迭代,可以计算得到第t代第i个故障q编码方式为

(1)

式中:m为种群中染色体上基因个数;k为编码基因个数;α、β为2个复数,用于表示故障类型,两者平方和为1。

2.1.2 亲和度函数的建立

种群搜索中,亲和度函数是对变压器故障进行诊断的关键,析出气体的种类与故障的类型匹配需要依靠亲和度函数进行判断。亲和度函数表明了析出气体与故障类型的一种函数关系,选择合适的亲和度函数,有利于提高变压器故障诊断的准确性。根据复合神经网络变压器故障诊断特点,结合油浸式变压器析出气体,对亲和度函数进行选择和建立。亲和度函数为实际输出与期望输出误差平方和的倒数,用来判断变压器故障类型,具体的函数表达式见式(2)和式(3)。

(2)

(3)

式中:f(i)为抗体i亲和度值;i为种群规模;E为预估值和真实值的误差平方和;n为输入样本;m为输出层节点;yij为实际输出结果;y′ij为期望输出结果。

神经网络的整体结构如图1所示。神经网络流程设计好后,根据流程可以对变压器故障进行诊断,从而及时发现变压器故障。

图1 神经网络的整体结构

2.2 量子免疫算法

量子免疫算法(quantum immune algorithm, QIA)是以免疫算法为主,结合免疫理论与量子搜索2种方式,利用量子比特叠加性对数据进行编码的一种算法[9]。

为了弱化过早收敛的现象,在免疫算法中添加量子比特的概念,增强搜索能力,节约训练时间,避免了QIA随机概率性。

2.3 故障诊断流程

为了提高变压器故障诊断准确性,将RBF智能网络与QIA算法进行结合,组成复合神经网络对变压器进行故障诊断,设置故障诊断的流程。

1)赋值变压器异常。当复合神经网络检测到一种故障时,故障结果严重,对变量赋值为1;变压器无异常时,变量赋值为0;变压器异常较小时,赋值0.1;变压器中等异常时,赋值为0.5。

2)根据人工定期巡检。选择变压器故障的样本数量,一般为500或者1 000个样本。变压器故障检测过程中选择不同情况,一般为安全运行、巡检、停机3种类型。

3)输入量选择1 000个样本数据,输出结果为变压器的诊断结果。进行RBF网络训练,确定矩阵和关键参数,提高训练效率。

4)对于确定的RBF网络,分析变压器的异常类型,开展神经网络在线故障诊断,设定智能分析模型,随时发现故障。

5)复合神经网络输出变压器故障的诊断结果,比较不同的输出结果,根据输出结果判断变压器故障类型。

若RBF神经网络输出结果O(k)>1,则需要对变压器进行停机检查,不能让其继续工作;若RBF神经网络诊断输出结果O(k)<0.5,判断变压器异常较小或无异常,可以继续工作;若RBF输出结果0.5

3 变压器故障诊断研究

3.1 RBF网络的收敛性

复合神经网络对变压器故障进行诊断需要验证收敛特性。选取500组和1 000组测试数据,对其结果进行验证,绘制成数据图,得到RBF网络迭代收敛曲线,如图2所示。

图2 RBF 网络迭代收敛特性

3.2 复合QIA与RBF神经网络

进行变压器故障诊断时,单一的神经网络和算法存在一定的不足,无法精确完成变压器故障诊断工作,将QIA与RBF神经网络复合起来,可以改善和提高神经网络收敛与搜索能力。为了考查单纯的RBP神经网络和QIA-RBP神经网络对变压器故障的诊断效果,对两者进行测试和比较。对两者各30组数据进行变压器故障诊断测试,考查测试误差和测试精度,测试结果对比如表2所示。

表2 RBF 神经网络与QIA-RBF 神经网络测试对比

由表2可知,2种测试方法对样本的测试结果的误差存在差异,QIA-RBF网络较单纯RBF网络误差大。QIA-RBF网络测试结果平均误差为0.110 1,最大误差为0.499 9;单纯RBF网络平均误差为0.209 3,最大误差为0.521 3;QIA-RBF网络比单纯RBF网络误差低9.92%,QIA-RBF网络对变压器的故障诊断精度高于单一的RBF神经网络。

为了能够更加准确地对变压器进行诊断,减少变压器故障发生频率,直观表现两者测试结果的差异,对变压器故障诊断的2种方式绘制折线图,样本数量为30,对比结果如图3所示。

图3 RBF与QIA-RBF神经网络误差对比折线图

由图3可知,30组样本数据测试结果显示QIA-RBF网络误差较小,而单纯RBF网络误差较大。为了验证复合神经网络对变压器故障类型诊断效果,选择60组样本,将实际故障、RBP神经网络诊断故障、QIA-RBF神经网络诊断故障三者进行对比,结果如图4所示。

图4 实际测试与预测结果对比折线图

由图4可知,将QIA与RBF结合进行变压器故障诊断,复合后的神经网络对变压器故障的诊断正确率更高。在所测试的60组数据中,复合QIA与RBF的神经网络对变压器故障的诊断仅有4组误判,而RBF神经网络有10组诊断错误。由此可知,QIA与RBF复合后对于变压器故障诊断的准确性更高,能够满足变压器故障诊断的需要。

4 结 语

根据变压器工作环境,提岀一种基于QIA-RBF复合神经网络的变压器故障诊断方法。对变压器常见故障进行分析,对RBF神经网络进行设计,结合QIA免疫算法制定变压器故障诊断流程。开展变压器故障诊断研究,分析RBF网络结构的收敛性,对复合神经网络与RBF神经网络诊断结果进行分析,所得结论如下。

QIA-RBF网络测试所得的平均误差低于单纯RBF网络,在变压器故障检测中,QIA-RBF网络的故障诊断精度高于单一的RBF神经网络。对比所测试60组故障类型,对变压器故障诊断时,复合QIA与RBF的神经网络更接近实际故障,误判仅4组,远低于RBF神经网络的故障误判组数。表明QIA与RBF复合后更适合用于变压器故障诊断。