BP神经网络变压器故障诊断范文

在电力系统中电力变压器是所有电力设备中最昂贵也是最重要的电力设备，它安全运作与否直接决定整个电网能否稳定运行。因此变压器的故障诊断具有十分重要的意义。早期都是靠定期巡检和做预防性试验来对变压器进行维护，由于这些工作缺乏连续性就使得一些突发性故障和隐藏故障不能及时得到处理，日积月累最终使变压器寿命以及运行效率大大的降低，严重影响电网的经济运行。DGA技术是目前比较受欢迎的和认知度比较高的变压器故障诊断技术。它包括:改良三比值法、罗杰斯法、四比值法等［1］。但变压器油中溶解气体和故障原因并不是一一对应的，一组故障特征气体可能由多种故障引起，同样的一种故障也可能产生多种故障特征气体，他们是一种复杂的非线性映射关系。而这种非线性的映射关系同神经网络十分相似，所以本文引入神经网络理论将之与DGA技术融合对变压器进行诊断。

1DGA技术

DGA技术［2］就是根据油中溶解气体:H2、CH4、C2H6、C2H4、C2H2、CO、CO2的含量通过查表来判断其故障。其中最典型的就是三比值法［9］，它是根据C2H4/CH4、CH4/H2、C2H4/C2H6三组比值来确定变压器故障原因。但由于故障与编码不可能总是一一对应的，所以其全面性和准确度不能保证。

2BP神经网络

2.1BP神经网络建模框图

2.2输入层与输出层神经元数输入层选用H2、CH4、C2H6、C2H4、C2H2五种气体作为输入，而CO、CO2并没有选用因为它们的含量变化性大，加入会导致训练次数增加，还会增大误差。输出层为中低温过热、高温过热、局部放电、高能放电、低能放电和正常。

2.3样本数据获取及预处理样本由变压器实测数据得到，但由于每组实测数据相互之间的差值可能相差很大，数据大的误差可能相对大一些，那么网络学习算法为了减小误差就会偏向样本中大的数据从而导致小数据的相对误差变大，所以对数据进行预处理是很有必要的。本文将样本数据以其所占百分比作为输入。

2.4激活函数和训练方法输入数据经过预处理后都介于0～1之间，因此可以选择一个函数使其输出也在0～1之间，结果越接近1则故障判断结果越准确。

2.5隐含层层数与其神经元数隐含层层数与其神经元数的确定直接关系到整个神经网络非线性程度，隐含层数多其处理数据的能力强但工作量大、工作时间长而且需要大量的样本，网络也变得十分复杂。所以我们可以先选择一层隐含层然后增加神经元数量，如果一层不行再加一层直到满意为止。神经元数到底加到多少并没有一个定性的说法，到目前为止有如下经验公式。由表2可知，弹性梯度下降法训练58步收敛，自适应Ir梯度下降法要2972步才收敛，自适应Ir动量梯度下降法1051步收敛，而动量梯度下降法20000步仍没有收敛。虽然弹性梯度下降法误差比适应Ir动量梯度下降法大一点但收敛步数少很多。所以综合考虑选择弹性梯度下降法作为训练函数。

3网络检测

测试样本数据预处理后导入到训练好的神经网络中结果如表3所示。

4结束语

由表3中的结果可以看出DGA技术测得的数据可能会出现无编码和无法判断，而以油中气体为依据训练的BP神经网络对变压器的故障有比较准确的诊断结果。更动计量TV、TA，很少更动保护TV、TA，所以即使用户窃电，通过交流采样装置采保护TV、TA的电压电流计算的电量，仍能反映出用户的实际用电量;而终端采集电能计量表脉冲计算的电量则会突然减少。两组电量数据相比较，就能估计出用户的窃电量及窃电方法。

作者：张艳华 席先鹏 刘林 王兴成 单位：三峡大学电气与新能源学院