神经网络应用于电力变压器故障诊断

1、神经网络应用于电力变压器故障诊断摘要 介绍了一种用于信号分类识别的小波神经网 络 , 其网络权值由小波函数集充当 , 并在学习过程中 应用了共耗梯度法。将此小波神经网络用于变压器油 色谱诊断 , 经仿真计算 , 证实它具有比 BP 网络更好的 遥近性能 , 可以达到较高的准确率。关键词 小波 神经网络 故障诊断 BP神经网络 变 压器一.前言为了保证电力系统的可靠、稳定、安全运行,电力变压 器起着关键性的作用。当电力变压器有故障前兆或者发生故 障时,电力变压器油经过化学变化,会分解出一些气体,随 着这些气体的成分,浓度含量的不同变压器故障也不同,通 过对这些气体色谱的分析,就能快速对变压器运行

2、状态或故 障程度进行诊断了。这就是国际上通用检测电力变压器的油 色谱分析。但是,无论采取三比值发还是改进电协研法,对变压器的故障诊断准确率只有 80%,难以满足电力系统安全 的需要。然而,在某种程度上讲,这些办法都依赖于工程技 术人员的分析经验,于主管能动性有很大的关系。但同时电 力变压器的运行维护水平、容量、电压水平、绝缘结构以及 符合情况等诸多客观因素,均会对诊断结果带来的影响甚至 对于同一变压器、同一运行条件下也会出现采用不同诊断方 案,得出不同诊断结果的现象。随着目前工业计算机和人工 智能控制技术的发展,国际上有科学家将多年的运行经验和 诊断方法加以综合和总结,提出了基于人工神经网络的

3、变压 器故障诊断专家系统。 其中 BP 网络及其模型应用的最多, 并 且取得了非常显著了研究成果,但是 BP 网络的逼近能力有 限,诊断的准确率难以再次提高。二.神经网络首先先用 BP 网络算法分析。 这种网络的优点是不仅有输 入层节点,输出层节点,而且有隐层节点(可以是一层或者 多层 。对于输入信号,要先向前传播到隐藏节点,经过作用 函数后,再把隐藏节点的输出信息传播到输出节点,最后给 出输出的结果。若再输出层不能得到期望的输出,则输入反 向传播,讲误差信号沿原来的连接通道返回,通过修改各层 神经元的权值,得到误差信号最小。实际上,设计一个神经网络设计到输入输出以及中间层 网络结构和输入特征

4、向量的首选。首先必须非常细心地选择 输入特征向量,使其正确的反映问题的特征;其次是选择一个网络结构成神经网络。可以根据网络训练性能以及精度来 改变中间层数(节点数获取一个理想的网络。 三.小波分析小波分析是近些年新型的一种数学方法,被认为是继傅里叶 变化之后又一重大理论突破,小波变换同在时域和频域内有较好 的局部化性质,随着信号不同,频率分成在时时域的取样疏密自 动调节,以分析信号的任意细节,提取信号特征,被誉为数学显 微镜。小波神经网络是小波分析和神经网络结合的产物,它结合 了小波变换的局部化性质和神经网络的自学习功能,具有较强的 逼近能力。本文将对小波神经网络对变压器油色谱故障诊断的应 用

5、进行分析探讨。小波神经网络的原理小波神经网络依据如下的小波变换原理在函数空间 2L (R 中,选择一称为母小波函数 ( h x , 使其满足:(h R(h 为 (h 的傅里叶变换, 再对 (h 进行伸缩, 平移变换,得到小波基函数(, a b x bh a-= 其中, a,b 分别为 (h 的伸缩因子和平移因子。小波神经网络是基于小波分析而构成的神经网络模型,在信 号分类中,小波空间可作为信号分类的特征空间,而信号特征提 取仄是通过一组小波函数族与输出信号的矢量内积输入到神经网络分类器来实现的。(22cos1.75xh x xe-=输出层传递函数是 SIGMOID 函数,即:(11e-=+(,

6、 11J I jk k K J j i j t b O u W P i h a =-= 设共有 N 组样本参加训练,网络参数 , , j j j b a 可用下列公式 优化:(2112Nn n n E d O =-式中 n d 是输入信号 n p 的理想输出,令'j jt b t a -=('1u u u u u=-则 E 的梯度可表示为(''' 211cos1.75tNIj nn n n i jE g dO u p i t e-=-(2'11'' ' 211.75sin 1.75cos 0.75NIj n n n j n

7、 i jt j j E g b d O u p i b t t t ea a =-=-+(2'2' 11''' ' 2( ( ( 1.75sin 1.75cos 0.75N Ij n n n j n i jtj j E g a d O u p i a t tt t e a a =-=-+采用共轭梯度法最小化 E , 由 ( j g 和 j 可产生列矢量 ( g W 和 W ;用 ( l s W 表示 l 次迭代 W 的搜索方向,但是 W 的函数,这 一搜索过程可描述如下(is W =(lg W -1l =1(1 1( ( ( (li l lL l

8、 Tl g W g W g W s W g W g W -+1l 11(l l lWWs W +-=+同理可优化 jb ·ja ,如此反复迭代 , 直到 E 小于设定的允许误差 , 结束神经网络学习。网络训练及诊断结果分析通常神经网络在训练中对所有样本的梯度进行平均 , 以得 到梯度的估值。这种平均作用会忽略训练样本的个体差异 , 降低学习灵敏度。在缺乏足够典型训练样本的情况下 , 某个具有代表 性的样本信息会被其它样本所淹没 , 不能充分反映到神经网络 的参数中。为充分利用有限的训练样本 , 我们采用分块重复学习的方 法。为充分利用有限的训练样本 , 我们采用分块重复学习的方 法。

9、首先将所有样本平均地分成 10份 , 再由 10份构成 10个训练样 本子块;第 1个子块由除第 1份以外的其它样本组成 , 第 2个子块 由除第 2份以外的其它样本组成 , 依此类推。设网络训练的允许 误差为 。 , 依次用这 10个子块训练网络 , 当每个子块的误差均 小于 时 , 完成网络的学习。本文选用2H ·4C H ·24C H ·22C H ·26C H 五种特征气体作为神经网络的输人 , 由于气体含量的绝对值变动范围很大 , 直 接用气体含量值作为输人会影响网络的收敛特性 , 所以要对输 人样本进行归一化预处理 , 保证输人数据范围在 0

10、-1之间。本文 用如下归一化方法处理样本数据:(min max min 0.8(, (, 0.1( (G i j G j P i j G j G i -=+-(i=1,2,3,4,5 j=1,·······N 其中, N 为样本数, G(i,j表示第 j 组样本中第 i 种气体含量值,m ax (G j 和min (G j 分别为第 j 组样本数据中的最大值和最小值。 P(i,j 为各种气体的归一化值。P (i,j 实际上反映了各种气体在样本中的比例 , 但该样本的特征气体总和尚未反映出来 , 所以再增加一个反映气体总和的

11、输人量:0.001(; 1;sum G j ( 1000( 1000sum sum G j G j <其中, ( sum G j 为第就 j 组样本气体总量 , 这样 , 神经网络 一共有 6个输人节点。经模拟计算 , 在对数据的归一化预处理中 , 将总量作为输人比不考虑总量 , 准确率有所提高。下面对小波神经网络和 BP 网络进行比较,本文在色谱故障诊 断所用的小波神经网络 , 其隐层取 15个节点;同时构造了一个网 络 , 它含两隐层 , 隐层和输出层的传递函数都是 sigmoid 函数,每 层节点数均为 30个。用 30个样本分别对 BP 网络和小波神经网络进 行训练 , 迭代允许误差均取 0.001, 网络输出层均有 4个节点 , 分 别代表无故障、过热故障、低能量放电、高能量放电。两种网络 模型对 20个校验样本的判断结果如附表。可见 , 本例中 BP 网