基于模糊輸入的BP-ART2混合神經(jīng)網(wǎng)絡(luò)在電力變壓器故障綜合診斷中的應(yīng)用

根據(jù)模糊理論和神經(jīng)網(wǎng)絡(luò)理論，提出了變壓器故障診斷的新方法，根據(jù)DGA(dissolved gas analysis) 法、電氣試驗(yàn)法及外部故障特征法，建立了基于模糊輸入的BP-ART2混和神經(jīng)網(wǎng)絡(luò)對(duì)電力變壓器故障進(jìn)行綜合診斷。仿真結(jié)果表明本方法能有效提高變壓器故障診斷正確率。
　　關(guān)鍵詞：模糊控制; BP神經(jīng)網(wǎng)絡(luò);ART2模型;故障診斷;電力變壓器

THE APPLICATION OF BP-ART2 HYBRID NEURAL NETWORK FOR POWER TRANSMITTER SYNTHETIC FAULT DIAGNOSIS BASED ON FUZZY INPUT

Gao Ru-xin, Wang Fu-zhong, Ran Zheng-yun

(Jiaozuo Institute of Technology ,Jiaozuo 454000,China)

　　ABSTRACT: This paper researches a new method for power transmitter based on fuzzy theory and neural network theory. According to DGA , electrical experiment and environmental characters ,a BP-ART2 model is presented based on fuzzy input . this model can deal with uncertain factor effectively and timely, and have enough ability for data obtaining.
　　KEY WORDS: fuzzy control; BP neural network; ART2 model; fault diagnosis; power transmitter

1.引言
　　電力變壓器是電力系統(tǒng)中重要的設(shè)備之一，對(duì)電力系統(tǒng)的安全運(yùn)行起著舉足輕重的作用。搞好變壓器的運(yùn)行維護(hù)，特別是故障診斷工作，對(duì)于提高電力系統(tǒng)安全運(yùn)行可靠性具有非常重要的作用。
　　DGA的出現(xiàn)和逐漸成熟，給變壓器故障診斷帶來了許多便利。利用DGA來判斷變壓器故障的方法有許多種，如羅杰斯法、特征氣體法、三比值法、電協(xié)研法等，然而這些方法本身具有一定程度的不完善性，僅基于DGA，并不能對(duì)故障進(jìn)行準(zhǔn)確評(píng)判，不能準(zhǔn)確定位。結(jié)合電氣試驗(yàn)，如測(cè)直流電阻，絕緣電阻，吸收比等，再加上一些故障特征，如溫度升高，油位下降等，綜合進(jìn)行評(píng)判，可以有效提高診斷質(zhì)量。
　　BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性逼近能力，能進(jìn)行故障模式識(shí)別，還能進(jìn)行故障嚴(yán)重程度評(píng)估和故障預(yù)測(cè)，應(yīng)用很廣，但它對(duì)異常類故障處理能力低，不具備增量學(xué)習(xí)功能。ART 2模型是一種自組織的網(wǎng)絡(luò)模型，采用無監(jiān)督的競(jìng)爭學(xué)習(xí)規(guī)則，不存在BP算法對(duì)樣本知識(shí)的強(qiáng)烈依賴性問題，能正確識(shí)別出異常類故障，且識(shí)別速度快。但是，該模型是通過聚類來完成模式分類任務(wù)的，它不能進(jìn)行故障嚴(yán)重性評(píng)估和發(fā)展趨勢(shì)預(yù)測(cè)。把BP神經(jīng)網(wǎng)絡(luò)和ART2模型結(jié)合起來，將有監(jiān)督算法和無監(jiān)督算法集成起來，用模糊量作為輸入，構(gòu)成一種新的模糊神經(jīng)網(wǎng)絡(luò)，來對(duì)變壓器進(jìn)行診斷，可以取得良好診斷效果【1】。

2.電力變壓器常見故障及其特點(diǎn)【3】
　　變壓器故障有很多種，一些常見的故障及其故障特點(diǎn)如下：
　?。?）分解開關(guān)接觸不良：直流電阻差值大，特征氣體中既含有H2又含有CO，且CH4或C2H4含量高。
　?。?）繞組匝間短路：變比偏差大，直流電阻差值大，H2和C2H2含量高，含有CO。
　?。?）有載分接開關(guān)箱漏油：溫度過高，油位下降率高。
　　（4）過熱性故障：CH4和C2H4含量高，還可能含有CO和CO2，溫度較高。
　　（5）絕緣老化：介質(zhì)損耗tg較大，絕緣電阻過低，特征氣體中CO、CO2 和CH4較多。
　?。?）嚴(yán)重受潮：介質(zhì)損耗tg較大，水分含量大，吸收比小于1.3，絕緣電阻過低，特征氣體中H2含量大。
　?。?）油中局部放電：H2、C2H2、CH4和CO含量高。
　?。?）斷線故障：直流電阻差值大，H2含量最大。
　　變壓器常見故障很多，故障原因也很多。把故障的多種特征提取出來，送到故障診斷模型中，進(jìn)行分析、綜合，最后可得出故障診斷結(jié)果。

3.故障診斷模型－多重模糊神經(jīng)網(wǎng)絡(luò)的建立
　　用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行變壓器故障診斷時(shí)，考慮到實(shí)際應(yīng)用中樣本多，數(shù)據(jù)差異大，采用一個(gè)網(wǎng)絡(luò)非常復(fù)雜，而且收斂性差，診斷準(zhǔn)確率低，因此，本文根據(jù)某些特征指標(biāo)和一定的規(guī)則組合，將整個(gè)樣本分為若干個(gè)相互獨(dú)立的子樣本集，建立多重子模糊神經(jīng)網(wǎng)絡(luò)，如圖1所示。

　　圖中x1，x2，x3為表2中所述的三比值法輸入值。
　　第一塊模糊神經(jīng)網(wǎng)絡(luò)采用特征氣體，如H2，C2H2，CH4，C2H4，C2H6，CO及CO2等測(cè)定值作為輸入，產(chǎn)生一系列的輸出。第二塊模糊神經(jīng)網(wǎng)絡(luò)采用氣體三比值法作為輸入，產(chǎn)生一系列的輸出。第三塊模糊神經(jīng)網(wǎng)絡(luò)可采用直流電阻、絕緣電阻、吸收比、極化指數(shù)、變比、介質(zhì)損耗tgδ、水分等電氣試驗(yàn)測(cè)定值作為輸入。第四塊模糊神經(jīng)網(wǎng)絡(luò)可采用油位、油溫度等測(cè)定值作為輸入。輸入模糊化后，送入BP神經(jīng)網(wǎng)絡(luò)，經(jīng)處理后，產(chǎn)生一系列結(jié)果，送入ART2模型中，再經(jīng)處理后產(chǎn)生診斷結(jié)果，輸出量有：正常，絕緣老化，繞組匝間短路，分接頭接觸不良，絕緣擊穿，嚴(yán)重受潮，油中局部放電，有載分接開關(guān)箱漏油，斷線，過熱性故障，鐵心短路，固體絕緣電弧分解等。
　　混合神經(jīng)網(wǎng)絡(luò)中BP神經(jīng)網(wǎng)絡(luò)為如下圖所示三層結(jié)構(gòu)：

　　BP1為3層，其輸入量為7個(gè)第1到3輸入量為H2，總烴及C2H2測(cè)定量，第4到7輸入量為C2H2，H2，CH4與C2H4在總烴中所占的比例，隱含層20個(gè)，輸出量為6個(gè)，分別表示一般過熱（>500℃），局部放電，火花放電，電弧放電與過熱兼電弧放電;BP2也為3層，其輸入量為3個(gè)，隱含層12個(gè)，輸出量為9個(gè)，其輸入輸出含義見表2。BP1、BP2兩類在現(xiàn)場(chǎng)已有應(yīng)用，因此，其輸入、輸出及隱含層神經(jīng)元數(shù)量是由經(jīng)驗(yàn)給出的；由于現(xiàn)場(chǎng)條件的限制，BP3、BP4輸入量、輸出量的個(gè)數(shù)及隱含層數(shù)由根據(jù)現(xiàn)場(chǎng)實(shí)際所能提供的測(cè)定數(shù)據(jù)來確定，仿真中采用介質(zhì)損耗tgδ、直流電阻、吸收比、油位、水分的測(cè)量值作為輸入，網(wǎng)絡(luò)也采用三層結(jié)構(gòu)，其輸入層、隱含層、輸出層分別為3、10、6和2、8、5。BP神經(jīng)網(wǎng)絡(luò)采用文獻(xiàn)5所述的學(xué)習(xí)算法。由于BP算法存在收斂速度慢，學(xué)習(xí)精度低等問題，本文采用加動(dòng)量因子，及不等權(quán)、半隨機(jī)初始解等方法加以解決，以加快收斂速度。
　　ART2神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如3圖所示【9】：

　　自適應(yīng)共振理論ART2具有快速的學(xué)習(xí)算法，且無需大量樣本，在故障在線識(shí)別領(lǐng)域有很大的應(yīng)用潛力。圖3是典型的單ART2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，適用于模擬向量輸入。網(wǎng)絡(luò)可分為注意子系統(tǒng)和調(diào)整子系統(tǒng)兩部分，前者完成輸入向量的相似度匹配及競(jìng)爭選擇，后者檢驗(yàn)輸入模式與長期記憶模式之間的相似度是否達(dá)到滿意的程度，并根據(jù)檢驗(yàn)結(jié)果作出相應(yīng)處理，成功或重置。提取的特征向量Ii輸入F1層(比較層)。在F1層通過向量歸一化和非線性變換經(jīng)迭代得到穩(wěn)定的中層模式u，并經(jīng)p送入F2層(識(shí)別層)，由F2層經(jīng)競(jìng)爭選擇激活F2層候選模式(本文中對(duì)應(yīng)故障類型)，得到系統(tǒng)的短期記憶。F2層的輸出經(jīng)長期記憶加權(quán)后反饋回F1層，反饋信息與u一起送入調(diào)整子系統(tǒng)，檢驗(yàn)系統(tǒng)長期記憶模式與輸入模式的相似程度，若通過相似程度檢驗(yàn)，則可確定輸入模式屬于F2層的候選模式，并按快速學(xué)習(xí)算法，一步完成權(quán)值的學(xué)習(xí)；若未通過檢驗(yàn)，則強(qiáng)迫F2層重置并選擇下一輸出節(jié)點(diǎn)，若所有的輸出節(jié)點(diǎn)都不能通過匹配檢驗(yàn)，則增加一個(gè)新的輸出節(jié)點(diǎn)即另一新類。
　　在應(yīng)用ART2時(shí)必須注意的是ρ(相似測(cè)度警戒限，為0到1之間的正數(shù))的選擇。ρ值決定了網(wǎng)絡(luò)對(duì)輸入模式進(jìn)行分類的間隔大小，直接影響分類性能。若ρ選得太小，分類粗糙，不能把不同故障類型區(qū)分開；若ρ選得太大，分類又太紉，則同一故障類型可能被劃分到不同輸出模式中，引起錯(cuò)分。ρ的選樣沒有一定的規(guī)則，需要在具體應(yīng)用中調(diào)整。本文中ρ取0.5即可達(dá)到較滿意的分類效果。ART2網(wǎng)絡(luò)參考了文獻(xiàn)10所述的學(xué)習(xí)算法。
　　變壓器故障診斷過程屬于一個(gè)非平穩(wěn)、非線性的隨機(jī)過程。在學(xué)習(xí)階段，通過對(duì)足夠量的樣本訓(xùn)練，逐層調(diào)整接點(diǎn)權(quán)重和閾值，直至誤差達(dá)到精度要求。在工作期間，投入不同的測(cè)試樣本，進(jìn)行故障診斷模式識(shí)別，最終實(shí)時(shí)判別故障類型和故障可能發(fā)生的位置。

4.知識(shí)處理
4.1特征氣體的模糊知識(shí)表示

?

4.2三比值法模糊知識(shí)表示
　　參照表2，采用升半正態(tài)分布函數(shù)，可以具有對(duì)較弱數(shù)值持不敏感態(tài)度，而對(duì)足以淹沒噪聲的較大數(shù)值，持較敏感態(tài)度。分布函數(shù)如上公式所示。

4.3電氣試驗(yàn)數(shù)據(jù)的模糊處理
4.3.1直流電阻【2】
　　測(cè)量直流電阻一般可用于分析斷線，導(dǎo)線斷股或脫焊，匝簡短路，分接頭接觸不良等故障。GB規(guī)定，一般各相測(cè)得值（要換算到20℃時(shí)的對(duì)應(yīng)值）相互差值應(yīng)小于平均值的4%，線間測(cè)得的相互差值應(yīng)小于平均值的2%。實(shí)際的差值應(yīng)與出廠試驗(yàn)記錄的記錄實(shí)測(cè)值相比較。
4.3.2絕緣電阻、吸收比及極化指數(shù)【2】
　　測(cè)量繞組絕緣電阻、吸收比及極化指數(shù)可以作為發(fā)現(xiàn)變壓器的絕緣擊穿、大范圍受潮的故障的一個(gè)手段。按GB規(guī)定，絕緣電阻不應(yīng)低于出廠試驗(yàn)值的70%。吸收比k=R60/R15≥1.3,認(rèn)為變壓器沒有受潮現(xiàn)象。極化指數(shù)的狀態(tài)見表3。

4.3.3 介質(zhì)損耗tg【3】
　　測(cè)量介質(zhì)損耗tgδ對(duì)于判斷變壓器絕緣老化，受潮等整體狀況有一定作用。一般情下tgδ（要換算到20℃時(shí)的對(duì)應(yīng)值）小于3%為良好，大于3%小于6%為要注意，大于6%說明不良。
4.3.4 水分【4】
　　測(cè)量水分主要用來判斷變壓器受潮情況。一般情況下水分小于35ppm為良好，大于35ppm小于50ppm為要注意，大于50ppm說明不良。

5.仿真
　　在對(duì)歷年電力變壓器有關(guān)技術(shù)刊物及相應(yīng)資料上公布的故障實(shí)例進(jìn)行統(tǒng)計(jì)后，選取了經(jīng)實(shí)際檢驗(yàn)驗(yàn)證證明結(jié)論較明確的811臺(tái)次故障變壓器的數(shù)據(jù)，經(jīng)隨機(jī)選取后組成的訓(xùn)練樣本集及檢驗(yàn)樣本集內(nèi)各故障類型的分布情況見表4。

　　根據(jù)本文所述的模型，判斷結(jié)果如表5所示。
　　由表5可見，基于模糊輸入的BP-ART2混合神經(jīng)網(wǎng)絡(luò)用于電力變壓器故障診斷診斷正確率較高，對(duì)于諸如分接或引線等導(dǎo)電回路過熱故障以及匝間短路或引線閃絡(luò)等涉及固體絕緣的放電故障的診斷正確性方面有較明顯的提高，這說明本方法用于變壓器故障診斷確實(shí)能夠取得較好的診斷效果。

6.結(jié)論
　　本文的目的是找到一種用于電力變壓器故障診斷的新型有效方法，為此，采用BP-ART2混合神經(jīng)網(wǎng)絡(luò)用于此目的。該方法充分利用BP神經(jīng)網(wǎng)絡(luò)和ART2模型的優(yōu)點(diǎn)，克服了各自的不足之處，對(duì)電力變壓器故障診斷工作是一種新的嘗試。仿真結(jié)果可以發(fā)現(xiàn)，應(yīng)用此方法可以收到良好的效果。