CN103150594A - 基于加动量项bp神经网络的变压器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于加动量项BP神经网络的变压器故障诊断方法。基于加动量项BP神经网络本发明构建了一种完全意义上的智能方法，用于基于油中溶解气体数据的变压器故障诊断方法，提高故障诊断的速度和准确率。本发明具体步骤如下：1）输入层和输出层神经元的确定；2）确定激活函数、神经网络的隐含层层数和隐含层神经元数，从而建立神经网络；3）利用加动量项的BP算法调整网络参数，训练已创建的神经网络；4）利用MATLAB软件对已经通过测试的神经网络进行仿真，进而对变压器故障进行测试诊断。

Description

基于加动量项BP神经网络的变压器故障诊断方法

技术领域

本发明涉及一种变压器故障诊断方法，具体涉及一种基于加动量项BP神经网络的变压器故障诊断方法。属于变压器设备状态在线监测技术领域。

背景技术

随着电力系统的不断发展，对电力设备的安全性、可靠性也提出了更高的要求，供电部门在不断提高供电质量的同时，应切实采取措施来保证电力设备的正常运行，以提高安全用电的可靠性。变压器在输变电系统中的作用极其重要，其长期、安全、可靠、高效运行的重要性不言而喻。对于大型电力变压器，目前几乎大多是用油来绝缘和散热，变压器油与油中的固体有机绝缘材料在运行电压下因电、热、氧化和局部电弧等多种因素作用会逐渐变质，裂解成低分子气体；变压器内部存在的潜伏性过热或放电故障又会加快产气的速率。随着故障的缓慢发展，裂解出来的气体形成气泡在油中经过对流、扩散作用，就会不断地溶解在油中。同一类性质的故障，其产生的气体量随故障的严重程度而异，而与绝缘油的种类和牌号无关。由此可见，油中溶解气体的组分和含量在一定程度上反映出变压器绝缘老化或故障的程度。可以作为反映电气设备电气异常的特征量。因此，通过对电力变压器运行过程中的故障诊断，及时有效的判断其状态，将使变压器长期、安全可靠的运行成为可能。无论是从重要性还是具有的经济效益来衡量，都将对电力系统的安全运行产生重要的意义。

发明内容

本发明的目的是为克服上述现有技术的不足，提供一种基于加动量项BP神经网络的变压器故障诊断方法。基于加动量项BP神经网络，本发明构建了一种完全意义上的智能方法，用于基于油中溶解气体数据的变压器故障诊断方法，提高故障诊断的速度和准确率。

为实现上述目的，本发明采用下述技术方案：

基于加动量项BP神经网络的变压器故障诊断方法，具体步骤如下：

1）输入层和输出层神经元的确定：

将变压器故障气体作为特征气体，以其组分含量作为神经网络的输入层神经元；

将无故障、中低温过热、高温过热、低能量放电、高能量放电作为五个输出层神经元，分别对应O₁、O₂、O₃、O₄、O₅，输出值最大为1，表示属于此类故障，数值越大则表明该类型故障的可能性越大；输出值最小为0，表示不属于此类故障；

2）确定激活函数、神经网络的隐含层层数和隐含层神经元数，从而建立神经网络；

3）利用加动量项的BP算法调整网络参数，训练已创建的神经网络；

4）利用MATLAB软件对已通过测试的神经网络进行仿真，进而对变压器故障进行测试诊断。

所述步骤1）中，变压器故障气体是指H₂、CH₄、C₂H₄、C₂H₆和C₂H₂这五种气体。

所述步骤1）还包括确定训练样本数，并将变压器故障气体的组分含量归一化至0和+1之间。

所述步骤2）中激活函数为对数S形函数，其表达式为：

$f\left(x\right)=\frac{1}{1+\exp (-x)}.$

所述步骤2）中神经网络的隐含层层数为一层，隐含层神经元数为18：对于任何在闭区间内的一个连续函数都可以用单隐层的网络逼近，因而一个三层网络就可以完成任意映射；隐含层神经元的节点数S利用如下公式确定：

$S=\sqrt{m+n}+\mathrm{\σ}$

式中，n为输入层神经元数，m为输出层神经元数，σ为1～10之间的常数。

所述步骤3）调整网络参数的具体过程是：

所述网络参数由层间神经元的连接权值和神经元的偏置组成，网络的学习过程由信号的正向传播和误差的反向传播构成，学习的最终目的是通过修改网络的可变参数使网络针对训练样本能满足精度要求；在信号的正向传播过程中，如果输出层的信号未能达到网络误差的平方和的均值，则输出信号的误差将沿网络的连通路径反向传播至输入层，过程中修改网络各层间的连接权值和神经元的偏置；BP算法每次迭代网络参数的调整量如下：

$\mathrm{\Δ}{w}_{\mathrm{ij}}\left(k\right)=-\mathrm{\η}\frac{\∂e}{\∂w_{\mathrm{ij}}}\left(k\right)$

式中：Δw_ij为网络参数调整量，η是学习步长；

是网络参数对网络误差的一阶偏导数；k是迭代次数；

加动量项的BP算法将网络权值和偏置的上一次调整量乘以一个系数作为网络参数本次调整量的一部分，这个增加的部分即为动量项，此时网络参数的调整量变为：

$\mathrm{\Δ}{w}_{\mathrm{ij}}(k+1)=\mathrm{\β\Δ}{w}_{\mathrm{ij}}\left(k\right)-\mathrm{\η}\frac{\∂e}{\∂w_{\mathrm{ij}}}(k+1)$

式中：Δw_ij为网络参数调整量，β为动量项因子；w为网络参数，0<β<1，可取0.9；k为网络训练迭代次数；

当本次的

与上一次同符号时，其加权求和值增大，使Δw_ij(k)较大，从而在稳定调节的同时增加调节速度；当本次的

与上一次符号相反时，说明有一定的振荡，此时加权和结果使Δw_ij(k)较小，起到稳定作用。动量项的引入平滑了网络的训练路径，神经网络训练的计算量增加很少，更为重要的是提高了网络的收敛速度。

所述步骤3）中训练已创建的网络的具体方法是：

网络采用结构为5-18-5的三层前馈神经网络对故障变压器油色谱样本进行训练，样本数目为50个，允许最多训练代数为40000，误差目标为4；分别采用加动量项BP算法、结合加动量项和变学习速率的BP算法训练；常规BP算法训练了40000次仍不能收敛于误差目标，最终训练误差在8附近；加动量项BP算法训练了1万多次网络收敛。

训练样本时使用MATLAB。它的一个重要优点就是有快速的矩阵运算能力，同时MATLAB有较强的可移植性，可以与C语言混合变成MATLAB又提供了很多函数，大大减少了用户的工作量。

本发明作为改进后的BP算法，加快了网络的收敛速度。将多个神经网络输出的平均作为网络诊断结果减少了网络诊断的误差，提高了诊断的准确率；根据多个神经网络输出的方差给出了神经网络诊断结果的可信度，这样可以有效减少神经网络方法发生误诊断的可能性。在BP神经网络的基础上，构建一种方法用于基于油中溶解气体数据的变压器故障诊断方法，提高故障诊断的速度和准确率。

本发明的有益效果是：

（1）收敛速度快；

（2）利用神经网络的非线性映射和预测，准确地应用于变压器的故障诊断；

（3）方法规则简明，实用性高；

（4）为变压器设备的检修也带来了很大的方便。

本发明所采用的技术方案是在BP神经网络的基础上，对照其算法的特性，改进BP算法，使用加动量项BP算法，由于变压器故障诊断实质上就是在输入数据样本和一个或多个故障状态之间建立联系的过程，故将改进后的BP网络用于变压器故障诊断模型的建立，找到变压器油中溶解气体组分含量与变压器故障之间的映射关系。通过该模型能快速获得其故障情况。其中的样本数据可能与实际数据有误差，这对于模型来说是不可取的，而BP网络具有容错性、鲁棒性等特点，这样个别数据的误差不会影响网络的整体性能。

附图说明

图1是本发明的结构流程图；

图2油中气体诊断流程图；

图3BP神经网络结构图。

具体实施方式

下面结合附图和实施例对本发明进行进一步的阐述，应该说明的是，下述说明仅是为了解释本发明，并不对其内容进行限定。

基于加动量项BP神经网络的变压器故障诊断方法，具体步骤如下：

1）输入层和输出层神经元的确定：

将变压器故障气体作为特征气体，以其组分含量作为神经网络的输入层神经元；

将无故障、中低温过热、高温过热、低能量放电、高能量放电作为五个输出层神经元，分别对应O₁、O₂、O₃、O₄、O₅，输出值最大为1，表示属于此类故障，数值越大则表明该类型故障的可能性越大；输出值最小为0，表示不属于此类故障；

2）确定激活函数、神经网络的隐含层层数和隐含层神经元数，从而建立神经网络；

3）利用加动量项的BP算法调整网络参数，训练已创建的神经网络；

4）利用MATLAB软件对已通过测试的神经网络进行仿真，进而对变压器故障进行测试诊断。

所述步骤1）中，变压器故障气体是指H₂、CH₄、C₂H₄、C₂H₆和C₂H₂这五种气体。

所述步骤1）还包括确定训练样本数，并将H₂、CH₄、C₂H₄、C₂H₆和C₂H₂这五种气体的组分含量归一化至0和+1之间。

所述步骤2）中激活函数为对数S形函数，其表达式为：

$f\left(x\right)=\frac{1}{1+\exp (-x)}.$

所述步骤2）中神经网络的隐含层层数为一层，隐含层神经元数为18：对于任何在闭区间内的一个连续函数都可以用单隐层的网络逼近，因而一个三层网络就可以完成任意映射；隐含层神经元的节点数S利用如下公式确定：

$S=\sqrt{m+n}+\mathrm{\&sigma;}$

式中，n为输入层神经元数，m为输出层神经元数，σ为1～10之间的常数。

所述步骤3）调整网络参数的具体过程是：

所述网络参数由层间神经元的连接权值和神经元的偏置组成，网络的学习过程由信号的正向传播和误差的反向传播构成，学习的最终目的是通过修改网络的可变参数使网络针对训练样本能满足精度要求；在信号的正向传播过程中，如果输出层的信号未能达到网络误差的平方和的均值，则输出信号的误差将沿网络的连通路径反向传播至输入层，过程中修改网络各层间的连接权值和神经元的偏置；BP算法每次迭代网络参数的调整量如下：

$\mathrm{\&Delta;}{w}_{\mathrm{ij}}\left(k\right)=-\mathrm{\&eta;}\frac{\&PartialD;e}{\&PartialD;w_{\mathrm{ij}}}\left(k\right)$

式中：Δw_ij为网络参数调整量，η是学习步长；

是网络参数对网络误差的一阶偏导数；k是迭代次数；

加动量项的BP算法将网络权值和偏置的上一次调整量乘以一个系数作为网络参数本次调整量的一部分，这个增加的部分即为动量项，此时网络参数的调整量变为：

$\mathrm{\&Delta;}{w}_{\mathrm{ij}}(k+1)=\mathrm{\&beta;\&Delta;}{w}_{\mathrm{ij}}\left(k\right)-\mathrm{\&eta;}\frac{\&PartialD;e}{\&PartialD;w_{\mathrm{ij}}}(k+1)$

式中：Δw_ij为网络参数调整量，β为动量项因子；w为网络参数，0<β<1，可取0.9；k为网络训练迭代次数；

当本次的

与上一次同符号时，其加权求和值增大，从而在稳定调节的同时增加调节速度；当本次的

与上一次符号相反时，说明有振荡，起到稳定作用。

所述步骤3）中训练已创建的网络的具体方法是：

网络采用结构为5-18-5的三层前馈神经网络对故障变压器油色谱样本进行训练，样本数目为50个，允许最多训练代数为40000，误差目标为4；分别采用加动量项BP算法、结合加动量项和变学习速率的BP算法训练；常规BP算法训练了40000次仍不能收敛于误差目标，最终训练误差在8附近；加动量项BP算法训练了1万多次网络收敛。

训练样本时使用MATLAB。它的一个重要优点就是有快速的矩阵运算能力，同时MATLAB有较强的可移植性，可以与C语言混合变成MATLAB又提供了很多函数，大大减少了用户的工作量。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.基于加动量项BP神经网络的变压器故障诊断方法，其特征在于，具体步骤如下：

1）输入层和输出层神经元的确定：

将变压器故障气体作为特征气体，以其组分含量作为神经网络的输入层神经元；

将无故障、中低温过热、高温过热、低能量放电、高能量放电作为五个输出层神经元，分别对应O₁、O₂、O₃、O₄、O₅，输出值最大为1，表示属于此类故障，数值越大则表明该类型故障的可能性越大；输出值最小为0，表示不属于此类故障；

2）确定激活函数、神经网络的隐含层层数和隐含层神经元数，从而建立神经网络；

3）利用加动量项的BP算法调整网络参数，训练已创建的神经网络；

4）利用MATLAB软件对已通过测试的神经网络进行仿真，进而对变压器故障进行测试诊断。

2.根据权利要求1所述的变压器故障诊断方法，其特征在于，所述步骤1）中，变压器故障气体是指H₂、CH₄、C₂H₄、C₂H₆和C₂H₂这五种气体。

3.根据权利要求1或2所述的变压器故障诊断方法，其特征在于，所述步骤1）还包括确定训练样本数，并将变压器故障气体的组分含量归一化至0和+1之间。

4.根据权利要求1所述的变压器故障诊断方法，其特征在于，所述步骤2）中激活函数为对数S形函数，其表达式为：

$f\left(x\right)=\frac{1}{1+\exp (-x)}.$

5.根据权利要求1所述的变压器故障诊断方法，其特征在于，所述步骤2）中神经网络的隐含层层数为一层，隐含层神经元数为18；隐含层神经元的节点数S利用如下公式确定：

$S=\sqrt{m+n}+\mathrm{\&sigma;}$

式中，n为输入层神经元数，m为输出层神经元数，σ为1～10之间的常数。

6.根据权利要求1所述的变压器故障诊断方法，其特征在于，所述步骤3）调整网络参数的具体过程是：

所述网络参数由层间神经元的连接权值和神经元的偏置组成，网络的学习过程由信号的正向传播和误差的反向传播构成，学习的最终目的是通过修改网络的可变参数使网络针对训练样本能满足精度要求；在信号的正向传播过程中，如果输出层的信号未能达到网络误差的平方和的均值，则输出信号的误差将沿网络的连通路径反向传播至输入层，过程中修改网络各层间的连接权值和神经元的偏置；BP算法每次迭代网络参数的调整量如下：

$\mathrm{\&Delta;}{w}_{\mathrm{ij}}\left(k\right)=-\mathrm{\&eta;}\frac{\&PartialD;e}{\&PartialD;w_{\mathrm{ij}}}\left(k\right)$

式中：Δw_ij为网络参数调整量，η是学习步长；

是网络参数对网络误差的一阶偏导数；k是迭代次数；

加动量项的BP算法将网络权值和偏置的上一次调整量乘以一个系数作为网络参数本次调整量的一部分，这个增加的部分即为动量项，此时网络参数的调整量变为：

$\mathrm{\&Delta;}{w}_{\mathrm{ij}}(k+1)=\mathrm{\&beta;\&Delta;}{w}_{\mathrm{ij}}\left(k\right)-\mathrm{\&eta;}\frac{\&PartialD;e}{\&PartialD;w_{\mathrm{ij}}}(k+1)$

式中：Δw_ij为网络参数调整量，β为动量项因子；w为网络参数，0<β<1，可取0.9；k为网络训练迭代次数；

当本次的与上一次同符号时，其加权求和值增大，使Δw_ij(k)较大，从而在稳定调节的同时增加了调节速度；当本次的

与上一次符号相反时，说明有振荡，此时加权和结果使Δw_ij(k)较小。

7.根据权利要求1所述的变压器故障诊断方法，其特征在于，所述步骤3）中训练已创建的网络的具体方法是：

网络采用结构为5-18-5的三层前馈神经网络对故障变压器油色谱样本进行训练，样本数目为50个，允许最多训练代数为40000，误差目标为4；分别采用加动量项BP算法、结合加动量项和变学习速率的BP算法训练；常规BP算法训练了40000次仍不能收敛于误差目标，最终训练误差在8附近；加动量项BP算法训练了1万多次网络收敛。

8.根据权利要求1所述的变压器故障诊断方法，其特征在于，训练样本时使用MATLAB。

Images