CN103268516A - 一种基于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神经网络的变压器故障诊断方法，包括（1）利用IEC三比值法得出五种气体的三比值：C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆作为训练样本；（2）利用隶属函数将三比值进行模糊化处理；（3）对故障类型进行编码；（4）根据模糊化后的训练样本数据训练BP神经网络，直到BP网络满足精度要求，（5）将模糊化后的待测样本数据输入到训练好的BP神经网络；（6）BP神经网络输出诊断结果。本发明通过历史数据对神经网络的训练，使神经网络能做到在线监测的功能。通过计算机采集变压器上的数据信息，提前对故障做出诊断，把隐患解决。

Description

一种基于神经网络的变压器故障诊断方法

技术领域

本发明涉及变压器故障诊断方法，尤其涉及一种基于BP神经网络的变压器故障诊断方法。 

背景技术

目前，变压器作为供电网络的重要设备，对供电网络的质量起到尤为重要的作用。变压器的故障会波及很大的范围，造成严重的影响，带来巨大的损失。所以变压器的故障维修、定期维护，一直都是关注的重点。我国电力行业已普遍推行了定期维修制，它曾对保证电力系统的安全、稳定运行起到了有效的监督作用。但经多年的运行实践后发现，定期维修制由于维修计划缺乏针对性，往往容易导致过度维修或维修不足的双重缺陷，因而近年来对故障诊断技术的研究得到了国内外学者的广泛重视。 

IEC三比值法是目前广泛应用的一种变压器故障诊断方法。此法的基本原理是变压器发生故障时，从变压器油中提取五种特征气体（H₂，CH₄，C₂H₂，C₂H₆和C₂H₄）的成分含量计算出相应的三对比值（C₂H₂/C₂H₄，CH₄/H₂，C₂H₄/C₂H₆）并赋予相应的编码，再由编码规则，得到一组编码表，然后根据表中提供的诊断标准就可找到相应的故障类型。三比值诊断法的优点是简单，诊断问题快。只要特征气体的三对比值在编码表范围之内，即可“对号入座”，迅速查找到故障类型。但三比值法也存在一些问题：当油中特征气体含量未达到注意值时，无法用这种方法进行诊断；若特征气体的三比值根据编码规则和分类方法得到的编码超出已知的编码列表，则无法确定故障类型，还有当多种故障同时产生时，三比值法难以区分。 

发明内容

本发明的目的是提供一种基于神经网络的变压器故障诊断方法，能够对变压器故障做出及时准确地判断。 

本发明采用下述技术方案：一种基于BP神经网络的变压器故障诊断的智能方法，包括（1）、利用IEC三比值法得出五种气体的三比值：C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆作为训练样本；（2）、利用隶属函数将三比值进行模糊化处理；（3）、对故障类型进行编码；（4）、根据模糊化后的训练样本数据训练BP神经网络，直到BP网络满足精度要求，（5）、将模糊化后的待测样本数据输入到训练好的BP神经网络；（6）、BP神经网络输出诊断结果。 

所述的步骤（2）中所采用的隶属函数是正态分布函数，设χ₁=C₂H₂/C₂H₄，χ₂=CH₄/H₂，χ₃=C₂H₄/C₂H₆，a₁，a₂，a₃为模糊化处理过的神经网络输入层的实际输入量，则隶属函数为： 

$a_1=\left\{\begin{array}{cc}0,& ,0\&le;{\mathrm{\&chi;}}_1<0.1\\ 1-e^{-0.5{({\mathrm{\&chi;}}_1-0.1)}^2},& 0.1\&le;{\mathrm{\&chi;}}_1<3\\ 1,& {\mathrm{\&chi;}}_1\&GreaterEqual;3\end{array}\right\}$

$a_2=\left\{\begin{array}{cc}0.5,& 0\&le;{\mathrm{\&chi;}}_2<0.1\\ 0,& 0.1\&le;{\mathrm{\&chi;}}_2<1\\ 1,& {\mathrm{\&chi;}}_2\&GreaterEqual;1\end{array}\right\}$

$a_3=\left\{\begin{array}{cc}0,& ,0\&le;{\mathrm{\&chi;}}_3<1\\ 1-e^{-({\mathrm{\&chi;}}_3-1{)}^2},& 1\&le;{\mathrm{\&chi;}}_3<3\\ 1,& {\mathrm{\&chi;}}_3\&GreaterEqual;3\end{array}\right\}.$

所述的步骤（3）中的故障类型编码包括：若编码为100000，则故障类型对应为低能放电；若编码为010000，则故障类型对应为中温过热；若编码为001000，则故障类型对应为高能放电；若编码为000100，则故障类型对应为高温过热；若编码为000010，则故障类型对应为地温过热；若编码为000001，则故障类型 对应为局部放电。 

还包括有将神经网络输出数据模糊化的步骤，把大于0.5的数据规定为1，其它的为0。 

所述的步骤（4）中根据模糊化后的样本数据训练BP神经网络是用trainlam函数进行训练，训练次数为1000次，三个输入节点是模糊化后的三比值，六个输出节点是故障类型编码：设置学习率为0.005，隐层神经元个数为30。 

本发明提供一种基于人工神经网络的方法，通过历史数据对神经网络的训练，使神经网络能做到在线监测的功能；通过计算机采集变压器上的数据信息，提前对故障做出诊断，把隐患解决。本方法能够对故障做出及时准确地判断，保证电力网络的可靠性，同时降低成本，使维修、检查都具有针对性，能把故障提前、准确地解决，这样才能实实在在的保证供电网络的安全可靠性。 

附图说明

图1为本发明的方法流程图。 

具体实施方式

如图1所示，本发明一种基于BP神经网络的变压器故障诊断的方法，包括以下步骤： 

（1）、利用IEC三比值法得出五种气体的三比值：C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆作为训练样本数据； 

（2）、利用隶属函数将三比值进行模糊化处理； 

（3）、根据模糊化后的样本数据和故障类型的对应关系对故障类型进行编码； 

（4）、根据模糊化后的训练样本数据训练BP神经网络，直到BP网络满足精度要求后进入下一步； 

（5）、将模糊化后的待测样本数据输入到训练好的BP神经网络； 

（6）、BP神经网络输出诊断结果。 

BP(Back Propagation)神经网络，即误差反传算法的学习过程，由信 息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者到预先设定的学习次数为止。BP神经网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。 

本发明中对变压器故障的分析采用模糊BP网络的方法。输入数据是五种气体（H₂，CH₄，C₂H₂，C₂H₆和C₂H₄）的三比值，先把三个比值（C₂H₂/C₂H₄，CH₄/H₂，C₂H₄/C₂H₆）模糊化。模糊化后的数，才是BP神经网络的实际输入。所以隶属函数的选择就很重要，既要尽量减小外界因素的干扰性，还要突出影响比较大的数据。 

设χ₁=C₂H₂/C₂H₄，χ₂=CH₄/H₂，χ₃=C₂H₄/C₂H₆，假设a₁,a₂,a₃为网络的实际输入，隶属函数为： 

$a_1=\left\{\begin{array}{cc}0,& ,0\&le;{\mathrm{\&chi;}}_1<0.1\\ 1-e^{-0.5({\mathrm{\&chi;}}_1-0.1{)}^2},& 0.1\&le;{\mathrm{\&chi;}}_1<3\\ 1,& {\mathrm{\&chi;}}_1\&GreaterEqual;3\end{array}\right\}---\left(1\right)$

$a_2=\left\{\begin{array}{cc}0.5,& 0\&le;{\mathrm{\&chi;}}_2<0.1\\ 0,& 0.1\&le;{\mathrm{\&chi;}}_2<1\\ 1,& {\mathrm{\&chi;}}_2\&GreaterEqual;1\end{array}\right\}---\left(2\right)$

$a_3=\left\{\begin{array}{cc}0,& ,0\&le;{\mathrm{\&chi;}}_3<1\\ 1-e^{-({\mathrm{\&chi;}}_3-1{)}^2},& 1\&le;{\mathrm{\&chi;}}_3<3\\ 1,& {\mathrm{\&chi;}}_3\&GreaterEqual;3\end{array}\right\}---\left(3\right)$

先将300组气体样本数据计算出三比值数据(其中部分数据见表3-1)，通过隶属函数（1）、（2）、（3）转化成0到1之间的数(其中一部分见表3-2)。每组三比值数据都对应着一种故障类型，故障类型一共有6种,分别为高温过热，低能放电，中温过热，局部放电，高能放电，低温过热，将故障类型进行编码，如表3-3所示。编码100000，对应故障类型为低能放电；编码010000，对应故障类型为中温过热；编码001000，对应故障类型为高能放电；编码000100，对应故障类型为高温过热；编码000010，对应故障类型为地温过热；编码000001，对应故障类型为局部放电。这样就建立了气体三比值数据与故障编码之间的对应关系，其中部分数据见表3-4。 

表3-1六种气体的数据 

H2	CH4	C2H6	C2H4	C2H2	CO
						0.5	11.29	2.84	9.21	3.19	369.6
47.6	15.46	2.95	17.77	34.76	565.6
						46.6	23.24	4.37	20.29	54.09	430.4
0.5	16.46	3.09	14.39	35.46	380.1
						40	18.98	3.66	17.87	48.38	363
41.4	22.83	4.23	18.8	59.68	447.8
						14.6	10.8	3.07	21.7	108	82.4
32.8	13.5	3.7	29.5	157	95.3
						112	15.4	2.8	26.3	92	320
95	21.2	5.2	34.8	120	330
						20.9	1.3	0.6	1.5	0.5	80
21	0.5	0.7	0.6	0.7	13
						10	2.5	1.2	3	4.6	80
22	3.7	0.8	8.4	41.7	70
						102	3.9	0.8	7.7	39.2	70
52	4.1	1	9.5	47.3	101
						5	6.2	1.1	11.5	45.2	60

[0031] 

254.7	205.4	44.7	70.47	2.8	215.4
						123.8	273.5	54.4	80.9	17.4	133
96.7	324.5	56.8	37.2	27.1	308
						125	225.6	55.6	89.5	50	325

表3-2通过隶属函数转化后的三比值数据 

a1	a2	a3
			0.029891	1	1
0.821392	0	1
			0.962812	0	1
0.93887	1	1
			0.966596	0	1
1	0	1
			1	0	1
1	0	1
			1	0	1
1	0	1
			0.026855	0.5	0.894600775
0.433846	0.5	0
			0.642	0	0.894600775
1	0	1
			1	0.5	1
1	0.5	1
			1	1	1

表3-3各种故障类型对应的编码 

矩阵	故障类型
		1 0 0 0 0 0	低能放电
0 1 0 0 0 0	中温过热
		0 0 1 0 0 0	高能放电
0 0 0 1 0 0	高温过热
		0 0 0 0 1 0	低温过热
0 0 0 0 0 1	局部放电

表3-4模糊化后的气体三比值数据与故障编码的对应关系 

BP神经网络通过样本数据训练网络，使网络的阀值，权数不断地改变，发现输入和输出数据之间的对应规律。把300组如表3-4所示的模糊化后的气体三比值数据写成文件1.txt，作为BP神经网络训练样本的输入数据，对应的故障编码数据写成文件2.txt.作为BP神经网络训练样本的输出数据，进行BP神经网络训练，用随机挑选的83组数据（如表3-5所示）对BP神经网络故障诊断准确率进行测试；通过不断调整BP神经网络隐层神经元的个数和训练学习率，提高BP神经网络故障诊断准确率。 

表3-5网络故障诊断准确率测试数据 

由于BP神经网络的输出函数是线性的，所以诊断后输出的83组数是正无穷到负无穷之间的数。对BP神经网络输出的数据进行模糊化，把大于等于0.5的规定为1，其它的规定为0。这样输出就成为0和1的83组六维数据。把神经网络输出的数据与实际故障类型编码数据一一进行比较，检查准确率。当隐层是30，学习率为0.005时，准确率达到了85.4%。神经网络的权值与阈值如下表所示。 

net.IW{1,1} 

net.LW{2,1} 

net.b{1,1} 

Claims (5)

1.一种基于神经网络的变压器故障诊断方法，其特征在于：包括（1）、利用IEC三比值法得出五种气体的三比值：C₂H₂/C₂H₄、CH₄/ H₂、C₂H₄/ C₂H₆作为训练样本；（2）、利用隶属函数将三比值进行模糊化处理；（3）、对故障类型进行编码；（4）、根据模糊化后的训练样本数据训练BP神经网络，直到BP网络满足精度要求，（5）、将模糊化后的待测样本数据输入到训练好的BP神经网络；（6）、BP神经网络输出诊断结果。

2.根据权利要求1所述的基于神经网络的变压器故障诊断的智能方法，其特征在于：所述的步骤（2）中所采用的隶属函数是正态分布函数，设                                                ，

，

，

，，

为模糊化处理过的神经网络输入层的实际输入量，则隶属函数为：

                                  

 

。

3.根据权利要求1所述的基于神经网络的变压器故障诊断方法，其特征在于：所述的步骤（3）中的故障类型编码包括：若编码为100000，则故障类型对应为低能放电；若编码为010000，则故障类型对应为中温过热；若编码为001000，则故障类型对应为高能放电；若编码为000100，则故障类型对应为高温过热；若编码为000010，则故障类型对应为地温过热；若编码为000001，则故障类型对应为局部放电。

4.根据权利要求1至3所述的基于神经网络的变压器故障诊断方法，其特征在于：还包括有将神经网络输出数据模糊化的步骤，把大于0.5的数据规定为1，其它的为0。

5.根据权利要求4所述的基于神经网络的变压器故障诊断方法，其特征在于：所述的步骤（4）中根据模糊化后的样本数据训练BP神经网络是用trainlam函数进行训练，训练次数为1000次，三个输入节点是模糊化后的三比值，六个输出节点是故障类型编码：设置学习率为0.005，隐层神经元个数为30。

Images