基于模糊输入的BP-ART2混合神经网络在电力变压器故障综合诊断中的应用

根据模糊理论和神经网络理论，提出了变压器故障诊断的新方法，根据DGA(dissolved gas analysis) 法、电气试验法及外部故障特征法，建立了基于模糊输入的BP-ART2混和神经网络对电力变压器故障进行综合诊断。仿真结果表明本方法能有效提高变压器故障诊断正确率。
　　关键词：模糊控制; BP神经网络;ART2模型;故障诊断;电力变压器

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
　　电力变压器是电力系统中重要的设备之一，对电力系统的安全运行起着举足轻重的作用。搞好变压器的运行维护，特别是故障诊断工作，对于提高电力系统安全运行可靠性具有非常重要的作用。
　　DGA的出现和逐渐成熟，给变压器故障诊断带来了许多便利。利用DGA来判断变压器故障的方法有许多种，如罗杰斯法、特征气体法、三比值法、电协研法等，然而这些方法本身具有一定程度的不完善性，仅基于DGA，并不能对故障进行准确评判，不能准确定位。结合电气试验，如测直流电阻，绝缘电阻，吸收比等，再加上一些故障特征，如温度升高，油位下降等，综合进行评判，可以有效提高诊断质量。
　　BP神经网络具有较强的非线性逼近能力，能进行故障模式识别，还能进行故障严重程度评估和故障预测，应用很广，但它对异常类故障处理能力低，不具备增量学习功能。ART 2模型是一种自组织的网络模型，采用无监督的竞争学习规则，不存在BP算法对样本知识的强烈依赖性问题，能正确识别出异常类故障，且识别速度快。但是，该模型是通过聚类来完成模式分类任务的，它不能进行故障严重性评估和发展趋势预测。把BP神经网络和ART2模型结合起来，将有监督算法和无监督算法集成起来，用模糊量作为输入，构成一种新的模糊神经网络，来对变压器进行诊断，可以取得良好诊断效果【1】。

2.电力变压器常见故障及其特点【3】
　　变压器故障有很多种，一些常见的故障及其故障特点如下：
　　（1）分解开关接触不良：直流电阻差值大，特征气体中既含有H2又含有CO，且CH4或C2H4含量高。
　　（2）绕组匝间短路：变比偏差大，直流电阻差值大，H2和C2H2含量高，含有CO。
　　（3）有载分接开关箱漏油：温度过高，油位下降率高。
　　（4）过热性故障：CH4和C2H4含量高，还可能含有CO和CO2，温度较高。
　　（5）绝缘老化：介质损耗tg较大，绝缘电阻过低，特征气体中CO、CO2 和CH4较多。
　　（6）严重受潮：介质损耗tg较大，水分含量大，吸收比小于1.3，绝缘电阻过低，特征气体中H2含量大。
　　（7）油中局部放电：H2、C2H2、CH4和CO含量高。
　　（8）断线故障：直流电阻差值大，H2含量最大。
　　变压器常见故障很多，故障原因也很多。把故障的多种特征提取出来，送到故障诊断模型中，进行分析、综合，最后可得出故障诊断结果。

3.故障诊断模型－多重模糊神经网络的建立
　　用模糊神经网络进行变压器故障诊断时，考虑到实际应用中样本多，数据差异大，采用一个网络非常复杂，而且收敛性差，诊断准确率低，因此，本文根据某些特征指标和一定的规则组合，将整个样本分为若干个相互独立的子样本集，建立多重子模糊神经网络，如图1所示。

　　图中x1，x2，x3为表2中所述的三比值法输入值。
　　第一块模糊神经网络采用特征气体，如H2，C2H2，CH4，C2H4，C2H6，CO及CO2等测定值作为输入，产生一系列的输出。第二块模糊神经网络采用气体三比值法作为输入，产生一系列的输出。第三块模糊神经网络可采用直流电阻、绝缘电阻、吸收比、极化指数、变比、介质损耗tgδ、水分等电气试验测定值作为输入。第四块模糊神经网络可采用油位、油温度等测定值作为输入。输入模糊化后，送入BP神经网络，经处理后，产生一系列结果，送入ART2模型中，再经处理后产生诊断结果，输出量有：正常，绝缘老化，绕组匝间短路，分接头接触不良，绝缘击穿，严重受潮，油中局部放电，有载分接开关箱漏油，断线，过热性故障，铁心短路，固体绝缘电弧分解等。
　　混合神经网络中BP神经网络为如下图所示三层结构：

　　BP1为3层，其输入量为7个第1到3输入量为H2，总烃及C2H2测定量，第4到7输入量为C2H2，H2，CH4与C2H4在总烃中所占的比例，隐含层20个，输出量为6个，分别表示一般过热（>500℃），局部放电，火花放电，电弧放电与过热兼电弧放电;BP2也为3层，其输入量为3个，隐含层12个，输出量为9个，其输入输出含义见表2。BP1、BP2两类在现场已有应用，因此，其输入、输出及隐含层神经元数量是由经验给出的；由于现场条件的限制，BP3、BP4输入量、输出量的个数及隐含层数由根据现场实际所能提供的测定数据来确定，仿真中采用介质损耗tgδ、直流电阻、吸收比、油位、水分的测量值作为输入，网络也采用三层结构，其输入层、隐含层、输出层分别为3、10、6和2、8、5。BP神经网络采用文献5所述的学习算法。由于BP算法存在收敛速度慢，学习精度低等问题，本文采用加动量因子，及不等权、半随机初始解等方法加以解决，以加快收敛速度。
　　ART2神经网络的结构如3图所示【9】：

　　自适应共振理论ART2具有快速的学习算法，且无需大量样本，在故障在线识别领域有很大的应用潜力。图3是典型的单ART2神经网络结构，适用于模拟向量输入。网络可分为注意子系统和调整子系统两部分，前者完成输入向量的相似度匹配及竞争选择，后者检验输入模式与长期记忆模式之间的相似度是否达到满意的程度，并根据检验结果作出相应处理，成功或重置。提取的特征向量Ii输入F1层(比较层)。在F1层通过向量归一化和非线性变换经迭代得到稳定的中层模式u，并经p送入F2层(识别层)，由F2层经竞争选择激活F2层候选模式(本文中对应故障类型)，得到系统的短期记忆。F2层的输出经长期记忆加权后反馈回F1层，反馈信息与u一起送入调整子系统，检验系统长期记忆模式与输入模式的相似程度，若通过相似程度检验，则可确定输入模式属于F2层的候选模式，并按快速学习算法，一步完成权值的学习；若未通过检验，则强迫F2层重置并选择下一输出节点，若所有的输出节点都不能通过匹配检验，则增加一个新的输出节点即另一新类。
　　在应用ART2时必须注意的是ρ(相似测度警戒限，为0到1之间的正数)的选择。ρ值决定了网络对输入模式进行分类的间隔大小，直接影响分类性能。若ρ选得太小，分类粗糙，不能把不同故障类型区分开；若ρ选得太大，分类又太纫，则同一故障类型可能被划分到不同输出模式中，引起错分。ρ的选样没有一定的规则，需要在具体应用中调整。本文中ρ取0.5即可达到较满意的分类效果。ART2网络参考了文献10所述的学习算法。
　　变压器故障诊断过程属于一个非平稳、非线性的随机过程。在学习阶段，通过对足够量的样本训练，逐层调整接点权重和阈值，直至误差达到精度要求。在工作期间，投入不同的测试样本，进行故障诊断模式识别，最终实时判别故障类型和故障可能发生的位置。

4.知识处理
4.1特征气体的模糊知识表示

 

4.2三比值法模糊知识表示
　　参照表2，采用升半正态分布函数，可以具有对较弱数值持不敏感态度，而对足以淹没噪声的较大数值，持较敏感态度。分布函数如上公式所示。

4.3电气试验数据的模糊处理
4.3.1直流电阻【2】
　　测量直流电阻一般可用于分析断线，导线断股或脱焊，匝简短路，分接头接触不良等故障。GB规定，一般各相测得值（要换算到20℃时的对应值）相互差值应小于平均值的4%，线间测得的相互差值应小于平均值的2%。实际的差值应与出厂试验记录的记录实测值相比较。
4.3.2绝缘电阻、吸收比及极化指数【2】
　　测量绕组绝缘电阻、吸收比及极化指数可以作为发现变压器的绝缘击穿、大范围受潮的故障的一个手段。按GB规定，绝缘电阻不应低于出厂试验值的70%。吸收比k=R60/R15≥1.3,认为变压器没有受潮现象。极化指数的状态见表3。

4.3.3 介质损耗tg【3】
　　测量介质损耗tgδ对于判断变压器绝缘老化，受潮等整体状况有一定作用。一般情下tgδ（要换算到20℃时的对应值）小于3%为良好，大于3%小于6%为要注意，大于6%说明不良。
4.3.4 水分【4】
　　测量水分主要用来判断变压器受潮情况。一般情况下水分小于35ppm为良好，大于35ppm小于50ppm为要注意，大于50ppm说明不良。

5.仿真
　　在对历年电力变压器有关技术刊物及相应资料上公布的故障实例进行统计后，选取了经实际检验验证证明结论较明确的811台次故障变压器的数据，经随机选取后组成的训练样本集及检验样本集内各故障类型的分布情况见表4。

　　根据本文所述的模型，判断结果如表5所示。
　　由表5可见，基于模糊输入的BP-ART2混合神经网络用于电力变压器故障诊断诊断正确率较高，对于诸如分接或引线等导电回路过热故障以及匝间短路或引线闪络等涉及固体绝缘的放电故障的诊断正确性方面有较明显的提高，这说明本方法用于变压器故障诊断确实能够取得较好的诊断效果。

6.结论
　　本文的目的是找到一种用于电力变压器故障诊断的新型有效方法，为此，采用BP-ART2混合神经网络用于此目的。该方法充分利用BP神经网络和ART2模型的优点，克服了各自的不足之处，对电力变压器故障诊断工作是一种新的尝试。仿真结果可以发现，应用此方法可以收到良好的效果。