改进型组合RBF神经网络的变压器故障诊断

职教云网页版

(1.西安交通大学电气工程学院，西安710049； 2 .河北科技大学电气信息学院，石家庄050054 )要：提出了在近似能力、分类能力、学习速度等方面优于BP神经网络的径向基函数神经网络和组合诊断截断的概念，将其应用于变压器DGA的故障诊断。 在处理输入数据并改进训练方法后，结合RBF神经网络诊断变压器故障训练速度快，收敛精度高，诊断准确。关键词： RBF神经网络； D GA； 变压器； 故障诊断

图分类号： TM41文献识别码： A文章编号：100326520(2005 ) 0920031203applicationofmodifiedcombinatorialradialbasisfunctionneuralnetworkinfaultdiagnosisofpowertransformerL IAN G Yongchun一、二

、李彦明1

(1. schoolofelectricalengineering，Xi’anjiaotonguniversity，Xi’an 710049，China； 2. School ofElectrical Engineering，hebeiuniversityofscienceandtechnology，Shijiazhuang 050054，China )abstract 3360 thispaperproposesarbfneuralnetworkandtheconceptionofcombinatorialdiagnosisandappliestheminfaultdiagnosisofpowertransformer.therbfneuralnetworkispriortobpneuralnetworkintheabilityof approach，theabilityofclassificationandtherateoftrain.aftertheinputdataisprocessedandthetrainingmethod is modified，combinatorialradialbasisfunctionneuralnetworkhasarapidtrainrate，high convergence pre2cisionandhighdiagnosisveracityinfaultdiagnosisofpowertransformer。keywords :修改通信网络； 禁用的gas analysis； 传输格式器； 故障诊断0领先

近年来，人工神经网络(ANN )广泛应用于变压在故障诊断中，其中BP神经网络又是最常用的一种种植[1~5 ]。 但是，在BP神经网络中，用于调节权重的负斜率下降法有收敛速度慢和容易陷入局部极小等缺点

要点[ 6至9 ]。 本文提出采用改进型径向基函数[RBF]神一种通过网络诊断变压器故障的新方法，同时引入组合诊断断裂的概念。 RBF神经网络基于接近能力、分类能力和在学习速度等方面优于BP神经网络[ 10 ]。1 RBF神经网络RBF神经网络与BP神经网络的结构相同，是输的图1表示由内层、抑制层、输出层组成的结构。 和RBF与BP相比具有以下特征：

1 )输入层节点对输入向量不执行任何操作，直接传递到隐含层。

2 )隐含层节点通常被制作成类似高斯函数的放射状用函数处理输入向量，产生一定的输出。 太贵了函数的函数关系请参照式[1]。 这个函数有很强的局部近似能力，在输入信号接近基函数中央范围的情况下隐藏分层节点将生成较大的输出。ri(x )=exp ()x-ti2

22I

)； I=1，2，…，m，图1径向基函数神经网络fig 11 RBF网络

式中，ri(x )是第I个隐藏层节点输出； x是n维的输向量； ti是第I个基函数的中心，具有与x相同的维数的向量； i是第I个被感知的变量，决定基函数的周围中心周围的宽度，也就是中心的扩展m是隐藏层节点的数量。3 )从抑制层到输出层采用ri(x )yk的线性映射射，即yk=m

i=1

wirI(x )，k=1，2，p，式中，yk为第k个输出层节点输出； wi从第I个隐藏层节点第k个输出层节点的权重p是输出层节点的数量。4 ) RBF神经网络抑制层的中心位置和中心扩张展一般采用k均值聚类法确定，从隐含层到输出层的线性权重通常使用LMS算法确定[11 ]。31 第三十一卷第九期2005年9月高电压技术高容量工程

Vol. 31 No. 9Aug. 2005

1994-2010 chinaacademicjournalelectronicpublishinghouse.all rights reserved.http://www.cn ki.net2 RBF神经网络的改进使用RBF网络诊断故障时，需要设计很多隐式层节点、输入向量数和隐式层节点数

达到要求的精度。 精度为0. 01时，5种故障类型的96个输入样本需要87个隐含层节点。 没有这个方法法体现同一故障系统输入向量之间的关系，引起故障诊断切割率下降。

招生办

神经网络的输入输出节点数越多其训练时间越长越长，甚至无法收敛，诊断精度下降。 为此，引入树的思路，提出组合神经网络的方法并进行分层其次，可以进行阶段性细分的故障识别[ 12，13 ]。结合RBF神经网络的故障诊断思路是：根据变压力计各种故障类型在气体空间中的特征聚集形态如下一些相近的故障类型暂时合并到过渡类别中使用组合神经网络由粗到细，针对转移类型逐步细化。变压器的故障类型一般分为：油过热、油和纸过热、油纸绝缘中的局部放电、油中火花放电、油中电弧、油和纸中的电弧等类型。 这些故障还可以低、高合并温过热、低、高能放电等4种类型[ 14 ]。 变压器故障了内部裸露金属局部过热，油分解气体的主要特征是(ch4 )和) c2h4)较大； 变压器内部有放电时故障、油分解气体的主要特征是(H2 )和(C2 H2 )大； 如果变压器正常，则油裂解气的主要特征是老化中的(co )和) co2 )较大，与其他气体的体积相当数量少； 变压器有固体绝缘故障时，(co )和(CO2 )较大，) co/co2 ) 10[15 ]。 变压器故障组诊断的分类如图2所示。图2变压器组合诊断分层网络图fig 12延迟数字校正功能诊断程序转换程序

4输入数据的处理

用于故障诊断的D GA数据来自多种格式和内容量、电压等级变压器，样品中相同故障系统气体的体积不同，甚至大不相同。 为了使输入向量保持相同属性需要是对输入气体成分的归一化处理，即每次输入矢量将各气体成分转换为最大成分的百分比比较。 使[ 100 200 20 200 200 1000 ]成为[ 0. 1 0. 20. 02 0. 2 0. 2 1 ]。

RBF网络的隐含层用高斯函数处理输

进入数据，在实际诊断中发现了几种其他故障类型的数据由于比本故障类型的数据更接近高斯函数的中心故障诊断的精度下降了。 因此，需要处理输入向量，减少故障类型数据重叠的可能性。 根据组合诊断分类原则是，每次故障产生的气体的主要成分不同。因此，在各层组合诊断中，针对输入向量的每个气体对积分数乘以不同的权重。 表示故障类型的气体权重大，其他种类的权重小。例如有3个输入向量L1-: [10.5-0.2-0.1 ]、L2 :

[1 0. 8 0. 4 0. 3 ]和L3 :[0. 7 1 0. 3 0. 4 ]，L1和L2属A、L3属于B类。 以L2为高斯函数的中心，L1和L3与L2的距离分别为0. 41和0. 39，显然L3更接近L2。将向量的第一个权重设定为1，将其他权重设定为0. 5。 3

个向量为L1 : [ 1 0. 25 0. 1 0. 05 ]、L2 : [ 1 0. 4 0. 20. 15 ] )、L3:(0.70.50.150.2 )。 此时，L1、L3和L2距离分别为0. 21和0. 32，可以反映向量的分类。5模拟

将161组故障数据中的96组作为训练样本，剩下的作为训练样本65组作为测试样品。 训练样本数据分布为：正常29团体； 低、高温过热分别为10、19组； 低、高能量放电十三、二十五班。 表1为测试样品数据分布、诊断准确个数和诊断准确率、总诊断准确率为84. 6 %。表1测试样品的数据分布和诊断精度tab.1分散性诊断程序

类型正常低温过热高温过热低能放电高能放电测试数20 5 10 10 20准确的数量17 5 8 8 17准确率85 % 100 % 80 % 85 %6现场诊断示例

东北电网某主变的色谱图数据为：(H2 )=127乘10- 6

； (ch4 )=107 10- 6； (C2H2 )=244 10- 6

； (C2H4 )=154 10- 6； (C2H6 )=11 10- 6；

双元制职业教育

； (co2 )=973 10- 6。 组合

RBF神经网络各层的输出依次为：第一层(0. 102 4，

32sep.2005 highvoltageengineeringvol.31no.9

1994-2010 chinaacademicjournalelectronicpublishinghouse.all rights reserved.http://www.cn ki.net0. 975 6)、故障； 第二层(-0.3417、0.8717 )、放电故障； 第三层(-0.2483，1.0354 )，高能放电障碍。根据最大隶属度原则，诊断结论为高能局部

放电。 实际检测结果是，次级线圈向铁心放电，线圈有贯通性损伤。7结束语

通过调节径向基高斯函数中心位置和中心扩展展使RBF网络具有较强的局部逼近和分类能力。通过引入组合诊断的概念，可以将变压器的故障类型视为多个单输出网络的多层组合，单输出网络的诊断简单准确，可以大幅提高故障诊断的精度。参考文献[1 ]李天云、应鸿、陈化钢.人工神经网络在变压器故障诊断中的应用[J ]。高电压技术，1996，22 (4) :59260。

[2 ]徐文，王大忠，周泽存，等.人工神经网络在变压器特征气法故障诊断的应用[J ] .高电压技术，1996，22 (2) :27230。[3]镇元王，Yilu Liu，pauljgriffin.acombinedannandexpert

systemtoolfortransformerfaultdiagnosis [ j ].ieetransonpowerde 2livery，1998，13 (4) : 122421229。[4 ]基于林俊、章兢. BP网络的变压器油中溶解气体在线监测[J ] .电力系统自动化，2001，25 (8) :56258。

[5 ]黄鞠明. BP网络在DGA变压器故障诊断中的应用[J ] .高电压技术手术，1996，22 (2) :21223。[6 ]林登福，林谋，李彦明，等. L-M算法神经网络诊断充油设备绝缘故障[J ] .高电压技术，2004，30 (7) :426。[7 ]王少芳、蔡金锭. GA2BP混合算法在变压器色谱诊断法中的应用[J ] .高电压技术，2003，29 (7) :326。[8 ]董明、赵文彬、严璋.油气分析诊断变压器故障方法的改进[J ] .高冲压技术，2002，28 (4) :628。

[9 ] TU Y M，Huang J M，Gao N，et al.transformerinsulationdiagnosisbasedonimprovedannanalysis [ c ].proceedings of the 5th internationalconferenceonpropertiesandapplicationsofdielectricmaterials，korea，1997 : 2632266.[10 ]新闻新周. MA TLAB神经网络应用设计[ M ] .北京：科技出版社2000.

[11 ] Simon Haykin .神经网络原理[M ] .北京：机械工业出版社，2004 .[12 ]孙辉.判断树方法用于变压器故障诊断的研究[J ] .中国电机工程报纸，2001，21 (2) :50255。[13 ]谈刘娜、高文胜、克雄。 基于组合神经网络模型的电力变压器故障诊断方法[J ] .电工技术学报，2003，18 (2) :83286。[14 ]王财胜，孙才新，廖瑞金.变压器色谱监测中的BPNN故障诊断法[J ] .中国电机工程学报，1997，17 (5) :3222325[15 ]严璋.高电压绝缘技术[M ] .北京：中国电力出版社，2002(受理日期2004212204 )

梁永春1971年生，博士生，主要从事电力设备在线监测等研究。 E2mail : llyycchh @tom.com(接第13页)根据简化的杆塔模型和绝缘子串的等效模型计算考虑杆塔影响时测定点的电场强度值(3 )发现靠近低压侧测点的场强有明显提高，说塔感应电荷对近距离测点场强的巨大的影响。 所以做等效模型的时候，要把杆塔的等效模型模具被添加到图1的模型中，具体的计算不详细叙述。表3a考虑相杆塔影响时测量点的场强值tab.3电子文件管理the influence of the tower kV/m测量点# 1

# 2# 3# 4# 5# 6# 7

电场15.8317.0616.4514.9913.8114.4416.034结论计算和分析表明，采用模拟电荷法可以有效处理

杆塔的影响问题。 该方法需要的测量点数量少，且可以保持距离绝缘子按一定距离(三相110 kV时1~2. 5 m )进行通过非接触测量，降低了操作的危险性。 测量点是需要随着电压电平上升而增加，但比其他方法更明显明显较少，随着电压电平的升高，测量距离变大。 这条法律有望用于输电系统内劣质绝缘子的带电检测。 当然针对实际应用中的具体问题，还需要进一步优化研究污染污秽的影响、局部放电的算法等。参考文献

[1 ]成永红1电力设备绝缘检测与诊断[M ]1北京：电力出版社，19841[2 ]杨帆，什么事？ 姚德贵1用模拟电荷法在线检测劣质绝缘子的研究[J ]1高电压技术，2003，29 (12 ) 336024225，421[3 ]安玲、江秀臣、朱宇1检测劣质绝缘子的新方法———敏感绝缘子法[J ]1中国电机工程学报，2002，22 (9) :10821121[ 4 ] Vailancourt G H，Bellerive J P，St2J ean M，et al. New live line tester forporcelainsuspensioninsulatorsonhigh2voltage power lines [ j ].IEEETrans on Power Delivery，1994，9 (1) : 2082219。[5 ] Paul Bipul Chandra，Satyam M，selvarajana.anovelmethodofopticaldetectionusingacapacitivedevice [ j ].ieetransonelectrondevices，1999，31:3242328。[6 ] Birlasekaran S，lihj.detectionoffaultyinsulatorsonpowertransmis 2sion line[J ]. IEEE Trans J Magn，2000，4:281722821。[7 ] Kaana2Nkusi S，Alexander P H，hack AMR.potentialandelectricfielddistributionsatahighvoltageinsulatorshed [ j ].ieetransonelectri 2呼叫安装，1988，23 (2) : 3072318。[8 ] Dhalaan S M Al，elhirbawyma.simulationofvoltagedistributioncal 2culationmethodsvoerastringofsuspensioninsulators [ c ].2003 IEEEtransmissionanddistributionconferenceandexposition.[ s.l.]，2003 :9092914.

[9 ] Weiguo Que，sebo sa.electricfieldandpotentialdistributionsalongdryandcleannonceramicinsulators [ c ].2001 electricalinsulationconferenceand 2lectricalmanufacturingcoilwindingconf.[ s.l.]，2001 : 4372440。[10 ] J ermendy L，fogar asii.detectionofinsulatorageing [ c ].power techBudapest’99，internationalconferenceonelectricpowerengineering。[s. l. ]，1999 : 128。[11 ]盛剑霓虹1工程电磁场数值分析[M ]1西安：西安交通大学出版社，19911[12 ]周初，张乔根、邱毓昌1计算高压电场模拟电荷法[J ]1高压电器、1996，32 (6) :352391

[13 ]席少霖1非线性优化方法[M ]1北京：高等教育出版社，19921(受理日期2004208210 )

姚德贵生于1971年，博士，高工，研究方向为电磁场理论及其应用。杨帆出生于1980年，博士生，研究方向为电磁场理论及其应用。 是电话：(023 )6510697728107； E2mail : yflsh @sohu.com何为1957年生，博士、教授、博导，研究方向为电磁场理论与测量技术。李家祥1962年生，硕士，讲师，研究方向为电磁场理论与测量技术。2005年9月高电压技术第31卷第9期33