根據模糊理論和神經網絡理論，提出了變壓器故障診斷的新方法，根據DGA(dissolved gas analysis) 法、電氣試驗法及外部故障特征法，建立了基于模糊輸入的BP-ART2混和神經網絡對電力變壓器故障進行綜合診斷。仿真結果表明本方法能有效提高變壓器故障診斷正確率。
　　關鍵詞：模糊控制; BP神經網絡;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中重要的設備之一，對電力系統的安全運行起著舉足輕重的作用。搞好變壓器的運行維護，特別是故障診斷工作，對于提高電力系統安全運行可靠性具有非常重要的作用。
　　DGA的出現和逐漸成熟，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，并不能對故障進行準確評判，不能準確定位。結合電氣試驗，如測直流電阻，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，綜合進行評判，可以有效提高診斷質量。
　　BP神經網絡具有較強的非線性逼近能力，能進行故障模式識別，還能進行故障嚴重程度評估和故障預測，應用很廣，但它對異常類故障處理能力低，不具備增量學習功能。ART 2模型是一種自組織的網絡模型，采用無監督的競爭學習規則，不存在BP算法對樣本知識的強烈依賴性問題，能正確識別出異常類故障，且識別速度快。但是，該模型是通過聚類來完成模式分類任務的，它不能進行故障嚴重性評估和發展趨勢預測。把BP神經網絡和ART2模型結合起來，將有監督算法和無監督算法集成起來，用模糊量作為輸入，構成一種新的模糊神經網絡，來對變壓器進行診斷，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【3】
　　變壓器故障有很多種，一些常見的故障及其故障特點如下：
　?。?）分解開關接觸不良：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。
　　（3）有載分接開關箱漏油：溫度過高，油位下降率高。
　?。?）過熱性故障：CH4和C2H4含量高，還可能含有CO和CO2，溫度較高。
　?。?）絕緣老化：介質損耗tg較大，絕緣電阻過低，特征氣體中CO、CO2 和CH4較多。
　?。?）嚴重受潮：介質損耗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，進行分析、綜合，最后可得出故障診斷結果。

3.故障診斷模型－多重模糊神經網絡的建立
　　用模糊神經網絡進行變壓器故障診斷時，考慮到實際應用中樣本多，數據差異大，采用一個網絡非常復雜，而且收斂性差，診斷準確率低，因此，本文根據某些特征指標和一定的規則組合，將整個樣本分為若干個相互獨立的子樣本集，建立多重子模糊神經網絡，如圖1所示。

　　圖中x1，x2，x3為表2中所述的三比值法輸入值。
　　第一塊模糊神經網絡采用特征氣體，如H2，C2H2，CH4，C2H4，C2H6，CO及CO2等測定值作為輸入，產生一系列的輸出。第二塊模糊神經網絡采用氣體三比值法作為輸入，產生一系列的輸出。第三塊模糊神經網絡可采用直流電阻、絕緣電阻、吸收比、極化指數、變比、介質損耗tgδ、水分等電氣試驗測定值作為輸入。第四塊模糊神經網絡可采用油位、油溫度等測定值作為輸入。輸入模糊化后，送入BP神經網絡，經處理后，產生一系列結果，送入ART2模型中，再經處理后產生診斷結果，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，嚴重受潮，油中局部放電，有載分接開關箱漏油，斷線，過熱性故障，鐵心短路，固體絕緣電弧分解等。
　　混合神經網絡中BP神經網絡為如下圖所示三層結構：

　　BP1為3層，其輸入量為7個第1到3輸入量為H2，總烴及C2H2測定量，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，輸出量為6個，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，隱含層12個，輸出量為9個，其輸入輸出含義見表2。BP1、BP2兩類在現場已有應用，因此，其輸入、輸出及隱含層神經元數量是由經驗給出的；由于現場條件的限制，BP3、BP4輸入量、輸出量的個數及隱含層數由根據現場實際所能提供的測定數據來確定，仿真中采用介質損耗tgδ、直流電阻、吸收比、油位、水分的測量值作為輸入，網絡也采用三層結構，其輸入層、隱含層、輸出層分別為3、10、6和2、8、5。BP神經網絡采用文獻5所述的學習算法。由于BP算法存在收斂速度慢，學習精度低等問題，本文采用加動量因子，及不等權、半隨機初始解等方法加以解決，以加快收斂速度。
　　ART2神經網絡的結構如3圖所示【9】：

　　自適應共振理論ART2具有快速的學習算法，且無需大量樣本，在故障在線識別領域有很大的應用潛力。圖3是典型的單ART2神經網絡結構，適用于模擬向量輸入。網絡可分為注意子系統和調整子系統兩部分，前者完成輸入向量的相似度匹配及競爭選擇，后者檢驗輸入模式與長期記憶模式之間的相似度是否達到滿意的程度，并根據檢驗結果作出相應處理，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迭代得到穩定的中層模式u，并經p送入F2層(識別層)，由F2層經競爭選擇激活F2層候選模式(本文中對應故障類型)，得到系統的短期記憶。F2層的輸出經長期記憶加權后反饋回F1層，反饋信息與u一起送入調整子系統，檢驗系統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，則可確定輸入模式屬于F2層的候選模式，并按快速學習算法，一步完成權值的學習；若未通過檢驗，則強迫F2層重置并選擇下一輸出節點，若所有的輸出節點都不能通過匹配檢驗，則增加一個新的輸出節點即另一新類。
　　在應用ART2時必須注意的是ρ(相似測度警戒限，為0到1之間的正數)的選擇。ρ值決定了網絡對輸入模式進行分類的間隔大小，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，引起錯分。ρ的選樣沒有一定的規則，需要在具體應用中調整。本文中ρ取0.5即可達到較滿意的分類效果。ART2網絡參考了文獻10所述的學習算法。
　　變壓器故障診斷過程屬于一個非平穩、非線性的隨機過程。在學習階段，通過對足夠量的樣本訓練，逐層調整接點權重和閾值，直至誤差達到精度要求。在工作期間，投入不同的測試樣本，進行故障診斷模式識別，最終實時判別故障類型和故障可能發生的位置。

4.知識處理
4.1特征氣體的模糊知識表示

 

4.2三比值法模糊知識表示
　　參照表2，采用升半正態分布函數，可以具有對較弱數值持不敏感態度，而對足以淹沒噪聲的較大數值，持較敏感態度。分布函數如上公式所示。

4.3電氣試驗數據的模糊處理
4.3.1直流電阻【2】
　　測量直流電阻一般可用于分析斷線，導線斷股或脫焊，匝簡短路，分接頭接觸不良等故障。GB規定，一般各相測得值（要換算到20℃時的對應值）相互差值應小于平均值的4%，線間測得的相互差值應小于平均值的2%。實際的差值應與出廠試驗記錄的記錄實測值相比較。
4.3.2絕緣電阻、吸收比及極化指數【2】
　　測量繞組絕緣電阻、吸收比及極化指數可以作為發現變壓器的絕緣擊穿、大范圍受潮的故障的一個手段。按GB規定，絕緣電阻不應低于出廠試驗值的70%。吸收比k=R60/R15≥1.3,認為變壓器沒有受潮現象。極化指數的狀態見表3。

4.3.3 介質損耗tg【3】
　　測量介質損耗tgδ對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℃時的對應值）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
　　在對歷年電力變壓器有關技術刊物及相應資料上公布的故障實例進行統計后，選取了經實際檢驗驗證證明結論較明確的811臺次故障變壓器的數據，經隨機選取后組成的訓練樣本集及檢驗樣本集內各故障類型的分布情況見表4。

　　根據本文所述的模型，判斷結果如表5所示。
　　由表5可見，基于模糊輸入的BP-ART2混合神經網絡用于電力變壓器故障診斷診斷正確率較高，對于諸如分接或引線等導電回路過熱故障以及匝間短路或引線閃絡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能夠取得較好的診斷效果。

6.結論
　　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混合神經網絡用于此目的。該方法充分利用BP神經網絡和ART2模型的優點，克服了各自的不足之處，對電力變壓器故障診斷工作是一種新的嘗試。仿真結果可以發現，應用此方法可以收到良好的效果。