基于PNN的电力变压器故障诊断方法.pdf

6 6 工业仪表与 自动化装置 2 0 1 4年第 4期 基 于 P N N 的电力变压器故障诊断方法 李克海 ( 甘肃省电力公 司 培训 中心， 兰州 7 3 0 0 7 0 ) 摘要 ： 对油中溶解气体进行深入分析后 ， 以改良的三比值 法为基础 ， 提 出一种基于概率神 经网 络( P N N) 的变压器故障诊断方法。该方法利用 P N N的强大的非线性分类能力， 将故障样本空间映 射到故障模式空间中， 可形成一个具有较强容错能力和结构 自适应能力的诊 断网络 系统 ， 从而提高 故障诊断的准确率。仿真结果表明 ， 实际案例数据验证 了此方法准确率高， 是一种有效的故障诊 断 方 法 。 关键词： 三比值法； 变压器； 概率神经网络； 故障诊断 中图分类号： T M4 1 文献标志码 ： A 文章编号 ： 1 0 0 0 0 6 8 2 ( 2 0 1 4 ) 0 4 0 0 6 6 0 4 M e t h o d o f po we r t r a n s f o r me r f a u l t d i a g n o s i s b a s e d o n PNN L I K e h a i ( T r a i n i n g C e n t e r o y G a n s u P r E l e c t r i c P o w e r C o m p a n y ， L a n z h o u 7 3 0 0 7 0， C h i n a ) Ab s t r a c t ： A ft e r a n i nd e p t h a n a l y s i s o f d i s s o l v e d g a s i n o i l ，t h e b a s i s o f a i mp r o v e d t h r e er a t i o me t h o d， a me t h o d ba s e d o n p r o b a b i l i s t i c n e u r a l n e t wo r k f o r t r a n s f o r me r f a u l t di a g n o s i s i s p r e s e n t e d T hi s me t ho d u s e s n o n l i n e a r c l a s s i f i c a t i o n a b i l i t y o f p r o b a b i l i s t i c n e ur a l n e t wo r k，whi c h r na p e s t h e f a u l t s a mp l e s p a c e t o t h e mo d e o f f a i l u r e i n t h e s p a c e，t o for m a s t r o ng f a u l t t o l e r a n c e a n d d i a g n o s i s n e t wo r k s y s t e m s t r u c t u r e o f a d a pt i v e c a p a c i t y Th e r e f o r e，t h i s me t h o d c a n i mp r o v e t h e a c c u r a c y o f f a u l t d i a g n o s i s S i mu l a t i o n r e s u l t s s h o w t h a t t h e a c t ua l c a s e d a t a v a l i d a t e t hi s me t h o d wi t h h i g h a c c ur a c y，a n d i s a n e f f e c t i v e me t h o d for f a u l t d i a g n o s i s Ke y wo r ds： t h r e er a t i o me t ho d；t r a n s f e r；p r o b a b i l i s t i c n e u r a l ne t wo r k；f a u l t di a g no s i s 0 引言 电力变压器是电力 系统 中的枢纽设备， 它一旦 发生故障 ， 将会对电 网的安全运行造成较严重的影 响- 1 J 。要使 电力变压 器安 全运 行 ， 提 高供 电可靠 率 ， 在选择技术过硬 、 产 品质量好的前提下 ， 主要是 要不断提高变压器运行、 维护和检修水平。如何实 时有效地实现对工作中的变压器故障进行诊断 ， 已 成为十分迫切和重要 的任务。 随着设备技术水平与复杂度不断提高 ， 设备故 障对生产安全的影响也显著增大 ， 因此要保证设备 可靠 、 有效地运行 ， 必须发展故障诊断技术。故 障诊 断技术借助于现代测试、 监控和计算机分析手段， 研 究设备在运行中的状态信息， 分析设备的技术状态， 诊断其故障的性质和起因， 并预测故障趋势， 进而确 收稿 日期 ： 2 0 1 3一l l o 4 作者简 介： 李克海 ( 1 9 6 2 ) ， 男 ， 甘肃 兰州人 ， 讲师 ， 主要研究 方 向 为高压电气设备故障诊断， 电力系统故障分析等。 定必要 的对策。利用故障诊断技术可以早发现故障 征兆和原因， 有利于及早排除故障和安全隐患， 避免 不必要的损失 ， 具有很高的经济和社会效益。 长期 以来 ， 人们 对变压器故 障诊断方法进行 了 大量地 研究 ， 提 出 了许 多 有 效 的方 法， 如模 糊 逻 辑 J 、 专家 系统 3 J 、 灰 色理 论 j 、 神 经 网络 法 j 等。人工神经网络以其分布式并行处理、 自 适应、 自 学习、 联想记忆以及非线性 映射等优点 ， 为解决这一 问题开辟 了新途径 。当前变压器故障诊断系统大多 数都是采用 B P网络模型， 但由于 B P网络 自身的结 构特点 ， 在训练样本较多及要求的精度较高时 ， 网络 常常不收敛并且容易 陷入局部 最优 ， 以及难 以确定 隐层和隐节点个数 等不足 ， 限制 了它的故障诊 断能 力。该文将概率神经网络应用于变压器的故障诊断 当中， 网络结构简单， 训练简洁， 利用概率神经网络 模型强大的非线性分类能力， 将故障样本空间映射 到故障式空间中， 可形成一个具有较强容错 能力 和 结构 自适应能力的诊断 网络系统 ， 从而提高故 障诊 断的准确率。 2 0 1 4年第 4期 工业仪表与自动化装置 6 7 1 概率神经网络的故障诊断方法 1 1 P N N网络模型 P N N 是 D F S p e c h t 博 士在 1 9 8 9年首次提 出的 ， 是一种基 于 B a y e s 分类规则 与 P a r z e n窗的概 率密度 函数估计方法发展而来的并行算法。在实际 应用中， 特别是在解决分类问题 的应用中， 它的优势 在于用线性学习算法来完成以往非线性学习算法所 做的工作 ， 同时又能保持非线性算法 的高精度等特 性 ； 这种网络对应的权值就是模式样本的分布 ， 网络 不需要训练， 因而能够满足训练上实时处理的要求。 基于概率神经网络的故障诊断方法实质上是利 用概率神经网络模型 的强大的非线性分类能力 ， 将 故障样本空间映射到故障模式空 间中， 从 而形成一 个具有较强容错能力和结构 自适应能力 的诊断网络 系统 。 P N N网络是 由径 向基 函数 网络发展 而来 的一 种前馈型神经网络 ， 它 的理论依据是贝叶斯最小风 险准则， 同时它作为径向基网络的一种， 适用于模式 分类。当分布密度 S P R E A D的值接近于0时， 它构 成最邻分类器； 当 S P R E A D的值较大时， 它就构成 对几个训练样本的临近分类器。P N N的层次模型 ， 由输入层 、 模式层 、 求和层、 输 出层共 4层组成 ， 其基 本结构如图 1所示 。 模式 层 图 1 P N N的基本结构 输入层接收来 自训练样本的值 ， 将 特征 向量传 递给网络， 其神经元数目和样本矢量的维数相等。 模式层计算输入特征向量与训练集中各个模式 的匹配关系， 模式层神经元的个数等于各个类别训 练样本数之和， 该层每个模式单元的输出为： f ( x， ) p - ( 1 ) 式中： 为输入层到模式层连接的权值 ； 为平滑因 子 ， 它对分类起着非常重要的作用。 第三层是求 和层 ， 是将属于某类的概率累计 ， 按 式( 1 ) 计算， 从而得到故障模式的估计概率密度函 数。每一类只有一个求 和层单元 ， 且它与只属于 自 己类的模式层单元相连接 ， 因此求 和层将属于 自己 的模式层单元 的输出相加 ， 而与属 于其他类别 的模 式单元输 出无关 ， 其输出与各类基于 内核 的概率 密 度的估计成 比例 ， 通过输出层的归一化处理 ， 就能得 到各类 的概率估计。 输出决策层由简单的阈值辨别器组成， 其作用是 在各个故障模式的估计概率密度中选择一个具有最大 后验概率密度的神经元作为整个系统的输出。输出层 神经元是一种竞争神经元 ， 每个神经元分别对应于一 个故障模式， 其个数等于训练样本数据的种类的个数 ， 接收由上一层输出的各类概率密度函数， 概率密度函 数最大的那个神经元输出为 1 ， 即所对应的那一类为待 识别的样本模式类别， 其他神经元的输出全为0 。 1 2 基于 P NN的故障诊断 基于 P N N的故 障诊断方法是概率统计学 中被 广泛接受的一种决策方法 ， 可描述为 ： 假设有两种 已 知的故障模式 、 ， 对于要判断的故障特征样本 X= 1 ， 2 ， ， ： 若 z ( ) h 8 ( X) ， 则 X E 6 l 4 ； 若 f ( X)h 8 f ( X) ， 则 X ； 式中： h h 8 为故障模式 的 、 先验概率( h =， v N，h = N) ； 、 N B 为故 障模 式的 、 的训练 样本数 ； 为训练样本总数 ； 1 A 为将样本属于 6 A 的故 障特征样本 错误划分到模式 的代价 因子 ； 1 8 为 将样本属于 0 的故障特征样本 错误划分到模式 6 A 的代价因子 为故障模式 6 A 、 的概率密度函 数( P D F ) ， 一般 P D F不能精确地获得， 只能根据现 有的故障特征样本求其统计值。 1 9 6 2年 P a r z e n提出 了一种从 已知 随机样本 中 估计概率密度函数的方法 ， 只要样本数 目足够多 ， 该 方法所获得 的函数可 以连续平滑地逼近原概率密度 函数。由上述方法得到的 P D F估计式为： ， ，y 、 一 ! 、 ， 一 ( 2 盯) m ( ) ( X ) 既P L一 一J 式中： 。 为故障模式 的第 i 个训练向量； m为故 障模式 的训练样本数 目； 6为平滑参数 ， 它确定了 以样本为中心的钟状曲线的宽度 。 2改 良三比值 法 对变压器油 中溶解气体分析是变压器内部故障 6 8 工业仪表与自动化装置 2 0 1 4年第4期 0 1 低温过热( 低于 1 5 0) 绝缘导线过热 2 0 低温过热( 低 于 1 5 0 3 0 0) 2 电弧放电兼过热 环路电流引起对其他接地体放电等 3 基于 P N N的变压器故障诊断 3 1 P NN的诊断过程 在 P N N网络建模 中 ， 选取 的输入特征 向量 ， 必 须能够正确地反映问题 的特征。如果所基于的故障 特征没有包括足够的待识别信息或未能提取反映故 障特征的信息 ， 则诊断结果往往会受到很大的影响。 油 中溶解气体分析法能很好地反映变压器的潜伏性 故障 ， 且在各种诊断方法 中以改 良三比值法 的判断 准确率最高 ， 所 以选择油 中溶解气体含量 的三 比值 作为神经网络的输入特征 向量 ， 而输 出特征 向量则 选用变压器 的故障类型。 具体的诊断过程如下 ： 1 ) 选取 P N N输入层到模 式层连接的权值 ； 2 ) 选取网络 的训练样本 X= ， ， ， 作为 P N N的输入 ； 3 ) 将训 练集 输入到 模式层 ， 根据公式( 1 ) 计算该模式单元 的输出 ； 4 ) 模 式层的输 出至求和层 ， 计算 出第一 类 的概率总 和； 5 ) 计算求和层输 出的概率总和 ， 并计算最后的输 出 概率。 因此 ， 所建立 的故障诊断 网络的基本流程如图 2所示 。 收集数据 | r 创建 P N N网络 l f根据已 有故障数据训练 网络效果测试 结果分析 图 2 P N N网络设计流程 图 3 2 仿真 分 析 在对油中溶解气体进行深入分析后 ， 以改 良的 三比值法为基础， 建立基于概率神经网络的故障诊 断模型。采用改良的三比值法确定变压器的故障原 因， 因此 P N N网络的输入分别为 ： 。 =C H C ： F I ， 2 =C H 4 H 2 ， 3 =C 2 H 4 C 2 H 6 ， 输出的故 障原 因 Y= 1 ， 2 ， 3 ， 4 ， 5 ， 其中的数字 1 5分别表示表 2中所 列的 5种故障原 因。采用 的数据 为 3 34维 的矩 阵 ， 前 3列的改良三 比值法数值为 P N N的输入 ， 第 4 列为输出的故障原因。使用前 2 3个样本作为概率 神经 网络训练样本 ， 其余 的 1 0个样本作 为测试样 本 。基于 P N N网络训练后 的效果如图 3所示 ， 训练 后的误差如图 4所示 ， 预测效果如图 5所示。 2 0 1 4年第 4期 工业仪表与 自动化装置 6 9 、 r 1 r _ 。 善 一 L 啼 I 值 I _ I _ ： I I f ff 1r 0 5 1 0 1 5 2 0 2 5 样本编号 图3 P N N网络训练效果图 夺 误差 ， 样本编号 图4 P N N网络训练误差图 样本 编 号 图 5 P N N网络预测效果 图 由图 3 、 图4可知 ， 在 P N N网络训练以后 ， 将训 练数据作为输入代入 已训练好 的 P N N网络时 ， 只有 两个样本出现误差 ， 同时用测试样本进行检测时 ， 也 仅有两种变压器的故障类型判断出错。 将 P N N网络与 B P网络相 比， 具有以下几方面 的优势 ： 1 ) B P网络的输入输出和 P N N相同， 但它的隐 含层单元的选择无法确定 ， 必须经过反复试算得到。 而P N N需调节的参数少， 无需确定隐藏层数及其中 的神经元个数， 过程简单。 2 ) B P网络学习算法收敛速度慢， 且易陷入局部 最优； P N N的训练过程一步到位， 训练样本可直接 赋值给网络且训练时间很短 ， 不存在局部最优解 。 3 ) 如果在故 障诊 断过程 中有新 的训练样 本加 入或去除一些旧的训练样本 ， P N N只需增加或减少 相应的模式层单元 ， 新增加 的输入层与模式层 的连 接权值只需将新样本直接赋值； 而 B P网络修改训 练样本后则要重新进行训 练， 其连接权值都需要重 新赋值 ， 相当于要建立新的网络。 4 ) B P网络的分类规则没有确定 的解释 ， 透明度 差 ； P N N是基于 B a y e s 最小风险准则对对象进行分 类 的， 最大限度地利用故障先验知识 ， 只要有足够多 的样本 ， P N N就能保证得到 B a y e s 准则下的最优解 ， 而 B P网络可 能在一个 局部最优值处 中断， 不能确 保得到一个全局最优解。 仿真结果表明， 将概率神经网络应用于变压器 故障诊断系统 中， 具有很高的诊断准确率。 4 结论 该文将 P N N网络应 用于变 压器故 障诊 断 中， P N N网络过程简单 ， 收敛速度快 ， 总收敛于 B a y e s 优 化解且稳定性高。在变压器故 障诊 断中， 需要建立 变压器故障样本库， 其内容会随着变压器故障的增 加、 变化而产生变化 ， 此时 P N N网络 的样本追加能 力强的优越性得到充分 的应用 ， 因而提高了在实 际 应用 中的诊断准确率。 参考文献： 1 严莉， 王维建， 周东华 变压器故障诊断的油色谱分析 方法综述 J 控制工程， 2 0 0 3 ， 1 0 ( 6 ) ： 4 8 8 4 9 1 2 I s l a m s M， Wu T， L e d w l e h G A n o v e l f u z z y l o g i c印- p r o a c h t o t r a n s f o r m e r f a u l t d i a g n o s i s J I E E E T r a n s a c t i o n o n D i e l e c t r i c s a n d E l e c t r i c a l I n s u l a t i o n ， 2 0 0 0 ， 7 ( 2 ) ： 1 771 8 6 3 李雄刚 故障诊断专家系统在电力系统中的运用 J 广东电力， 1 9 9 9 ， 1 2 ( 2 ) ： 3 9 4 1 4 李天云 ， 应鸿， 张宇辉 变压器 的灰色故 障诊断研究 J 电力系统 自动化 ， 1 9 9 6， 2 0 ( 1 1 ) ： 2 73 1 5 Z h a n g Y A n a r t i fi c i a l n e u t r a l n e t w o r k a p p r o a c h t o t r a n s f o r me r f a u l t d i a g n o s i s J I E E E T r a n s o n P o w e r D e l i v e r y ， 1 9 9 6， 1 1 ( 4 ) ： 1 8 2 3 6 丁晓群， L u i Y， 林钟云 神经网络应用于电力变压器故 障诊断 J 电力系统自动化， 1 9 9 6 ， 2 0( 2 ) ： 3 23 5 7 S p e e h t D F _P r o b a b i l i s t i c n e u r a l n e t w o r k s J N e u r al N e t w o r k s ， 1 9 9 0 ， 3 ( 1 ) ： 1 0 91 1 8 8 杨启平， 薛五德 油中气体分析在电力变压器故障诊断中 的应用 J 上海电力学院学报， 1 9 9 6 ， 1 2 ( 3 ) ： 6 0 6 8 5 4 3 2 1 眯垛漆器 0 5 O 5 O 5 O 5 O 5 O 2 0 之 0