基于BP神經(jīng)網(wǎng)絡(luò)和Borda法則的油浸式變壓器故障診斷

陳曉星

摘要：針對油浸式變壓器故障診斷數(shù)據(jù)樣本量少，故障診斷率較低和可靠性差的缺點，為了提高油浸式變壓器故障診斷的準確率，提出一種綜合Borda法則和BP神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障診斷方法。實驗結(jié)果表明，Borda組合模型比Borda、SVM和BP具有更高的準確率，可以較好地實現(xiàn)油浸式變壓器故障的診斷。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；Borda法則；油浸式變壓器；故障編碼；支持向量機

中圖分類號：TM41 文獻識別碼：A 文章編號：1001-828X（2016）009-000-03

Abstract： in view of the oil immersed transformer fault diagnosis data sample size less， fault diagnosis rate is low and poor reliability of the shortcomings， in order to improve the oil immersed transformer fault diagnosis accurate rate，we proposed a comprehensive Borda rule and BP neural network for oil immersed transformer fault diagnosis method. The experimental results show that the combination model has higher accuracy than Borda， SVM and BP， can achieve oil immersed transformer fault diagnosis much better.

Key words： BP neural network； Borda Rule； Oil-immersed Transformer； Fault Encoding； Support Vector Machine

一、引言

在電力系統(tǒng)中，變壓器作為一個主要的構(gòu)成部分，其運行具有穩(wěn)定的性能和可靠的性能，這樣就保證這個電力系統(tǒng)達到安全、可靠的作用。變壓器發(fā)生故障容易引發(fā)安全事故和停電故障，危及人身安全和財產(chǎn)安全。傳統(tǒng)的變壓器維護方式是基于發(fā)生故障再維修的方式，具有維護成本高，且無法實現(xiàn)變壓器故障的早期預(yù)警和潛伏性故障的及時排除[1]。根據(jù)變壓器具有復(fù)雜的故障機理，以及具有多樣性的故障征兆等特點，單一的診斷方法很難做出完善的判斷，基于上述原因，本文提出一種綜合Borda法則和BP神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障診斷方法。

二、 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（Back-propagation Neutral Network） 通常是指基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)，其由D.E.Rumelhart和J.L.McCelland等人[2]于1986年提出，目前BP算法已被廣泛地應(yīng)用于工程領(lǐng)域。

在BP網(wǎng)絡(luò)結(jié)構(gòu)圖中，用X=（X1， X2，…， Xn）表示BP神經(jīng)網(wǎng)絡(luò)的輸入值；用Y=（Y1， Y2，…， Ym）表示神經(jīng)網(wǎng)絡(luò)的預(yù)測值。BP神經(jīng)網(wǎng)絡(luò)算法的具體流程如下：

Step1：初始化網(wǎng)絡(luò)。我們可以把神經(jīng)網(wǎng)絡(luò)分為三層，它們分別為：輸入層、隱含層、輸出層，它們每一層所具有的節(jié)點數(shù)分別是n、l、m，在對其進行確定的時候一定要依據(jù)神經(jīng)網(wǎng)絡(luò)中的輸入X=（X1， X2，…， Xn）以及其中的輸出Y=（Y1， Y2，…， Ym）；對它們?nèi)呱窠?jīng)元之間的連接權(quán)值wij， wjk進行初始化；對隱含層閥值與輸出層閥值 進行初始化，并且不僅要設(shè)定學(xué)習(xí)速率的函數(shù)，而且還要對神經(jīng)元激勵函數(shù)進行設(shè)定；

Step2：計算隱含層輸出。在對其輸出 進行計算的時候，主要是依據(jù)X、wij、a；

Step7：算法停止條件是否滿足，若滿足，則停止；否則，返回Step2。

BP神經(jīng)網(wǎng)絡(luò)的算法流程依次為實驗數(shù)據(jù)采集、數(shù)據(jù)歸一化、建立網(wǎng)絡(luò)、訓(xùn)練模型、測試模型、數(shù)據(jù)反歸一化、結(jié)果輸出。

三、基于BP神經(jīng)網(wǎng)絡(luò)的油浸式變壓器故障

1.診斷模型設(shè)計

文中主要選擇的特征氣體有五種，第一種氣體是H2（氫氣）；第二種氣體是CH4（甲烷）；第三種氣體是C2H6（乙烷）；第四種氣體是C2H4（乙烯）；第五種氣體是C2H2（乙炔），而變壓器的經(jīng)常出現(xiàn)的故障主要有7種[3]，樣本種類及故障編碼分別為：低溫過熱 [ 1 0 0 0 0 0 0]、中溫過熱 [ 0 1 0 0 0 0 0]、高溫過熱[ 0 0 1 0 0 0 0]、局部放電 [ 0 0 0 1 0 0 0]、低能放電 [ 0 0 0 0 1 0 0]、電弧放電 [ 0 0 0 0 0 1 0]、正常狀態(tài) [ 0 0 0 0 0 0 1]。

為實現(xiàn)油浸式變壓器故障的診斷，本文借助于BP神經(jīng)網(wǎng)絡(luò)技術(shù)建立油浸式變壓器故障診斷模型。選擇H2、CH4、C2H6、C2H4、C2H2 5種氣體在油中溶解的體積含量作為BP的輸入，七種不同故障模式為BP輸出[4]。

2.算法步驟

基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷流程：

Step 1：構(gòu)建訓(xùn)練樣本以及數(shù)據(jù)預(yù)處理。

數(shù)據(jù)預(yù)處理主要進行歸一化，避免數(shù)據(jù)數(shù)量級不同導(dǎo)致結(jié)果偏差過大，同時能夠加速網(wǎng)絡(luò)的收斂速度。

Step 2：建立BP神經(jīng)網(wǎng)絡(luò)模型；

Step 3：訓(xùn)練網(wǎng)絡(luò)；采用Levenberg-Marquardt方法，該方法訓(xùn)練速度快，選取前70組數(shù)據(jù)作為訓(xùn)練樣本。

Step 4：測試網(wǎng)絡(luò)；運用測試樣本，驗證本文算法的有效性。

Step 5：輸出結(jié)果并保存網(wǎng)絡(luò)，方便后期變壓器故障診斷。

3.數(shù)據(jù)來源

在建立故障診斷的訓(xùn)練樣本和仿真測試樣本數(shù)據(jù)的時候，所選擇的指標是在油中溶解的不相同氣體的量，這些氣體分別為H2、CH4、C2H6、C2H4、C2H2，根據(jù)數(shù)據(jù)樣本類型，將油浸式變壓器故障分為7類，分別為低溫過熱、中溫過熱、高溫過熱、局部放電、低能放電、電弧放電和正常狀態(tài)。將H2、CH4、C2H6、C2H4、C2H2 5種氣體在油中溶解的體積含量作為BP的輸入，七種不同故障模式為BP輸出。將采集到的205組電力變壓器油中溶解氣體含量數(shù)據(jù)分為兩個部分[5]，前140組樣本數(shù)據(jù)作為訓(xùn)練集，后65組樣本數(shù)據(jù)作為測試集，詳細數(shù)據(jù)如表1所示。

4.數(shù)據(jù)預(yù)處理

為避免BP處理不同數(shù)量級原始數(shù)據(jù)出現(xiàn)計算不平衡，同時降低算法計算復(fù)雜度，提高BP的分類性能，樣本數(shù)據(jù)的預(yù)處理公式為[6]：

式中，xi（i=1，2，…，5）表示未歸一化的樣本數(shù)據(jù)；xmax表示同組未歸一化的樣本數(shù)據(jù)中的最大值；xmin表示同組未歸一化的樣本數(shù)據(jù)中的最小值；xi表示歸一化之后的數(shù)據(jù)。（見圖4、圖5）

5.實驗結(jié)果分析

為了驗證BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型的有效性，神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置如下：神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置如下：訓(xùn)練目標goal=0.01，訓(xùn)練次數(shù)epoch=1000，中間層神經(jīng)元個數(shù)為11，輸出神經(jīng)元為7，輸入神經(jīng)元為5。其實驗結(jié)果如圖6、圖7和圖8所示。

由圖6可知，基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷的準確率為86.153%，產(chǎn)生誤判的可能原因主要有兩個：（1）中溫過熱故障和高溫過熱故障二者數(shù)據(jù)較為接近，導(dǎo)致分類界限模糊產(chǎn)生誤判；（2）BP分類器自身缺陷產(chǎn)生誤判。

由于油浸式變壓器綜合監(jiān)測涉及的樣本數(shù)據(jù)具有特征信息量大的特點，導(dǎo)致在一定情況下獲得的油浸式變壓器的診斷結(jié)論很多時候可靠性較差[7]。為了最大程度地提高油浸式變壓器故障診斷的準確率，將BP神經(jīng)網(wǎng)絡(luò)和Borda法則結(jié)合，提出一種基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷的組合模型，實現(xiàn)油浸式變壓器故障的最佳診斷，其診斷流程圖如圖7所示。

四、基于BP神經(jīng)網(wǎng)絡(luò)和Borda的組合故障診斷

1. Borda法則

在1781年，法國的數(shù)學(xué)家C.De Borda提出了一種新的法則[8]，我們把它叫做Borda法則，該法則就是對 個專家給出的 個被評價對象的優(yōu)先級關(guān)系進行比較，最終確定它們的Borda分數(shù)，并且對它們所得的分數(shù)進行排序，最終的評價結(jié)果為得分最高的對象。與Borda法則的思想進行結(jié)合，將油浸式變壓器故障診斷數(shù)學(xué)模型歸納為：假設(shè)Y={ y1， y2，…， y7}為評價對象，它所表示的內(nèi)容是油浸式變壓器比較常見的7中類型的故障，U={u1， u2，…， u7}所表示的內(nèi)容是 個專家組合而成的小組，然后采用7種不同的方法對Y={ y1， y2，…， y7}中的一些對象進行評價。

對某個專家k，當評價等于yi時，令bki =1，其他記作0，那么專家對評價對象Yi的評分可下式表示。

在公式中，Yi所表示的內(nèi)容是yi的所得的分數(shù)。其中的對象可以根據(jù)分數(shù)的高低進行排序，最大的Yi所對應(yīng)的yi是最終的結(jié)果。

為了使診斷的結(jié)果與實際情況更加的匹配，在本文中運用了算術(shù)加權(quán)運算，對他們進行有效的區(qū)分。對第k個專家賦予權(quán)值wk，0≤wk≤1，則評價對象yi的Borda分數(shù)可表示為[9]：

2.數(shù)據(jù)來源

選擇油中不同氣體的體積含量構(gòu)建油浸式變壓器故障診斷的訓(xùn)練樣本數(shù)據(jù)和仿真測試樣本數(shù)據(jù)，這些氣體分別為H2、CH4、C2H6、C2H4、C2H2，根據(jù)數(shù)據(jù)樣本類型，將油浸式變壓器故障分為7類，分別為低溫過熱、中溫過熱、高溫過熱、局部放電、低能放電、電弧放電和正常狀態(tài)。將H2、CH4、C2H6、C2H4、C2H2 5種氣體在油中溶解的體積含量作為BP和Borda組合模型的輸入，七種不同故障模式為BP和Borda組合模型的輸出。將采集到的205組電力變壓器油中溶解氣體含量數(shù)據(jù)分為兩個部分，前140組樣本數(shù)據(jù)作為訓(xùn)練集，后65組樣本數(shù)據(jù)作為測試集，詳細數(shù)據(jù)如表1所示。

3.實驗結(jié)果分析

為了驗證Borda組合模型的變壓器故障診斷模型的有效性，神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置如下：神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置如下：訓(xùn)練目標goal=0.01，訓(xùn)練次數(shù)epoch=1000，中間層神經(jīng)元個數(shù)為11，輸出神經(jīng)元為7，輸入神經(jīng)元為5。其實驗結(jié)果如圖9所示和表3所示。

由表3不同方法的對比結(jié)果可知，Borda組合模型、Borda和SVM都較BP提高了油浸式變壓器故障診斷的準確性。通過對比發(fā)現(xiàn)，Borda組合模型比Borda、SVM和BP具有更高的準確率，可以較好地實現(xiàn)油浸式變壓器故障的診斷。

五、結(jié)論

針對單一方法無法實現(xiàn)油浸式變壓器故障的準確診斷，為了提高變壓器在線監(jiān)測設(shè)備的可靠性和變壓器故障診斷的準確率，提出一種綜合Borda法則和BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法。實驗結(jié)果表明，Borda組合模型、Borda和SVM都較BP提高了油浸式變壓器故障診斷的準確性，Borda組合模型比Borda、SVM和BP具有更高的準確率，可以較好地實現(xiàn)油浸式變壓器故障的診斷。

參考文獻：

[1]謝紅俠，史麗萍，惠正運.改進免疫聚類算法的變壓器故障診斷研[J].電測與儀表，2012，49（3）：15-19.

[2]劉志剛，李德仁，秦前清等.支持向量機在多類分類問中的推廣[J].計算機工程與應(yīng)用，2004，16（7）：96-100.

[3]陳偉根，孫才新.變壓器局部放電與油中氣體濃度的對應(yīng)關(guān)系[J].重慶大學(xué)學(xué)報，2000，23（4）：86-89.

[4]Memon A，Nowak D.Traffic Signal Control Based on Genetic Algorithm[J].IEEE Trans on Systems，Man and Cybernetics，2007（10）：707-717.

[5]杜文霞，呂鋒，句希源.基于BP神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷[J].變壓器，2007，44（3）：45-47.

[6]丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學(xué)學(xué)報，2011，40（1）：2-10.

[7]趙振兵，高強，苑津莎等. 變電站電氣設(shè)備雙通道圖像在線監(jiān)測方法[J]. 電力系統(tǒng)自動化，2008，32（10）：76-79.

[8]潘翀，陳偉根，云玉新等.基于遺傳算法進化小波神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷[J].電力系統(tǒng)自動化.2007，31（13）：88-92.

[9]吳書有.基于振動信號分析方法的電力變壓器狀態(tài)監(jiān)測與故障診斷研究[D].中國科學(xué)技術(shù)大學(xué)，2009.

[10]陳小鋒，史忠科.基于遺傳算法的變壓器振動信號動態(tài)優(yōu)化方法[J].系統(tǒng)仿真學(xué)報，2004，16（6）：1155-1157.