基于改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷的研究

祁萌 王艷 何若雪

摘要：電網(wǎng)在全國聯(lián)網(wǎng)運(yùn)行的現(xiàn)有格局下，對(duì)變壓器故障的監(jiān)測(cè)、診斷和預(yù)報(bào)提出了更高的技術(shù)要求。針對(duì)電力行業(yè)中有效監(jiān)測(cè)變壓器運(yùn)行狀況、及時(shí)準(zhǔn)確進(jìn)行故障診斷的實(shí)際需求，提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷算法。該算法通過利用PSO算法獲得模糊神經(jīng)網(wǎng)絡(luò)參數(shù)，并結(jié)合變壓器油中溶解氣體分析法對(duì)變壓器進(jìn)行故障診斷。相對(duì)于網(wǎng)絡(luò)參數(shù)隨機(jī)生成的傳統(tǒng)模式模糊神經(jīng)網(wǎng)絡(luò)算法，本文所提出的方法，具有故障診斷準(zhǔn)確率高、網(wǎng)絡(luò)訓(xùn)練時(shí)間短等優(yōu)勢(shì)。Matlab實(shí)驗(yàn)仿真表明，本文所提出的方法在變壓器故障診斷方面切實(shí)可行，且相對(duì)于傳統(tǒng)方法具有明顯優(yōu)勢(shì)。

關(guān)鍵詞：電力變壓器;粒子群算法;模糊神經(jīng)網(wǎng)絡(luò);故障診斷;Matlab仿真

中圖分類號(hào)：TM715文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：2095-5383（2019）02-0043-03

Abstract：Power transformers play an important role in peoples production and life. With the rapid development of Chinas power grid construction，the power grid has developed into a national network，and it is very important to effectively monitor，diagnose and forecast transformer operation.? For the actual requirements of the power industry to effectively monitor the operation status of the transformer and timely and accurately diagnose the fault，a transformer fault diagnosis algorithm based on fuzzy neural network was proposed in this paper. The algorithm obtains fuzzy neural network parameters by using PSO algorithm，and combines the dissolved gas analysis method in transformer oil to diagnose the fault of the transformer. Compared with the traditional fuzzy neural network algorithm whose network parameters generated randomly，the proposed method has the advantages of high accuracy of fault diagnosis and short network training time. Matlab experimental simulation shows that the proposed method is feasible in transformer fault diagnosis and has obvious advantages over traditional methods.

Keywords： power transformer; particle swarm optimization; fuzzy neural network; fault diagnosis; matlab simulation

變壓器在電力系統(tǒng)的供配電過程中通常起到了樞紐作用。變壓器的可靠運(yùn)行直接影響電網(wǎng)的運(yùn)行成本。為保障電網(wǎng)運(yùn)行，現(xiàn)有電力系統(tǒng)對(duì)變壓器故障監(jiān)測(cè)的準(zhǔn)確性和實(shí)時(shí)性提出了更高的要求。油中氣體分析法是變壓器進(jìn)行故障監(jiān)測(cè)的常見手段。然而，傳統(tǒng)模式下該方法中常存在的編碼過界等問題[1]。因此，本文提出了一種基于改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法。其利用人工智能中的模糊神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)油中氣體分析法結(jié)合，可以顯著提升變壓器故障診斷的及時(shí)性和準(zhǔn)確率。

1 模糊神經(jīng)網(wǎng)絡(luò)

本文提出的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)共5層，結(jié)構(gòu)如圖1所示[2]。

2 粒子群算法

3 PSO算法改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)

本文采用粒子群算法改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)。模糊神經(jīng)網(wǎng)絡(luò)隸屬函數(shù)的中心、寬度、輸出層的權(quán)值隨機(jī)確定，增加運(yùn)算復(fù)雜度且耗時(shí)。本文用粒子群算法確定上述參數(shù)，對(duì)上述參數(shù)尋優(yōu)[5]，具體過程是：

Step1確定模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為五層。第1層的節(jié)點(diǎn)即是輸入節(jié)點(diǎn)，m個(gè)輸入?yún)?shù)節(jié)點(diǎn)數(shù)即為m，第2層節(jié)點(diǎn)數(shù)由模糊分割數(shù)決定，n個(gè)模糊分割數(shù)，則節(jié)點(diǎn)為m×n個(gè)。第3層節(jié)點(diǎn)數(shù)為am個(gè)。第4層節(jié)點(diǎn)數(shù)也為am個(gè)，第5層節(jié)點(diǎn)數(shù)視輸出情況而定。

Step2初始化原始數(shù)據(jù)，設(shè)置改進(jìn)粒子群算法的初始參數(shù)，包括最大慣性權(quán)重ωmax，粒子初始位置xid，粒子種群的規(guī)模n，c1和c2的值以及最大迭代次數(shù)kmax，速度范圍vmax和vmin，初始化粒子的個(gè)體和全局的最優(yōu)位置，即pid和pgd。粒子的維數(shù)根據(jù)粒子需要改進(jìn)的參數(shù)來確定，根據(jù)前面模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，假設(shè)輸出節(jié)點(diǎn)數(shù)為b，粒子種群的維數(shù)為：

Step3確定粒子群算法的適應(yīng)度函數(shù)，用適應(yīng)度函數(shù)來判斷算法何時(shí)結(jié)束運(yùn)算，適應(yīng)度函數(shù)為模糊神經(jīng)網(wǎng)絡(luò)輸出的均方誤差。

Step4按照粒子群算法的步驟進(jìn)行運(yùn)算，達(dá)到終止條件停止迭代，輸出最優(yōu)解作為模糊神經(jīng)網(wǎng)絡(luò)的初始參數(shù)。

Step5初始參數(shù)帶入模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用增加動(dòng)量項(xiàng)的BP學(xué)習(xí)算法更新模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)，直到模糊神經(jīng)網(wǎng)絡(luò)達(dá)到期望的誤差為止。流程圖如圖2所示。

4 實(shí)例應(yīng)用

4.1 數(shù)據(jù)處理

本文采取的方法為PSO改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)與DGA技術(shù)結(jié)合的方法，以H2、CH4、C2H6、C2H4和C2H2，用作分析的特征氣體[6]，以它們的3個(gè)比值作為輸入，輸入節(jié)點(diǎn)數(shù)為3，檢測(cè)出各氣體成分及含量數(shù)據(jù)，用模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練，根據(jù)這些含量來分類來確定是哪種故障。

對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理：

其中：xnormalized為歸一化后的相對(duì)含量值;xmin和xmax分別為氣體含量的最小值和最大值;L為歸一化的下界;U為歸一化的上界。

輸出狀態(tài)分為高溫發(fā)熱、高能量放電、低能量放電、中低溫發(fā)熱4種故障[7]。

4.2 構(gòu)建網(wǎng)絡(luò)

4.2.1 模糊神經(jīng)網(wǎng)絡(luò)機(jī)構(gòu)的確定

該模糊神經(jīng)網(wǎng)絡(luò)模型由5層網(wǎng)絡(luò)結(jié)構(gòu)組成，包含1個(gè)輸入層，3個(gè)隱含層和1個(gè)輸出層。測(cè)試樣本用的輸入?yún)?shù)分別是H2、CH4、C2H6、C2H4、C2H25種特征氣體的3個(gè)比值，模糊神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)有3個(gè)。第2層選取2個(gè)模糊分割數(shù)對(duì)第1層的3個(gè)輸入變量進(jìn)行分割，這一層的節(jié)點(diǎn)數(shù)總共是6個(gè)，對(duì)應(yīng)6個(gè)隸屬度函數(shù)，分別計(jì)算出每個(gè)輸入?yún)?shù)屬于這兩個(gè)模糊集合的隸屬函數(shù)[8]。第3層是模糊推理層，每個(gè)節(jié)點(diǎn)選用兩條規(guī)則，該層的節(jié)點(diǎn)數(shù)是23=8。

第4層節(jié)點(diǎn)數(shù)與第3層的節(jié)點(diǎn)數(shù)相同，是8個(gè)節(jié)點(diǎn)。第5層是輸出層節(jié)點(diǎn)確定為1個(gè)，輸出結(jié)果分別用1～4表示，分別對(duì)應(yīng)著4種故障。最終確定對(duì)變壓器進(jìn)行故障診斷的PSO算法改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為3-6-8-8-1。

4.2.2 粒子群參數(shù)設(shè)置

本文的模糊神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)3-6-8-8-1，粒子的維數(shù)為3×2×2+8×1=20維，粒子數(shù)為10個(gè)。最大速度過大會(huì)造成粒子變成無規(guī)律的運(yùn)動(dòng)，導(dǎo)致難以收斂，Vmin是粒子的最小速度，Vmin減小有利于局部的搜索，如果Vmin過小又會(huì)導(dǎo)致粒子運(yùn)動(dòng)步長過小，會(huì)使算法陷入局部最小值，這兩個(gè)參數(shù)的設(shè)定完全靠經(jīng)驗(yàn)[9]，本文選擇Vmax=1，Vmin=-1。c1=c2=2，wmax=0.95，wmin=0.25，以最大迭代次數(shù)2 000為終止條件。

5 結(jié)果分析

本次變壓器故障診斷收集的變壓器故障數(shù)據(jù)有80組，選取其中的30組作為訓(xùn)練樣本，選取20組數(shù)據(jù)作為測(cè)試樣本[10]，如表1所示。

本節(jié)是把兩組故障診斷模型的仿真實(shí)驗(yàn)結(jié)果從準(zhǔn)確率、迭代次數(shù)、最小均方誤差3個(gè)方面進(jìn)行對(duì)比分析，從而得出結(jié)論。

由表1可以看出，模糊神經(jīng)網(wǎng)絡(luò)對(duì)變壓器故障診斷的模型相比與PSO改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)對(duì)變壓器故障診斷的模型，準(zhǔn)確率分別為90%和95%，迭代次數(shù)分別為30次和28次。PSO改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)這種算法，無論在收斂速度和診斷結(jié)果的準(zhǔn)確率都有了明顯的提高。

PSO改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷方面[11]的應(yīng)用相比與模糊神經(jīng)網(wǎng)絡(luò)模型，無論在準(zhǔn)確率和診斷時(shí)間方面，都有很好的表現(xiàn)。這是因?yàn)橛昧Ｗ尤核惴ㄟM(jìn)行改進(jìn)[12]，克服其收斂速度慢，易陷入最小值的問題。仿真實(shí)驗(yàn)結(jié)果證明了其可行性。

6 結(jié)語

本文采用PSO算法改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)，與DGA相結(jié)合的基礎(chǔ)上對(duì)變壓器進(jìn)行故障診斷，采用3-6-8-8-1的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，最后通過對(duì)變壓器故障診斷的實(shí)驗(yàn)仿真，得出此種方法遠(yuǎn)遠(yuǎn)優(yōu)于標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法，證明此方法可以用于工程實(shí)踐。

參考文獻(xiàn)：

[1]徐瑋.淺析電力變壓器高壓試驗(yàn)技術(shù)[J].智能城市，2017，3（12）：179-180.

[2] 尹建波.電力變壓器高壓試驗(yàn)方法及故障處理[J].電子技術(shù)與軟件工程，2018（4）：229-230.

[3] 喻圣，鄒紅波，余凡，等.模糊神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用[J].智慧電力，2018（11）：88-91.

[4] 周洋，潘大志.求解0-1背包問題的貪心優(yōu)化粒子群算法[J].西華師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，39（3）：319-324.

[5] 張彩云.基于改進(jìn)PSO算法的模糊神經(jīng)網(wǎng)絡(luò)研究[D].哈爾濱：哈爾濱理工大學(xué)，2014.

[6] LIU Q，LI Y，HU S，et al.A controllable inductive power filtering system： modeling，analysis and control design[J].International Journal of Electrical Power & Energy Systems，2019，105：717-728.

[7] 白浩，王昱力.基于數(shù)據(jù)清洗和知識(shí)遷移的變壓器故障診斷模型[J/OL].電工電能新技術(shù)，2019.

[2019-02-10].http：//kns.cnki.net/kcms/detail/11.2283.TM.20190129.1613.010.html.

[8] 賈亦敏，史麗萍，嚴(yán)鑫.改進(jìn)人工魚群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].河南理工大學(xué)學(xué)報(bào) （自然科學(xué)版），2019，38（2）：103-109.

[9] 田博 王虎軍 王洋.基于RBF神經(jīng)網(wǎng)絡(luò)的電網(wǎng)變壓器故障檢測(cè) [J].電子世界，2018（21）：135-136.

[10] LI M，WU B，YI P，et al.An improved discrete particle swarm optimization algorithm for high-speed trains assembly sequence planning[J].Assembly Automation，2013，33（4）：360-373.

[11] 夏爽，李麗宏.基于PSO-RBF神經(jīng)網(wǎng)絡(luò)在溫室溫度預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì)，2017，38（3）：744-748.

[12] 梁俊卿.基于改進(jìn)粒子群算法的無線傳感器網(wǎng)絡(luò)覆蓋優(yōu)化[J].現(xiàn)代電子技術(shù)，2017，40（17）：32-35.