基于復合神經網絡的變壓器故障診斷研究

繆 薇

(江蘇省江都水利工程管理處,江蘇 揚州 225200)

0 引 言

變壓器作為江都水利樞紐工程的重要電力設備,能否正常工作,對于泵站工程運行尤為重要。變壓器一旦出現故障,若不能及時發現,將會對泵站工程造成重大損失。由于電網系統結構的復雜性及變壓器的重要性,所以對變壓器進行故障診斷具有重要意義[1-2]。

對變壓器進行故障檢測存在一定的困難:一是故障出現后,需要對故障類型作出準確判斷,以采取相應的措施;二是對于出現故障的變壓器,不僅要判斷出其存在故障,還要判斷故障點的位置,并快速進行檢修,以縮短停電時間?？梢圆捎枚喾N方式對變壓器進行故障診斷,神經網絡、遺傳算法等不同的技術表現出不同的診斷效果,對于變壓器的故障來說,能夠快速診斷故障最為重要[3-4]。因此,對于電力系統,需要采用先進的診斷手段和方法,對變壓器故障進行診斷,以排除故障,使電力系統快速恢復正常運行。

1 變壓器常見故障及故障采集

1.1 變壓器常見故障

江都水利樞紐工程的4座大型電力抽水站正常工作離不開電力變壓器,變壓器是保障水利工程運行的重要設備[5]。江都站變電所及江都四站變壓器為油浸式變壓器,油浸式變壓器的重要物質是絕緣油,絕緣油的作用是絕緣、冷卻、滅弧等[6-7]。

變壓器工作過程中出現的故障有多種,為了更好地診斷故障,需對故障進行分類。變壓器故障分為內部和外部油箱故障,變壓器故障出現的類型如表1所示。

表1 變壓器故障發生類型

1.2 變壓器故障采集

變壓器是電網系統的重要設備,對變壓器進行故障診斷時,需要確定診斷的目標,從而針對性地進行診斷[8]。變壓器油箱、絕緣線、開關等都有出現故障的可能,采取合適的故障信號采集方法,可提高變壓器故障檢測的準確率和診斷效率。

2 基于QIA-RBF復合神經網絡的變壓器故障診斷

采用神經網絡對變壓器故障進行診斷是計算機技術快速發展的結果,變壓器釋放出的信號被檢測系統接收,經過神經網絡的樣本訓練,然后開展尋優工作,找到變壓器存在的故障。

2.1 RBF網絡設計

采用QIA-RBF復合型神經網絡對變壓器故障進行診斷,首先要設計RBF神經網絡算法,這是進行復合神經網絡設計的第一步。RBF神經網絡設計包括選取參數、確定編碼方式、建立親和度函數等流程。

2.1.1 編碼方式的確立

根據變壓器油中析出氣體種類的不同能夠對變壓器故障進行判斷,這是設計編碼方式的基礎。不同的變壓器故障類型可以作為一個種群,理論上種群可以無限進化。設初始種群Q(t)=(q1,q2,…,qn),其中t為種群進化代數,n為初始種群規模,qi(i=1,2,…,n)為種群第t代中的第i個抗體。變壓器可能存在多種不同的故障類型,將這些類型看作染色體,基因表示氣體種類與氣體含量,然后進行后續處理。

經過迭代,可以計算得到第t代第i個故障q編碼方式為

(1)

式中:m為種群中染色體上基因個數;k為編碼基因個數;α、β為2個復數,用于表示故障類型,兩者平方和為1。

2.1.2 親和度函數的建立

種群搜索中,親和度函數是對變壓器故障進行診斷的關鍵,析出氣體的種類與故障的類型匹配需要依靠親和度函數進行判斷。親和度函數表明了析出氣體與故障類型的一種函數關系,選擇合適的親和度函數,有利于提高變壓器故障診斷的準確性。根據復合神經網絡變壓器故障診斷特點,結合油浸式變壓器析出氣體,對親和度函數進行選擇和建立。親和度函數為實際輸出與期望輸出誤差平方和的倒數,用來判斷變壓器故障類型,具體的函數表達式見式(2)和式(3)。

(2)

(3)

式中:f(i)為抗體i親和度值;i為種群規模;E為預估值和真實值的誤差平方和;n為輸入樣本;m為輸出層節點;yij為實際輸出結果;y′ij為期望輸出結果。

神經網絡的整體結構如圖1所示。神經網絡流程設計好后,根據流程可以對變壓器故障進行診斷,從而及時發現變壓器故障。

圖1 神經網絡的整體結構

2.2 量子免疫算法

量子免疫算法(quantum immune algorithm, QIA)是以免疫算法為主,結合免疫理論與量子搜索2種方式,利用量子比特疊加性對數據進行編碼的一種算法[9]。

為了弱化過早收斂的現象,在免疫算法中添加量子比特的概念,增強搜索能力,節約訓練時間,避免了QIA隨機概率性。

2.3 故障診斷流程

為了提高變壓器故障診斷準確性,將RBF智能網絡與QIA算法進行結合,組成復合神經網絡對變壓器進行故障診斷,設置故障診斷的流程。

1)賦值變壓器異常。當復合神經網絡檢測到一種故障時,故障結果嚴重,對變量賦值為1;變壓器無異常時,變量賦值為0;變壓器異常較小時,賦值0.1;變壓器中等異常時,賦值為0.5。

2)根據人工定期巡檢。選擇變壓器故障的樣本數量,一般為500或者1 000個樣本。變壓器故障檢測過程中選擇不同情況,一般為安全運行、巡檢、停機3種類型。

3)輸入量選擇1 000個樣本數據,輸出結果為變壓器的診斷結果。進行RBF網絡訓練,確定矩陣和關鍵參數,提高訓練效率。

4)對于確定的RBF網絡,分析變壓器的異常類型,開展神經網絡在線故障診斷,設定智能分析模型,隨時發現故障。

5)復合神經網絡輸出變壓器故障的診斷結果,比較不同的輸出結果,根據輸出結果判斷變壓器故障類型。

若RBF神經網絡輸出結果O(k)>1,則需要對變壓器進行停機檢查,不能讓其繼續工作;若RBF神經網絡診斷輸出結果O(k)<0.5,判斷變壓器異常較小或無異常,可以繼續工作;若RBF輸出結果0.5

3 變壓器故障診斷研究

3.1 RBF網絡的收斂性

復合神經網絡對變壓器故障進行診斷需要驗證收斂特性。選取500組和1 000組測試數據,對其結果進行驗證,繪制成數據圖,得到RBF網絡迭代收斂曲線,如圖2所示。

圖2 RBF 網絡迭代收斂特性

3.2 復合QIA與RBF神經網絡

進行變壓器故障診斷時,單一的神經網絡和算法存在一定的不足,無法精確完成變壓器故障診斷工作,將QIA與RBF神經網絡復合起來,可以改善和提高神經網絡收斂與搜索能力。為了考查單純的RBP神經網絡和QIA-RBP神經網絡對變壓器故障的診斷效果,對兩者進行測試和比較。對兩者各30組數據進行變壓器故障診斷測試,考查測試誤差和測試精度,測試結果對比如表2所示。

表2 RBF 神經網絡與QIA-RBF 神經網絡測試對比

由表2可知,2種測試方法對樣本的測試結果的誤差存在差異,QIA-RBF網絡較單純RBF網絡誤差大。QIA-RBF網絡測試結果平均誤差為0.110 1,最大誤差為0.499 9;單純RBF網絡平均誤差為0.209 3,最大誤差為0.521 3;QIA-RBF網絡比單純RBF網絡誤差低9.92%,QIA-RBF網絡對變壓器的故障診斷精度高于單一的RBF神經網絡。

為了能夠更加準確地對變壓器進行診斷,減少變壓器故障發生頻率,直觀表現兩者測試結果的差異,對變壓器故障診斷的2種方式繪制折線圖,樣本數量為30,對比結果如圖3所示。

圖3 RBF與QIA-RBF神經網絡誤差對比折線圖

由圖3可知,30組樣本數據測試結果顯示QIA-RBF網絡誤差較小,而單純RBF網絡誤差較大。為了驗證復合神經網絡對變壓器故障類型診斷效果,選擇60組樣本,將實際故障、RBP神經網絡診斷故障、QIA-RBF神經網絡診斷故障三者進行對比,結果如圖4所示。

圖4 實際測試與預測結果對比折線圖

由圖4可知,將QIA與RBF結合進行變壓器故障診斷,復合后的神經網絡對變壓器故障的診斷正確率更高。在所測試的60組數據中,復合QIA與RBF的神經網絡對變壓器故障的診斷僅有4組誤判,而RBF神經網絡有10組診斷錯誤。由此可知,QIA與RBF復合后對于變壓器故障診斷的準確性更高,能夠滿足變壓器故障診斷的需要。

4 結 語

根據變壓器工作環境,提岀一種基于QIA-RBF復合神經網絡的變壓器故障診斷方法。對變壓器常見故障進行分析,對RBF神經網絡進行設計,結合QIA免疫算法制定變壓器故障診斷流程。開展變壓器故障診斷研究,分析RBF網絡結構的收斂性,對復合神經網絡與RBF神經網絡診斷結果進行分析,所得結論如下。

QIA-RBF網絡測試所得的平均誤差低于單純RBF網絡,在變壓器故障檢測中,QIA-RBF網絡的故障診斷精度高于單一的RBF神經網絡。對比所測試60組故障類型,對變壓器故障診斷時,復合QIA與RBF的神經網絡更接近實際故障,誤判僅4組,遠低于RBF神經網絡的故障誤判組數。表明QIA與RBF復合后更適合用于變壓器故障診斷。