电力变压器故障诊断系统的研究.docVIP

电力变压器故障诊断系统的研究2 1.2、基于神经网络的变压器故障诊断研究现状 神经网络用于设备的故障诊断还是一个非常新的研究领域。由于神经网络具有很 好地自适应能力、自学习能力和容错能力等，其在故障诊断领域应用相当广泛，表现 出了巨大的应用潜力。当前，神经网络在变压器故障诊断领域的研究主要集中在三个 方向，一是根据不同的诊断问题，选择相应类型的神经网络进行故障诊断系统设计； 二是针对神经网络在应用中所存在的缺点，对其进行优化改进；三是与其它智能故障 诊断方法相结合，形成综合故障诊断系统。 对于第一个研究方向，研究和应用较为广泛的神经网络类型有：BP神经网络、概 率神经网络、RBF神经网络、Elman神经网络、自适应共振网络(ART)、学习矢量神经 网络(LVQ)、支持向量机(SVM)、自组织特征映射(SOM)、小波神经网络和模糊神经网 络等[1]-[17]。这些神经网络各有各的特点，依据不同的诊断模型和诊断对象、不同的样 本规模与结构进行恰当的选择。例如在文献[1]中利用较为成熟的BP神经网络建立了 变压器故障诊断系统，为了克服BP网络训练收敛速度慢，易陷入局部极小值的缺点， 引入了Levenberg-Marquardt算法对神经网络进行训练，从仿真结果看该系统具有较快 的运算速度和拟合精度。在文献[3]中依据Elman神经网络具有动态处理数据及对历史 数据敏感的能力，提出了将它用于变压器故障诊断的新方法，并给出了其具体的实现 方法，同时将Elman网络与BP网络的测试结果进行了比较。结果表明，Elman网络具 有区良好的故障诊断能力。在文献[14]中采用了具有良好收敛性、鲁棒性和时空-频域 定位特性的小波神经网络进行变压器故障诊断系统的设计，诊断系统表现出良好的学 习性能和诊断性能。 对于第二个研究方向，主要体现在对现有的神经网络进行优化改进方面，主要方 法有：遗传算法、蚁群算法、模拟退火算法、粒子群算法、聚类算法、多元统计分析、 主分量分析和模糊理论等[18]-[28]。这些优化改进算法主要从两个方面对神经网络进行改 进，一是从优化学习样本结构方面考虑。例如在文献[18]中，利用多元统计分析技术中 聚类分析和因子分析的概念对油中溶解气体分析的结果进行处理，初步实现了对神经 网络输入特征参量的选取，在文献[19]中利用主成分分析法能保留数据样本最大量信息 的前提下，对数据维数压缩和有效预分类的性能，对用于BP神经网络输入的样本进行 预处理，从而消除输入网络各样本间的相关性，减少网络的输入数，简化网络结构， 提高网络学习速率。二是从优化神经网络结构和学习算法方面考虑。例如在文献[23] 中，针对反向传播算法存在着容易陷入局部极小点、对初值要求高的缺点，提出了利 用遗传算法优化人工神经网络初值，将遗传算法与人工神经网络结合起来，从而迅速 得到最佳人工神经网络权值矩阵和阀值。在文献[25]中提出利用遗传算法来优化支持向 量机网络(SVM)中的参数，并将之应用到变压器故障诊断当中，充分发挥了支持向量 机具有较高泛化能力的优势。通过实验表明，该方法能够在较大范围内准确地找到相 应的优化参数，并能有效地进行变压器的故障诊断。对于第三个研究方向，主要是利用各种智能故障诊断方法优点和缺点的互补性， 设计出综合故障诊断系统。其中主要有三种结合方式，一是神经网络和专家系统的结 合；二是神经网络和模糊逻辑的结合；三是神经网络、专家系统和模糊逻辑三者的结 合[29][30]。对于专家系统而言，其在知识表达、知识处理和知识运用等方面具有其独特 的特性，能利用人类的经验知识来解决问题，同时具有良好的人机交互界面等优点， 但是专家系统确难以自动获取知识，属于串行处理方式，实时性差，容错性能差等缺 点。对于神经网络而言，具有高度的非线性映射能力和自适应、自组织、自学习、容 错及知识获取等能力，但是神经网络难以表达结构化知识，难以实现基于结构化知识 的逻辑推理，难以向使用者提供解释和指导等缺点。对于模糊逻辑而言，易于获得由 语言表达的专家知识，有较强的容错能力和知识表达能力，但是却不能进行自组织学 习。所以神经网络与专家系统和模糊逻辑的结合，形成综合的故障诊断系统，既可以 发挥各自的优势，又可以由一方为另一方提供支持，有利于提高故障诊断的智能化水 平和诊断性能[31]。 1.3、本文主要研究的内容 考虑到传统变压器故障诊断技术的缺陷，本文提出了利用基于粒子群优化(PSO) 算法的径向基函数神经网络(PSO-RBFNN)进行变压器故障诊断系统的设计，为此主要 进行了如下几点内容的研究： （1）分析变压器油中溶解气体的形成机理，重点研究故障特征气体的含量与种 类跟变压器内部故障的对应关系，另外分析了传统特征气体法和比值法的诊断原理、 诊断过程以及它们的优缺点。