电力工程变压器故障诊断中人工智能技术应用研究.docVIP

电力工程变压器故障诊断中人工智能技术应用研究 　　摘 要：人工智能技术在电力工程变压器故障的诊断中具有重要的应用价值。本文分析了变压器的故障及诊断方法，并针对其中三种方法略作阐述，希望能为变压器的故障诊断研究提供参考。 　　关键词：电力变压器；故障诊断；人工智能 　　中图分类号：X77 文献标识码：A 　　1 变压器故障以及诊断方法 　　变压器的故障有多种形式，造成故障的原因也较为复杂多样，根据实际情况来看，变压器制造上的问题占据了事故发生总量的80%左右，运行维护中的问题占据了20%左右。制造方面包括套管质量差、绝缘缺陷、短路强度差以及分解开关质量等问题，在运行方面主要是进水受潮，运行、安装以及检修不当造成的各种状况，其他还有一些诸如雷击、绝缘老化、过电压、污闪等问题。按照发生部位可分为外在故障以及内在故障，这些故障的发生严重影响着变压器的正常运行，造成了电力系统故障。 　　针对这些故障进行诊断，首先就是要根据变压器故障征兆进行判断，定位故障发生的位置和性质。故障检测主要是通过继电保护、有种气体分析、绝缘试验、电气试验等综合进行诊断，主要有神经网络方法、模糊集理论方法以及专家系统方法等。人工智能技术的应用不仅能够克服传统故障诊断的不足，提升诊断准确性更好的设计解决方案，同时在此系统的基础上实现混合智能诊断系统的开发，这对于拓展人工智能技术的应用前景具有积极意义。 　　2 人工智能技术在变压器故障诊断中的应用 　　人工智能技术集成神经网络系统、范例推理、模糊数学的综合应用，对于故障诊断过程中的模糊性问题既能在已有的经验知识基础之上进行故障诊断，提升准确性和可靠性，同时还能够通过输入与输出状态间“映射”关系的训练学习提升各神经元之间的结合程度，使其加强映射的质量。因此，作为最有前景的故障诊断技术，人工智能技术能够不断通过对已知范例的学习，逐步增强对未知故障的诊断能力。目前，人工智能技术的故障诊断主要是基于神经网络方法、模糊集理论、专家系统、遗传算法与粗糙集理论五种方法进行故障诊断，下面我们以其中几项方法的应用为例略作分析。 　　2.1 人工神经网络的变压器故障诊断 　　作为典型的模拟人类神经系统进行信息传输与数据处理的人工智能技术，神经网络方法最大的特点就在于对于神经元网络的应用。不同神经元之间的沟通连接共同构成了网络运行的基础，对于各种隐含所处理问题的智慧进行权重连接，从而实现诊断与处理。从其运行方式和结构来看，它具有一定的学习能力，能够通过对学习算法的应用实现训练样本的训练，同时完成知识的自我组织与构建，容错能力较强，即使输入信号存在一定的干扰因素，也能在较大程度上给出相对正确的输出结果。同时，系统强大的神经元并行运算能力还能并行处理故障诊断，因为在执行效率上也较为令人满意。众多的神经网络模型中，应用较为广泛和典型的是误差逆传播神经网络（BP网络）。这种网络具有很强的非线性映射能力，同时是一种柔性网络结构，能够随着逆传播的修正不断减少误差，同时还能通过对输入模式的响应做好分类，提升正确率，尤其是对于变压器故障中的油中溶解气体类故障诊断具有较好的应用效果。 　　虽然误差逆传播神经网络在变压器的故障诊断中有过多次成功的先例，但是随着学习样本的增多，输入输出关系的发杂多样化，这种系统的网络收敛速度不断受到影响，变得越来越慢，有时候甚至出现不收敛现象。基于这种情况，有些研究指出将径向路基函数网络应用与变压器的故障诊断，以此来弥补和改善此神经系统的缺陷，有些研究则提出了基于概率神经网络的变压器故障诊断方法等等不一而足。神经网络方法的应用简化了复杂故障问题的处理与分类，同时在自我学习的基础上实现了对专家系统不足的弥补，但是综合来说，还是存在网络收敛慢、结构参数受经验设定影响大等情况，仍旧需要不断加强研究，拓宽神经网络应用范围，不断综合其他方法优势进行弥补，提升应用效率。 　　2.2 专家系统的变压器故障诊断 　　专家系统作为以知识和推理程序主要构成方式的智能系统，在内部设置中包括大量专家知识与经验等内容，通过对这些知识经验的整合与分类来处理相关领域的问题。作为在电力系统中最成功的应用方式，专家系统的存在为其故障诊断提供了强大的助力。这种系统主要有知识库、数据库、知识获取、解释机制、推理机五部分组成。其中知识库的建立以及知识的获取是系统运行和成功的关键所在，解释机制则将具体问题的诊断用知识加以分析，为最终形成处理方案做指导。专家系统的应用重点魏涛气体色谱分析，同时结合外部检查与绝缘油特性试验等检测手段建立较为完善的知识库，在传统三比值法的基础上更进一步提升系统的综合分析能力。系统中最重要的知识库以模块形式存在，互相之间相互独立，这对于不断更新、修改、调整知识库来说较为便利，能够持续实现系统的扩充与升级，将最先进