基于BP神经网络变压器故障预测研究.docVIP

基于BP神经网络变压器故障预测研究 　　摘要：利用油中溶解气体数据诊断变压器故障（DGA法）是目前使用最为广泛的方法之一，本文引入了BP神经网络，选取7种特征气体含量作为输入量，6种故障类型作为输出量，提出了一种对变压器故障进行估算和预测的方法。利用MATLAB建立对变压器DGA数据的BP神经网络模型，并通过对实际样本数据的学习训练，分析诊断结果，提出了未来研究的方向和展望。 　　关键词：BP神经网络；变压器；故障预测 　　作者简介：吴仁年（1975-），男，江西崇义人，江西省电力公司超高压分公司赣州500kV变电站，助理工程师；曾小东（1981-），男，江西信丰人，江西省电力公司超高压分公司赣州500kV变电站，助理工程师。（江西#8194;赣州#8194;341000） 　　中图分类号：TM407#8195;#8195;#8195;#8195;#8195;文献标识码：A#8195;#8195;#8195;#8195;#8195;文章编号：1007-0079（2011）30-0146-02 　　 　　在电力系统运行的过程中，电力变压器是最重要的运行设备之一，同时也是电力系统运行中发生故障最多的设备之一。电力变压器的正常运行直接关系到系统的安全与稳定性能。利用油中溶解气体数据诊断变压器故障（DGA法）是目前使用最为广泛的方法之一，它具有无须停运变压器、判断精度较高等优点，但也有缺陷不足。针对这些缺陷，本文从BP神经网络的基本原理出发，选取了7种特征气体含量作为输入量，提出了一种对变压器故障进行估算和预测的方法。结果显示，BP神经网络能够根据变压器油中溶解气体进行较为准确的故障预测，可以获得较好的结果，具有一定的工程实用价值。 　　一、BP神经网络模型的建立 　　1.BP神经网络的基本算法 　　在BP神经网络中，输入神经元以i编号，隐含层神经元以j编号，输出层神经元以k编号。隐含层的第j个神经元的输入表示为： 　　（1） 　　 第j个神经元的输出为：（2） 　　 输出层第k个神经元的输入为：（3） 　　 相应的输出为：（4） 　　由此，隐含层和输出层的各神经元输出应为： 　　（5） 　　（6） 　　BP网络学习过程中的误差反向传播过程是通过使一个目标函数（实际输出与期望输出之间的误差平方和）最小化来完成的，可以利用梯度下降法导出计算公式。在学习过程中，设第k个输出神经元的期望输出为tk，而网络实际输出为ok，则系统平均误差为： 　　（7） 　　这里的E即为目标函数。 　　根据梯度下降法，权值（包括阈值）的变化项与成正比，即（8） 　　η为学习率。 　　2.BP模型结构及原理 　　模型中，对送入BP神经网络的训练样本集首先进行分析，根据新样本集的维数，确定神经网络的输入输出，并加以调试，构建出BP神经网络模型，并进行训练。训练完成后，即形成了以变压器DGA数据为输入量的BP神经网络故障诊断模型，针对此模型，可以使用测试样本对其进行验证，这就是基于变压器BP神经网络故障诊断模型的基本结构。如图1所示。 　　 二、MATLAB中变压器BP神经网络诊断模型的确立 　　根据前面介绍的变压器BP神经网络诊断模型的建立步骤，可以在MATLAB中建立该网络模型。本文确定了选取变压器有中溶解气体作为输入量。而实际上变压器油中溶解气体一般可以分为H2、CH4、C2H6、C2H4、C2H2、CO、CO2等7种，另外现场实验报告中还会有总烃含量。根据深入分析，本文将H2、CH4、C2H6、C2H4、C2H2、总烃、CO这七种特征气体含量作为输入量。 　　本文中的变压器BP神经网络诊断模型的各项参数配置如下： 　　（1）输入层节点：7个，分别代表H2、CH4、C2H6、C2H4、C2H2、总烃、CO这七种特征气体的相对百分比含量，其值均为0～1之间；（2）输出层节点：6个，分别代表局部放电或受潮、低能放电、高能放电、低温过热、中温过热、高温过热、这六种故障类型可能发生的概率，其值均在0～1之间，越接近于1，说明确定发生该类故障的可信度越高；（3）隐含层数：1层；（4）隐含层节点数：20个；（5）隐含层与输出层激活函数：均选用对数S型函数（logsig）；（6）网络训练方法：选用弹性BP算法（trainrp）；（7）最大学习次数：2000次；（8）训练精度：0.001；（9）学习率：η=0.04。 　　网络各项参数配置完成以后，就可以利用MATLAB编写训练程序。由于MATLAB提供了专门的神经网络工具箱，因此可以直接调用各类函数，方便地完成网络构建与训练。主要的程序如下： 　　P=[]； %输入量矩阵； 　　T=[]； %输出量矩阵，即样本期望输出； 　　net_1=newff（minmax