基于PNN的电力变压器故障诊断方法

66工业仪表与自动化装置2014年第4期基于PNN的电力变压器故障诊断方法李克海甘肃省电力公司培训中心，兰州730070摘要对油中溶解气体进行深入分析后，以改良的三比值法为基础，提出一种基于概率神经网络PNN的变压器故障诊断方法。该方法利用PNN的强大的非线性分类能力，将故障样本空间映射到故障模式空间中，可形成一个具有较强容错能力和结构自适应能力的诊断网络系统，从而提高故障诊断的准确率。仿真结果表明，实际案例数据验证了此方法准确率高，是一种有效的故障诊断方法。关键词三比值法；变压器；概率神经网络；故障诊断中图分类号TM41文献标志码A文章编号10000682201404006604METHODOFPOWERTRANSFORMERFAULTDIAGNOSISBASEDONPNNLIKEHAITRAININGCENTEROYGANSUPRELECTRICPOWERCOMPANY，LANZHOU730070，CHINAABSTRACTAFTERANINDEPTHANALYSISOFDISSOLVEDGASINOIL，THEBASISOFAIMPROVEDTHREERATIOMETHOD，AMETHODBASEDONPROBABILISTICNEURALNETWORKFORTRANSFORMERFAULTDIAGNOSISISPRESENTEDTHISMETHODUSESNONLINEARCLASSIFICATIONABILITYOFPROBABILISTICNEURALNETWORK，WHICHRNAPESTHEFAULTSAMPLESPACETOTHEMODEOFFAILUREINTHESPACE，TOFORMASTRONGFAULTTOLERANCEANDDIAGNOSISNETWORKSYSTEMSTRUCTUREOFADAPTIVECAPACITYTHEREFORE，THISMETHODCANIMPROVETHEACCURACYOFFAULTDIAGNOSISSIMULATIONRESULTSSHOWTHATTHEACTUALCASEDATAVALIDATETHISMETHODWITHHIGHACCURACY，ANDISANEFFECTIVEMETHODFORFAULTDIAGNOSISKEYWORDSTHREERATIOMETHOD；TRANSFER；PROBABILISTICNEURALNETWORK；FAULTDIAGNOSIS0引言电力变压器是电力系统中的枢纽设备，它一旦发生故障，将会对电网的安全运行造成较严重的影响1J。要使电力变压器安全运行，提高供电可靠率，在选择技术过硬、产品质量好的前提下，主要是要不断提高变压器运行、维护和检修水平。如何实时有效地实现对工作中的变压器故障进行诊断，已成为十分迫切和重要的任务。随着设备技术水平与复杂度不断提高，设备故障对生产安全的影响也显著增大，因此要保证设备可靠、有效地运行，必须发展故障诊断技术。故障诊断技术借助于现代测试、监控和计算机分析手段，研究设备在运行中的状态信息，分析设备的技术状态，诊断其故障的性质和起因，并预测故障趋势，进而确收稿日期2013一LLO4作者简介李克海1962，男，甘肃兰州人，讲师，主要研究方向为高压电气设备故障诊断，电力系统故障分析等。定必要的对策。利用故障诊断技术可以早发现故障征兆和原因，有利于及早排除故障和安全隐患，避免不必要的损失，具有很高的经济和社会效益。长期以来，人们对变压器故障诊断方法进行了大量地研究，提出了许多有效的方法，如模糊逻辑J、专家系统3J、灰色理论J、神经网络法J等。人工神经网络以其分布式并行处理、自适应、自学习、联想记忆以及非线性映射等优点，为解决这一问题开辟了新途径。当前变压器故障诊断系统大多数都是采用BP网络模型，但由于BP网络自身的结构特点，在训练样本较多及要求的精度较高时，网络常常不收敛并且容易陷入局部最优，以及难以确定隐层和隐节点个数等不足，限制了它的故障诊断能力。该文将概率神经网络应用于变压器的故障诊断当中，网络结构简单，训练简洁，利用概率神经网络模型强大的非线性分类能力，将故障样本空间映射到故障式空间中，可形成一个具有较强容错能力和结构自适应能力的诊断网络系统，从而提高故障诊断的准确率。2014年第4期工业仪表与自动化装置671概率神经网络的故障诊断方法11PNN网络模型PNN是DFSPECHT博士在1989年首次提出的，是一种基于BAYES分类规则与PARZEN窗的概率密度函数估计方法发展而来的并行算法。在实际应用中，特别是在解决分类问题的应用中，它的优势在于用线性学习算法来完成以往非线性学习算法所做的工作，同时又能保持非线性算法的高精度等特性；这种网络对应的权值就是模式样本的分布，网络不需要训练，因而能够满足训练上实时处理的要求。基于概率神经网络的故障诊断方法实质上是利用概率神经网络模型的强大的非线性分类能力，将故障样本空间映射到故障模式空间中，从而形成一个具有较强容错能力和结构自适应能力的诊断网络系统。PNN网络是由径向基函数网络发展而来的一种前馈型神经网络，它的理论依据是贝叶斯最小风险准则，同时它作为径向基网络的一种，适用于模式分类。当分布密度SPREAD的值接近于0时，它构成最邻分类器；当SPREAD的值较大时，它就构成对几个训练样本的临近分类器。PNN的层次模型，由输入层、模式层、求和层、输出层共4层组成，其基本结构如图1所示。模式层图1PNN的基本结构输入层接收来自训练样本的值，将特征向量传递给网络，其神经元数目和样本矢量的维数相等。模式层计算输入特征向量与训练集中各个模式的匹配关系，模式层神经元的个数等于各个类别训练样本数之和，该层每个模式单元的输出为FX，P1式中为输入层到模式层连接的权值；为平滑因子，它对分类起着非常重要的作用。第三层是求和层，是将属于某类的概率累计，按式1计算，从而得到故障模式的估计概率密度函数。每一类只有一个求和层单元，且它与只属于自己类的模式层单元相连接，因此求和层将属于自己的模式层单元的输出相加，而与属于其他类别的模式单元输出无关，其输出与各类基于内核的概率密度的估计成比例，通过输出层的归一化处理，就能得到各类的概率估计。输出决策层由简单的阈值辨别器组成，其作用是在各个故障模式的估计概率密度中选择一个具有最大后验概率密度的神经元作为整个系统的输出。输出层神经元是一种竞争神经元，每个神经元分别对应于一个故障模式，其个数等于训练样本数据的种类的个数，接收由上一层输出的各类概率密度函数，概率密度函数最大的那个神经元输出为1，即所对应的那一类为待识别的样本模式类别，其他神经元的输出全为0。12基于PNN的故障诊断基于PNN的故障诊断方法是概率统计学中被广泛接受的一种决策方法，可描述为假设有两种已知的故障模式、，对于要判断的故障特征样本X1，2，若ZH8X，则XE6L4；若FXH8FX，则X；式中HH8为故障模式的、先验概率H，VN，HN；、NB为故障模式的、的训练样本数；为训练样本总数；1A为将样本属于6A的故障特征样本错误划分到模式的代价因子；18为将样本属于0的故障特征样本错误划分到模式6A的代价因子为故障模式6A、的概率密度函数PDF，一般PDF不能精确地获得，只能根据现有的故障特征样本求其统计值。1962年PARZEN提出了一种从已知随机样本中估计概率密度函数的方法，只要样本数目足够多，该方法所获得的函数可以连续平滑地逼近原概率密度函数。由上述方法得到的PDF估计式为，Y、一、，一2盯MX既PL一一J式中。为故障模式的第I个训练向量；M为故障模式的训练样本数目；6为平滑参数，它确定了以样本为中心的钟状曲线的宽度。2改良三比值法对变压器油中溶解气体分析是变压器内部故障68工业仪表与自动化装置2014年第4期01低温过热低于150绝缘导线过热20低温过热低于1503002电弧放电兼过热环路电流引起对其他接地体放电等3基于PNN的变压器故障诊断31PNN的诊断过程在PNN网络建模中，选取的输入特征向量，必须能够正确地反映问题的特征。如果所基于的故障特征没有包括足够的待识别信息或未能提取反映故障特征的信息，则诊断结果往往会受到很大的影响。油中溶解气体分析法能很好地反映变压器的潜伏性故障，且在各种诊断方法中以改良三比值法的判断准确率最高，所以选择油中溶解气体含量的三比值作为神经网络的输入特征向量，而输出特征向量则选用变压器的故障类型。具体的诊断过程如下1选取PNN输入层到模式层连接的权值；2选取网络的训练样本X，作为PNN的输入；3将训练集输入到模式层，根据公式1计算该模式单元的输出；4模式层的输出至求和层，计算出第一类的概率总和；5计算求和层输出的概率总和，并计算最后的输出概率。因此，所建立的故障诊断网络的基本流程如图2所示。收集数据|R创建PNN网络LF根据已有故障数据训练网络效果测试结果分析图2PNN网络设计流程图32仿真分析在对油中溶解气体进行深入分析后，以改良的三比值法为基础，建立基于概率神经网络的故障诊断模型。采用改良的三比值法确定变压器的故障原因，因此PNN网络的输入分别为。CHCFI，2CH4H2，3C2H4C2H6，输出的故障原因Y1，2，3，4，5，其中的数字15分别表示表2中所列的5种故障原因。采用的数据为334维的矩阵，前3列的改良三比值法数值为PNN的输入，第4列为输出的故障原因。使用前23个样本作为概率神经网络训练样本，其余的10个样本作为测试样本。基于PNN网络训练后的效果如图3所示，训练后的误差如图4所示，预测效果如图5所示。2014年第4期工业仪表与自动化装置69、R1R_。善一L啼I值I_I_IIFFF1R0510152025样本编号图3PNN网络训练效果图夺误差，样本编号图4PNN网络训练误差图样本编号图5PNN网络预测效果图由图3、图4可知，在PNN网络训练以后，将训练数据作为输入代入已训练好的PNN网络时，只有两个样本出现误差，同时用测试样本进行检测时，也仅有两种变压器的故障类型判断出错。将PNN网络与BP网络相比，具有以下几方面的优势1BP网络的输入输出和PNN相同，但它的隐含层单元的选择无法确定，必须经过反复试算得到。而PNN需调节的参数少，无需确定隐藏层数及其中的神经元个数，过程简单。2BP网络学习算法收敛速度慢，且易陷入局部最优；PNN的训练过程一步到位，训练样本可直接赋值给网络且训练时间很短，不存在局部最优解。3如果在故障诊断过程中有新的训练样本加入或去除一些旧的训练样本，PNN只需增加或减少相应的模式层单元，新增加的输入层与模式层的连接权值只需将新样本直接赋值；而BP网络修改训练样本后则要重新进行训练，其连接权值都需要重新赋值，相当于要建立新的网络。4BP网络的分类规则没有确定的解释，透明度差；PNN是基于BAYES最小风险准则对对象进行分类的，最大限度地利用故障先验知识，只要有足够多的样本，PNN就能保证得到BAYES准则下的最优解，而BP网络可能在一个局部最优值处中断，不能确保得到一个全局最优解。仿真结果表明，将概率神经网络应用于变压器故障诊断系统中，具有很高的诊断准确率。4结论该文将PNN网络应用于变压器故障诊断中，PNN网络过程简单，收敛速度快，总收敛于BAYES优化解且稳定性高。在变压器故障诊断中，需要建立变压器故障样本库，其内容会随着变压器故障的增加、变化而产生变化，此时PNN网络的样本追加能力强的优越性得到充分的应用，因而提高了在实际应用中的诊断准确率。参考文献1严莉，王维建，周东华变压器故障诊断的油色谱分析方法综述J控制工程，2003，1064884912ISLAMSM，WUT，LEDWLEHGANOVELFUZZYLOGIC印PROACHTOTRANSFORMERFAULTDIAGNOSISJIEEETRANSACTIONONDIELECTRICSANDELECTRICALINSULATION，2000，721771863李雄刚故障诊断专家系统在电力系统中的运用J广东电力，1999，12239414李天云，应鸿，张宇辉变压器的灰色故障诊断研究J电力系统自动化，1996，201127315ZHANGYANARTIFICIALNEUTRALNET