毕业论文-基于油中溶解气体分析的电力变压器故障诊断研究.doc

. . 山东农业大学毕 业 论 文基于油中溶解气体分析的电力变压器故障诊断研究 院 部 机械与电子工程学院 专业班级 电气5班 届 次 2015届 学生姓名 学 号 8 指导教师 二一五年六月五日装订线. . . i目 录摘要IAbstractII1 前言11.1 电力变压器故障诊断的重要意义11.2 电力变压器故障诊断背景21.3 变压器故障诊断技术的发展21.3.1 专家系统21.3.2 人工神经网络31.3.3 变压器DGA技术32 变压器的故障类型及诊断方法42.1 电力变压器的类型与结构42.2 电力变压器的绝缘结构52.3 变压器故障的原因与种类62.3.1 变压器故障的原因62.3.2 变压器故障的种类62.4电力变压器油中溶解气体分析72.4.1 电力变压器内气体析出的原因72.4.2 变压器内部故障类型与油中溶解气体含量的关系82.4.3 三比值法82.5 意义103 人工神经网络113.1 人工神经网络概述113.1.1 人工神经网络理论113.1.2 人工神经网络的特点113.1.3 人工神经网络基础113.2 神经网络的分类123.3 BP人工神经网络的学习过程133.3.1 BP人工神经网络的拓扑结构133.3.2 BP网络的训练过程概述144 变压器故障诊断中的BP网络设计174.1引言174.2 基于BP网络的诊断方法的设计174.2.1 输入层设计174.2.2 输出层设计174.3 样本的收集184.4 隐含层层数和节点数的确定204.5 BP网络结构中参数的确定214.6 结果分析215 今后待研究的问题21参考文献22致 谢23iiiContentsChinese AbstractIEnglish AbstractII1 Introduction11.1 The importance of power transformer fault diagnosis11.2 Fault diagnosis of power transformers background21.3 Development of the fault diagnosis technology of transformer21.3.1 Expert System21.3.2 An artificial neural network31.3.3 Dissolved Gas Analysis32 Transformer fault type and its diagnosis method42.1 Types and structures of power transformer42.2 Power transformer insulation systems52.3 Fault causes and types62.3.1 Cause transformer failure62.3.2 Transformer fault type62.4 Analysis of dissolved gases in transformer oil72.4.1 Power transformers in the gassing because72.4.2 Transformer faults with dissolved gas content of the relationship82.4.3 3-ratio method82.5 significance103 Artificial neural network113.1 Overview of artificial neural network113.1.1 Theory of artificial neural network113.1.2 Characteristics of the artificial neural network113.1.3 The basis of artificial neural network113.2 Classification of neural networks123.3 BP artificial neural networks for learning133.3.1 The topology of BP artificial neural network133.3.2 BP network training course overview144 Design of BP network in transformer fault diagnosis174.1 Introduction174.2 Design of diagnosis method based on BP network174.2.1Theinputlayerdesign174.2.2Outputlayerdesign174.3Samplecollection184.4Determinationoflayersand thenumberofnodesin the hiddenlayer204.5Thestructureparametersof BPnetworkstodetermine214.6Analysisofresults215Issuestobestudiedin thefuture21References22Acknowledgment23基于油中溶解气体分析的电力变压器故障诊断研究作者：马海祥 指导教师：刘平 （山东农业大学 机械与电子工程学院 讲师）摘要：电力变压器是电力系统中核心设备之一，它的安全稳定运行将直接影响供电可靠性和系统正常运行。电力变压器承担着电压变换、电能分配的重要作用。电力变压器正常运行保证电力系统安全、可靠、优质、经济的运行，必须最大限度避免和减少电力变压器故障和事故的发生。对电力设备进行在线监测与故障诊断，是实现设备预知性维修的前提，也是保证设备安全运行的关键。变压器油中溶解的气体含量和成分可以有效体现运行中变压器内部的绝缘故障情况。关键词：电力变压器 溶解气体分析 故障诊断 神经网络Based on the Analysis of Gases Dissolved in Transformer Oil Power Transformer Fault Diagnosis ResearchAuthor：Haixiang Ma Supervisor：Liu ping (Mechanical Electrical Engineering College of Shandong Agricultural University,Lecturer)Abstract Power transformer is one of the core equipment in the power system, it will directly affect the safe and stable operation of power supply reliability and the normal operation of system. Bear the voltage transform power transformer, power distribution. Normal operation of power transformer can ensure power system safe, reliable, high quality, economic operation, to avoid and reduce the maximum power transformer faults and accidents. For on-line monitoring and fault diagnosis of power equipment, and is the premise to realize equipment unexpected maintenance, also is the key to ensure the safe operation of the equipment. The concentration of dissolved gas in transformer oil and ingredients can effectively reflect the insulation of the transformer internal fault in the operation of the situation. This paper introduces in detail the transformer internal fault conditions, the characteristic and the content of dissolved gas in transformer oil, severity fault, fault type relationship with characteristics of gas contentKeywords : power transformer ; dissolved gas analysis ; fault diagnosis ; neural networkII1 前言1.1 电力变压器故障诊断的重要意义随着国民经济的持续快速发展，各行各业对供电需求的不断增加，我国的电网建设已经从城市孤立电网发展成为大区电网、西电东送、南北互供、全国联网的格局，电力系统正在向超高压、大电网、大容量和自动化的方向发展1。近些年，由于电网容量的与日俱增以及大部分用电用户对供电可靠性要求的提高，电力设施维修费用也在逐年增加。如何采取合理的维修策略，制定科学的维修计划，以保证在较高可靠性的前提下降低维修费用，已经变成我国电力行业面临的主要研究课题。 状态维修是以设备的实际工况为依据，通过状态监测、可靠性评价及寿命预测等先进技术手段来判断设备的当前状态，对故障的部位、危害水平以及发展趋势做出判断，识别故障的早期征兆，并依据分析和诊断结果，在设备性能条件下降到一定程度或故障将要发生之前进行维修。通过对电力变压器进行定期预防性维护，实时监测高压设备的实际运行情况，检测与诊断其潜伏性故障或缺陷，提高诊断水平，努力做到具有针对性的检修及维护，以期达到早期识别并预报故障，避免恶性事故发生的目的。电力变压器是电力系统最重要也最昂贵的设备，其安全运行直接关系到电网的供电可靠性。变压器故障诊断技术研究是电力变压器状态维修的首要工作。鉴于电力变压器老化和故障机理繁杂难懂，电力变压器故障诊断技术的研究是一项必要而且相当繁重的任务。电力变压器不同运行工况或不同历史运行记录，即便是同类电力变压器，其状态也有可能不同；相同运行工况下，不同类型的变压器，其状态也有可能不同。研究电力变压器的状态与运行工况、历史运行记录的关系，把握其规律，对变压器状态做出准确评估，这对变压器实施状态维修、降低变压器维修费用和提高变压器可靠性具有重要的理论意义和实际应用价值2。运行中的变压器发生的故障不同，产生的现象或信息也就不同。变压器的故障诊断就是根据变压器故障的征兆，对变压器故障的类型、部位及危害做出判断。变压器绝缘状态监测与故障诊断的作用：（1）判断运行设备当前处于正常状态还是异常状态；（2）若有故障，则判断故障的性质、种类和原因，例如是绝缘故障还是过热故障或机械故障，若是绝缘故障，则需分辨是绝缘老化、受潮；若是放电性故障，则需要判断是哪种类型的放电等等；（3）根据故障信息或根据其处理结果，预测故障的可能发展，即对故障的严重程度，发展趋势做出诊断；（4）提出控制故障的措施、防止和消除故障的方法；（5）提出设备维修的合理方法和相应的反事故措施；（6）对设备的设计、制造、装配等提出改进意见，为设备的现代化管理提供科学依据和建议3。国内外许多的资料表明，开展故障诊断的经济效益是明显的，据日本统计，在采用诊断技术后，事故率减少75%，维修费降低25%-50%，英国对2000个国营工程的调查表明，采用诊断技术后每年节省维修费3亿英镑，用于诊断技术的费用仅为0. 5亿英镑，净获利2.5亿英镑。如果在在我国将故障诊断技术推广，每年可减少事故50%-70%，节约维修费用10%-30%，效益相当可观。1.2 电力变压器故障诊断背景最近几年，我国电力行业积极应用在线监测技术开展状态检修，加强设备的常规测试，及时消除了部分设备的安全隐患，避免了一些重大事故的发生。根据国家电力监管委员会发布的电力可靠性指标，全国电网2004年供电可靠率为99.82%，2005年供电可靠率为99.766%，2006年供电可靠率为99.849%，这与发达国家的供电可靠率99.99%相比仍有非常大的差距。长期以来，我国电力系统的电力设备检修策略主要采用以时间为标准的定期维修。虽然定期维修一般可在维修时发现设备存在的缺陷，对保证设备的安全和经济运行发挥重大作用，但是，定期维修存在“过剩”和“不足”的缺陷，导致了维修费用的浪费和设备可靠性的下降，因此，国内对从定期维修制到状态维修制的转变表现出了普遍的关注4。 从以停电进行预防性试验为基础的预防性维修逐步过渡到以在线监测为基础的状态维修，是电力系统发展的必然趋势，而能否对电力变压器的运行状态进行在线监测及故障诊断则是实现状态维修的关键。虽然在设计大型电力变压器时，要求它具有相当高的耐热等级、足够的电气强度、优良的机械性能及良好的工艺性，但制造过程中的偶然因素加上运行过程中的电磁力、热应力、湿热环境、环境污染等会造成其性能逐渐劣化，而且这种劣化过程具有不可逆和不断加速的特性。大量资料表明，变压器绝缘性能的劣化是导致事故发生的主要原因。据1984年至1986年间我国110kV及以上的电力变压器事故分析表明，由于绝缘劣化引起事故的台数占事故总台数的68%，事故容量为总事故容量的74%，而1990年的统计分别是76%和65% 5。1.3 变压器故障诊断技术的发展1.3.1 专家系统专家系统(Expert System)是一个智能计算机程序系统，是人工智能中最活跃的一个应用领域。它是一个具有大量的专门知识与经验的程序系统，它根据某领域多个专家提供的专业知识进行推理和判断，模拟人的决策过程去解决通常需要专家才能解决的复杂问题。Riese在1986年公布的TOGA系统是最早用于电力变压器故障诊断的专家系统，不久就有许许多多相似的系统被应用到各种实际工程中6。开发专家系统需要有丰富经验的专家共同参与，合作完成。考虑到变压器故障诊断的专业性、经验性以及复杂性，尽管人们在电力变压器绝缘故障诊断专家系统的开发中取得了一些研究成果，但同时也存在一定的问题，主要表现在如图1-1所示7:知识获取的瓶颈问题诊断推理不确定性问题知识维护困难知识获取主要依靠工程师将该领域专家的知识移植到计算机中,导致了诊断系统知识库的不完备,当遇到一个没有相应规则与之对应的新故障现象时,专家系统显得无能为力对于一些数学相关性不确定的故障现象的诊断,其准确性难以保证一般采用较简单的产生式结构构造知识库,算法复杂图1-1 专家系统的缺陷1.3.2 人工神经网络人工神经网络(Artificial Neural Network，简称ANN)是20世纪80年代以来人工智能领域兴起的研究热点。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。最近十年，人工神经网络的研究工作不断深入，它以非线性并行处理成为主流，人工神经理论的发展，为故障诊断提供了新的途径。国内外学者和专家利用概率神经网络、结合遗传算法的多层前馈网络、基于竞争学习理论的自组织网络等建立了相应的故障诊断神经网络模型，对变压器故障诊断进行了新的探索8。1.3.3 变压器DGA技术变压器油中溶解气体分析(Dissolved Gas Analysis，简称DGA)是变压器内部故障诊断的重要手段，它为间接了解变压器内部隐患提供了技术支持。DGA技术对发现变压器内部潜伏性故障及其发展趋势非常有效，因此在电力设备预防性试验中占据重要位置。 目前， 110kV及以上等级的大型电力变压器主要是采用油-纸绝缘结构，在其老化过程中和故障初期，油中溶解了由于油纸绝缘劣化所产成的气态化合物（低分子烃、氢气以及碳的氧化物等），利用色谱技术进行定量分析各气体的成分含量和产气快慢推断故障类型及故障危害程度，进一步判断设备内部情况，这就是变压器溶解气体分析技术9。我国电网中有一半以上的故障变压器都是通过变压器DGA技术检查出来的。DGA的数据采样不需要停电，不受外界电磁因素的影响，廉价，而且技术先进，数据精度高。DGA技术作为系统中对充油电力设备常规使用的监测手段，因其可以及时发现变压器内部存在的潜伏性故障而得到普遍应用。2 变压器的故障类型及诊断方法2.1 电力变压器的类型与结构电力变压器的主要作用是在电力系统中调节电压，它是各类型变压器中被广泛应用的一种变压器，它包含许多其它不同的类型，如图2-1所示：电力变压器单相三相油浸式干式油浸式干式特种式中、小型大型特大型额定电压220-330KV以上容量在315MVA以上超高压额定电压在500KV以上普通三相干式环氧浇注式三相有载调压气体绝缘变压器蒸发冷却式变压器硅油变压器图2-1 电力变压器分类从电力变压器的各类型可以看出，大型电力变压器基本都是油浸式的，油浸式电力变压器的主要结构如图2-2所示。油浸式电力变压器器身铁芯绕组绝缘引线和分接开关变压器油油箱 （包括油箱本体及附件）冷却装置保护装置 （储油柜、油表、安全气道、吸湿器、继电器等）出线装置 （高、中、低瓷套） 图2-2 油浸式电力变压器的结构本文以下内容所指电力变压器均为油浸式电力变压器。2.2 电力变压器的绝缘结构国内外生产的电力变压器的主绝缘大多采用油-纸绝缘结构。绝缘油是天然石油经过蒸馏、精炼而获得的一种矿物油，它是由各种碳氢化合物所组成的混合物，其中C、H两元素占全部重量的95%以上，其余还有S、N、O及少量的金属元素等。电力变压器的绝缘结构系统如图2-3所示。变压器绝缘内绝缘外绝缘绝缘浇注引线及分接开关绝缘套管内绝缘、套管下部油中的沿面绝缘主绝缘高压与低压绕组之间、相间及对地绝缘引线或分接开关对地或对其他绕组的绝缘纵绝缘同一绕组中不同匝间、层间、段间绝缘同一绕组各引线间、分接开关各部分间的绝缘套管上部空气中的绝缘套管之间或对地（包括储油柜）的空气绝缘图2-3 变压器绝缘结构2.3 变压器故障的原因与种类2.3.1 变压器故障的原因 变压器是由一次绕组、二次绕组和铁芯等三个基本部件组成的。造成变压器故障的原因很多，概括而言有以下几个方面：（1）设计制造工艺方面选用规格不当（包括变压器绝缘等级选择错误；所选电压等级、电压分接头不当等）；制造不良，纸板质量差，变压器密封结构不合理（空气和水分进入变压器；绕组变形等）。（2）运输安装方面运输不当产生的问题；装卸和包装过程不当；现场安装质量不过关等。（3）运行维护方面安装不良和保护设备选用不当；检修致使变压器受潮；过负荷；与外部导体连接松动、发热；对各种附件、继电器等维护、检修不当等。（4）正常老化及突发事故绝缘材料正常老化；异常过电压影响；外部短路引起故障；自然灾害及外界因素影响等。2.3.2 变压器故障的种类大型电力变压器的故障情况复杂而且种类繁多，电力变压器常见故障的划分方法通常有：外部故障内部故障油箱：焊接质量不好，密封填圈不好；电压分接开关传动装置：机械操动部分，控制部分等问题；冷却装置：风扇，输油泵、控制设备等问题：附件：绝缘套管、温度计、油位计、各种继电器等问题绕组：绝缘击穿，断线，变形；铁心：铁心叠片之间绝缘不好，接地不好，铁心两点或多点接地及铁心螺栓绝缘击穿；内部的装配金具问题：电压分节开关控制不到位，引线绝缘薄弱；绝缘油老化按故障部位分类（1）铁心绝缘不良，铁心叠片之间绝缘不良，铁心穿心螺栓的绝缘不良，由外界反复短路引起的绕组变形：过负荷引起的绝缘老化；由于受潮游离放电引起绝缘材料、绝缘油老化按故障发生过程分类突发性故障潜伏性故障由异常电压下(操作过电压，雷电过电压及谐波过电压)引起的绝缘击穿，外部短路事故引起的绕组变形，层间短路；自然灾害；辅机的电源停电（2）过热性故障放电性故障过热兼有放电故障按故障性质分（3）电路故障油路故障磁路故障按回路分（4）从对国内359台故障变压器的故障类型进行的统计（如表2-1所示），可以看出运行中电力变压器的故障主要有过热性故障和高能放电性故障。表2-1 变压器故障类型的统计故障类型热性故障电性故障热性兼电性故障受潮或局部故障台次22690367比率%6325.1101.92.4电力变压器油中溶解气体分析2.4.1 电力变压器内气体析出的原因 电力变压器中，绝缘材料有两部分:一是液体绝缘材料-变压器油；另一种是固体绝缘材料-各种油浸纸、电缆线、绝缘纸板、白纱带、黄腊等。绝缘油是天然石油经过蒸馏、精练而获得的一种矿物油。物质分子是原子以化学键构成。绝缘材料的正常劣化只会析出极少量的低分子烃类甲烷、乙烷等以及二氧化碳，一氧化碳等气体。但是在热或电气故障复杂情况下，这些碳氢化合物的分解过程，主要是C-H键和C-C链的断裂，生成活泼的氢原子和短链碳氢化合物，这些游离的原子因相互结合可生成气体:氢气（H2） ，甲烷 （CH4），乙烷（C2H6）等等，也可化合成新的缩聚的分子，进一步的分解和重排形成乙烯（C2H4）及乙炔（C2H2）这样的产物，直至生成中碳链的碳氢化合物分子 10。2.4.2 变压器内部故障类型与油中溶解气体含量的关系变压器不同故障类型产生的气体组分，不同的故障类型产生的主要气体组分也不相同。如表2-2所示11：表2-2 电力变压器不同故障类型产生的气体故障类型主要气体成分次要气体成分油过热CH4， C2H2H2， C2H6油和纸过热CH4， C2H4， CO， CO2H2， C2H6油纸绝缘中局部放电H2， CH4， COC2H2 ，C2H6， CO2油中火花放电H2， C2H2无油中电弧H2， C2H2CH4， C2H4， C2H6油和纸中电弧H2， C2H2 ， CO， CO2CH4， C2H4， C2H62.4.3 三比值法国际电工委员会(IEC)和我国国标推荐用C2H2/ C2H4， CH4/H2， C2H4/C2H6这三个比值大小来判断变压器存在的故障情况，称为三比值法。 表2-3和表2-4是我国GB 7252-2001推荐的改良三比值法的编码规则和故障类别判断方法12:表2-3 三比值法编码规则气体比值范围比值范围的编码C2H2/ C2H4CH4/H2C2H4/C2H60.10100.1 11001 31213222表2-4 三比值法故障类型判断方法编码组合故障类型故障实例（参考）C2H2/ C2H4CH4/H2C2H4/C2H60 01低温过热(低于150)绝缘导线过热，注意CO和 CO2的含量以及CO2/CO值20低温过热(150-300 )分接开关接触不良，引线夹件螺丝松动或接头焊接不良，涡流引起铜过热，铁芯漏磁，局部短路，层见绝缘不良，铁芯多点接地等21中温过热(300-700）0，1，22高温过热(高于700)10局部放电高湿度、高含气量引起油中低能量密集的局部放电10，10，1，2低能放电引线对电位未固定的部件之间连续火花放电，分接抽头引线和油隙闪络，不同电位之间的油中火花放电或悬浮电位之间的电花放电20，1，2低能放电兼过热20，10，1，2电弧放电线圈匝间、层间短路，相间闪络、分接头引线间油隙闪络、引起对油箱壳放电、线圈熔断、分接开关飞弧、因环路电流引起电弧、引线对其他接地体放电等20，1，2电弧放电兼过热大量实例及分析表明，三比值法存在以下不足13： （1）三比值法推荐的编码组合由典型事故统计分析获得，由于电力变压器内部故障非常复杂，在实际应用中常常出现不包括在表3范围内编码组合所对应的故障类型，使判断无法进行； （2）只有当油中各气体含量与正常值相差足够大或超警戒值，并且确定变压器内部确实存在故障后，才能用三比值法判断故障性质，而对油中各气体组分含量正常的电力变压器，其比值没有意义，如果变压器不存在故障的情况下使用三比值法，就有可能对正常的电力变压器造成错误的判断； （3）在实际应用中，当有多种故障联合作用时，可能在表中找不到相应的比值编码，同时在三比值编码边界模糊的比值区间内的故障，往往容易误判； （4）三比值法不适用于气体继电器里收集到的气体分析诊断故障类型； （5）当故障涉及固体绝缘的正常老化过程与劣化分解时，将引起CO和CO2含量地明显增长，表3中无此编码组合，此时要利用CO2/CO比值配合诊断； （6）由于故障分类存在模糊性，一种故障状态可能引起多种故障特征，而一种故障特征也可在不同程度上反映多种故障状态，因此三比值法不能全面反映故障状况；总之，虽然目前三比值法应用较为广泛，但是由于故障分类本身存在模糊性，每一组编码与故障类型之间也具有模糊性，三比值法还未能包括和反映电力变压器内部故障的所有形态，所以它还需要在不断发展和积累经验，并继续进行改良，以便更全面地反映故障信息。2.5 意义 通过深入探讨电力变压器的种类、结构以及油中溶解气体的产生原理、产生过程，研究了油中溶解气体的组分、含量与变压器故障类型和故障部位的关系。通过对运行中的电力变压器定期分析溶解于油中气体的组分、含量，就能够及早发现电力变压器内部存在的潜伏性故障，判断是否会危及变压器的安全运行。这为后续电力变压器的状态评估、故障诊断和故障预测奠定了理论基础。本章最后总结的三比值法的缺点和不足，为以后的方法改进提出了方向。243 人工神经网络 3.1 人工神经网络概述3.1.1 人工神经网络理论人工神经网络(Artificial Neural Network简称ANN)是一个由大量简单的处理单元（神经元)广泛连接组成的人工网络，是以工程技术手段模拟人类大脑的神经网络结构与功能特征的一种技术系统，它用大量的非线性并行处理器来模拟众多的人脑神经元14，用处理器间错综灵活的连接关系来模拟人脑神经元间的突触行为，它能从己知数据中自动的归纳规则，获得这些数据的内在规律，具有很强的非线性映射能力。3.1.2 人工神经网络的特点 神经网络代表了一种新的方法体系，它以分布的方式存储信息，利用网络的拓扑结构与权值分布实现非线性的映射，并利用全局并行处理实现从输入空间到输出空间的非线性信息变换。总的来说，具有以下四个基本特点: （1）并行分布处理 由众多相同的简单处理单元并联组合而成的人工神经网络，其大量简单处理单元的并行活动，大大提高了其对信息的处理能力与效果； （2）非线性映射 人工神经网络每个神经元接受大量其他神经元的输入，并通过并行网络产生输出，影响其它神经元，网络间的这种相互制约和相互影响，实现了从输入状态到输出状态空间的非线性映射，从全局的观点来看，网络整体性能不是网络局部性能的简单叠加而表现出来某种集体性的行为； （3）良好的容错性与联想记忆能力 网络具有良好的容错性，并能够进行聚类分析、特征提取、缺损模式复原等模式处理能力，同时该性能也适合模式分类、模式联想等模式识别工作； （4）自适应自学习能力 通过训练和学习来获得网络的权值和结构，神经网络呈现出非常强的自学习能力和对环境的自适应能力。以上特点，均以数字和模拟的方式实现，计算便利。3.1.3 人工神经网络基础人工神经网络解决问题的方式与传统的统计方法完全不同，它是模拟人脑的思维方法，把大量的神经元连接成一个复杂的神经网络，利用己知样本对网络进行训练（类似于人脑的学习），让网络存储变量间呈非线性关系（类似于人脑的一记忆功能），然后利用存储的网络信息对未知样本进行分类或预测（类似于人脑的联想功能），这种智能化的数据处理方法，具有处理非线性关系数据的能力，是目前其它方法所望尘莫及的。一般神经网络都是可调节的或可训练的，特定的输入得到要求的输出。对应关系如下图3-1所示：利用已知样本对网络进行训练网络存储变量间呈非线性关系对未知样本进行分类或预测学习记忆联想图3-1 人工神经网络训练与人脑对应关系3.2 神经网络的分类神经网络的性质主要决于以下两个因素:一个是网络的拓扑结构:另一个是网络的学习、工作规则二者结合起来就可以构成一个网络的主要特征。 网络中的神经元都与其他神经元有连接。其特 点是任何两个神经元之间都有可能存在双向 (1)全互连型结构： 连接关系，所有的神经元即为输入节点，也为 输出节点。 网络间的神经元构成一个有序系列，每个神经 按拓扑结构分类 (2) 网孔型结构： 元只与其临近神经元相连。 特点是在前后相邻的两层之间相 互连接，在各神经网络之间没有 前馈网络： 反馈。每个神经元可从上层接收 多个输入，并产生一个输出。信 (3)层次型结构 息从输入层逐层向前传递。 反馈网络： 特点是在输出层与隐含层，或隐 含层与隐含层之间具有反馈连接。神经网络的学习方法Hebbian 学习规则学习规则概率式学习规则竞争式学习规则Hebbian学习可以归纳为“当某一突触(连接)两端的神经元同步激活(同为激活或同为抑制)时，该连接的强度应加强，反之则减弱”。通过迭代计算逐步调整网络的权值，直到使误差达到最小。具体过程可以采用梯度法等最优化算法来实现。基于模拟退火算法的统计优化算法，又称模拟退火算法。指在网络的各输出单元之间相互竞争，最后只有一个最强者激活。它是自组织神经网络中的基本学习规则3.3 BP人工神经网络的学习过程3.3.1 BP人工神经网络的拓扑结构BP网络即反馈网络（Back-Propagation Network）简称。之所以称为反向传播，是因为BP算法过程包含从输出节点开始，反向地向第一隐含层传播由总误差引起的权值修正。在故障诊断方面的模式识别问题上，反向传播网络因具有良好的联想和模式分类能力而更加适用。在人工神经网络的实际应用中，80%-90%的人工神经网络模型是采用BP网络的形式15。BP网络学习方法的主要思想是把网络学习分为两个过程，即正向传播输出过程和反向传播调整过程两部分。在正向传播过程中，输入信号从输入层经隐含单元逐层处理，并传向输出层；每一层神经元的状态只影响下一层神经元的状态；如果在输出层得不到期望的输出，则输出信号的误差将沿着原来的连接通路反向传播，直到输入层；通过沿途修改各层神经元间的连接权值，使得误差逐步达到最小。BP神经网络是一种有监督学习算法的无反馈前向网络。它包含输入层、隐含层和输出层，其中隐含层一般为一层。其基本的拓扑结构如图3-2所示输入层隐含层输出层图3-2 BP 神经网络的拓扑结构3.3.2 BP网络的训练过程概述BP算法一般以LMS ( Least Mean Square）代价函数最小为逼近目标，利用梯度搜索技术进行网络参数的反复迭代而完成整个学习过程。网络训练前，需要用不同的小随机数进行初始化各权值。“小随机数”是用于保证网络不因权值过大进入饱和状态而导致训练失败；“不同”则保证了网络正常地学习16。BP神经网络的学习过程如图3-3所示，初始化给定学习样本集求隐层、输出层各单元输出对整个样本集求整体误差EE满足要求？反向计算一般化误差N调整各层间的权值Y结束图3-3 BP神经网络的流程图（1） 定义误差函数输入P个学习样本，用， ，来表示，第P个样本输入到网络后得到输出(j=1，2，3，m)。采用误差函数得第P个样本误差Ep: (3-1)式中，为期望输出，输出层节点输出， ，j=1，2，m (3-2)其中，为隐层节点输出： ， k=1，2，q (3-3) 对P个样本全局误差为： （3-4）其中n是输入层节点数， q是隐层节点数，m是输出层节点数，是输入层和隐层间的权值，是隐层与输出层间的权值，是隐层传递函数，是输出层传递函数。(2)输出层权值的变化 (3-5)式中，为学习率；误差信号定义为: (3-6) (3-7) (3-8)于是： （3-9） （3-10）输出层各神经元的权值调整公式为： （3-11）（3）隐层权值的变化 （3-12）定义误差信号为： （3-13）其中， （3-14）而 （3-15） （3-16）将3-14，3-15，3-16代入3-13得： （3-17） （3-18）将3-18代入3-12得到隐层各神经元的权值调整公式为： （3-19）4 变压器故障诊断中的BP网络设计4.1引言误差反向传播是理论最成熟的有监督学习神经网络之一。在一个故障诊断系统中，选择一个合适的算法并建立一个好的网络结构对于诊断系统的正确率和整体性能具有非常重要的作用，本课题采用的基于油中溶解气体分析的BP网络。实际上，设计一个BP网络涉及到网络输入和输出特征向量的选择以及输入层、隐含层和输出层网络结构的确定。在此基础上建立一个神经网络进行训练，达到要求后对网络进行测试。4.2 基于BP网络的诊断方法的设计4.2.1 输入层设计电力变压器故障诊断技术的关键是从故障征兆空间到故障类型空间的映射。当采用神经网络进行电力变压器故障诊断时应结合故障诊断的特点以气体各组分含量作为神经网络的输入量，本文从变压器油中溶解的七种气体中选取H2、CH4、C2H4、C2H6和C2H2作为故障的特征气体。4.2.2 输出层设计在故障诊断问题中，输出量代表可能的故障类型。考虑到变压器发生故障的实际情况，输出层设计为:无故障、中低温过热、高温过热、低能放电和高能放电五个输出神经元（分别对应O1、O2、O3、O4、O5），如表4-1所示。根据Sigmoid函数输出值在0到1之间的特点，这里设定以0到1 之间的数值大小表示对应的故障程度，数值越接近1 表示发生此类故障的几率越大或说对应的故障程度越大（设定输出值大于等于0.5时认为有此类故障，小于0.5时认为无此类故障）。反映过热的高温过热、中低温过热中只能有一个输出大于0，因为它们是相互制约的；反映放电的高能量放电、低能量放电中只能有一个输出大于0，但在过热类型和放电类型中可同时有大于0的输出，因为它们可以伴随产生。表4-1 输出层设计故障类型各神经元的期望输出O1O2O3O4O5正常10000中低温过热01000高温过热00100低能量放电00010高能量放电000014.3 样本的收集样本的收集直接关乎网络学习的成败，收集训练样本的原则主要是：代表性、广泛性和紧凑性，如下图4-1所示:收集训练样本的原则代表性广泛性紧凑性样本应当尽可能体现输入输出关系，能起到“以点带面”的作用，样本中各故障的百分比应当和实际变压器故障发生的比率相当样本能提供神经网络各种情况下的输入，并绘出相应的期望输出，如此才能使训练出来的网络具有较好的适应能力。若含有大量多余成分的学习样本会导致网络学习过程收敛困难或不收敛，训练出来的网络会产生错误映射，使网络输出过多偏向多余成分所形成的输出方向图4-1 收集训练样本的原则收集到的样本数据差别很大，如果直接用于训练网络可能导致数据误差大，收敛性下降。所以，在训练网络以前，需要对输入数据作归一化处理，使其范围限制在0，1之间，本文采取如下方法，即各组样本中单个特征气体含量占全部特征气体总含量的百分比。例如，H2:176，CH4:336，C2H4:821，C2H6:170，C2H2:37.8 （单位:），首先，将5种特征气体含量相加求和：然后，求各组分气体含量占全部特征气体总含量的百分比： 这样就得到归一化处理后的数据：H2:0.11