（系统分析与集成专业论文）基于神经网络的变压器故障诊断研究.pdf

基于神经网络的变压器故障诊断研究 摘要 现代设备技术水平不断提高，生产率、自动化要求越来越高，相应地，故障也 随之增加。变压器作为电力系统中非常复杂而且非常重要的设备，其工作状态对电 力系统、企事业单位生产及居民生活具有十分重要的影响。如何提前对变压器故障 进行预测和在故障发生后迅速判断故障原因是提高工作效率、减少经济损失的个 统。传统的故障诊断方法大多是以领域专家和操作者的启发性经验知识为核心，知 识获取困难、推理效率低下、白适应能力差，并且常见的诊断方法常常由于其单一 性而存在一定的误差。同时由于故障征兆和故障类型之间常常存在复杂的非线性关 系，使得诊断系统的数学模型很难获取。而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。 鉴于此，在开发变压器故障诊断系统时，将神经网络作为故障分类器进行设计。 本文首先分析了故障诊断和神经网络的基本理论，并在此基础上提出了神经网 络对于变压器故障诊断系统的适用性；文中将b p 神经网络算法用计算机实现；并 针对其本身存在的一些缺点提出了一系列改进措旌，通过在修正权值的时候增加动 量项，并且限制输入值范围来减小误差、提高系统的诊断正确率；在对输入数据进 行归一化处理的时候，采取按类逐项归一化的方法，避免了输入数据出现0 或者l 而使训练进入平坦区。这样可以大大提高系统的诊断效率和诊断正确率。将变压器 诊断中典型的油中气体分析法和神经网络方法相结合，采用j a v a 语言开发出界面 友好、性能优秀的变压器故障诊断系统；此外，文中还详细探讨了网络各结构参数 的选择方法，并且就变压器这一实际诊断系统，分析了不同结构参数对系统误差的 影响。在文章的最后，总结了神经网络故障诊断系统的优秀性能以及它存在的不足， 并且分析了未来神经网络用于故障诊断的前景和发展方向。 关键词故障诊断神经网络b p 算法变压器油中气体分析 t h es t u d yo fp o 屯rt r a n s f o r m e rf a u l td i a g n o s i s b a s e do na r t i f i c i a ln e u r a ln e t w o r k a b s t r a c t w i t ht h et e c h n i c a il e v e lo fm o d e mf a c i l i t y i m p r o v e sc o n t i n u a l l y , t h e f a u l t p r o b a b i l i t yi n c r e a s e sg r e a t l y p o w e rt r a n s f o r m e rh a sav e r ys i g n i f i c a n ti n f l u e n c et o p o w e rs y s t e m ，e n t e r p r i s e sp r o d u c t i o na n dp e o p l e sl i f e h o wt of o r e c a s tt r a n s f o r m e r s f a u l ta h e a da n df i n dt h ef a u l tr e a s o nq u i c k l ya f t e rt h ef a u l ti sag o o dw a yt oi n c r e a s e w o r ke f f i c i e n c ya n dl i g h t e nt h ee c o n o m yl o s i n g i nt h ep a p e ra n ni sa p p l i e dt of a u l td i a g n o s i ss y s t e mt oo v e r c o m es h o r t c o m i n g s o ft r a d i t i o n a lf a u l td i a g n o s i sa n dr e d u c ee r r o rb m u g l l tb ys i n g l em e t h o d f u r t h e r m o r e b e c a m ef a u l ts y m p t o ms p a c ea n df a u l ts p a c eh a v ec o m p l i c a t e dn o n l i n e a rr e l a t i o n s ，t h e m a t h e m a t i c a lm o d e lo fd i a g n o s i ss y s t e mi sd i f f i c u l tt og e t 。a r t i f i c i a ln e u r a ln e t w o r k s ( a n n ) p r o p o s e san e ww a yf o rt h i sp r o b l e mb e c a u s eo fi t ss u c ha d v a n t a g e sa sp a r a l l e l p r o c e s s i n g ，s e l f - a d a p t a t i o n ，s e l f - s t u d y , a s s o c i a t i o nm e m o r y , n o n - l i n e a rm a p p i n g ，e t c t h e r e b ya n n i su s e da sf a u l t - c l a s s i f y i n gi m p l e m e n ti ne x p l o i tt i n gt h es y s t e m i nt h eb e g i n n i n go ft h ep a p e r , b a s i ct h e o f i e so ff a u l td i a g n o s i sa n da n na r e p r e s e n t e d b pa l g o d t h mi sp e r f o r m e db yc o m p u t e rp r o g r a m s o m ei m p r o v i n gi sd o n et o t h ea l g o r i t h m a d d i n gm o m e n t u mi t e mw h i l ec o r r e c t i n gw e i g h ta n dl i m i t i n gr a n g eo f i n p u tv a l u er e d u c eo n o ra n di m p r o v ed i a g n o s i sc o r r e c t n e s sg r e a t l y m j j en o r m a l i z i n g t h ei n p u tv a l u e ，an e ww a yi sp u tf o r w a r dt h a tn o r m a l i z a t i o ni sp e r f o r m e di t e mb yi t e m a c c o r d i n gt oi t ss o r t i nt h i sw a ye r r o rt r a i n i n gc a na v o i dg o i n gi n t ot h ef i a tf i e l dt h a ti s c a u s e db ye x i s t i n go f 0o r1o f t h ei n p u tv a l u e t h i sw a yc a ni m p r o v et h ee f f i c i e n c ya n d c o r r e c t u e s sg r e a t l y c o m b i n i n ga n nw i t hd i s s o l v e dg a sa n a l y s i s ( d g a ) t h a ti sa t y p i c a lm e t h o di nt r a n s f o r m e rd i a g n o s i s ，t r a n s f o r m e rf a u l td i a g n o s i ss y s t e mw i t h f r i e n d l yi n t e r f a e ea n de x c e l l e n tc a p a h i l i t yi sf i n i s h e db yj a v a b e s i d e s t h em e t h o do f s e l e c t i n gn e t w o r k sp a r a m e t e ri sd i s c u s s e dd e t a i l e d l y , a n dt h ei n f l u e n c eo fd i f i e r e n t p a r a m e t e r so nd i a g n o s i sr e s u l t si sa n a l y z e d f i n a l l y , t h ep a p e rs u m m a r i z e st h ee x c e l l e n t c a p a h i l i t yo fa n n f a u l td i a g n o s i ss y s t e ma n di t ss h o r t c o m i n g s ，a n dt h e na n a l y s e st h e o u t l o o ka n dd e v e l o p m e n td i r e e d o no f a n ni nf a u l td i a g n o s i ss y s t e m si nt h ef u t u r e k e y w o r d sf a u l td i a g n o s i s ，a r t i f i c i a ln e u r a ln e t w o r k s ( a n n ) ，b pa l g o r i t h m ，p o w e r t r a n s f o r m e r , d i s s o l v e do a sa n a l y s i s ( d g a ) 学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的 研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他 人已经发表或撰写过的研究成果，也不包含为获得南京气象学院或其他教育机构的 学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在 论文中作了明确的说明并表示了谢意。 签名：壁健盆 日期：迎；! ：压 关于学位论文使用授权的说明 南京气象学院、国家图书馆有权保留本人所送交学位论文的复印件和电子文 档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论 文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可以公布 ( 包括刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授权南京气象学院 研究生部办理。 签名：堡垒幺导师签字：日期：丑噬：垒隆 1 前言 故障诊断( f d ，f a u l td i a g n o s i s ) 始于机械设备故障诊断。现代设备技术水平和 复杂度不断提高，设备故障对生产的影响也显著增加，因此要保证设备可靠、有效 地运行，充分发挥其效益，必须发展故障诊断技术。 1 1 目前国内外发展状况及研究意义 故障诊断技术借助于现代测试、监控和计算机分析等手段，研究设备在运行中 或相对静止条件下的状态信息，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，因而具有很高的经济 和社会效益。 i l l 2 诊断理论作为状态识别方法的基础，在工程与技术、生物与医学以及经济与社 会领域内都得到了广泛的应用。【3 _ ”从诊断技术的各分支技术来看，美国占有领先 地位。美国许多权威机构，如美国机械工程师协会( a s m e ) ，美国宇航局( n a s a ) 等都参与了这一领域的研究，投入了大量的资金。不少的高校和企业也都设立了诊 断技术研究中心。美国的一些公司研制的监测产品，不仅具有完善的监测功能，而 且具有较强的诊断功能，在宇航、军事、化工等方面具有广泛的应用。其他的一些 国家，诊断技术的发展也各有特色，如英国在摩擦诊断方面，丹麦在振声诊断方面， 日本在诊断技术应用方面都各具有优势。p 1 我国诊断技术的发展始于7 0 年代末，虽起步较晚，但经过追赶，特别是近几 年的努力，已基本跟上了国外在此方面的步伐，在某些理论研究方面已和国外不相 上下。目前，我国在一些特定设备的诊断研究方面很有特色，形成了一批自己的监 测诊断产品。如西安交通大学的“大型旋转机械计算机状态监测与故障诊断系统”， 哈尔滨工业大学的“机组振动微机监测和故障诊断系统”等。纵观我国的设备诊断 技术现状，其应用范围集中在化工、电力、冶金等行业，科研则主要集中在高校进 行，许多高校都成立了颇具实力的诊断工程中心。目前，全国性的设备诊断会议仅 中国振动工程学会故障诊断学会已举办过多次，各国国际会议也举办过数次。这对 我国诊断技术的发展起到巨大的推动作用。 1 2 变压器故障诊断概况 随着市场经济的发展，长期以来形成的定期检修已不能满足供电企业的生产目 标( 用最低的成本，建设具有足够可靠水平的输送电能的电力网络) 。面对激烈的 市场竞争，如何提高供电可靠性、有效控制检修成本、合理延长设备使用寿命等都 成为电力企业必须要解决的问题，因此开展状态检测和故障诊断就成为必然。众所 周知，变压器是整个电力系统最关键的设备，它的运行状态直接关系到电力系统的 安全运行。h 变压器也是最复杂的设备，必须定期、实时地对变压器的几十种性能 参数监测、分析、判断，使其工作在良好的状态。国内外对变压器故障诊断技术的 研究一直十分重视，并已经取得了大量的经验、形成了多种诊断方法。电力设备故 障诊断系统在国内的应用始于8 0 年代末，众多专业院校和科研机构对此进行了大 量的理论研究和开发设想，其中多数采用变压器油中气体色谱分析方法。十余年来， 这些系统在生产实践中的试用取得了较好的效果，受到了电力行业用户的肯定：同 时诊断理论也逐渐完善，针对变压器不同故障类型的诊断发展出多种行之有效的诊 断方式。 但这些方法大都依赖于工程技术人员的分析经验，同时电力变压器的运行维护 水平、容量、电压水平、绝缘结构及负荷情况等客观因素均会给诊断结果带来影响， 甚至对于同一变压器、同一运行条件下会出现采用不同诊断法则，获得不同诊断结 果的现象。i i 由于气体的成分及含量受到多方面因素的影响，所以要建立一个反映 气体与故障的数学模型是比较困难的。近年来兴起的人工神经网络理论为解决该问 题提供了一个新途径。在国外，将神经网络技术用于电力系统安全检测已得到了广 泛的应用，应用神经网络进行电力系统的静态和动态安全性分析、警报处理和故障 诊断取得了很好的效果。1 1 1 。”然而，将神经网络技术用于变压器故障诊断在我国还 处于起步阶段。 1 3 论文工作介绍 不可否认，传统的故障诊断技术具有很多优点，产生了巨大的经济效益，但同 时它也仍存在某些局限性，如专家的经验知识难以获得或精确描述；知识数据量大， 难以维护管理；推理速度慢、效率低、能力弱；单一诊断方法误差较大：难以处理 故障诊断中的不确定性问题等。 人工神经网络是新近兴起的由大量简单计算单元广泛相连而组成的具有高度 并行处理能力的一个非线性动力学系统，它对于非线性映射具有较强的逼近，且具 有自组织及自学习和联想记忆能力，在故障诊断领域中显示了极大的应用潜力。 1 4 - 1 6 它为解决传统诊断系统中的知识获取、知识学习等问题提供了一条崭新的途 径。本课题即在此背景下，对变压器故障诊断系统进行了研究，重点将神经网络理 论运用于其中，避免了直接建立故障征兆和故障类型之间的数学模型，同时与油中 2 溶解气体分析法相结合，取得了良好的诊断效果。具体内容包括： ( 1 ) 选择神经网络算法一b p 算法，并对其进行改进，使之收敛速度和误差 精度进一步提高； ( 2 ) 收集故障样本，对故障征兆和故障类型进行分析，确定网络的输入和输出 向量： ( 3 ) 用油中溶解气体分析法的数据作为输入训练神经网络，调整权值和阀值， 建立网络模型，实现对各项网络参数的比较确定，使误差满足要求： ( 4 ) 开发可视化应用程序，使用户能够方便直观地进行操作。 2 故障诊断和神经网络基本理论 将神经网络用于变压器故障诊断系统，是本文的特点。因此，故障诊断技术和 神经网络理论是基础也是重点。只有对相关理论有了深刻的理解，才能更好地进行 系统设计和系统开发。 2 1 故障诊断技术 2 1 1 诊断工程概述 设备诊断技术是近4 0 年来发展起来的一门学科。设备诊断的历史和人类对设 备的维修方式紧紧相连。在工业革命后相当长的时期内，由于当时的生产规模、设 备的技术水平和复杂度都较低，设备的利用率和维修费用没有引起人们的重视，人 类对设各的维修方式基本上是事后维修。2 0 世纪以后，由于大生产的发展，设备 本身技术水平和复杂程度都大大提高，设备故障对生产影响显著增加，出于对经济 利益的考虑出现了定期维修。6 0 年代开始，人们开始采用主动维修方式，即在设 备正常运行过程中就开始进行监护，发现潜在的故障因素，及早采取措施，这样不 仅可以大大避免灾难性的设备故障，而且可以避免失修和过剩维修，经济效益十分 显著。这种主动维修方式被许多大中型企业所采用，设备诊断技术很快发展起来。 从科学发展的大环境来看，设备诊断技术的产生也是各学科交叉发展的必然， 生产实际的需要是它发展的根本原因。4 0 年代以来，人类的生产方式日益向大工 业方向发展。在这种宏伟的社会大背景下，系统论、混沌学等纷纷诞生，尤其是控 制理论出现了重大突破，产生了一系列现代控制方法。生产系统的庞大化和复杂化 同时也暴露出一些问题，即如何避免运行中故障的发生，这就要求有一门相应的诊 断技术。同一时期，电子技术，尤其是计算机技术的发展，为设备诊断技术提供了 必要的技术基础。6 0 年代，快速f o u r i e r 变换的出现，使诊断技术的发展产生了飞 跃。近年来，传感器技术的发展，信号处理的系列技术，如各种滤波技术，各种谱 分析技术，人工智能的系列技术，如专家系统、神经网络等，1 1 7 - 2 0 1 以及其他技术在 诊断中的应用，使设备诊断技术逐渐完善。 2 1 2 故障诊断运作机理研究 故障诊断是研究设备运行状态信息的变化，进而识别设备运行状态的科学。其 运作机理如图1 所示： 4 图1 故障诊断运作流程 从本质上讲，设备诊断技术是个模式分类问题，即把机器的运行状态分为正常 和异常两类。进一步讲，异常的信号样本究竟属于哪种故障，这又属于一个模式识 别问题。从图1 开展设备诊断的流程来看，设备诊断过程主要分为信号采集，信号 处理，故障诊断3 个阶段。围绕这一问题，设备诊断技术在下述方面展开了理论研 究。 ( 1 ) 信号采集技术的研究。设备诊断技术从设备的症状入手进行分析研究。设备 症状指机器运行时产生的代表其状态的各种信号。因此，信号采集技术是设备诊断 技术的前提。只有采集到反映设备实际状态的信号，诊断的后续工作才有意义。 ( 2 ) 信号分析和处理方法的研究是设备诊断技术的关键，也是理论研究的热点之 一，这实际上就是诊断技术中的特征因子( 敏感因子) 提取技术。传感器采集的信 号，称为原始信号，一部分可以直接利用，如温度、位移等，但火部分很难直接利 用，如振动信号，虽然经过放大，由于含有噪声，一般从时域波形上很难反映问题， 必须利用信号分析与处理技术取出噪声并把信号转化在不同的域内进行分析，才能 得到更能敏感反映机器状态的特征因子。滤波技术、频谱分析技术是传统的信号处 理方法。近年来出现的数字滤波技术、自适应滤波技术、小波分析技术等，大大丰 富了信号处理的内容。 ( 3 ) 诊断方法的研究是设备诊断技术的核心。识别设备的状态为正常或异常，判 断为异常后再进行原因分析，这是诊断的实质。目前，诊断技术根据不同的信号类 型，分为振声诊断、温度诊断、油液分析、光谱分析等。受技术条件的限制，在诊 断技术发展初期，人的因素占绝对主导地位。仪器处理后的信号基本上靠人去分析。 近年来，随着人工智能( a i ) 的发展，诊断自动化、智能化的要求逐渐变为现实。 其中，基于知识的专家系统( 简称专家系统) 的研究起步最早，目前在诊断中已有 成功的应用。口”模糊理论由于具有处理不确定信息的能力，因此通常和专家系统相 结合，作为前处理和后处理。神经网络技术在诊断中的应用起步较晚，但由于它强 大的并行计算能力和自学习功能及联想记忆能力，很适合做故障分类和模式识别， 因而在诊断中很受欢迎。 限于篇幅，本文重点对诊断技术的核心部分即诊断方法进行研究。前面的两个 环节信号采集和信号处理暂不做详细讨论。故系统中用到的样本数据和仿真数 据是已经经过处理可以直接作为诊断系统输入的数据。 2 2 神经网络 2 2 1 神经网络概述 神经网络是人们在模仿人脑处理问题的过程中发展起来的一种新型智能信息 处理理论，它通过大量称为神经元的简单处理单元构成非线性动力学系统，对人脑 的形象思维、联想记忆等进行模拟和抽象，实现与人脑相似的学习、识别、记忆等 信息处理能力。神经网络在经历了几十年的曲折发展之后，在信息科学领域等许多 应用方面已显示出了巨大潜力和广阔的应用前景。口2 “j 神经网络的高速并行处理、分布存储信息等特性符合人类视觉系统的基本工作 原则，具有很强的自学习性、自组织性、容错性、高度非线性、高鲁棒性、联想记 忆功能和推理意识功能强等特点。口 人工神经网络是在现代神经科学研究成果的基 础上提出来的，其特色在于信息的分布存储和并行协同处理，十分适用于像故障诊 断这类多变量非线性问题。 人们对神经网络的研究从2 0 世纪4 0 年代初就开始了，它的发展经历了三个时 期。第一次研究高潮是在五十年代至六十年代，主要以1 9 4 3 年心理学家 m m c c u l i o e h 和数学家w h p i g s 提出m p 模型为代表，它迈出了人类研究神经 网络的第一步。六十年代末至七十年代，由于受当时神经网络理论研究水平所限及 应用前景不明朗，加之受冯诺依曼计算机大发展的冲击等影响，使对神经网络的 研究陷入低谷。直到八十年代，神经网络才出现了它的第二次研究高潮。其标志是 1 9 8 2 年美国物理学家h o p f i e l d 教授发表了一篇突破性的学术论文，提出了一种新 的神经网络模型，即h o p f i e l d 神经网络模型。这一成果使神经网络的研究取得了突 破性进展。 近年来，神经网络理论的研究与实现引起了美国、日本、中国及西欧一些国家 的科学家、研究机构和企业界的普遍关注。并且各个学科的研究人员都想利用人工 神经网络的特殊功能来解决本学科的难题，很多的工程项目都采用和正准备采用人 工神经网络的解决方案。同时不同学科的科学工作者正在积极联合起来进行各种学 术交流。可以说，目前对人工神经网络的研究出现了更高的热潮。 2 2 2 神经网络的结构 人工神经网络结构和工作机理基本上是以人脑的组织结构( 大脑神经元网络) 和活动规律为背景的，它反映了人脑的某些基本特征，但并不是要对人脑部分的 真实再现，可以说它是某种抽象、简化或模仿。 人工神经元模型是生物神经元的模拟与抽象。所谓的抽象是从数学角度而言， 所谓模拟是从神经元的结构和功能而言的。神经元( 节点) 是神经网络的基本组成 部分，其生物结构如图2 所示。其中，轴突( 即神经纤维) 相当于细胞的输出电缆， 用于传出神经冲动。树突相当于细胞的输入端，它接受外部神经冲动。突触是细胞 之间轴突和树突的连接接口。在神经网络理论中，通常将神经元的生物结构形式化 描述为如图3 所示形式。 吡 7 斧 彳_ 图2 生物神经元结构图3 人工神经元模型 人工神经元相当于一个多输入单输出的非线性阀值器件。x o ，x 1 ，x 。是神经元 接收到的信息即输入；w o ，w 1 ，w n 为连接强度，称之为权：s i 是外部输入信号：y 。 表示这个神经元的输出值；0 ，为阀值，如果输入信号的加权和超过o ，则人工神 经网络被激活( w - x ；称为激活值) 。这样人工神经元的输出可以描述为： z = 厂( 薯一只) 其中，f 是表示神经元输入一输出关系的函数，称为激励函数。常用激励函数 见图4 。 7 夕 厂 o 、 0 1 ( a ) s i g m o i d 函数( b ) 双曲正切函数 图4 常用激励函数 由上可以看出，作为神经网络的最基本工作单元，神经元的结构是很简单的， 它的处理能力也比较单一。然而，由大量这种结构简单、功能单一的神经元所构成 的神经元网络却有许多很优越的特性。神经元网络对信息的处理是由大量的神经元 共同完成的，是一种集合的功能；与之相适应的是信息的分布式存储和联想记忆的 存取方式。网络由这些不同层次的节点集合组成，每一层的节点输出送到下一层节 点，这些输出值由于节点间连接权值的不同而被放大、衰减或抑制。除了输入层外， 每一层的输入为前一层所有节点输出值的加权和。在这个网络系统中，隐层起着决 定性的作用。它把输入样本的特征形成更接近于输出模式的概念。因为如果没有隐 层这个中间作用，输入到输出的变换就过于简单，当输入、输出样本特征相差较大 时就无法满足要求。 2 2 3 前向分层神经网络 将神经元通过一定的结构组织起来，就构成神经网络。根据神经元之间连接的 拓扑结构不同，神经元网络可以分为两大类：1 2 6 分层网络和相互连接型网络。 分层网络是将一个神经网络模型中的所有神经元按功能分为若干层，一般有输 入层、中间层和输出层各层顺序连接。而相互连接型网络是指网络中任意两个 单元之间都是可以互相连接的。分层网络中输入层接受外部的输入信号，并由各 输入单元传递给直接相连的中间层各单元。中间层是网络的内部处理单元层，与 外部无直接连接。神经网络所具有的模式变换能力，如模式分类、模式完善、特 征提取等，主要是在中间层进行的。根据处理功能的不同，中间层可以有多层， 也可以没有。由于中间层单元不直接与外部输入输出打交道，故常将神经网络的 中间层称为隐含层。输出层是网络输出运行结果并与显示设备或执行机构相联接 的部分。简单的前向网络就是分层网络的一种。此外还有具有反馈的前向网络以 及层内有互相连接的前向网络。图5 所示为简单的前向网络结构图，输入模式由 输入层进入网络，经过中间层的模式变换，由输出层产生输出模式。所谓前向网 络是由分层网络逐层模式变换处理的方向而得名的。著名的b p 网络就是一个典型 的前向网络。 图5 前向分层神经元网络模型 多层前向网络是目前应用最多的神经网络，而其中的b p 网络由于其算法的优 越性，更是得到了广泛的应用。本文用的就是典型的b p 网络模型。基于b p 算法 的简单多层前向神经网络具有以下重要能力： 非线性映射能力多层前馈网络能学习和存储大量输入一输出模式映射关 系，而无需事先了解描述这种映射关系的数学方程。只要能提供足够多的样本模式 对供b p 网络学习训练，它便能完成由n 维输入空间到i l l 维输出空间的非线性映射。 这个特点为工程及技术上许多问题都提供了解决办法。如对某输入一输出系统， 已经积累了大量相关的输入一输出数据，但对其内部蕴含的规律仍未掌握，因此无 法用数学方法来描述该规律。这时，多层前向神经网络具有无可比拟的优势。文中 将神经网络用于变压器故障诊断系统也正是基于它的这个优点。 泛化能力多层前向网络训练后将所提取的样本对中的非线性映射关系存 储在权值矩阵中，在其后的工作阶段，当向网络输入训练时未曾见过的非样本数据 时，网络也能完成由输入空间向输出空间的正确映射。这种能力称为网络的泛化能 力，它是衡量多层前向网络性能优劣的一个重要指标。 容错能力多层前向网络的魅力还在于，允许输入样本中带有较大的误差 甚至个别错误。因为对权矩阵的调整过程是从大量样本中提取统计特性的过程，反 映正确规律的知识来自全体样本，个别样本的误差不能左右对权矩阵的调整。 2 2 4 神经网络的算法 神经网络的具体实现除合理有效的模型之外。还需要有一个有效的学习算法。 神经网络的种类很多，而误差反向传播算法( b a c k p r o p a g a t i o n ，简称b p 网络) 是 9 应用最广泛、效果最好的方法，与其他传统模型相比，有更好的持久性和适时预报 性。 标准的b p 网络由3 层神经元组成，如图6 所示。由于3 层前向神经网络可以 实现以任意精度逼近任意连续函数，1 2 7 1 所以在此只研究3 层b p 神经网络。 2 s l 2 9 】 y x lx 2一x “ 图6 三层b p 神经网络 输出层 y m 隐层 输入层 在三层前馈网络中，假设输入向量为x = ( 0 1 ，x 2 ，) 【n ) 1 ，如加入) ( o 一1 ，可 为隐层神经元引入阀值；隐层输出向量为y = ( y l ，y 2 ，y 。) 1 ，如加入y o = 一1 ，可 为输出层神经元引入阀值；输出层向量为o = ( 0 1 ，0 2 ，o i ) 1 ，期望输出向量为 d = ( d l ，d 2 ，d 1 ) 1 ，输入层到隐层之间的权值矩阵用v 表示，v = ( 7 l ，7 2 ，v 。) 1 ， 其中列向量v j 为隐层第j 个神经元对应的权向量；隐层到输出层之间的权僮矩阵用 w 表示，w = ( w 1 ，w 2 ，w 1 ) t ，其中列向量w k 为输出层第k 个神经元对应的权 向量。下面分析各层信号之间的数学关系： 对于输入层，输入、输出均为x ； 对于隐层，有 输入：n e t j = 岫 输出：y = f ( n e t j ) 对于输出层，有 1 0 输入：n e t t = w j k y j j = 0 输出：0 i = f ( n e t t ) 在上式中，厂( + ) 为激励函数，这里采用s 型作用函数( 即s i g m o i d 函数) ： ，( ) 2 专 f ( a ) 具有连续、可导的特点，且有厂( 口) = 厂( 口) 1 一厂( 口) 】。 在网络的实际应用中，网络实际输出与期望输出往往不等，二者之间存在误差， 设为e ，定义如下： e = i i d 女一o k ) 2 将以上误差公式展开至隐层，有 e = 寺 赢一厂( h e t o 2 = 寺1 破一，( m 口) 】2 1 f 1m 二k mk = 1 = 0 进一步展开至输入层，有 e = 寺 盔一，( 吲( n e 4 ) ) 2 = 寺做一九吲( 啪) 】 2 由上式可以看出，网络输入误差是各层权值w n ，v t j 的函数。因此，调节权值可 以改变误差e 。 显然，调整权值的原则是使误差不断减小。因此应使权值的调整量与误差的负 梯度成正比，即 a w j k ：一叩罢 ，j ：o ，2 ，i n lk - 1 1 2 ，1 常数n ( 0 ，1 ) 表示比例系数，在训练中反映了学习 速度，因此也称为学习率。 为了进一步得出明确的权值调整公式，需做以下推导，且在推导过程中，对输 出层均有j = o ，1 ，m ；k = l ，2 ，l ：对隐层均有i = 0 ，1 ，n ；j = l ，2 ， m 。 a e a w j , t = 一叩：一 o w j k o eo n e t k 。a n e t ka w j k a eo o ko n e t k 。o o ka n e t ko w j k = 一卵【_ 似一d t ) 】厂( n e t k ) y j = 叩慨一o o o k ( 1 一o k ) y j 若令& 。= 慨一o o o k ( 1 - o k ) ，称为输出层误差信号 则坳= r l & 。弦= 玎似一m ) o k 0 一o k ) 弦 同样可推得： 8 e a v g = 一，7 = 一 a e 锄嘶 。锄叻a w ：一打a e 句：j o n e t j 。o y ja n e t j 挑 =一叩一圭(反一m1，(netk)wjk，o曲)xlk=l = 一叩l _ 似一m 1 厂p o 曲) lj ：叩l 壹k 似一m 矿o s “凇 厂o 西) 啪= l- i =叮壹亿硼okjkyj(1一弦)xilk=l- i = 叮i 陋硼) d t ( 1 一i ( 1 一弦) 1 2 f 若令= ( & 。似) y j ( 1 一弦) ，称为隐层的误差信号 t = l ， 则w = 叩西崩= 玎( & 。w j k ) 弦( 1 一弦) x l 女c l 容易看出，输出层的误差信号同网络的期望输出与实际输出之差有关，直接反 映了输出误差，而各隐层的误差信号与前面各层的误差信号都有关，是从输出层开 始逐层反传过来的。 由上推导可得出各层权值的调整公式： 女= w + 叩& 。弦 v q = v q + 6 x t 以此为依据即可对权值进行调整，完成对神经网络的训练。 b p 算法的特点是信号的前向计算和误差的反向传播。其信号流向见图7 。 i 卜隐层叫卜输出屡一 图7b p 算法的信号流向 2 2 5b p 算法的程序实现 d 前面推导出的算法是b p 算法的基础，具体到神经网络的实现还需要通过计算 机编程来完成。b p 算法流程图见图8 。具体编程步骤如下： ( 1 ) 初始化对权值w 、v 赋随机数，样本模式计数器p 和训练次数计数器q 置1 ， x 、l ，弦 一 u弦 、，眦 & ，“ (叩 i i 误差e 置0 学习率n 和网络训练误差精度l 。设为( o ，1 ) 的小数； ( 2 ) 输入训练样本对，计算隐层、输出层的各输出； ( 3 ) 计算网络输出误差设共有p 对训练样本，网络对应不同的样本具有不同的 误差e p ，网络的总误差设为网络平均误差e = f j ( n p * n o ) ： ( 4 ) 计算各层误差信号即计算各权值修正公式中的6 ： ( 5 ) 调整各层权值用权值修正公式计算权值各分量： ( 6 ) 检查是否对所有样本完成一次轮训若p o 9 9 时，取0 i = o 9 9 。 不过这种方法会因在不同的系统中和在不同的编程环境中定义变量的不同而 导致效果可能会有所不同，因为各个系统和不同变量类型的数据保留精度不一样。 因此采用这种方法的时候应该根据实际情况来设定相应的极限值。如在本系统中， 要求数据保留六位小数，因此作了如下假定： 当o i o 9 9 9 9 9 9 时，取o i = o 9 9 9 9 9 9 。 ( 2 ) 权值修正公式的改进 对于学习系数q 的选择是一个技术问题。在实际应用时，考虑到学习过程的收 敛性，学习因子取值越小越好，虽然加大n 值可以提高学习速度，但这样每次权值 的改变将会非常剧烈，可能导致学习过程发生振荡。故为了使学习因子取值足够大 又不致产生振荡，通常在权值修正公式中再加上一个势态项，得到： 对于输出单元： u 1 0 + 1 ) = w j k ( t ) + a w j , ( t ) + a w j t ( t ) 一w j k ( t 一1 ) 】 对于输入单元： v ”( f + 1 ) = v t j ( f ) + a v 口( f ) + 讲( f ) 一口( f 一1 ) 】 其中n 为常数，称为势态因子或动量因子，一般取0 a 1 。它决定上一次学习的 权值变化对本次权值更新的影响程度，从而调整学习的收敛速度。动量因子的选择 很关键，选择得好，将会加快网络收敛。不过对它的选择要靠反复调试比较才能确 定最佳值。 1 6 3 基于神经网络的变压器故障诊断系统分析 在掌握了系统的理论部分以后，就可以进行系统的设计和开发了。但在这之前， 还有很重要的一步就是进行系统分析。软件系统分析，特别是其中的软件需求分析 是软件生存期中的重要一步，也是决定性的一步。只有通过软件需求分析，才能把 软件功能和性能的总体概念描述为具体的软件需求规格说明，从而奠定软件开发的 基础。 3 1 系统需求分析 根据软件工程学，系统分析是一组计算机系统工程的活动，其实现的目标就是 识别用户的要求；评价系统的可行性：进行经济分析和技术分析；把功能分配给硬 件、软件、人员、数据库和其他系统元素；生成系统规格说明，为软件工程后续工 作打好基础。通过对应用问题及其环境的理解与分析，对问题所涉及的信息、功能 及系统行为建立模型，将用户需求精确化、完全化，达到实现系统需求分析的目的。 针对本系统而言，其主要诊断对象是电力系统中的变压器。考虑到变压器的复 杂性及其故障征兆和故障类型的非线性关系，本系统采用了解决非线性映射非常典 型的b p 神经网络理论作为主要方法，同时结合了变压器故障诊断中常用的油中气 体分析法对变压器故障进行诊断。p “”】这样可以避免由于采用单一诊断方法而造成 的误差。当电力变压器有故障前兆或发生故障时，变压器油中会分解出一些气体， 并且气体成分及含量随着故障程度的不同而不同。这些气体的浓度值将作为神经网 络的数据来源，用这些数据对神经网络进行训练，从而建立神经网络的b p 模型。 借助于该模型，系统就可以直接对任何待诊断数据进行分析，从而判断变压器发生 了何种故障。 通过对系统进行需求分析，确定系统实现的基本目标为：在电力系统中，通过 传感器对变压器油中主要气体：c l - h ，h 2 ，c 1 + c 2 ( 总烃) 和c 2 h 2 等的浓度数据进 行采集。采集的数据经过处理以后送到系统中作为诊断原始数据，由经过训练的神 经网络进行诊断，据此判断该数据采集时刻变压器有无故障发生，并可以对此次诊 断结果进行记录，作为故障日志。作为故障诊断软件，要求系统功能齐全；性能准 确可靠；操作直观方便；用户界面友好；并且具有较快的响应速度。 3 2 功能模块分解 1 7 通过对系统进行详细分析，将该系统划分为如下主要功能模块 图l o系统功能模块图 ( 1 ) 网络训练模块主要针对系统中使用的神经网络进行训练，这是使用此系 统的前提。有时把这个过程称为建立模型。只有预先用已有的样本训练神经网络， 得到一个已经训练好的网络，才能实际使用、对用户的待诊断对象进行诊断。 网络结构参数输入子模块该模块可以对网络的模式进行初始化，即确定 神经网络的层数、每一层的节点数、学习率和动量因子、最大训练( 迭代) 次数、 最大允许误差等。 网络训练子模块该模块是在前面工作的基础上进行的，即确定好了网络 模式和样本数据以后采用b p 算法对网络进行训练，进而确定网络的权值和阀值。 网络将训练好的权值和阀值存储起来，诊断故障时，用户不需关心内部工作过程， 只需输入诊断数据便可以得到诊断结果。这样就达到了利用神经网络进行故障诊断 的目的。训练网络是本系统中很关键的一项内容。网络训练结果的好坏直接影响到 故障诊断系统性能的优劣。网络训练得好，则故障诊断正确率高，否则，系统会经 常出现误诊或漏诊现象。 ( 2 ) 故障诊断模块这是整个系统的核心模块。有了前面训练好的神经网络 就可以很方便地进行故障诊断。 故障诊断子模块用户通过一个友好、简洁的界面将待诊断数据输入系统， 该数据将作为神经网络的输入进行计算，根据输出结果即可判断变压器发生了何种 故障。 故障保存子模块主要是将诊断的故障存入数据库，以便以后用户进行查 看或是作为样本使用。 ( 3 ) 数据维护模块该模块对系统中两个数据库进行操作，包括样本数据库 和历史数据库。 样本数据维护子模块该模块主要存储了作为神经网络训练样本的数据， 可以对该数据库进行查看、删除、增加等操作，完成对样本数据的更新。当有新的 故障类型或是新的样本时，可以加入到数据库中对神经网络重新进行训练，使神经 网络具有更好的泛化能力。 历史数据维护子模块该模块记录的主要是以前的诊断结果，这样方便用 户查阅，若诊断1 0 0 的准确也可作加入到样本数据库中作为下一次的训练样本。 1 9 4 基于神经网络的变压器故障诊断系统设计 4 1 系统整体设计 通过对系统基本功能模块的分析，我们可以看到，只要把这些模块有机结合起 来，就可以构成一个完整的故障诊断系统。并且在整个系统设计过程中，要充分考 虑系统的诊断正确率和响应速度。 一个故障诊断系统，主要包括学习( 训练) 与诊断( 匹配) 两个过程。通常学 习过程是在一定的标准模式样本基础上，依据某一分类规则来设计分类器，并用标 准模式训练；而诊断过程是将未知模式与已训练的分类器进行比较来诊断未知模式 的类别。整个故障诊断系统的过程如图1 1 所示： 图1 l故障诊断过程原理示意图 d l t 5 9 6 1 9 9 6 电力设备预防性试验规程列出的变压器试验项目中。以油中 溶解气体分析d g a ( d i s s o l v e d g a s a n a l y s i s ) 对早期潜伏性故障反映比较灵敏，故近 年来以d g a 数据为基础利用人工智能技术进行变压器绝缘故障的诊断成为研究热 点。p j p 4 】根据油中气体分析的常见方法有特征气体法、三比值法i e c 、绝缘油特性 试验、绝缘预防性试验、外部检查法等。实践经验表明，特征气体法具有更高的准 确性和可靠性。但由于变压器故障诊断的复杂性、专业性和经验性，用单一的方法 很难准确诊断出故障。所以文中决定以特征气体法的数据作为神经网络训练和诊断 的数据来源，b p 算法作为分类规则，训练好的神经网络作为分类器来对变压器故 障进行诊断。神经网络诊断方法不同于色谱分析法及其他变压器诊断方法，训练好 的神经网络诊断变压器故障不太依赖于系统的其他信息和工程