（机械电子工程专业论文）人工神经网络在变压器油中溶解气体分析中的应用研究.pdf

中文摘要 电力变压器是电力系统中核心设备，其正常运行直接关系到整个电力系统的 稳定性和安全性。油中溶解气体分析( d g a d i s s o l v c dg 弱a n a i y s i s ) 是检测变压器 早期故障的有效方法。本文将人工神经网络引入油中溶解气体分析，主要工作与 结论是： 分析了变压器油中溶解气体的发展变化规律，研究了变压器油中溶解气体和 故障类型之间的关系。对常用的神经网络模型进行深入研究，总结了各种模型的 特点和适用范围。论述了用神经网络进行变压器油中溶解气体分析，诊断和预测 变压器故障的有效性和可行性。 理论分析和大量实例表明，b p 神经网络有很强的非线性映射能力，适合用于 模式分类。本文提出了一种将故障类型逐步细化的组合b p 网络模型，用于变压 器故障诊断。实例分析表明该模型诊断准确率超过8 5 。 变压器油中溶解气体各组分之间是相互关联的。为了准确地预测变压器故障 需要同时考虑多种气体成份的发展变化。本文建立了基于径向基函数网络的多变 量预测模型，用于变压器溶解气体分析，获得了令人满意的预测精度。 变压器油中溶解气体发展变化存在多种趋势，用单一模型难以准确描述。本 文用g m ( 1 ，1 ) 模型，r b f 神经网络和b p 神经网络构建组合模型预测气体浓度变 化。试验表明，组合预测模型能发挥各种模型的优势，提高预测精度。 综合上述研究成果，开发了一套变压器故障诊断和预测系统，并用1 1 0 k v 电力 变压器实测数据有效验证。 关键词：电力变压器；溶解气体分析；b p 神经网络：径向基函数网络； 故障诊断；多变量预测；组合预测； 分类号：删4 1 1 ：t p l 8 3 a b s t r a c t p o w e rt r a f o n 】n e ri so n eo f 吐把m o s ti m p o r t a r l td 昏，i c e sm p o w e rn e t w o f i 【s ，觚di th 够 g r e a te 镌c to nm cs 扭b 订时a n ds e c 嘶t yo f p o w 盯s y s t 咖d i s 幽v e dg a sa l l a l y s i s ( d g a ) i sa ne 矗酿i v em e d l o df o rm ed 酏e c t i o no f i i l c i p i e n tf h u l t si l i 昀n s f o n n 既t b 呻r o v et l 】忙 c a p a b i l 时o fi n 州i n gm er 踟l t o fd g a ，a n i f i c i a ln c u r a ln e t w o r k ( a n 聊i s p f o p o s o di nt 1 1 i st h e s i s t h ec o n t r i b u d o r 璐越1 dc o n c i u s i o n sa r em a d ea sf o l l o w s ： t k d e v e l o p m e i i to fg 船e sd i s s o l v 司i i i 仃a 1 1 s f o m e ro i li s 粕a l y z e d ，觚d 即1 i 舰臧si s f o c i l s e do nt l l er e l a t i o n s l l i pb 咖e 髓t l l ef 跚t s 趾dt h eg a s e sd i s i v e di l lt r a n s f b 衄e r o i l a no v e r v i e wa n dc l a s s i f i c a t i o no f 枷f i c i a ln a l r a in e t w o r l 岱i sp r e s 衄t c d t h es u i t a b l e r a n g eo fc o r e n t i o n a la n nm o d e l si sd i s c 啪s e d f l l n l l e f l l l o r c ，t l l ea d v 雏t a g eo f1 l s i n g a r c i 6 d a ln e i l r a li l e t w o r ki n 嘶f o m l c rf a u l td i a 粤l o s i sa n dp 同i c t i o ni ss h ( m r n a c c o r d i n gt ot l i el i t e r a n l r c 柚de x p 鲥l m e n 协le x p e r i e l l c c ，廿l eb p n e u r a lr l e t 、v o r ki s w i d e l ya p p l i e d i i lp a t t 啪f e 。o g l l i t i o nb c c a u s eo fi t ss 咖ga b i l i t ) rt oa p p r o x i m a t e n o i l l i n e a rm a p p i n 黟t h e f e f o l | c ，a m b m e db pn r a ln e 咐o r kt h a t 百v e sas 嘶e ss t 印s f o rp o w e r 订a 咀s f o 衄e rf 如l t sd i a 舯o s i n gi sp m v i d e d t h er e s u l t ss h o wt l l ed i a g n o s i s a c c u r a c yi so v c r8 5 b ym e a n so f t h ep m p o s c dm o d c l t 1 l ec h a n g 髑o f g a s c sd i s s o i v e di n 仃a l l l s f o 肌e ro i ia ei n t e r r e l a t c d f o rp r e c i s ea n d r e l i 曲l ef a u l tp r e d i c t i o n ，i ti s 船s c l l t i a lt oc 0 i l s i d e rs e v e r a lg 鹪髂s i m u l t a i l e o u s ly a m u l t i v a r i a b i ep r e d i c t i i l gm o d e lu s i n gr b f ( r a d i a lb 鹤i sf u 删i o n ) n r a ln e t w o r ki s 髓t a b l i s h e da n da p p l yt od j s 1 v e dg a s 锄a l y s i s 胁u l 忸s h o wt l l a t l l ep r o p o s e dm o d c l c 艄a 出e v es a 矗s f a c t o r yf & c 鹊佃冯剁：c u r a c y t 圮佗a 心训o l 堪妇l d si i l 缅ed e v d o p i n e n lo f t l l e 孚婚鼯i n 仃榔f o n n e ro i l ，s oi ti s d i 伍c i l l tt 0d 伪c r i b e 血唧a c c u r a t e l yb yas i n g l em o d c l a0 0 l n b i i l c dm o d e lw h i c hi s c o m p o s c do f g m ( 1 ，1 ) m o d d ，r b fn c i l r a ln e 咐o r ka n db pn 即r a ln e 啊o r ki sp r e s 七e d t h ea d v 锄m i g 鹤o f t h ec o m b i n c dm o d e lo v 盯c o n 、，e n t i o n a lm o d e l sa 犯s h o w n b a s e d 蚰t l l ei 删髑t i g a d o 衄m 训o n e da ：呐c ，姐i n t e i l i g e mp o w 职t r a 皿s 鼢l n c r d i a 婴m s t i c 卸d 删删o n 班冶重i l i sd 吖e l o p c d t h ee 丘& 虹垤l l e 鼹姐da d v 锄t a g 璐o f t h ep i o p 0 8 。dp i d d i l r ei ss h o w n b yt h e 纰o f a1 1 0k vp o w c r 哪f o r m 既 k e y w o r d s ：p o w 盯缸龃s f - o 吼d i s 1 v e dg 柚a l y s i s ；b pn 鳓嘲蝣咐o i i 【； r b f 旅l r a ln e 细o r k ；f a u l td i a 弘o s i s ；m l l l d v a r i a b l e 触t i l l 筠 咖b i n o d 内心s t i n g c i a s s n o ：t m 4 1 1 ：t p l 8 3 学位论文版权使用授权书 本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特 授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索， 并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国 家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：番梭殓导师签名：杨；，乏 签字日期：m 7 年i 月i 岁日 签字日期：洳1 年j j 月f r 日 扯宓窑煎盔堂殛圭望焦论塞独劬往直盟 独创性声明 本人声明所星交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除 了文中特剐加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果也 不包含为获得北京交通大学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。 学位论文作者签名：i 0 麴各签字日期： 一7 年，月侈日 致谢 本论文的工作是在我的导师杨江天教授的悉心指导下完成的，杨老师严谨的 治学态度、渊博的专业知识和科学的工作方法给了我极大的帮助和影响。在此衷 心感谢攻读研究生这两年半的时间里杨老师对我的关心和指导。 感谢肖燕彩老师为我的论文提供1 1 0 i 【v 变压器油中溶解气体浓度数据。在读 研期间，实验室的齐红元老师、邱成老师在学习上和生活上都给予了我很大的关 心和帮助，在此向他们表示衷心的谢意。 在实验室工作及撰写论文期间，高飞、高银中、郝芳、尚迎春、江维等同学 对我论文中的研究工作给予了热情帮助，在此向他们表达我的感激之情。 另外也感谢我的家人，他们的理解和支持使我能够在学校专心完成我的学业。 韭哀窑 煎 太生强堂 焦一盈 室 缝 i 金 ，1 课题研究的背景与意义 l 绪论 随着国民经济的持续发展，我国的电力工业己进入一个新的发展阶段。电力 系统向超高压、大电网、大容量、自动化方向发展，因此提高电力设备的运行可 靠性显得尤为重要。大型电力变压器是用来改变电压和电流、传输电能的一种静 止电器，是电力系统中最重要的电气主设备，它的故障可能对电力系统和用户造 成重大的危害和影响。由于电力变压器多在室外露天工作环境影响大，因而出 现故障的概率相对较高。它一旦发生事故，所需的修复时间较长，造成的影响也 比较严重。因此，做好变压器的故障诊断和预测工作，及早检测出故障，提高供 电可靠性，是电力部门关注的一项重要课题。 长期以来。以确保电力系统安全运行，电力行业一直根据中华人民共和国电 力行业标准变压器中溶解气体分析和判断导则，按表1 1 i l j 对电力设备进行定 期的停电试验、检修和维护。 表卜i 运行中设备的定期检测周期 设备名称设备电压等级和容量检测周期 电压3 3 0 k v 及以上 容量2 4 0 m v a 及以上 3 个月一次 所有发电厂升压变压器 电压2 2 0 k v 及以上 变压器和电抗器 容量1 2 0 m v a 及以上 6 个月一次 电压6 6 k v 及以上 窖量8 m v a ，及以上 1 年一次 电压6 6 k v 及以下 容量8 m v a 及以下 自行规定 互感器 电压6 被v 及以上1 3 年一次 套管 必要时 这种“计划检修”体系无疑在电气设备绝缘故障诊断、防止设备故障发生， 保证安全可靠地供电方面已起着很好的作用。但“计划检修”是按照预试规程所 规定的实验周期，到期必修，而不顾电气设备绝缘的实际状况，具有很大的盲目 性和强制性，因而造成设备的“过废检修”，浪费了大量的人力物力2 1 韭毫窑煎盔茔硒 圭堂岔论奎缝j 幺 2 0 世纪7 0 年代以来，随着世界上装机容量的迅速增长，对供电可靠性的要求 越来越高。由于传感技术和电子技术的发展。可以对电力设备进行在线监测，及 时取得各种信息。对这些信息进行处理和综合分析后。根据其数值的大小及其发 展趋势，对设备的运行状态 或可靠性) 随时做出预测和判断，从而能尽早发现设 备中潜伏的故障l j j 。于是专家提出了预知性维修或状态维修这一新概念，其具体内 容是对运行中电器设备的绝缘状况进行连续的在线监测。 与离线测量相比，在线监测的特点是数据量大和更具有实时性。因此，在线 监测数据更具有统计性，且可以更精确的预测变压器设备的运行状态。本文采用 油中气体含量在线监测数据作为基础，用预测模型预测油中溶解气体浓度发展趋 势，并用故障诊断模型进行变压器的故障类型诊断，进而预测设备的运行状态， 理论上真正将故障动态过程来看，实际工程中也大大提高了设备运行状态的预知 时阃。 1 2 变压器d g a 技术研究现状 1 2 1变压器d g a 技术 电力变压器故障的常用诊断方法有：溶解气体分析( d i s s o l v c dg 嬲a m a i v s i s ， d g a ) 、绝缘试验、油务试验、局部放电试验及其它预防性试验等【4 】。目前，在变 压器故障诊断中应用较多的是传统的溶解气体分析法。 目前1 1 0 k v 及以上等级的大型电力变压器仍主要采用油一纸绝缘结构，在正常 老化过程及故障初期，油纸绝缘劣化所形成的低分子烃、氢气以及碳的氧化物等 气态化合物绝大部分溶解于油中，油中溶解的各种气体成分的相对数量和形成速 度主要取决于故障点能量的释放形式及故障的严重程度，检测这些气体的成分和 含量。并利用色谱技术对其进行定量分析，依据色谱分析结果可以进一步判断设 备内部是否存在异常，推断故障类型及故障能量等，这就称为变压器d g a 技术吼 d g a 技术作为目前电力系统中对充油电力设备常规使用的重要监测手段，因 能够及时发现变压器内部存在的潜伏性故障，受到越来越广泛的重视。据不完全 统计我国电网中有5 0 以上的放障变压器是通过d a i a 技术检查出来的嘲。d g a 的 数据采样不需要停电，不受外界电场和磁场因素的影响，成本较低，而且技术比 较先进，数据精度高，为避一步的分析提供了较好的保障。 溶解气体分析( d g a ) 方法源于1 9 7 3 年h a l s t 铭d 的实验发现，人们先后提出了多 种以油中溶解气体为依据的变压器故障诊断方法。我国于2 0 世纪6 0 年代中期对变 压器油中溶解气体分析进行了研究，并取得了定的成绩2 0 世纪7 0 年代初，开 2 北瘟蛮适左兰殛堂拉i 金窑 缝沦 始了气相色谱法应用于变压器潜伏性故障检测，迄今为止，已广泛推荐应用。我 国1 9 9 7 年起实施的电力设备预防性试验规程己将油中溶解气体分析方法列为 油浸变压器试验项目的首位。因此基于变压器d g a 技术，用各种不同的方法对油 中溶解气体进行浓度预测和故障诊断也成为当前变压器领域热点研究方向之一。 1 2 2基于d g a 的变压器故障诊断研究现状 几十年来国内外众多专家先后提出了多种以油中特征气体为依据的判断设备 故障的方法，如罗杰斯法、特征气体法、三比值法、电协研法，i e c 新的d g a 导则 等i ”。然而这些方法本身存在一定程度的不完善性，甚至对于同一组试验数据，采 用不同的方法，有时会出现得到不同诊断结果的现象：另外这些方法均存在编码 不全的缺点。因此，很有必要探索一种更方便、更可靠的诊断方法，以提高诊断 的正确率。目前国内外学者针对变压器故障诊断的研究方法主要包括以下几种： 1 专家系统 专家系统( e x p c ns y s c 啪，简称e s ) 是一种具有大量专门知识的程序系统，它根 据多个专家提供的专业知识进行推理，解决通常需要专家才能解决的复杂问题。 用于电力变压器故障诊断的专家系统最早见于r j e s e 哺1 在1 9 8 6 年公布的1 g a 系统，其后有很多类似的系统被应用到实际工程中【9 j 【l o 】。专家系统的开发需要有相 当丰富经验的专家参与，共同完成。 专家系统存在两方面的主要问题：( 1 ) 知识获取的“瓶颈”问题。一方面由于 专家知识的不完备，另一方面由于专家知识表述规则化有相当的难度。( 2 ) 诊断推 理不确定性问题。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。这些问题大大影响了故障诊断的准确性。 2 模糊研究 模式聚类分析的基本原理是在没有先验知识的情况下，基于“物以类聚”的 观点，用数学工具分析各样本向量之问的距离及分散情况，按照样本的距离远近 划分类别。宋斌等【“j 等学者将模糊聚类技术引入了电力变压器油中溶解气体分析。 q s ue ta 1 【1 2 l 学者研究了基于模糊学习矢量量子化网络方法，该方法是通过训练学 习矢量量子化网络，然后对故障进行分类的。其他类似的模糊聚类及组合模型也 被应用到变压器故障诊断领域1 3 】。 模糊数学作为一种处理不精确信息的有效工具，毫无疑问它将有助于提高诊 断系统的准确性和稳定性。但是还应看到，目前确定隶属函数的方法还较简单， 人为干预太多，缺乏令人信服的客观依据。 3 人工神经网络 近年来，以非线性并行处理为主流的人工神经网络( a n i 6 c i a ln e u r a ln 咖o r l c ， 简称删理论的发展，为故障诊断提供了新的途径。 y z h 锄叠】等研究了两层b p 网络结构对色谱诊断结果的影响，在比较了具有不 同隐层层数和相同输入、输出节点数的网络的收敛速度及训练误差后，认为具有 单隐层的神经网络分类效果最理想。为了克服b p 算法所存在的容易陷入局部极小 点，以及对初值要求较高等缺点，国内外学者和专家利用概率神经网络【l5 1 、结合 遗传算法的多层前馈网络【1 6 1 、基于竞争学习理论的自组织网络【l 刀等建立了相应的 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。 神经网络具有联想、记忆、自适应、自学习、容错性等优点，不少研究者将 其应用于电气设备的故障诊断。大量的文献和实例分析表明神经网络用于变压器 故障诊断时有很高的准确率。 4 其他方法 因变压器故障诊断的复杂性、加之大量的不确定因素，因此人们采用各种不 同的方法对之加以研究。如数理统计法【1 引、支持向量机【1 9 】、遗传算法【埘等，也有 将专家系统、模糊数学、神经网络、数理统计等理论结合起来运用于变压器故障 诊断的【2 “。 对以上变压器故障诊断方法的总结和研究表明，人工神经网络具有自组织、 自学习的能力，能映射高度非线性的输入输出关系，其本身就是简单的非线性函 数的多次复合，无需建立任何物理模型和人工干预。而故障诊断基本上就是在输 入数据样本和一个或多个故障状态之间建立联系的过程，因此人工神经网络非常 适合应用在变压器故障诊断领域。 为此，针对变压器故障特点，本文第四章研究采用合适结构和算法的神经网络 在变压器故障诊断技术中的应用，并且将不同模型的诊断时间、诊断精度、应用 前景等做详细的比较和分析。 1 2 3基于d g a 的变压器故障预测研究现状 目前，基于d g a 的变压器故障预测已有很多研究，并取得了一定成果。文献 【2 2 】把灰色预测方法应用于变压器油中气体浓度的预测，对历史数据建立g m ( 1 ，1 ) 模型；文献 2 3 】在建立g m ( 1 ，1 ) 模型过程中，对变压器油中溶解气体的非等间隔的 历史数据运用数学方法进行处理，使它变成等时间间隔，并指出了g m ( 1 ，1 ) 模型预 测时存在的缺点，有待进一步完善。文献【2 4 】将具有残差修正的g m ( 1 ，1 ) 模型引入 变压器油中气体预测，在利用残差进行修正时，分别取残差数列的个数为i ，2 ，一。 4 其中开为历史数据的个数，取原点相对残差最小的一个作为结果。文献【2 5 】针对传 统灰色模型存在从离散形式到连续形式的跳变，采用d g m ( 1 ，1 ) 模型进行预测，以 提高精度。文献【2 6 】【2 7 】对g m ( 1 ，1 ) 模型的背景值z 似) 进行改造，建立了g m ( 1 ，l ，) 模型，并采用线性内插值法将非等时距原始数据序列化为等时距数据序列，用于 变压器气体预测。文献【2 8 】把统计学习理论用于故障气体的预测，该方法通过构造 支持向量基( s 、n 订) 和进行a d a b o o s t 加强推理，很好的利用了s v m 解决有限样本问 题的优势，提高了预测精度和泛化能力。以上这几种方法都取得了一定的效果。 但这些方法都没有考虑各故障气体浓度增长时的相互制约关系，而各种故障气体 之间有着非常密切的关系，忽略这种关系的预测方法必然引起较大的误差。 研究表明，由于变压器油中溶解气体的产气规律是不固定的，具有波动性和 确定性的增长趋势，很难用一种传统的数学模型来描述，采用组合预测模型能提 高预测的准确率。文献( 2 9 】中提出自学习神经网络和灰色预测结合的组合预测方 法，引入了时间序列自修正参数和关系修正参数，把该方法应用于电力设备油中 溶解气体的预测。 另外，变压器故障的产生原因和故障类型的多样性导致变压器故障气体的产 生是非线性的过程，并且7 种特征气体之间相互关联、相互影响，并不是独立的， 因此变压器的油中气体的产生是一个复杂的非线性过程，采用多变量预测模型能 更好的描述油中气体的产生过程。文献( 3 0 3 1 】中引入多变量灰色预测模型对变压 器油中溶解气体浓度进行预测，考虑到变压器溶解气体之间相互耦合的关系，取 得了良好的预测效果。 以上组合预测和多变量预测模型都只能进行短期预测，具有很大的局限性。 由于人工神经网络具有较强的非线性映射能力，能逼近任意非线性函数，另外神 经网络具有多输入多数出的特性，能进行长期预测。研究表明，神经网络可以作 为“预测器”，即利用神经网络把时问序列的历史数据映射到未来数据；也可以 把神经网络作为“组合器”，即基于神经网络的组合预报模型，由神经网络给出 常规预报方法的最佳组合m 】。将神经网络预测引入变压器油中溶解气体浓度预测 领域是具有重要意义的。本文第五章研究神经网络在多变量预测和组合预测中的 应用，并用来进行变压器故障预测。 1 3 本文研究工作 迄今为止，变压器故障诊断和预测技术的研究还远不够完善，特别是在所使 用的分析方法与具体诊断领域知识的有效结合方面还存在诸多问题。因此，各国 学者用不同的方法对其进行研究，以期能研究出准确、有效、智能化的变压器故 5 障诊断与预测系统，为变压器安全运行提供有力支持。 本文在离线和在线监测油中溶解气体数据的基础上，研究了人工神经网络在 基于d g a 的变压器潜伏性故障诊断和预测中的应用。主要内容包括： 1 探讨变压器油中溶解气体产生的机理，阐明故障气体与故障类型之间的关 系。 2 在实测及收集变压器油中溶解气体分析数据的基础上，利用神经网络的学 习和映射功能，研究人工神经网络在变压器故障模式识别中的应用规则。 3 由于变压器油中溶解气体各组分间不是孤立的，它们之问是相互关联的， 需要采用多变量预测模型描述其发展规律，本文将神经髓络用于变压器油中溶解 气体的多变量预测。 4 变压器油中气体组分含量存在多种趋势，单用一种模型难以描述其多趋势 的变化规律，本文应用神经网络结合其他传统模型的组合预测模型对变压器油中 气体进行预测。 5 根据上述研究，开发变压器故障诊断和预测系统，实现预测变压器初期故 障的功能，运行效果良好。 6 2 变压器故障诊断与预测技术 2 1 变压器故障诊断综述 2 1 1 变压器的绝缘结构 油和纸是充油电力变压器的主要绝缘材料，国内外生产的充油电力变压器的 主绝缘大多采用油一纸绝缘结构。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，碳、氢两元素占全部重量的 9 5 - 9 9 ，其它为硫、氮、氧以及少量的金属元素等。变压器绝缘结构系统分类 列于图2 1 中【l 】。 变 压 器 绝 缘 内 绝 缘 外 绝 缘 绕组绝缘 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 套管上部空气中的绝缘 、l 高压与低压绕组之间、相 主i 问及对地绝缘 蝣i 引线或分接开关对地或对 l 其他绕组的绝缘 。l 同一绕组中不同匝问、层 2i 间、段间绝缘 蠢l 同一绕组各引线间、分接 i 开关各部分之间的绝缘 套管之间或对地( 包括储油柜等) 的空气绝缘 f i g 2 lc l a s 8 i 五c a h o f 芦w e rt r a n s f o 衄e ri n s u l a t i o n 通常将变压器油箱以外的空气( 包括沿面) 绝缘称为外绝缘，它直接受到外 界气候条件( 气压、湿度、赃污等) 的影响。油箱内的绝缘( 内绝缘) 分主绝缘 及纵绝缘，变压器绝缘故障主要是指内绝缘。 2 1 2变压器运行中常见的故障 大型充油电力变压器的故障涉及面广而复杂多样，特别是在运行中发生的故 障很难以某一种判据诊断出故障的类型及性质。 运行变压器常见的故障如下：按变压器本体可分为内部故障和外部故障。内 7 部故障有各项绕组间的相间短路、绕组的匝间短路、绕组或引线与箱体接地等； 外部故障有套管闪络、引出线间短路等。 实际上，变压器的各种故障都可能危及内绝缘的安全，各种外部及内部原因 引发或直接造成变压器内部故障。变压器的内部故障按性质又可分为热故障和放 电故障。在故障变压器中，多数故障是绝缘性故障。例如我国1 9 8 4 1 9 8 6 年，1 1 0 k v 以上等级电力变压器事故的统计分析表明，由于绝缘劣化引起事故的台次占事故 总台次的6 8 和总事故容量的7 4 【，其原因不仅是由于电应力作用引起绝缘劣 化而导致绝缘故障，机械力或热的作用或者与电场相互作用最终也会发展成为绝 缘故障。 2 1 3变压器内部故障类型与油中溶解气体的关系 充油电气设备内部故障模式主要是机械、热和电三种类型，并且机械故障常 以热的或电的故障形式表现出来。大量的运行经验和实验研究证明，对于运行中 的充油电气设备，在热和电的作用下，变压器油和有机绝缘材料将逐渐老化和分 解，产生少量的各种低分子烃类及二氧化碳、一氧化碳等气体；当存在潜伏性的 热或放电性故障时，这些气体产生的速度要加快【l j 。此外，发热和放电的产生程度 不同，所产生的气体种类、油中溶解气体的浓度、各种气体的比例关系也不相同。 因此，油中溶解气体的组分和含量在一定程度上反映出变压器绝缘老化或故障的 程度，溶解气体分析被公认为是一种探测变压器初期故障的有效手段。对诊断变 压器绝缘状态有价值的气体有氢气( h 2 ) 、甲烷( c h 4 ) 、乙烷( c 2 h 6 ) 、乙烯( c 2 h 4 ) 、乙 炔( c 2 h 2 ) 、一氧化碳( c o ) 、二氧化碳( c 0 2 ) ，把甲烷、乙烷、乙烯和乙炔含量的总 和称为总烃。 正常运行的变压器，油中气体含量很少，主要是氧和氮，可燃性气体( h 2 、 c l 4 、c 2 h 6 、c 2 h 4 、c 2 h 2 、c o ) 含量较低，占总量的o 0 1 - o 1 之间，有轻度故 障的变压器在o 1 0 5 之间，故障变压器可燃性气体含量在o 5 以上口孔。 d i r 7 2 2 2 2 0 0 0 推荐的正常运行的变压器油中含氢和烃类气体的含量限值如表 2 1 【3 】所示，随着我国制造和运行维护水平的不断升高，其正常水平将会越来越高。 表2 1 正常变压器油中含氢和烃类气体的含量限值( p p m ) 7 r 出2 - lt h e1 i n l i 协o f h y d m g 啦a n db y d 尬c a f b o ni n 眦s 细衄盯o i i j e 瘟銮遵太堂亟堂僮论室一 变匡整兹瞳途堑皇嚣测拄苤 变压器不同故障类型产生的气体组分，如表2 - 2 【1 所示。不同的故障类型产生 的主要气体组分也不相同。 表2 - 2 充油电力变压器不同故障类型产生的气体 1 h b 2 - 2g a s 鹪o f d i 矗毫啪tf a u l t s 2 2 基于d g a 的变压器故障诊断 2 2 1 变压器故障诊断的定义和意义 故障诊断是一个典型的模式分类问题，即把待诊断的案例归入相应的故障类 别中，因此变压器故障诊断就是一个模式分类的过程。1 9 9 9 年i e c 新的导则 ( i e c 一6 0 5 9 9 ) 将典型故障定为6 种，即局部放电、低能量放电、高能量放电、低 温过热( t 3 0 0 。c ) 、中温过热( 3 0 0 。c t 7 0 0 0 c ) 。 目前对变压器故障诊断的方法主要是基于d g a 技术，即通过比较变压器油中 溶解气体的含量来实现变压器的故障诊断。为了保证电力变压器的正常稳定的运 行，必须最大限度的防止和减少变压器故障，因此及时而准确的检测和诊断出变 压器的故障是极其重要的。 2 2 2常用的三比值法 国际电工委员会( i e c ) 和我国国标推荐用c 2 h 2 c 2 h 4 、c h 4 h 2 、c 2 1 4 c 2 l i 6 这三个比值大小来判断变压器存在的故障情况，这种方法为三比值法。 表2 3 和表2 - 4 是我国g b 7 2 5 2 2 0 0 1 推荐的改良三比值法的编码规则和故障类别 判断方法【划。 9 j e 塞奎盈盔芏亟堂焦i 幺奎銮匡器敛臣趁堑皇嚣固拉苤 表2 - 3 m c 三比值法编码规则 1 a b 2 3c o d e m i f o r 正c 表2 - 4 正c 三比值法故障类型判断方法 t a b 2 4f a u i fd i a 印o s i sf o ri e c 编码组合 故障类型判断故障实例( 参考) c 2 h 2 c 2 1 4c h h 2 q h 4 c 2 h 6 低温过热 绝缘导线过热，注意c o 和c q 0l ( 低于1 5 0 。c ) 的含量以及c 0 2 c o 值 低温过热 分接开关接触不良，引线夹件螺 2o ( 1 5 0 - 3 0 0 。c ) 丝松动或接头焊接不良，涡流引 2l 中温过热 起铜过热，铁芯漏磁，局部短路， o ( 3 0 0 - 7 0 0 4c ) 高温过热 层见绝缘不良，铁芯多点接地等 o ，l ，2 2 ( 高于7 0 0 。c ) 高湿度、高含气量引起油中低能 l0局部放电 量密集的局部放电 引线对电位未固定的部件之间 0 1 o l 2低能放电 连续火花放电。分接抽头引线和 l 低能放电 油隙闪络，不同电位之间的油中 2 o ，l ，2 火花放电或悬浮电位之间的电 兼过热 花放电 线圈匝问、层间短路，相间闪络、 o 1 0 ，1 ，2电弧放电 分接头引线间油隙闪络、引起对 2 电弧放电 油箱壳放电、线圈熔断、分接开 2 o ，i 2关飞弧、因环路电流引起电弧、 兼过热 引线对其他接地体放电等 比值法判断变压器故障类型在我国采用十几年了，三比值法的诊断准确率可 达8 0 左右，但比值法在实际使用中显示出以下不足： ( 1 ) 比值法推荐得故障性质比值范围编码不多，检测此法的故障事例相当有限： ( 2 ) 实际中往往出现没有包括在比值范围内的比值组合而无法判断；( 3 ) 每一种故障 对应一组比值，对多种故障的联合作用，可能找不到相对应的比值组合：( 4 ) 有些 1 0 情况下按三比值编码所规定的范围划分所求的编码并不准确，存在着误判的可能 性。因此积极探索更准确有效的诊断故障方法是目前亟待解决的问题。 2 2 3 人工神经网络在变压器故障诊断中的应用 以上比值诊断方法均存在编码不全的缺点，而且对某些编码的故障类型判断 不够全面。绪论中已经讲述，为了弥补这些方法存在的“编码盲点”问题，一些 学者又在这些方法的基础上，引入模糊诊断法、专家系统、人工神经网络、进化 遗传算法等方法来对变压器故障进行判别，取得了一定进展。 由于神经网络具有并行分布处理、自适应、联想、记忆及聚类和容错性等诸 多优点，是与变压器内部故障发生及发展的多过程、多故障的多模式系统相适应 的诊断。 神经网络故障诊断是通过对一系列过程参量进行测量，然后用神经网络从测 量空间影射到故障空间，实现故障诊断。可见，神经网络能够应用于故障诊断的 原因主要是以下3 种p 5 j ： 1 ) 训练过的神经网络能存储有关过程的知识，能直接从定量的、历史的故障 信息中学习。可以根据对象的正常历史数据训练网络，然后将此信息与当前的测 量数据进行比较，以确定故障。 2 1 人工神经网络具有滤出噪声及在有噪声的情况下得出正确结论的能力，可 训练人工神经网络来识别故障信息，使其能在噪声环境中有效的工作，这种滤出 噪音的能力使得人工神经网络适合在线故障诊断和监测。 3 ) 人工神经网络具有分辨原因及故障类型的能力。 国内外众多学者开始研究神经网络在变压器故障诊断中的应用，并取得了良 好的诊断效果。 2 3 基于d g a 的变压器故障预测 2 3 1变压器故障预测定义与意义 预测的实质是一个对动态数据建模的过程，所建立的模型称为预测模型。预 测模型是有效利用历史信息来预测未来的一个重要手段。模型选择与建模参数的 认定是预测中的基础环节和直接关系到预测成果质量优劣的重要关键。目前常用 的故障预测模型有曲线拟合、时间序列模型、统计学习理论、灰色模型、神经网 络、模糊模型、支持向量机等【3 2 1 。 用预测模型描述变压器油中溶解气体浓度的变化趋势，可以对变压器的运行 状态进行故障预报，称为变压器的故障预测。变压器故障预测是通过变压器内部 油中溶解气体浓度的预测来实现的，通过已知的油中溶解气体的浓度来预测未来 时刻的气体浓度，并判断未来时刻变压器是否发生故障及发生何种故障。变压器 油中溶解气体的浓度反映了变压器内部绝缘的状态，以及发生故障时的故障时间 和故障类型，因此变压器故障预测是很重要的一个领域。 2 3 2人工神经网络在变压器故障预测中的应用 近年来，针对充油电力设备的潜伏性故障预测的研究，已有一些机构开始熏 视这方面的工作。耳前常用的变压器故障预测模型有时问序列模型、统计学习理 论、灰色模型、组合模型等，绪论中详细描述了这几种预测模型变压器故障预测 技术的应用现状。这几种方法都取得了一定的效果。 研究表明，变压器中各种故障气体之间有着非常密切的关系，这些气体的产 生过程是相互影响、相互制约、共同发展的，忽略这种关系的预测方法必然引起 较大的误差。另外，变压器油中溶解气体浓度变化受多方面影响，一方面，浓度 变化存在着由不确定因素引起的随机波动：另一方面，又具有缓慢增长的确定性 趋势1 2 州。同时，由于受天气等特殊情况的影响，又使浓度变化出现差异。因此， 变压器油中溶解气体浓度是呈非线性变化趋势的。常用的数学模型很难描述其非 线性增长的趋势，预测误差较大。 而人工神经网络具有强大的非线性映射能力，并能进行多参数、多步预报， 在故障预测方面具有很好的应用前景，变压器油中溶解气体浓度是与多种因素相 关的非线性函数，用人工神经网络对其进行拟合，是逼近非线性曲线的有效方法。 神经网络的优点在于它具有模拟多变量而不需要对输入变量作复杂的相关假定， 不要求知道输入输出变量间的函数关系，只用通过对输入输出数据的训练，获得 输入输出之间的映射关系，而进行预测。同以上传统的数学预测模型相比，神经 网络预测模型在提高预测精度的同时不需对模型结构作限制，优势突出。 2 4 小结 变压器内油和固体绝缘材料在电或热的作用下产生各种气体，这些气体溶解 在变压器油中，其组分和含量在一定程度上反映出变压器绝缘老化或故障的程度。 通过对变压器油中溶解气体分析可以实现变压器故障诊断和预测。目前充油电力 设备的故障诊断和预测技术已有很多研究，并取得了一定成果。 3 人工神经网络 3 1 人工神经网络概述 人工神经网络( a n i f i c i a ln 即r a ln e 时o r l 路，简记作心附) ，是基于模仿人类大脑 的结构和功能而构成的非线性自适应动力学系统，通过训练学习而具备适应外部 环境的能力、模糊识别能力和综合推理能力【3 引。人工神经网络具有的学习算法能 使其对事物和环境具有很强的自学习、自适应和自组织能力。 迄今为止，已经提出了许多神经网络模型，如感知器神经网络、线性神经网 络、反向传播( b a c kp r o p a g a t i o n ，b p ) 网络、径向基函数( r a d i a lb 蠲i sf l 】1 l c t i o n ， r b f ) 网络、白组织映射( s e l 6 0 唱a i l i z i n gm a p s ，s o m ) 网络等。本文所采用的 是广泛用于各种领域的b p 网络和砌强网络。 3 2b p 网络 3 2 1 b p 网络的拓扑结构 目前，人工神经网络中应用最广泛的是b p 网络，它是前向网络的核心，体现 了人工神经网络的最精华部分。b p 网络上下层之间各神经元实现全连接，而同层 内的各神经元之间无连接，其拓扑结构如图3 1 f 3 6 l 所示。 ，l 恕 * 勘 巾口 巾也 仆。 图3 l b p 网络的拓扑结构 f i g 3 1 删t e 柚o f b pn 黜l 眦t w 诎 b p 神经元与其他神经元类似，不同的是b p 神经元的传输函数为非线性函数， 最常用的函数是l o 笋螗和恤1 s i g 函数，有的输出层也采用线性函数p u r c 陆。 b p 网络的学习一般是有导师学习。在确定了b p 网络的结构后，要用样本集 对网络进行训练，亦即对网络的阈值和权值进行学习和修正，以使网络实现给定 的输入输出映射关系。 3 2 2b p 网络的训练过程概述 b p 算法一般以l m s ( l 棚tm e ms q u a r c ) 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。在开始训练前，所有 的权都应该用一些不同的小随机数进行初始化。“小随机数”用来保证网络不会因 为权过大而进入饱和状态，导致训练失败；“不同”用来保证网络可以正常地学习。 b p 算法步骤如下【3 儿 1 初始化权值。 2 信息向前传播阶段 ( 1 ) 从样本集中取一个样本( ，匕) ，将x ，输入网络； ( 2 ) 计算相应的实际输出d 。 在此阶段，信息从输入层经过逐级变换，传送到输出层。这个过程也是网络 在完成训练后正常运行时执行的过程，在此过程中，网络执行的是下列运算； q = e ( ( 最( 互( x p 矽1 ) 矿。) ) 矽”) ( 3 1 ) 3 误差向后传播阶段 ( 1 ) 计算实际输出q 与相应的理想输出的差； ( 2 ) 按极小化误差的方式调整权矩阵。 b p 算法计算输出层时。权值调整公式为 ( n + 1 ) = 叩喀 暖= ( q 一瓦) q ( 1 一q ) 计算隐含层时，权值调整公式为 ( 一+ 1 ) = 玎 6 j = h i 堪一h 6 一q ( 3 2 ) ( 3 3 ) ( 3 柳 ( 3 5 ) 式中，嘞为隐含层第，个神经元与输入层第f 个神经元之间的连接权值；为输出 层第| | 个神经元与隐含层之问的连接权值；q 为输出层输出；五为期望输出；为 输出层输出；只为隐含层输出；七厶j f 分别为输出层、输入层、隐含层中的神经 元；叩为学习速率。 这里取 乓= 寺( 物一) 2 ( 3 6 ) 二1 作为网络的关于第p 个样本的误差测度。而将网络关于整个样本集的误差测度定 义为 e = ( 3 7 ) 1 4 3 2 3b p 网络算法的改进研究 虽然标准b p 算法在实际应用中得到了广泛的应用，成为许多系统的主要组成 部分，但是b p 神经网络还是需要不断的完善。它存在以下缺陷【3 4 】： 1 收敛速度慢，通常需要多步甚至上万步的迭代过程，只适用于离线的模式 识别问题： 2 存在“局部极小点”问题，由于b p 神经网络的学习算法是一种梯度下降法， 所以整个学习过程是一个非线性优化过程，有可能产生局部极小值，使学习效果 变差，最终不能得到全局极小值； 3 网络的结构参数( 包括隐含层数、隐含层单元数) 和运算参数( 如步长、非线 性函数的选择) 的设定都尚无公认的理论指导，往往都是根据经验选取的，一旦选 择不当，系统性能将恶化，甚至导致不能收敛。 针对这些问题，许多学者提出了改进的办法。如加上惯性项的b p 算法、附加 动量的b p 算法、学习速率可变的b p 算法、共轭梯度算法、s 函数输出限幅法及 引入时间因素的试验网络算法等【瑚。 为了克服上述缺陷，本文采用m a t l a b 神经网络工具箱b p 算法中的基于数 值优化技术的【七v 锄b e r g - m a r q l 埘d t 算法，以加快收敛速度和预测的准确度。l m b p 算法是高斯一牛顿法的改进，它既具有高斯一牛顿法的局部特性又具有梯度法的全 局特性。由于它利用了近似的二阶