（电力系统及其自动化专业论文）基于人工神经网络的变压器故障诊断研究.pdf

声明 本人郑重声明：此处所提交的硕士学位论文基于人工神经网络的变压器故障诊断 研究，是本人在华北电力大学攻读硕士学位期间，在导师指导下进行的研究工作和取 得的研究成果。据本人所知，除了文中特别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，也不包含为获得华北电力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：囱：殛 日期： 2 “fm6 关于学位论文使用授权的说明 本人完全了解华北电力大学有关保留、使用学位论文的规定，即：学校有权保管、 并向有关部门送交学位论文的原件与复印件；学校可以采用影印、缩印或其它复制手 段复制并保存学位论文；学校可允许学位论文被查阅或借阅；学校可以学术交流为 目的，复制赠送和交换学位论文；同意学校可以用不同方式在不同媒体上发表、传播学 位论文的全部或部分内容。 ( 涉密的学位论文在解密后遵守此规定) 作者签名：丝2 复。 日期：2 口p f 跏签名：超 b期：鱼 么么 华北电力大学硕士学位论文 1 1 课题的背景及意义 第一章引言 电力变压器是电力系统中重要的输变电设备，它运行安全与否，直接关系到电力 系统能否安全、稳定的工作。 长期以来，纵联差动保护一直被公认为电力变压器最完善的主保护。在电力系 统中得到了广泛应用，它通过比较已折算到变压器同一基准值的两侧电流向量的相 位及幅值来判别是否发生内部故障。但是，当变压器空载合闸或外部故障切除后电 压恢复时在变压器一侧可能产生峰值很大、波形严重畸变的励磁涌流。励磁涌流 的出现，干扰着差动保护的正确工作。因此，在电力变压器保护研究中，防止励磁 涌流及外部故障时保护误动作是关键问题。 目前，在系统中配置的变压器保护，主要是采用二次谐波制动原理和电流间断 角原理来识别励磁涌流的存在。由于间断角原理对硬件要求高，在微机变压器差动 保护中，采用二次谐波制动原理较多。该原理通过比较差动电流中的二次谐波与基 波之比值的大小来决定是否闭锁差动保护，由于励磁涌流中二次谐波的含量随着变 压器的合闸初相角、铁芯的饱和磁通、剩磁的大小和方向、系统结构与参数变化很 大，所以制动门槛数值的选择比较困难。尤其是电力系统中超高压长距离传输线和 电力电缆的普遍使用，当变压器内部故障时，也会产生各次谐波。这是因为电流互 感器饱和、无功补偿电容或连接变压器的超高压长输电线的分布电容或电缆电容的 分布特性引起的，如果这些原因所产生的二次谐波的大小超过了制动门坎值，致使 变压器内部故障时差动保护不可能瞬时动作，将造成故障范围的扩大或更严重的损 失。 同时，在现代电力变压器中，大型变压器的新结构和新工艺也给变压器保护提 出了新要求。变压器铁心采用冷轧硅钢片后，饱和磁通倍数由1 4 降至了1 2 1 3 ， 甚至低至1 i - 1 1 5 ，使得励磁涌流的二次谐波含量有时低至1 0 以下。这就使得基 于二次谐波原理的保护常出现误动。 因此，迫切需要研究采用各种新原理和新方法来快速而准确地识别变压器励磁 涌流，从而提高变压器保护动作的准确性和技术性能。 1 2 国内外研究现状 近十几年来，国内外学者提出了许多识别变压器内部短路电流和励磁涌流的新 原理和方法。除了上面提到的基于二次谐波制动原理和基于间断角的鉴别方法外， 1 华北电力大学硕士学位论文 还有基于电压谐波制动原理【”、基于波形对称原理【2 】【3 4 】、基于波形相关性分析【5 1 、 基于小波原理”、基于模糊原理【8 】及基于磁通特性识别1 0 】【1 1 】等多种方法。 下面对其中几种方法的原理、特点和局限性进行简单分析： ( 1 ) 基于电压谐波制动方法的基本思想是：当变压器因励磁涌流出现严重饱 和时，端电压会发生严重畸变，其中包含较大的谐波含量，可以用予鉴别励磁涌流。 与上面提到的二次谐波电流制动相比，它能可靠地鉴别涌流，闭锁保护。对大多数 内部故障来说，该方法的保护动作速度要快。由于要考虑到电压制动原理的应用与 电源阻抗的大小关系密切，存在着整定的复杂性。若系统阻抗非常小，保护可能拒 动。 ( 2 ) 基于波形对称原理的方法是将信号波形旋转、平移变换，并经积分处理 后，提取变压器内部故障时短路电流的波形对称特征，在此基础上建立基于模糊集 理论的数学模型和判据。 经过对变压器不同状态下的e m t p 仿真表明，该原理简单实用，效果理想。但 也存在缺点，即在c t 饱和情况下，经传变后的电流波形间断角有可能会消失，除 非采取有效的措施，否则此方法将失去实用价值。 ( 3 ) 模糊贴近度原理是在波形对称原理思路的基础上，用模糊贴近度识别变 压器故障电流和励磁涌流。因为两种电流波形经差分滤波后，励磁涌流前后半波波 形明显不对称，而短路电流基本上对称。该方法的作者对一台模拟的三相变压器进 行了数字仿真和实验，证明此方法有效。缺点：电流在一个周期内前后半波对应点 对称程度的隶属函数及模糊贴近度要选择合适，否则不会达到好的识别效果。 ( 4 ) 基于波形相关性分析方法是利用数字信号处理中的相关函数的基本概念， 对采样数据进行分析，计算采样数据在不同时段上的自相关系数大小来区分变压器 的励磁涌流和内部故障。由于波形自相关性的定义中不仅包含波形的幅值大小、波 形的信息，而且还包含有波形的相位信息，因此波形相关性分析方法，不是单纯地 利用涌流或故障电流单方面的特征，而是对波形进行有机综合的分析。 国内外学者从不同角度进行深入研究和试验，提出了这些不同方案。这些方案 在实现对变压器的励磁涌流的鉴别能力上，都存在着各自的优缺点。 人工神经网络a n n ( a r t i f i c i a ln e u r a ln e t w o r k ) 理论是在现代科学研究成果的 基础上提出来的，反映人脑功能的若干特性。神经网络的本质是非线性系统，能够 充分逼近任意复杂的非线性关系；具有高度的自适应性和自组织性，能够学习和适 应严重不确定性系统的动态特性；系统信息等势分布存储在网络的各神经元及其连 接权中，故有很强的鲁棒性和容错能力；信息采用并行处理方式。由于神经网络上 述优点，在电力系统中得到了广泛的应用。目前，将神经网络应用于变压器励磁涌 2 华北电力人学硕士学位论文 流的鉴别也已成为研究的热点。 文献 1 2 中利用变压器两端的电流采样值，对它们进行数据处理后，结合变压 器发生各种故障时的特征，建立一个三层前向神经网络模型，通过大量样本训练， 使之对变压器励磁涌流状态和各种内部故障状态能给出正确的识别。所建立的网络 以变压器两侧的三相电流中的负序分量、任一相的瞬时值、变压器差动电流中各次 谐波含量与基波含量的比值( 包括二次谐波、三次谐波及五次谐波) 、一次侧电流 间断角的大小等作为输入量。经动模实验数据检验，该方法能正确识别励磁涌流， 且速度较快。 文献【1 3 】提出将模糊理论与神经网络相结合的方法，建立模糊神经网络来实现 变压器励磁涌流和内部故障的鉴别。文中采用的是s i m p s o n 模糊极小一极大神经网 络作为基本网络构造模型，以二次谐波含量、五次谐波含量、三相低压侧电压、波 形对称度和差动功率作为网络的输入量。 文献 1 4 】中，作者提出一种基于a n n 的变压器故障状态识别系统。该系统由 a n n 变压器一次电压非线性估计器、比较器、计数器等构成。它通过比较一次电压 实际值与估计值的大小，识别变压器内部是否发生故障。 此外，还有研究人员提出了将小波变换等其他理论与神经网络相结合应用于变 压器保护的方法【1 5 l i “】，取得了一定的成果。但由于神经网络输入量多及训练学习样 本量大，目前提出的一些基于a n n 的变压器保护设计存在着网络复杂，输入量繁 多，训练学习时间长，学习精度不理想，甚至不收敛等缺点。 1 3 本文作者的主要研究工作 本文作者根据变压器故障诊断存在的问题，在参考了国内外各种研究成果的基 础上提出了论文的题目。为有效识别变压器励磁涌流和内部故障，提高变压器保护 动作的正确性和快速性，本文作者主要做了以下几个方面的工作： ( 1 ) 利用电磁暂态仿真程序( e m t p ) 建立相关电力系统模型，并对变压器各 种运行状态进行了大量仿真，或取相关样本数据。 ( 2 ) 提出了基于简化的半波叠加原理识别变压器内部故障和励磁涌流的方法， 用a n n 加以实现。并用大量仿真数据进行了检验。它的优点是数据运算量小，特 征输入量获取简单迅速，判断迅速准确。同时，该方法采用分布式a n n 结构实现， 克服了网络规模大，训l 练时间长的缺陷。 ( 3 ) 提出基于高木关野模糊神经网络的变压器励磁涌流鉴别方法。选用能够 反映励磁涌流和内部故障区别的二次谐波含量、波形对称度和低压侧电压三组特征 量作为其子网络的输入量。建立模糊神经网络，并用仿真数据进行训练。通过数据 3 华北电力大学硕士学位论文 检验，该网络能迅速正确区分变压器内部故障和励磁涌流。 ( 4 ) 提出基于小波神经网络的变压器励磁涌流鉴别方法。采用d b 4 小波作为 母小波，对变压器三相差电流进行小波变换，将变换后得到的d e t a i l1 的数值作为 a n n 的输入，建立a n n 。 ( 5 ) 对所提出的几种鉴别变压器内部故障和励磁涌流的方法进行理论分析和 比较。 4 华北电力大学硕士学位论文 第二章变压器的e m t p 仿真 2 1 变压器仿真模型的建立 仿真( s i m u l a t i o n ) 也叫模拟。它不是直接对实际过程或实际系统进行研究，而 是根据模拟理论先设计一个能反映该过程或系统的模型，然后通过在模型上试验， 求得模型结论，进而经过分析得出实际系统的结论。 本文采用的仿真程序是由加拿大不列颠哥伦比亚大学( u b c ) 的h w d o m m e l 教授创立，又经过很多专家学者的共同努力而使其日臻完善的国际上通用了许多年 的电磁暂态仿真程序一一e m t p 。该程序的准确性已经被实践所验证，它规模大， 功能强。 2 1 1 变压器的数学模型 基于文献【1 7 】所述的原理，本文作者建立了三相双绕组变压器的数学模型。 正常情况下的三相双绕组变压器可视为六条存在互感的支路，如图2 1 所示。 a 相 b 相 c 孝拜 高难绕组低压绕绷 图2 - 1三相双绕组变压器的原理结构图 这样，一台三相双绕组变压器可由支路电阻矩阵 刚和支路电感矩阵 l 表示： r = d i a g ( r 1r 2r 3r 4r 5r 6 ) 【l 】= 5 ( 2 1 ) 匕厂二ji j 3 3 l m m m m m 工 笛 ” 酊 ； 舒 m m m 吖l m h m 弘 。 弭 h m m m 工m m ” ， 蚰 m m m m m ； z i-2 m 工m m 吖吖 舶 孔 钔 n 乱 上mm m 华北电力大学硕士学位论文 式中r 。r 。一一绕组电阻； 。一工。一一绕组自电感： m d 一一绕组与绕组j 之间的互电感( f - 1 ，2 ，6 ；= 1 ，2 ，6 ；i 一，) 。 图2 2 是三相双绕组变压器b 相对地短路时的原理结构图。 a 丰i i b 辛f j c 棚 高压绕织低压绕组 图2 - 2 三相双绕组变压器b 相匝地短路时的原理结构图 可将其视为七条有互感的支路，并由支路电阻矩阵【r 】和支路电感矩阵 l 】表示 【r 】一d i a g ( r lr 2r 。见r 4r 5r 6 ) 【】， 式中r ，l ，m 的意义见式( 2 - 1 ) ( i = 1 ，2 ，a ，b ，4 ，5 ，6 ；一1 ，2 ，a ，b ，4 ，5 ，6 ；i _ j ) 。 图2 - 3 是三相双绕组变压器高压侧b 相匝间短路时的原理结构图。 6 ( 2 - 2 ) 匕f f r 3 a 雪3 3 村m m 掰m m 估 笛 - 盆 1 2 盯 ， ：8 m m m 吖m m m 。 h h m 肘m m 三m 肼 协 曲 曲 。 拈 拍 砧 m m 肘三m m m 譬 抽 。 如 拈 孙 m m 工m 吖 n ： 以 竹 蛇 ：；： 2 1 m 工m 材m m 舶 讥 m 叭 卯 吼 工m m m m m 华北电力大学硕士学位论文 a 树 b 桐 c 树 商愿绕组低压绕组 图2 - 3三相双绕组变压器b 相匝间短路时的原理结构图 可将其视为八条有互感的支路，支路电阻矩阵和支路电感矩阵的推导与匝地短路同 理。 2 1 2 数学模型中各参数的计算 e m t p 程序中需要以试验数据作为输入条件来求取电阻矩阵【r 】和电感矩阵【l 】， 其中程序中要求的零序激磁试验的数据制造厂家很少有提供的。作者在计算三相变 压器参数时参看了文献 1 7 。由于这些不是本文重点，就不再此赘述。 2 2 系统仿真环境 变压器仿真接线图如图2 - 4 所示。 电源角孵曙 图2 4 变压器仿真时的接线图 负载 为检验方法的可靠性，及适应不同系统的能力，作者建立了两个仿真模型。 ( 1 ) 变压器额定容量为2 4 0 m v a ，额定电压2 4 2 1 5 7 5 k v ；输电线路电压 等级为2 2 0 k v 、总长度3 0 0 k m ，每条线路用1 0 个型等效电路模拟， 正序阻抗为0 0 4 + 0 3 0 3ql k m ，零序阻抗为o 1 9 + 1 2 3 7 9q k i n 。电源 额定电压为1 5 7 5 k v 。 7 巴匕f r 芒 j a 琴3 j 华北电力大学硕士学位论文 ( 2 )变压器由三个单相变压器组成，每个变压器额定容量为1 0 k v a ，额 定电压为1 0 0 0 3 8 0 v 。 对变压器运行状态仿真时考虑了变压器运行于两端电源和单端电源两种情况。 对变压器分别进行了高压、低压侧单相接地、匝间短路、两相接地短路、两相不接 地短路、三相短路等内部故障以及在不同合闸初相角、电源内阻和剩磁情况下的空 载合闸实验。同时，对空载合闸于内部故障也做了大量仿真实验。 8 华北电力大学硕士学位论文 第三章基于分布式神经网络的变压器励磁涌流鉴别的研究 3 1 人工神经网络理论简介 人工神经网络是模仿和延伸人脑智能、思维、意识等功能的非线性自适应动力 学系统，神经网络所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，它的知识积累是自动的、无瓶颈效应存在。 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、 b p 网络、径向基函数网络等。本文所采用的是反向传播( b a c k p r o p a g a t i o n ) 网络， 即b p 网络。 3 1 1b p 神经网络 前向b p 网络以其优良的非线性逼近性能，受到各个领域人们的关注。 中间层 图3 一lb p 神经网络的拓扑结构 b p 神经网络的拓扑结构如上图所示，w 。为输入层第i 个神经元与中间层( 又 称隐含层) 第j 个神经元之间的连接权值，w 。为中间层第j 个神经元与输出层第k 个神经元之间的连接权值，z 一为输入层第i 个神经元的输入，c 肿为输出层第k 个 神经元的输出，i = 1 , 2 ，n ；，- 1 , 2 一，l ：k = 1 , 2 ，m ；n ，l ，m 分别为输入层、中 间层和输出层的神经元数量，p - 1 , 2 ，p ，p 为样本总数。神经网络的工作特性为： s 。= w u x 。一8 i 凸丹；，o 阿) f 肚= w 业6 。一y t ( 3 1 ) ( 3 2 ) ( 3 3 ) 华北电力大学硕士学位论文 式中0 为中间层第j 个神经元的阈值，“为输出层第k 个神经元的阈值。嘞， b 硝，分别为输入层神经元的输出，中间层神经元的输出和输出层神经元的输出， f 和g 为神经元的激励函数。令期望输出信号，也就是教师信号为y 。，则误差函数 和权值调节公式为： 。肚) 2 2( 3 - 5 ) w 业( f + 1 ) = w 业( f ) 一卢，硒o e p w 。( f + 1 ) 表示第( t + 1 ) 次的权值，卢为学习率，同理可知 w * ( f + 1 ) = w 0 ) 一a ( 3 6 ) ( 3 7 ) a 也为学习率，神经网络的学习是通过正向计算与误差反向调整来完成的，令 各层神经元的激励函数均为对数s i g m o i c l 函数，下面给出标准的误差反向传播过程。 给连接权值和闽值赋以随机的初值 进行正向计算 计算输出层各神经元的误差一一6 。为对应样本p 的输出层第k 个神经元的 误差6 计2 c 肿0 一c p k ) ( y 肚一。肿) ( 3 8 ) 计算中间层各神经元对应于d 肚的误差一一6 。为中间层第j 个神经元的误差 6 2 6 西( 1 6 ) ，肚6 肚 ( 3 _ 9 ) 计算输出层和中间层每个神经元的连接权值和输出层神经元阈值的调整量 02 勖6 p k l ( 3 - 1 0 ) y k = 卢6 砷l 计算中间层和输入层各神经元的连接权值与中间层神经元闽值的调整量 5 “一6 1( 3 - 1 1 ) a 0 1 = a 6 f 一 计算下一次学习时的衩值和闽值 1 0 肚 y( m x 角 = p e 华北电力大学硕士学位论文 w ( f + 1 ) - 峋( f ) 9 + a w e 9 w 昶+ v = w p + a wj s p 日( f + 1 ) 9 = 日o ) 9 + 臼 r 0 + 1 ) 9 = y ( f ) 9 + a y ( 3 1 2 ) 输入第2 个样本，返回，重复上述算法，直到全部样本都计算过一次为止 计算输出层每个神经元的输出是否满足要求l y 肚一c 肚i cs ( s 为根据要求精确 确定的值) ，决定训练是否结束 以上介绍的是标准误差反向传播学习算法。权值调节公式只是按梯度负方向进 行修正，而没有考虑到以前积累的经验，即以前时刻的梯度方向。从而常常使学习 过程发生振荡，收敛缓慢。所以b p 算法存在缺陷，需要加以改进。 3 1 2 l e v e n b e r g - m a n q u a r d t 优化算法 目前提出的改进算法有很多，如附加动量b p 算法、变学习速率的b p 算法、 b f g s 拟牛顿法、l e v e n b e r g m a n q u a r d t 学习算法等。 建立网络，对一个例子采用不同改进算法，其训练结果如下表所示。 袭3 - 1不同改进算法的训练结果记录 函数算法描述s s e e p o c h s t i m e ( s ) t r a i n g d a变学习速率的b p 算法 0 0 0 0 9 9 7 5 36 7 2 81 7 8 1 8 t r a i n g d m 附加动量的b p 算法 0 0 0 6 1 1 6 1 61 0 0 0 01 9 7 2 3 t r a i n b f g b f g s 拟牛顿法 0 0 0 0 9 1 9 4 44 82 5 2 0 0 t r a i n l m l e v e n b e r g - m a n q u a r d t 法 0 0 0 0 9 3 1 3 62 81 6 4 0 0 从表中可看出，l e v e n b e r g m a n q u a r d t 法的收敛效果最好，它的运算次数和花费 时间都是最少的。基于此，本文所建立的神经网络，均采用l e v e n b e r g - m a n q u a r d t 学习算法。 此算法的权值调整公式如式( 3 - 1 3 ) ，其中e 为误差向量，j 为误差对权值微分 的雅可比矩阵，u 是一个自适应调整的标量。 a w = 7 j + ) 一1 j 7 e ( 3 - 1 3 ) 华北电力大学硕士学位论文 3 2 基于简化半波叠加原理的鉴别方法 3 2 1 基本原理 图3 2 ，3 3 分别为e m t p 仿真的变压器励磁涌流波形和内部故障波形。 ( a ) a 相差电流， ( b ) b 相差电流i ( c ) c 相差电流i 女 图3 - 2 变压器空载合闸产生的励磁涌流 1 2 ： 4 2 o 2 4 华北电力大学硕士学位论文 ( a ) a 相差电流， ( b ) b 相差电流i ( c ) c 相差电流i 女 图3 - 3 变压器低压侧c 相匝间短路电流波形 图3 _ 2 ，3 3 中( a ) ，( b ) ， ( c ) 三条曲线分别为三相差电流k 、i 、i ， x 轴单位为时间t ，表示采样点数，图中取的是一周期2 0 m s 内的波形，采样频率为 1 0 0 0 h z ，即每周期采样2 0 个点。 由励磁涌流波形与内部故障波形比较可知，对励磁涌流而言，在一个周期内， 三相差流( 即流入差动继电器的电流) 波形中有两相由于变压器饱和特性的影响使 得波形存在间断角。其采样值在一周期内基本位于x 轴的一侧。剩下的一相由于变 1 3 华北电力大学硕士学位论文 压器绕组接线方式的影响往往呈现出周期性电流的特征，存在一定间断角，但波形 接近f 弦。而变压器内部故障时，- - n 差流波形基本都为正弦基波。 设i 。o ) 为相差电流，令 c = 竹m o + 孙 悖川 d 2 j = j l f d ( t ) l d t ( 3 - 1 5 ) 式中i ：( t ) 为的i 。o ) 导数。由上面波形可知，当i 。( t ) 为理想的正弦波形故障电流 时，恒有c d = o ：当i 。o ) 为励磁涌流时，因存在间断角，有c d o ；当间断角大于 1 8 0 0 时，有c ：d ，所以c d ：1 。可见。适当选取k 值，可构成如下判据： 魍芝竺塾s 七 b 钟d ( t ) l d t 当( 3 - 1 6 ) 式满足时，判断o ) 为内部故障电流：不满足时，判断i 。( t ) 为励磁 涌流。式( 3 - 1 6 ) 可称为半波叠加涌流制动原理，是积分型波形对称原理的一种。 文献 1 8 】中提出一种类似判据，只是不取i 。( t ) 的导数。判据为： q ；趟s 七 f i ( t ) l d t 该判剧简单，引入判剧的特征量获取方便。为既能可靠区分内部故障与励磁涌 流，又利于构造a n n ，本文借鉴文献【1 8 】中提出的判据原理采用将每相差电流的前， 后半波采样值对应求和的方法获取特征量作为a n n 的输入。 在图3 - 2 ( a ) 中，前半周期的采样值与后半周期的采样值对应相加，得到一组 绝对值多数大于零的和值。同理，对图3 3 ( a ) 的采样值做对应求和运算，得到的 是一组绝对值等于或接近于零的和值。这两组数据的差别是十分明显的。 对图3 2 ，图3 3 的三相差流分别进行上述数据处理，各得到3 组和值。励磁涌 流状态下的3 组数据中，只有一组里有接近零的值，而内部故障状态下的3 组数据 基本都等于或接近于零。 需要指出的是，本方法在对相差流波形进行运算时没有做滤除直流分量的处 理，而是通过在训练样本增加含高直流分量的数据，网络采用分相处理综合判别等 1 4 华北电力大学硕士学位论文 措施减小其影响。仿真检验证明直流分量对本方案的判别影响比较小。 考虑到受c t 传变影响，励磁涌流二次波形闻断角减小以及故障电流波形有畸 变，前者采样值求和后的绝对值将会减小，后者的将会增大。但两种状态下的数据 还是有明显大小区别的。这种区别可以通过大量样本数据训练a n n ，从而使其能被 a n n 准确识别。由此，我们可以把一周期内相差流波形前，后半周期采样值对应之 和作为a n n 的特征输入量，实现励磁涌流与内部故障的判别。 3 2 2 用分布式a n n 实现 由于励磁涌流状态下，往往有一组差流波形呈现周期性，为利于判别，同时也 为简化网络，采用分布式a n n ( 即多个子a n n ) 分相判别。设计框图如下： 图3 - 4 设计框图 其中a n n l ，a n n 2 ，a n n 3 分别对a ，b ，c 三相进行判别，判别的结果作为 综合判定单元的输入，然后经过简单的逻辑判别输出最终结果。 a n n l ，a n n 2 ，a n n 3 三个子网络的内部结构是相同的，均为三层b p 网络。 以判别a 相的a n n l 为例。其采用l e v e n b e r g - m a n q u a r d t 反向传播算法训练网 络，权值调节规则采用动量梯度下降权值和阈值学习函数l e a r n g d m ，传递函数为正 切s i g m o i d 传递函数。输入量是由a 相差流第一个采样周期的采样值经过对应求和 得到的数据。每周期采2 0 个点，对应求和后得到1 0 个值，作为a n n l 的输入量。 因此，a n n l 的输入层神经元个数为1 0 。经大量实验，中间层神经元个数为9 时网 络收敛性最好，输出层神经元个数为1 。 在对a n n 进行训练和检验时，为提高收敛速度，都要预先对输入样本数据做 归一化处理。本方法中将输入量绝对值归化到一1 和1 之间。 3 2 ，3 仿真检验 将2 4 0 m v a 变压器模型仿真得到的各种状态下的1 7 5 组数据作为a n n 的训练 1 5 障 流 故 涌 部 磁 内 励厂ii，il 华北电力大学硕士学位论文 集。规定内部故障时，a n n 输出为0 ，励磁涌流时，输出为1 。训练完毕后，用训 练集之外的仿真数据进行检验。 在对网络进行训练前，取最大训练循环次数m a x e p o c h = 1 0 0 0 次 目标误差 e r rg o a l = 0 0 0 1 。结果，网络通过训练，在第4 8 7 次即达到误差要求，收敛效果比 较好，速度快。 训练收敛过程如图3 5 所示。 -_-_ 图3 - 5 网络训练收敛过程 检验统计结果如表3 - 2 所示。 由仿真实验统计结果可以看出，对于各种类型的内部故障，均能得到十分准确 判断。对于不同合闸初相角和电源内阻情况下的空载合闸，尽管有一相被判断为内 部故障，但最终的综合判定结果是正确的。另一方面，在变压器带内部故障空载合 闸的情况下，由于最初周期内的波形有畸变，非标准正弦波，所以判断结果有可 能出现偏差。可以通过增加训练数据集中空合于内部故障情况下的数据数量来减小 此偏差。 需要说明的是，表中各a n n 的输出是由实际各a n n 输出的原始数据约简后的 值，原始数据小于o 5 ，则输出为0 ；大于等于0 5 则输出为1 。对三个a n n 的输出 进行综合判定，若有两个或者三个输出数据为1 ，则判定为励磁涌流，否则判定为 内部故障。 1 6 华北电力大学硕士学位论文 表3 - 2 检验结果统计 实验类型实验项目a n n 输出值综合判定结 a n n la n n 2a n n 3 果 y o 侧c 相匝间短路 00o内部故障 内y o 侧b 相匝地短路 ooo内部故障 部 侧a b 相间短路 o00内部故障 故 侧b 相经5 q 过 0o0 内部故障 障 渡电阻接地短路 侧三相短路 o00 内部故障 初相角为0 度 ol1 励磁涌流 电源内阻5 q 空初相角为0 度0l1励磁涌流 载电源内阻1 0q 合 初相角为3 0 度 11o 励磁涌流 闸 电源内阻1 0 q 初相角为3 0 度 1o1 励磁涌流 剩磁0 9 中m y o 侧a 相匝地短路 loo 内部故障 空合于侧a b 相间短路0oo 内部故障 内部故障 y o 侧b c 相问短路 ll0 励磁涌流 华北电力大学硕士学位论文 第四章基于模糊神经网络的变压器励磁涌流鉴别的研究 4 1 模糊神经网络理论简介 模糊系统( f u z z ys y s t e m ) 和人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ) 都属于机 器智能的一个分支，但两者也存在一些差别。 ( 1 ) 模糊系统是描述和处理人的语言、思维中存在的模糊性概念，模拟人的 智能；人工神经网络则是根据人脑的生理结构和信息处理过程，来模拟人的智能。 模拟人的智能是以上两者的共同目标和合作的基础。 ( 2 ) 从知识的存储方式来看，模糊系统将知识存在规则集中：神经网络将知 识存在权系数中，都具有分布存储的特点。 ( 3 ) 从知识的表达方式来看，模糊系统可以表达人的经验性知识，便于理解； 神经网络只能描述大量数据之间的复杂函数关系，难于理解。 ( 4 ) 从知识的运用方式来看，模糊系统和神经网络都具有并行处理的特点， 模糊系统同时激活的规则不多，计算量小；神经网络涉及的神经元很多，计算量大。 ( 5 ) 从知识的获取方式来看，模糊系统的规则靠专家提供或设计，难于自动 获取；神经网络的权系数可通过对样本的学习提出，而无需人来设置。 综合以上所述，模糊系统和神经网络的优缺点具有明显的互补性，这就为两者 相结合组成模糊神经网络奠定了基础。 模糊系统与神经网络的结合方式可以多种多样。常见的结合方式有： 以“与”、“或”运算代替神经元中s i g m o i d 函数： 神经网络的权值是模糊量； 神经网络的输入量是模糊量； 上述诸种形式之复合，如神经网络的输入和权值均为模糊量。 近来，国内外学者己将神经网络和模糊逻辑等技术应用到变压器励磁涌流鉴别 这一领域中。但是人工神经网络存在学习训练过程困难以及网络结构难于被人理解 等缺陷，而模糊逻辑系统运用易于被人理解的模糊规则和推理机来描述一个分类系 统，但是如何确定隶属度和形成模糊推理规则是它的两大难点。因此可运用模糊神 经网络这一新型的人工智能技术来实现励磁涌流和内部故障的鉴别。模糊神经网络 将模糊推理系统用神经网络的结构来实现，它利用神经网络的学习计算功能来形成 隶属度和模糊推理规则，因而结合了两者的优点，这样的网络结构己被证明具有极 强的模糊模式分类功能。 1 8 华北电力火学硕士学位论文 本文采用高木关野模糊神经网络实现变压器励磁涌流的鉴别，仿真结果表明所 提出的模型能达到很高的判断正确率。 4 2 高木一关野模糊系统 高木关野模糊系统是一种结合模糊规则，采用b p 算法的基于神经网络集成的 模糊系统。 对于1 1 输入单输出的高木一关野模糊系统，模糊规则的常规形式如下： 如果x 。为州，x ：为耳，为碟，则y = 工o ) 。其中l ( x ) 取输入变量的 线性组合，即l ( x ) 2 c ? x 1 + c ! x 2 + + c ：矗+ q 。 高木一关野模糊系统( 简称t s 系统) 虽然已经得到很大的应用，但是它对输 入空间的分割是线性的，即输入变量是相互独立的。当输入空间非线性分割时，如 果要用上述模型时，必须将输入空间分割很细，这样模糊规则的数目将急剧增多。 为避免这种情况，可以采用下述的模型： 如果x r j ，则y = 何) 。 其中，x = 0 。，x 2 c x 。) 7 ，尺，为输入空间分割后的空间。当用上式表示的模型时， 输入变量的隶属函数不能像前面模型那样独立地给出，但可以利用神经网络来求得 条件部输入变量的联合隶属函数。同样结论部函数五0 ) 也可用神经网络来表示，可 以得到基于神经网络集成的模糊系统，其结构如图4 1 所示： x 一( x 1 ，x ，一，x 。) 2 图4 1 高木一关野模糊系统 1 9 华北电力大学硕士学位论文 在图中所示的模糊系统中，共有r 十1 个神经网络，其中n n l n n f 分别用来 表示r 条规则的结论部分中的函数 ( x ) ，而n n m f 则是给出每条规则对于输入x 的 适用度，而模糊系统的输出由下式决定： 占 _ ) ，。2 , u i g i 其中g ，为n n j 的输出。 建立如上所述的模糊系统，主要有以下三大任务： ( 1 ) 决定模糊规则的个数m ； ( 2 ) 获取计算规则适用度的神经网络n nm f ( 3 ) 获取生成结论部分非线性函数的神经网络n n j ( j = l ，2 ，m ) 。 神经网络均采用前向型的b p 网络，神经元的传递函数为s i g m o i d 函数，但n n j 的输出层采用线性函数( 可产生任意大小的输出) 。 高木关野模糊系统的建立步骤如下： 第1 步：将通过仿真得到的输入输出数据样本 ；，y 。) 分成合适的两部分。一部 分用来训练网络；一部分用来测试和评价求得的系统性能。 第2 步：对训练用的样本进行聚类。聚类后每组对应一条规则，假设聚类分成 r 个组，即有r 条模糊规则。 第3 步：训练n n m f ，此神经网络由n 个输入量，及r 个输出量构成。学习样 本定义如下。假设训l 练样本中的置在第2 步中被聚类到第s 组中，则 小船，嚣h ，z ，r 其中o n o f f 可取值i 0 ，但有时考虑到s i g m o i d 函数不能完全取i 0 值，而用 0 9 0 1 代替，这样可以加快网络的训练速度，当决定好训练样本扛；，甜，) 后，则可根 据b p 算法训练网络。 虽然神经网络用o n o f f 值进行训练，但训练后的网络用于s i g m o i d 函数的特 性能够对其他输入恰当的给出每个规则的适用度。 第4 步：训练对应结论部的神经网络n n s ( s = l ，2 ，r ) 。假设n n s 对应 第s 条规则，对应第2 步分组后的第s 组，那么第s 组内所有输入输出样本就是n n s 的学习样本。 2 0 华北电力大学硕士学位论文 4 3 实现励磁涌流鉴别的高木一关野模糊神经网络 4 3 1 网络的特征输入量 以往作为差动保护，观察变压器故障的着眼点仅限于电流一个物理量。这种单 一的特征量不能识别所有情况下的内部故障和励磁涌流。采用电流、电压、磁通等 多特征量，就有可能更准确的识别励磁涌流。 目前，国内外有关文献上已提出了多种鉴别励磁涌流和内部故障的方法，主要 有以下几种：( 1 ) 二次谐波原理；( 2 ) 间断角原理；( 3 ) 波形对称原理；( 4 ) 高频分量原 理；( 5 ) 磁通特性原理；( 6 ) 等值电路原理；( 7 ) 低电压加速判据；( 8 ) 差动功率原理等【2 2 】。 考虑到利于方便提取特征量，缩短前期数据处理时间及简化网络结构等方面， 本文选用能够反映励磁涌流和内部故障区别的二次谐波含量、波形对称度和低压侧 电压三组特征量作为网络的输入量。 ( 1 ) 二次谐波含量 励磁涌流中含有较大的偶次谐波分量，其中二次谐波分量最大，一般较故障情 况的谐波含量大。通过傅氏滤波提取差动电流中的基波i d l 和二次谐波l ：，即二次 谐波含量k = i 。：i d ，。 ( 2 ) 波形对称度 波形对称原理是对变压器电流进行分析的一种方法。由文献 2 】的论述可以知 道，在滤除直流分量后，故障电流的前半波和后半波要较励磁涌流的前后半波对称。 所以将滤除直流分量( 即微分) 后的差流的前半波和后半波作对称性比较，得到对称 度。对称性的定义式由下式给出： 蚓“ 式中，j 为第f 个电流采样点的导数值；n 为一个周期的采样点数。 k 取0 1 8 。将满足上式的采样间隔数作为网络输入量之一。 ( 3 ) 三相低压侧电压 此即电压制动原理。当变压器励磁涌流出现严重饱和时，端电压会出现畸变， 其中包含较大的谐波分量；而内部故障时，变压器的端电压会降到较低的水平，这 样就可以用来作为鉴别励磁涌流和故障电流的特征量之一。将端电压与额定电压之 比作为网络输入量： k 。= u u 。 华北电力大学硕士学位论文 对应于变压器会出现各种对称及不对称故障，各特征量都取三相值。 4 。3 2 网络的建立 为提高判别的准确性，采用分相判别方法，建立分布式模糊神经网络。结构如 图4 2 所示。 其中t s l ，t s 2 ，t s 3 分别为用于判断a ，b ，c 三相是否为励磁涌流的高木一 关野模糊神经网络，它们的内部结构是完全一样的。判别的结果作为综合判定单元 的输入，然后经过简单的逻辑判别输出最终结果。 a b c 图4 - 2 设计框图 r内部故障 j 一 i l 励磁涌流 下面以t s l 为例，说明网络建立的步骤： 首先，对通过e m t p 仿真得到的训练用的样本进行聚类。人为分成两组，即r 为2 。一组为内部故障( 包括空载合闸于内部故障) 情况下得到的数据，另一组为 空载合闸得到的数据。 然后，训练n n m f ，此神经网络输入量有3 个，分别是二次谐波含量，波形对 称度和低压侧电压，输出量2 个为规则适用度“，、“，含两层节点数均为3 的中间 层。 最后，用内部故障得到的数据和空载合闸得到的数据分别训练n n l 、n n 2 。 两网络含节点数均为8 的两层中间层。 4 3 3 网络的训练及检验 将2 4 0 m v a 变压器模型仿真得到的各种状态下的1 7 5 组数据作为网络n n m f 的训练样本集。用样本反复训练后，得到输入样本对规则的适用度。 将1 7 5 组数据中内部故障( 包括空载合闸于内部故障) 情况下得到的1 0 4 组数 据，空载合闸得到的7 1 组数据分别作为n n l 、n n 2 的训练集。最大训练次数均为 1 0 0 0 次。 华北电力大学硕士学位论文 表4 - 1 检验结果统计 实验类实验项目相n n 。f 输出值 y ( y ，y 口，y c ) 综合判定 型别 结果 “1 t 2 初相角0 度a0 9 9 9 7 0 0 0 0 30 9 8 5 2励磁 电源内阻 b0 9 9 9 90 0 0 0 10 9 8 9 8涌流 5 0 0 c0 9 9 9 70 0 0 0 30 9 8 5 9 空 初相角a0 9 9 9 9 0 0 0 0 10 9 9 0 8励磁 载 6 0 度b0 9 9 9 50 0 0 0 30 9 8 6 0涌流 合 电源内阻c0 9 9 9 90 0 0 0 10 9 8 8 2 闸 5 0 q 初相角a0 9 9 9 8o 0 0 0 20 9 8 9 8励磁 6 0 度剩磁b0 9 9 9 9o 0 0 0 10 9 8 9 4涌流 0 9 中m c0 9 9 8 90 0 0 0 70 9 9 0 5 侧b 相a0 0 0 0 3 0 9 9 9 70 0 0 6 3内部 7 匝间短 b0 0 0 0 10 9 9 9 9 0 0 1 2 4故障 路 c0 0 0 0 10 9 9 9 90 0 0 7 2 a 侧c 相a0 0 0 0 2 0 9 9 9 80 0 0 9 6内部 内 接地短路b0 0 0 0 50 9 9 9 40 0 0 8 6故障 部 c0 0 0 0 10 ，9 9 9 90 0 0 9 7 故 y o 侧a b a0 0 0 0 80 9 9 9 2o 0 1 9 6内部 障 相间短路b0 0 0 0 30 9 9 9 70 0 1 8 6故障 c0 0 0 0 60 9 9 9 50 0 1 9 7 侧三相a0 0 0 0 10 9 9 9 90 0 0 6 7内部 短路b0 0 0 0 10 9 9 9 90 0 0 6 8故障 c0 0 0 0 20 9 9 9 8 0 0 0 6 5 侧b 相a0 0 1 5 l o 9 8 4 00 0 8 8 0内部 7 匝间b0 9 9 8 8o 0 0 1 10 9 7 5 5故障 空载短路c0 0 2 0 10 9 7 9 80 1 1 6 6 合闸 y o 侧a b a0 0 1 8 60 9 8 1 50 0 7 3 0内部 相间短路b0 0 0 6 80 9 9 3 10 0 8 8 0故障 内部 c0 9 9 8 70 0 0 1 20 9 7 9 5 故障 y o 侧a a0 0 0 6 50 9 9 3 40 0 1 0 6内部 相1 0 b0 9 9 7 90 0 0 0 30 9 3 2 5故障 匝间短路c 0 0 0 0 50 9 9 9 50 0 7 7 7 2 3 华北电力大学硕士学位论文 经过训练后，用训练样本集之外的各种状态下仿真得到的数据对建立的高木一 关野模糊神经网络进行检验。统计结果如表4 1 所示。 需要说明的是；对三相t s 的输出y 。，y 。，y c 进行综合判定时，若其中两个或三 个输出数据为大于o 5 的值，则判定为励磁涌流，否则判定为内部故障。 由仿真实验统计结果可以看出，对于各种类型的内部故障，及不同合闸初相角 和电源内阻情况下的空载合闸均能得到十分准确判断。尽管有些情况下某一相被误 判断，但经过综合判定单元的综合判断，最终结果还是正确的。 为进一步检验该模糊网络的鉴别准确性及对不同系统的适应性，用1 0 k v a 变 压器系统的数据对该网络进行训练和检验。由于1 0 k v a 变压器动模实验的样本数 据量比较小，先用e m t p 建立用同样型号变压器的仿真模型，将各种内部故障和励 磁涌流情况下仿真得到的数据作为样本训练该网络。最后用动模实验数据进行检 验。检验结果如表4 2 所示。 由表4 2 可看出，所建立的高木关野模糊网络能准确鉴别变压器各种情况下的 励磁涌流。 变压器铁心内的剩磁中s y 及空载合闸时初始相角a 的大小对励磁涌流都有很 大的影响。对在不同铁心剩磁和电压初始相角的情况下的空载合闸做了较多仿真， 并将数据作为训练样本一部分，从而提高了网络鉴别能力。 华北电力火学硕士学位论文 表4 - 2 动模实验数据检验结果统计 动模实验项目相n n m f 输出值 y ( y ，y b ，y c ) 综合判定 实验别 结果 “l “， 空投1a0 9 9 9 70 0 0 0 20 9 8 8 3励磁 b0 9 9 9 70 0 0 0 30 9 7 4 5涌流 c0 9 9 9 70 0 0 0 20 9 7 7 0 空 空投2a0 9 9 9 80 0 0 0 2