改进型组合RBF神经网络的变压器故障诊断_百度文库

1、改进型组合RBF 神经网络的变压器故障诊断梁永春1,2, 李彦明1(1. 西安交通大学电气工程学院, 西安710049;2. 河北科技大学电气信息学院, 石家庄050054摘要:提出了一种在逼近能力、分类能力、学习速度等方面都优于BP 神经网络的径向基函数神经网络和组合诊断的概念, 并将其应用到变压器D GA 故障诊断中。在处理输入数据和改进训练方法后, 组合RBF 神经网络诊断变压器故障训练速度快、收敛精度高、诊断准确。关键词:RBF 神经网络; D GA ; 变压器; 故障诊断中图分类号:TM41文献标识码:A 文章编号:100326520(2005 0920031203Applicati

2、on of Modif ied Combinatorial R adial B asis Function N euralN et work in F ault Diagnosis of Pow er T ransformerL IAN G Y ongchun 1,2, L I Yanming 1(1. School of Elect rical Engineering , Xi an Jiao Tong University , Xi an 710049, China ; 2. School of Elect rical Engineering , Hebei U niversity of

3、Science and Technology , , China Abstract :This paper proposes a RBF Neural Network and the of and applies them in fault diagnosis of power transformer. The RBF Neural to in the ability of approach , the ability of classification and the rate of the processed and the training method is modified , co

4、mbinatorial radial basis f train rate , high convergence pre 2cision and high diagnosis veracity in K ey w ords :modified combinatorial network ; dissolved gas analysis ; transformer ; fault diagnosis0引言近年来, 人工神经网络(ANN 已广泛用于变压器故障诊断中, 其中B P 神经网络又是最常用的一种15。但BP 神经网络中调节权值采用的负梯度下降法存在收敛速度慢和容易陷入局部极小等缺点69。本

5、文提出采用改进型径向基函数(RBF 神经网络诊断变压器故障的新方法, 同时引入组合诊断的概念。RBF 神经网络在逼近能力、分类能力和学习速度等方面均优于B P 神经网络10。1RBF 神经网络RB F 神经网络与B P 神经网络结构相同, 由输入层、隐含层和输出层组成, 其结构见图1。RBF 与B P 相比有以下特点:1 输入层节点不对输入向量做任何操作, 直接传递到隐含层。2 隐含层节点通常采用像高斯函数的辐射状作用函数对输入向量进行处理, 产生一定的输出。高斯函数的函数关系见式(1 。此函数具有较强的局部逼近能力, 当输入信号靠近基函数中央范围时, 隐含层节点产生较大的输出。R i (x

6、=exp (i 222i; i =1, 2, , m , 图1径向基函数神经网络Fig 11RBF neural netw ork式中, R i (x 为第i 个隐层节点的输出; x 为n 维输入向量; t i 为第i 个基函数的中心, 与x 有相同维数的向量; i 为第i 个感知的变量, 它决定该基函数围绕中心的宽度, 即中心扩展; m 为隐层节点的个数。3 隐含层到输出层采用R i (x y k 的线性映射, 即y k =mi =1w i R i (x , k =1, 2, , p , 式中, y k 为第k 个输出层节点的输出; w i 为第i 个隐层节点到第k 个输出层节点的权值; p

7、 为输出层节点个数。4 RB F 神经网络隐含层的中心位置和中心扩展一般采用K 均值聚类法来确定, 隐含层到输出层的线性权值一般采用L MS 算法确定11。13第31卷第9期2005年9月高电压技术High Voltage EngineeringVol. 31No. 9Aug. 20052RBF 神经网络的改进采用RB F 网络诊断故障时, 需设计大量的隐含层节点, 有多少输入向量, 就要多少隐含层节点才能达到要求的精度。当精度为0. 01时,5种故障类型的96个输入样本需87个隐含层节点。这种方法无法体现同一故障类输入向量间的关系, 造成故障诊断率的下降。针对上述问题, 需改进RBF 的训练

8、和结构:1 在确定隐含层节点数和中心时, 对于每一种故障类型分别采用K 均值聚类法训练, 同时使迭代终止的距离增大。这样保证每一个隐含层节点确定的输入向量都是同一故障类型的数据;2 输出层节点采用sigmoid 函数, 学习算法不变。利用改进后的RBF 神经网络再诊断, 隐含层节点数下降到45个。3组合诊断神经网络的输入、输出节点数越多其训练时间越长, 甚至无法收敛, 诊断准确度随之降低。为此引入树的思路, 次、组合RB F :根据变, 将, 使用组合神经网络由粗到细, 对过渡类型逐步细化。变压器的故障类型一般分为:油过热、油和纸过热、油纸绝缘中局部放电、油中火花放电、油中电弧、油和纸中电弧等

9、类型。这些故障又可合并为低、高温过热, 低、高能放电等4种类型14。如果变压器内部裸金属局部过热, 油裂解气体的主要特点是(C H 4 和(C 2H 4 较大; 如果变压器内部存在放电故障, 油裂解气体的主要特点是(H 2 和(C 2H 2 较大; 如变压器正常, 油裂解气体的主要特点是老化过程中的(CO 和(CO 2 较大, 其它气体体积分数很小; 如变压器出现固体绝缘故障, 则(CO 和(CO 2 很大, 且(CO/CO 2 >1015。变压器故障组合诊断的分类见图2 。图2变压器组合诊断分层网络图Fig 12Delaminating diagram of combinatorial

10、diagnosis of transformer4输入数据的处理用于故障诊断的D GA 数据来自不同形式、容由于RB F 网络的隐含层采用高斯函数处理输入数据, 实际诊断中发现某些其它故障类型的数据比本故障类型的数据更接近高斯函数的中心, 造成了故障诊断准确率的下降。因此需处理输入向量, 减少故障类型数据重叠的可能性。根据组合诊断的分类原则, 每一种故障产生气体的主要成分不同。因此, 在每层组合诊断中, 大, 。L 1:10. 50. 20. 1、L 2:1. 0. 3和L 3:0. 710. 30. 4, L 1和L 2属A 类, L 3属B 类。以L 2为高斯函数中心, L 1和L 3与L

11、 2距离分别为0. 41和0. 39, 显然L 3更靠近L 2。设定向量中第一项权值为1, 其它项权值为0. 5。3个向量变为L 1:10. 250. 10. 05、L 2:10. 40. 20. 15、L 3:0. 70. 50. 150. 2。此时L 1和L 3与L 2距离分别为0. 21和0. 32, 可反映向量的分类。5仿真161组故障数据中取96组作为训练样本, 其余65组作为测试样本。训练样本数据分布为:正常29组; 低、高温过热分别为10、19组; 低、高能放电分别为13、25组。表1为测试样本数据分布、诊断准确个数和诊断准确率, 总的诊断准确率为84. 6%。表1测试样本数据分

12、布和诊断准确率T ab. 1Distribution of test samples and accuracy of diagnosis类型正常低温过热高温过热低能放电高能放电测试数205101020准确数1758817准确率85%100%80%80%85%6现场诊断实例东北电网某主变的某次色谱数据为:(H 2 =127×10-6; (CH 4 =107×10-6; (C 2H 2 =244×10-6; (C 2H 4 =154×10-6; (C 2H 6 =11×10-6; (CO =174×10-6; (CO 2 =973

13、5;10-6。组合RB F 神经网络各层输出依次为:第一层(0. 1024,23Sep. 2005High Voltage Engineering Vol. 31No. 90. 9756 , 故障; 第二层(-0. 3417,0. 8717 , 放电故障; 第三层(-0. 2483,1. 0354 , 高能放电故障。根据最大隶属度原则, 诊断结论为高能量局部放电。实际检测结果为二次线圈对铁心放电, 线圈有一个贯通性的损伤。7结语通过调节径向基高斯函数的中心位置和中心扩展, 使RB F 网络具有很强的局部逼近和分类能力。引入组合诊断概念可使变压器故障类型认为是多个单输出网络的多层组合, 而单输出

14、网络的诊断简单和准确, 可大大提高故障诊断的准确率。参考文献1李天云, 应鸿, 陈化钢. 人工神经网络在变压器故障诊断中的应用J.高电压技术,1996,22(4 :59260.2徐文, 王大忠, 周泽存, 等. 人工神经网络在变压器特征气体法故障诊断中的应用J.高电压技术,1996,22(2 :27230.3Zhenyuan Wang , Y ilu Liu , Paul J Griffin. A combined ANN and expertsystem tool for t ransformer fault diagno sisJ.IEEE Trans on Power De 2liver

15、y , 1998, 13(4 :122421229.4林俊, 章兢. 基于BP 网络的变压器油中溶解气体在线监测J.系统自动化,2001,25(8 :56258.5黄鞠明. BP 网络在基于D GA 变压器故障诊断中的应用J.高电压技术,1996,22(2 :21223.6林登福, 林谋, 李彦明, 等. 用L M 算法的神经网络诊断充油设备绝缘故障J.高电压技术,2004,30(7 :426.7王少芳, 蔡金锭. GA 2BP 混合算法在变压器色谱诊断法中的应用J.高电压技术,2003,29(7 :326.8董明, 赵文彬, 严璋. 油气分析诊断变压器故障方法的改进J.高电压技术,2002,

16、28(4 :628.9TU Y M , Huang J M , Gao N , et al. Transformer insulation diagno sisbased on imp roved ANN analysisC.Proceedings of the 5th international conference on p roperties and applications of dielect ric materials , korea , 1997:2632266.10闻新周. MA TL AB 神经网络应用设计M .北京:科学技术出版社,2000.11Simon Haykin.

17、神经网络原理M .北京:机械工业出版社,2004. 12孙辉. 判断树方法用于变压器故障诊断的研究J.中国电机工程学报,2001,21(2 :50255.13刘娜, 高文胜, 谈克雄. 基于组合神经网络模型的电力变压器故障诊断方法J.电工技术学报,2003,18(2 :83286.14王财胜, 孙才新, 廖瑞金. 变压器色谱监测中的BPNN 故障诊断法J.中国电机工程学报,1997,17(5 :322215严璋. M .:,2002.(2004212204梁永春年生, , 。E 2com(上接第13页(见表3 , 可见靠近低压侧测量点的电场强度明显提高, 说明塔架的感应电荷对近距离内测量点的电

18、场强度有很大影响。故建立等效模型时只需将杆塔的等效模型加入图1的模型中, 具体计算不再详述。表3考虑A 相杆塔影响时测量点的电场强度值T ab. 3E lectric f ield of the measuring points consideringthe influence of the tow er kV /m测量点#1#2#3#4#5#6#7电场15. 8317. 0616. 4514. 9913. 8114. 4416. 034结论计算和分析表明, 采用模拟电荷法可有效处理杆塔的影响问题。该法所需测量点数量少, 且可距绝缘子一定距离(三相110kV 下为12. 5m 进行非接触式测量

19、, 降低了操作的危险性。测量点虽然随电压等级升高而需相应增加, 但比其他方法的明显要少, 且测量距离随电压等级升高而增大。该法可望用来带电检测输电系统中的劣质绝缘子。当然针对实际应用中的具体问题尚需进一步优化研究污秽的影响、局部放电的算法等。参考文献1成永红1电力设备绝缘检测与诊断M 1北京:电力出版社,198412杨帆, 何为, 姚德贵1应用模拟电荷法在线检测劣质绝缘子的研究J1高电压技术,2003,29(12 :24225,4213安玲, 江秀臣, 朱宇1检测劣质绝缘子的新方法敏感绝缘子法J1中国电机工程学报,2002,22(9 :108211214Vailancourt G H , Be

20、llerive J P , St 2Jean M , et al. New live line tester forporcelain suspension insulators on high 2voltage power lines J .IEEE Trans on Power Delivery , 1994, 9(1 :2082219.5Paul Bipul Chandra , Satyam M , Selvarajan A. A novel met hod of opticaldetection using a capacitive device J.IEEE Trans on Ele

21、ctron Devices , 1999, 31:3242328.6Birlasekaran S , Li H J. Detection of faulty insulators on power transmis 2sion lineJ.IEEE Trans J Magn , 2000, 4:281722821.7Kaana 2Nkusi S , Alexander P H , Hackam R. Potential and electric fielddistributions at a high voltage insulator shedJ.IEEE Trans on Elect ri 2cal Insulation , 1988, 23(2 :3072318.8Dhalaan S M Al , Elhirbawy M A. Simulation of voltage distribution cal 2culation methods voer a st ring of suspension insulators C .2003IEEE Transmission and Dist ribution Confere