概率神经网路在电力变压器故障诊断中的研究与应用

PAGE7PAGE概率神经网路在电力变压器故障诊断中的研究与应用摘要电力变压器是电力系统中输变电过程的核心设备，电力系统能不能平稳安全的运行，其中最主要的是取决于电力变压器运行状态的好坏。电力变压器一但发生事故所需的修复时间比较长，所造成的的影响也比较严重，所带来的损失也是无法估量的。所以，电力变压器的安全性和稳定性，是每个国家都十分重视的问题。通过相关资料可知，要使电力变压器能够安全运行，提高供电可考虑，除了采用技术过硬，产品质量较好的电力变压器外，更重要的是对电力变压器实施在线状态监测，并把故障专断技术运用起来，不仅能带来可观的经济效益，还能避免很多因变压器故障所造成的损失。因此研究变电力压器的故障诊断，对保证系统安全可靠的运行，和提高经济效益具有重要的意义。本文在国内内外各种应用于变压器故障诊断技术的基础之上，就概率神经网络在变压器故障诊断中的应用与各种相关问题进行了深入的研究与分析。关键词：概率神经网络；电力变压器；故障诊断技术；输变电ABSTRACTAsthecoreequipmentofpowertransmissionandtransformationinthepowersystem,thepowertransformerisabletooperatesmoothlyandsafely,whichmainlydependsontheoperationstateofthepowertransformer.Oncethepowertransformertakesalongtimetorepair,theimpactisalsorelativelyserious,andthelossescausedareincalculable.Therefore,thesafetyandstabilityofpowertransformersareissuesthateverycountryattachesgreatimportanceto.Itcanbeseenfromtherelevantinformationthatinordertoenablethepowertransformertooperatesafelyandimprovethepowersupply,inadditiontousingapowertransformerwithexcellenttechnologyandgoodproductquality,Moreimportantly,theonlinestatusmonitoringofpowertransformersandtheapplicationoffaultarbitrarytechnologycannotonlybringconsiderableeconomicbenefits,butalsoavoidalotoflossescausedbytransformerfaults.Therefore,itisofgreatsignificancetostudythefaultdiagnosisofthetransformertoensurethesafeandreliableoperationofthesystemandtoimprovetheeconomicbenefits.Inthispaper,basedonvarioustransformerfaultdiagnosistechnologiesinChinaandabroad,theapplicationofprobabilisticneuralnetworkintransformerfaultdiagnosisandvariousrelatedproblemsaredeeplystudiedandanalyzed.Keywords:Probabilisticneuralnetwork;Powertransformer;Faultdiagnosistechnology;Powertransmission目录摘要 IABSTRACT II目录 III第1章绪论 11.1课题背景及研究的意义 21.1.1课题背景 11.1.2课题研究的意义 21.2故障诊断理论的研究现状 21.2.1国外研究现状 21.2.2国内研究现状 31.3本文完成的主要工作 4第2章概率神经网络在电力变压器故障诊断中的应用 52.1概率神经网络 52.1.1简述概率神经网络 52.1.2贝叶斯决策理论基础 62.1.3概率神经网络的结构 72.2气相色谱法 92.2.1气相色谱法的意义 92.2.2气相色谱法的原理 92.2.3气相色谱法的关键过程 102.2.4改良三比值法 112.3PNN故障诊断的应用 142.4BP神经网络 152.4.1BP神经网络的原理 152.4.2BP神经网络的优劣势 16第3章程序调试与仿真 173.1程序调试与仿真 173.1.1数据整理 173.1.2变压器故障的概率神经网络仿真 183.1.3仿真结果 193.1.4仿真结果分析 223.2遇到的问题及解决办法 223.2.1遇到的问题 233.2.2解决的办法 24结论 26参考文献 27致谢 28附录 29第1章绪论1.1课题背景及研究的意义1.1.1课题背景自上个世纪70年代开始，诊断工程便作为一个新兴科学迅速发展起来，直到现在，各种各样的机器设备应运而生，其故障诊断技术的提高和社会的发展程度是息息相关的。从电气时代开始，各种机器设备的研究开发和投入使用，使得人类的生产力大幅度提高，科学技术也得到了空前的发展，与此同时也就造就了现代机器设备的各种结构越来越复杂化，越来越精密化，成本也变得越来越昂贵。这就不得不在保证工作效率的前提基础之下，以降低机器的故障率，以此来降低运维成本。在诊断工程提出的时候，于上个世纪中期，便有人提出了快速傅里叶变换的算法，这种算法很大程度上的提升了各种诊断技术的发展空间更，在之后的几十年里，以各种算法和理论的支持以及随之出现的各种传感器技术、数字信号处理技术等，为故障诊断理论研究取得了非常大的进展。在上个世纪80年代，神经网络开始便运用于机械设备的故障诊断当中，并且，在以后的发展中，以专家系统和神经网络等为代表的人工智能技术率先在电力变压器故障诊断中得到运用，并取得了十分显著的成果，使其得到很大的完善[1-2]。因此研究概率神经网络在变电力压器故障诊断中的应用，是对电力系统运行保证其可靠性、高效性和安全性，以及提高经济效益两个方面都具有十分重要意义的举措。选择本课题的原因有以下三点：第一：变压器的故障征兆和故障类型具有一定的非线性[3]，所以需要结合一定的诊断技术才能进行准确判断，而基于概率神经网络的故障诊断技术正好能够运用其中；第二：概率神经网络结构简单非常简单，训练时间也非常短，计算方便，效率很高。在实际应用过程中，尤其是在解决分类问题的应用中，发挥了重大作用；第三：概率神经网络的最大的优势在于可以从线性算法的角度来处理非线性的问题，并在这基础之上还保证了非线性算法高精度的性质，容错率高，结构适应性强，可以应用于非常多的现实故障问题的检测当中。1.1.2课题研究的意义由于电力变压器在电力在电力设备当中具有极其重要的地位，经济成本比较大，发生故障之后所造成的损失难以估量，所以，必须对如何高效判断变压器故障类型进行研究，以便能够快速的的采取措施进行补救或者修复，及时止损。为此，科研人员把目光放在了人工智能技术上，从人工智能发展到现在数十年的时间里，其影响是十分广泛且深远的，从目前的智能机器人，无人驾驶系统，高精度智能识别等等，人工智能展现了它强大的生命力，应用前景十分广阔，所以，人们也希望它能够在机械故障诊断中也能够展现出其巨大的优势，为机械设备的只能诊断，尤其是电力变压器故障诊断打开突破口。作为人工智能里具有极强的非线性数据处理能力的概率神经网络就这样走进了人们的视野，它计算简便，过程简单，同时计算精度又极高，非常适合处理电力变压器故障时，快速判断故障类型，寻求解决办法，保证电力变压器能够安全稳定的运行。如果本次的研究能够成功，将会进一步证实，概率神经网络在电力变压器故障诊断中是具有应用价值和研究价值的。这对之后电力变压器故障诊断理论方面提供了可行性的方向，这是本次实验最具研究意义之处。1.2故障诊断理论的研究现状1.2.1国外研究现状诊断理论作为状态识别的基本方法，在社会的各个领域都得到了广泛的运用，如生物与医学、工程与技术，以及经济领域等。而国际上，故障检测与诊断理论的发展，直接的促成IFAC技术过程的故障诊断与安全性技术委员会的成立。其中，从掌握的的诊断技术的先进程度来看，国外的研究要比国内先进一些，其中，以美国最具领先优势。上个世纪中期，美国、日本和欧洲的一些发达国家相继开展了设备诊断技术的研究，主要是应用于航天、核电、电力系统等尖端工业领域，自80年代以后，才逐渐扩展到冶金、化工、船舶和铁路制造等多个领域，美国的许多权威机构，如美国机械工程师协会、美国宇航局、均参与了这一领域的技术研究，投入了大量资金，不少都具有比较完善的检测功能，而且还具有较强的诊断工程基础。而英国在60到70年代，以Collacott为首的英国机器保健和状态检测协会最先开始研究故障诊断技术，以致后来英国在摩擦磨损、汽车和飞机发电机监测和诊断方面占据了领先地位，而日本的新日铁于1971开发诊断技术，并且在1976年达到实用化，除此之外，日本诊断技术在钢铁、化工和铁路等处于世界前列[4]。1.2.2国内研究现状我国的诊断技术研究始于上个世纪70年代末，起步比较晚。于1997年，自动化学会批准成立中国自动化学会技术过程的故障诊断与安全性专业委员会，并于1999年5月在清华大学召开了首届全国技术过程的故障诊断与安全性学术会议。虽然起步晚，但是经过这么多年的追赶，特别是最近这些年的的不断研究，而且国家相关部门和科技组织多次邀请国外优秀的诊断技术专家到国内演讲，不断丰富诊断理论，使得我国与国外技术先进在这方面的差距逐渐缩小，特别是在某些理论研究方面不仅能和国外评分秋色，甚至还有某些技术达到领先水平。现在，我国有了独具中国特色的设备理论研究系统，并形成了一些列我们独有的检测设备。全国各个行业对故障诊断系统应用在重要的机械设备上的保障措施都非常重视。比较突出的是具有智能化的故障诊断系统，如电力、专家、石化、冶金系统和尖端领域中的如载人航天、卫星发射等。而我国在故障诊断技术的多年研发中也取得了很多世界瞩目的成绩。例如清华大学“10G一体化网络数据深度安全检查和分析系统”，“临床长时程心电智能诊断平台”和“电磁超声导波缺陷检测仪器备”的研究取得了重大成果；中国科学院研究成果“面向消化道内镜的人工智能图像技术及应用”在诊断检测方面取得重大突破；西安交通大学“船舶动力装置磨损状态在线监测与远程故障诊断技术及应用”获国家技术发明二等奖等。1.3本文完成的主要工作综上所述，为了进一步提高电力变压器运行的稳定性，节约运行成本，保障电力变压器在运行过程中的可靠性，使其一但出现故障，我们便能高效的检测，分析出故障，诊断出故障类型，所以，必须对电力变压器的故障诊断方面进行深入研究，而本文主要以概率神经网络在电力变压器的故障诊断为研究方向，希望能从概率神经网络的角度，对电力变压器故障诊断的研究有所帮助。本文所要完成的主要内容包括以下几个方面：首先，先确定概率神经网络适用的电力变压器类型，本实验，我们选取的是油式变压器。电力变压器的故障类型分为很多种，且油式变压器的故障类型也有不少，概率神经网络的在判断故障类型的时候是具有局限性的，所以必须确定能够进行判断的故障类型。了解并熟练掌握概率神经网络的特点，运算方式，进行判断的工作原理，以及判断方法。熟悉并掌握，才概率神经网络进行故障判断的流程，以及其中涉及到的各种相关只是，如气相色谱法，改良三比值法等。应做对照实验，设置一组对照实验，本文经过多次对比实验性质，决定采取BP神经网络的故障诊断结果作为对照组，通过对比2种神经网络的诊断的结果，以此验证概率神经网络在电力变压器故障诊断中是否具有优越性。熟悉并掌握Matlab的使用，因为本次主要是在Matlab上进行仿真实验，要对编写的诊断程序进行调试与修改，以期望得到最优输出。第2章概率神经网络在电力变压器故障诊断中的应用2.1概率神经网络2.1.1简述概率神经网络概率神经网络(PNN)于1989年由D.F.Specht博士[5]首先提出，是一种常用于模式分类的神经网络。概率神经网络是一种以统计学原理为基础的神经网络模型，其本质是一种强大的分类方法，其分类功能严格遵守贝叶斯决策理论，是基于贝叶斯最小风险准则理论衍生出来的一种分类算法。它是完全前向的计算过程，并不需要像传统的多层前向网络那样需要用进行复杂的反馈计算，修正误差，再反馈的重复计算。概率神经网络无论是多么复杂的分类问题只要给出足够多的样本进行训练，就一定可以收敛到贝叶斯最小判别曲面。概率神经网络对于传统的BP神经网络来说具有明显的优势，对比优势如下：训练难度低，且收敛速度快，因此在实时问题事非常方便。在概率神经网络模型中，输入的样本数和隐含层的神经元数是一样的，而神经元的权值是直接取自输入样本的，无需人为设置。具有极高的精度，可以完成极端的非线性精度问题。对比概率神经网络所形成的判决曲面与贝叶斯最优准则下的判别曲面，两个曲面非常的接近[9]。其隐含层是径向基函数层。该层在进行样本计算分类的时候，需要计算样本出现交叉错误导致的分类误差，因此具有很强的容错性。只要输入样本足够多，概率神经网络都能够收敛到贝叶斯最小风险准则下。而BP神经网络则有可能会出现局部最小值的问题。在隐含层的传输函数可以选用各种用来估计概率密度的函数，其分类结果对基函数的形式不敏感[10]。具有高延展性。PNN网络的学习过程非常简洁，无论是减少类别或者是增加类别都不需要耗费大量的时间从头进行运算。每一层的神经元数目是固定的，所以在进行实验时，非常容易通过实验设备实现出来。2.1.2贝叶斯决策理论基础概率神经网络的理论基础是贝叶斯最小风险准则，即贝叶斯决策理论[11]。该理论在进行分类判定是具有十分重要的作用。贝叶斯决策就是在获得信息不完全时，对不完全的信息进行主观的概率估计，然后用贝叶斯公式修正发生概率，最后再通过修正概率和期望值得到最优决策。贝叶斯决策的理论是同级模型决策中的一个基本方法，它的思路步骤是：已知类条件先验概率和概率密度表达式。再利用贝叶斯公式转换成后验概率。最后根据后验概率的大小进行决策分类。贝叶斯公式为：PBiA=P其中，PBiA表示Bi在A发生的情况下，Bi为了便于简述该分析过程，我们假设分类为题为二分类：c=c1或ℎ1=pc1，ℎ2给定输入向量x=xc=c1Pc1x为xPc1x在进行分类决策时，输入样本应该分到后验概率较大的那个类别当中。但是在实际操作中，除了考虑分类的概率，还需要考虑错误分类存在的风险和造成的损失。如将c1类的样本错放到c2类和将c2类的样本错放到c1类，这样错误放置所引起的损失往往很大，所以，为了保证准确性，降低误差，需要调整分类规则。定义动作αi为将输入向量指派到c1的动作，λijRαi假设分类正确的损失为0，将输入归类为c1Rc1x则贝叶斯判定规则变成：c=c1写成概率密度函数的形式有：Rcixc=cifi为类别c2.1.3概率神经网络的结构概率神经网络由输入层，隐含层，求和层和输出层组成[12]，其结构如图所示。图2-1概率神经网络结构图PNN第一层为输入层，其作用是接收输入的训练样本数据，并将样本完完全全的传递给第二层，输入层的神经元个数与输入向量长度是相等的。第二层为隐含层，是一个径向基层。每一个隐含层的神经元节点都拥有一个中心，该层接收第一层的训练数据，计算输入向量与中心的距离，最后给一个返回值。输入向量x输入到隐含层第i类模式的第j神经元所确定的输入与输出的关系由下式定义：ϕijx=i=1,2,3,…,M，M是训练样本的总类数，d为空间样本的维数，xij为第i类样本的第jvi=j=1式中，vi输出层取求和层中最大的一个作为输出的类别：y=argmaxvi在实际计算中，输入层的输入向量优先与加权系数相乘，再输入到径向基函数中进行计算：Zi=xω假设x和ω均已标准化成单位长度，然后对结果进行径向基运算：expZi−1这相当于下式：exp−wi其中σ是平滑系数，对网络性能甚至输出结果有着至关重要的影响。这里的求和层，类别数和神经元个数是一一对应的。隐含层的每个神经元在开始时，就已经被划分到了某个类别。概率神经网络采用有监督学习，这是在训练数据中指定的。求和层中的神经元只与隐含层中对应类别的神经元有连接，与其他类别的神经元不接触，这也是概率神经网络和径向基神经网络最大的区别。也正因如此，求和层的输出与各类概率密度的估计成比例，对输出层进行优化后，就可以得到各类的概率估计，第三层为输出层，由竞争神经元构成，神经元个数与求和层相同，它接收求和层的输出，做单纯的阈值判断，在所有输出层神经元中找到具有最大后验概率密度的神经元，其输出为1，其余神经元输出为0[14]。2.2气相色谱法2.2.1气相色谱法的意义由于制造手段，材料以及油流等问题，变压器内部电场会出现不平衡，极易显现局部放电，通常这种放电现象会长时间存在变压器内部。放电会酿就故障点周围的绝缘油或其他绝缘介质分解产生H2和CO以及一些烃类气体。且由于这些气体会堆积在一起并随着电场影响沿其方向排列，使故障点的绝缘性能更加的减弱。彼此作用形成恶性循环，最终故障点的绝缘介质被破坏，造成重大影响。根据大量的数据显示，变压器的故障诊断与变压器油中溶解气体的各组含量密切关，其中比较具有典型特征点的几种气体：H2、C2H2、C2H4、CH4、C4H6。是由于不同的烃键具有不同的热稳定性，烃类的C−C键只需较小的能量即可断裂，而2.2.2气相色谱法的原理气相色谱法是用不活泼的气体作为载体，带动不同组分的混合气体，利用分离技术进行逐层脱气的方法。分离原理是流动相和固定相组成一个两相系统，让混合物各个成分进行重新分配并达到新的平衡，由于各组分的性质，固定相的作用结构和大小，以及极性的吸附强度不同，使得分配系数不同和接近的组分分离开来，并通过检测系统逐一分析和识别，从而分离出各自的气体。其实质就是将油样进行高压气化，然后通过惰性气体将其吹入色谱柱进行机械真空脱气，由于各组分物理性质、和化学性质的不同，使得不同组分的气体会相继被析出分离，然后流出色谱柱，进入待测系统，待测系统会得到各组分的流入时间和色谱图，根据色谱图的峰值出现的时间和出现的顺序可以判定气体的成分，再根据峰值的高低和峰值的面积确定气体成分含量。这便是气相色谱法的工作原理。2.2.3气相色谱法的关键过程要运用气相色谱分析变压器油成分和含量的过程中，影响结果的主要有三个方面，即取样、脱气、测试。取样过程。必须使用整洁密闭性良好的玻璃注射器采取油样，变压器、互感器、套管等设备一般在设备底部的取样阀门中采取油样，所取样品应能代表油箱本体油；气体在继电器只能从放气嘴采样。当变压器发生突发性严重故障等特殊情况时，应考虑在设备的不同取样部位取样。但不要在设备不方便或者油样被污染的地方取样。取样前应检查取样管是否有气体，阀门处是否有干扰油样，整个取样过程必须在密闭的条件下进行，保证油样不会暴露到外界当中。有的电力设备可以在运行时直接取样，有的则需要在关闭运行状态才可以取样，电力变压器就属于可以直接取样的一种。为避免气体逸散，所需样品需要避光保存，运输过程中避免剧烈振荡和气压变化的影响，所取样品要尽快分析，油样保存不得超过四天。脱气过程。在利用气相色谱法分析前，必须将油样做相应的处理，即把溶解的气体从油样中分离出来，这便是“脱气”。溶解平衡法和真空法，是现今比较常用的两种脱气方式。而根据获得真空的不同方式，又将真空法分为水银托里托利真空法和机械真空法，比较广泛使用的是机械真空法。溶解平衡法是一种以亨利分配定律为基础的械振荡法。内容是恒温条件下，在密闭的容器中放入油样和平衡气体，通过机械震荡将油中溶解气体分离，当气、液两相中的经过分配重新达到平衡时，再通过色谱测试出气相中各组分含量，最后根据奥斯特瓦德系数得到油样中各溶解气体的含量。主要的影响因素有温度、气体性质、油化学组成等，优点是操作方便，人为影响因素小，重复性和再现性好，回收率高;缺点是要求仪器检测灵敏度高。

机械真空法脱气并不干净，其特点是气体在油中溶解的越多，其脱出的含量就越少，因为在常压恢复的过程中，气体会继续有不同程度的又溶解到油中，而溶解度越大的气体，溶解到油中的含量就会越大。在实际操作过程中，真空度和使用的脱气装置不同，即便采用的脱气装置是相同的，也会得到差异很大的两个结果。所以，在使用真空法脱气前，需要检查脱气率。而变径活塞泵全脱气法是机械真空法的基础之上，优化的一种脱气方法。变径活塞经过上下来回移动，可以对气体进行进一步的压缩，在真空条件下，脱气室的底部的电磁搅拌装置对油样搅拌，使油中溶解气体迅速析出，同时为加速气体转移，向脱气室不断加入少量惰性气体并将脱出的气体迅速转移到取气容器中，大大提升了脱气率，并且弥补了机械真空法脱气不干净的缺点，达到了完整脱气的效果。测试分析过程。所选用的气相色谱仪应有足够的灵敏度，仪器基线稳定，色谱柱还应尽量符合各组分分离的条件。测定时应使用外标法对各组分进行定性、定量分析，为了增加分析的精确度，除氢以外，其他均使用混合标准气样进行标定。需选择由国家计量部门认证单位专门配制并经准确标定的外标气体，使用前应确认外标气体组分浓度适当且在有效期内。分析过程中应选用气密性好且校验过的注射器进样，并且使用相同的注射器进行仪器标定和组分测定，在进样时进样体积应一模一样，便于减小误差。2.2.4改良三比值法1973年Halstead发表的这样一种观点，从热动力学的角度阐述了电力变压器油中烃类气体出现的由来，伴随着温度的改变，变压器油中的气压也会随之变化，任意之前提到的烃类都可能影响另外不相同的烃类的析出情况。每样气体在不同的温度下其析出速率也都不尽相同。因此，我们可以根据这种温度的差异性，找到每种烃类析出速率最大的温度，然后根据温度的高低排序，即可将被析出气体进行前后排列。并以Halstlead

的理论为指导基础发展了DGA，其大致内容是发生故障的电力变压器油内产生的特征气体的各组分含量的比值会随着温度的变化而各有不同。并以这个结论为基础，使用大量的研究数据表明，罗杰斯选用了5种气体特征量之间的四对比值，它们分别为CH4H2，C2H4C2H6，C2H通过总结，我们可以了解到三比值法的工作原理就是:通过充油电气设备内油、绝缘介质在发生故障时分解形成气体的组分含量其相对浓度与温度之间相辅相成的特性，从5种特征气体中选出溶解度和扩散系数比较接近的两项气体组成三对比值，用特定的规则进行重新编码，得到新的比值关系。种方法排除了油的体积对实验造成的误差，逐渐成为判断充油电气设备故障类型的重要方法，并且对故障类型的判断结果可靠性也比较高。我国DL/T722-2000《导则》推荐的改良的三比值法的编码规则和故障类型的判断方法如下表所示：表2-1改良三比值法编码规则特征气体的比值CCHC≤0.10100.1~≤1.01001.0~≤3.0121>3.0222表2-2故障类型的判断方法CCHC故障类型001低温过热（低于150℃）20低温过热（150℃~≤300℃）21中温过热（300℃~≤700℃）0,1,22高温过热（高于700℃）10局部放电20,10,1,2低能放电20,1,2低能放电兼过热10,10,1,2电弧放电20,1,2电弧放电兼过热表2-2是将所有的故障类型分成了8种典型故障（有的分为6种，即低温过热、中温过热、高温过热统称为热故障），这8种故障类型适用于所有的充油故障设备，是具有普遍性的8种典型故障类型，气体比值的极限依赖于设备的具体类型，可能稍有不同。除此之外，我国DL/T722-2000《导则》还推出了另一种故障类型的诊断方法，即溶解气体分析解释表和解释简表。表2-3溶解气体分析解释表情况特征故障CCHCDP局部放电NS<0.1<0.2D1低能量局部放电>10.1~0.5>1D2高能量局部放电0.6~2.50.1~1>2T1热故障t<300℃NS>1但NS>1<1T2热故障300℃<t<700℃<0.1>11~4T3热故障t>700℃<0.2>1>4注：NS表示无论取什么值均无意义在上表2-3中，D1和D2两种故障类型之间呈现出两个集合相交的情况，这说明同样是局部放电，但是放出能量有高有低，高低不同，对故障设备也进行处理的方式也不一样。对此，表2-4给出了粗略的解释，对于局部放电、低能量放电或高能量放电以及热故障可以有一个粗略简便的区别。表2-4溶解气体分析解释简表情况特征故障CCHCPD局部放电<0.2D低能或高能量放电>0.2T热故障<0.2改良三比值法虽然能给我们的实验计算带来方便，但是它同样也有它的局限性：如果是各项指标都正常的电力变压器，其比值并无任何意义。只有当油中气体各组分相对含量足够高时，并且经过各项诊断确定变压器存在故障以后才能够使用三比值法做进一步的诊断分析，不然，即使进行了判断，结果也不一定是正确的。故障类型与比值数是一一对应的，然而，当多个类型共同叠加作用时，其比值可能在故障类型判断表中找不到相应的比值和类型，但是，这种故障又是客观存在的。三比值法虽然是通过气体相对含量比值做出故障判断的方法，但并不适用所有的气体设备故障检测。2.3PNN故障诊断的应用概率神经网络在对电力变压器进行故障诊断时，首先要对要检测的电力变压器进行取样，即上述气相色谱法中的取样过程，按照上述步骤经过一些列操作取得样本以后，变应迅速进行脱气环节，因为油样会在大气中受到各种各样的环境的影响，所以，取样到脱气的过程一定要迅速。脱气到检测气体各组分含量都是气相色谱分析环节，当分析得出油样气体的各组分含量数据以后，我们根据三比值法进行比值，并根据三比值法编码规则进行重新编码，得到理想的输入样本。然后在根据故障类型判断表得出期望输出，这个时候我们的前项工作就完成了，接下来就是构建概率神经网络模型，Matlab运行环境有编写好的概率神经网络模型函数，我们可以直接调用，这样会节省我们的实验步骤，大大降低我们的实验难度。接下来便是最重要的环节，进行平滑系数的取值。平滑系数影响着整个实验的性能和结果，所以取值尽量最优，最适宜的取值方法是遗传算法优化得到最佳平滑系数，但是由于计算量太大，且作为短期预测我们通过指数平滑法进行取值，取值范围为0～1，因为是短期预测，所以越大越好，我们取0.9，接下来便可进行网络训练，等待输出结果，其功能框图如下图所示。无论是在任何一种油式变压器，概率神经网络在进行故障诊断时都是按照上述步骤进行，这给了其他结构或性质相同的。图2-2PNN应用功能框图2.4BP神经网络2.4.1BP神经网络的原理BP神经网络[17]是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，它由输入层、隐含层和输出层组成，是应用最广泛的神经网络，其结构图如下所示。和其他人工神经网络一样，BP神经网络不需要一个确定的输入与输出之间的数学关系式，它只需要根据给定的训练规则，并经过反复训练，便可得到相应的输出值，并且和标准值非常接近，误差极小。算法，是人工神经网络实现各种功能，解决各种现实问题的关键。上述提到，BP神经网络是一种多层前馈神经网络，顾名思义，就是经过训练后，在输出时判断误差，并将误差逆向返回到输入端，修正误差以后在正向计算，如此循环往复，知道误差降到要求精度以内，才进行输出，它的运算方法，简称BP算法。梯度下降法，是BP神经网络的理论基础，利用梯度下降法，可以在经过多次的计算后，梯度由快速变换转变为缓慢变换，最后达到一个极值，这个点就是梯度最低点，是误差是最小的值。BP算法的过程由信号的前向传播和误差的反向传播2个过程组成。即计算误差输出时按从输入到输出的方向进行，而修正误差则将误差从输出到输入的方向进行。正向传播时，输入样本从输入层进入，经过隐含层，最后传到输出层，经过一系列计算，输出相应结果，在阈值判断时，若实际输出和期望输出差距较大，则计算误差，并将其反向传回隐含层和输入层。该过程是将误差分摊给各层所有神经元，并通过从分摊各层中获得的误差信号来进行权值的修正。通过各个节点联接强度以及权值的修正，误差将以梯度的方式逐渐下降，经过大量的学习和训练，确定与最小误差，网络训练即可结束，此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息[18-19]。图2-3BP神经网络结构图2.4.2BP神经网络的优劣势BP神经网络无论在网络理论还是在性能优化方面均已比较成熟。并且广泛应用，它最大的优势就是拥有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的神经元个数可根据具体情况随意设定，而且，结构发生改变，其性能也会随之变化，具有很强的灵活性。但是BP神经网络也存在以下的一些主要缺陷[20]：学习速度慢，即使是一个简单的问题，一般也需要几百次甚至上千次的学习才能收敛。容易陷入局部极小值。网络层数、神经元个数的选择都是人为随意设定，没有相应的科学依据。网络推广能力有限。第3章程序调试与仿真3.1程序调试与仿真3.1.1数据整理根据上述三比值法给出的故障判定标准，我们将故障类型分为9类，即低温过热、中温过热、高温过热、局部放电、低能放电，低能放电兼过热、电弧放电、电弧放电兼过热和正常。本实验采取了14组油样，其数据如下表：表3-1采集油样数据表序号CCHC102.6560.763200.3750.003301.6333.864401.4452.50750.0117.1228.57360.0661.9036.77270.01216.4385.714800.0750.20890.2180.4797.763100.6583.7540.739110.12411.2442.9781200.0780.598131.1210.2428.373144.1954.4455.892对其通过改良三比值法编码方式进行重新整理，并根据上述故障类型判定表、溶解气体解释表及溶解气体解释简表，给出期望输出类型。表3-2优化采集油样数据表序号CCHC期望类别1020120201302124021250223602237022380104910271012081112181201041310271422263.1.2变压器故障的概率神经网络仿真根据上述的程序设计流程图，我们可以通过Matlab仿真软件进行仿真，其仿真步骤如下：采集样本数据。根据上述的14组采集到的并经过气相色谱分析和三比值法整理过的油样数据，按照升序排序，作为输入样本数据。用采集到到的样本数据进行网络训练。接着调用ind2vec函数，把概率神经网络不能识别的类别转变成类别向量。设置平滑系数Spread的值。通过调用newpnn函数，构造概率神经网络模型并进行网络训练。通过sim函数，对构造的概率神经网络的计算结果进行预测。在通过vec2ind函数，将预测结果向量转变成类别。运行结果如下图所示。设计对照组，构建BP神经网络对这14组数据进行仿真，并通过得到的的记过与概率神经网络得的结果进行对比分析。3.1.3仿真结果表3-3网络参数对照表对照参数PNNBP输入个数33输入层个数11输入层神经元个数33隐含层个数11隐含层神经元个数35求和层10求和层神经元个数90输出层个数11输出层神经元个数11输出个数11表3-3是为了能够直观的看到两个神经网络内部各层的关系与不同，以方便进行结果的对比分析。概率神经网络仿真结果如下图所示：图3-1PNN仿真结果图图3-2PNN仿真结果图BP神经网络仿真结果如下图所示：图3-3BP仿真结果图图3-4BP仿真结果图为了更为直观的观察到两项结果的区别，我们做如下处理：表3-4输出结果汇总表序号CCHC期望类别PNN输出结果BP输出结果1020111.00022020111.00023021221.99724021221.99725022333.00086022333.00087022333.00088010444.00179102776.999510120888.003811121887.991212010444.001713102776.999514222666.0035为了简洁明了的的看到两个神经网络之间输出结果的正确率的差别，我们对其正确率做了归纳整理。表3-5正确率对照表序号期望输出PNN输出结果PNN正确率/%BP输出结果BP正确率/%1111001.00021002111001.00021003221001.9972994221001.9972995331003.00081006331003.00081007331003.00081008441004.00171009771006.99959910881008.003810011881007.99129912441004.001710013771006.99959914661006.0035100为了比较两种神经网络的性能的优劣，我们对每一个神经网络都进行10次连续的程序运行并记录时间，通过比较两个网络计算时间的长短，可以得到网络计算简易程度和效率快慢的结果。表3-6网络运行时间对照表序号−PNN运算时间/sBP运算时间/s1−3.406.032−1.953.23−1.843.74−1.852.075−1.883.686−2.083.597−1.872.838−1.982.819−1.993.3210−1.953.17平均时间/s−1.943.28为了保证对照表的准确率，我们需要排除机器影响、电脑卡顿、软件响应不及时等问题，所以我们去掉一个运行时间最大值，去掉一个运行时间最小值，通过剩下的8组数据求平均值。3.1.4仿真结果分析通过对比两组实验数据，我们可以明显看到;BP神经网络的仿真结果是以比较小的误差在期望输出的边缘进行徘徊，其正确率维持在99%和100%，而概率神经网路的输出结果与期望输出一致，正确率维持在100%，由此可得出，概率神经网络在电力变压器进行故障诊断中比BP神经网络在电力变压器故障诊断中的精确度要高。对比输出结果，我们可以看到，概率神经网络比起BP神经网络而言，具有比较高的容错性，也正因为高容错性，使得概率神经网络的输出结果非常精确，均收敛到了贝叶斯判别曲面上根据算法的设计复杂程度，我们可以看到，概率神经网络在进行故障诊断时，算法简单，运行的平均时间为1.94s，而BP神经网络运行时间为3.28s，比概率神经网络的运行时间要高出很多，由此可见，与BP神经网络相比，概率神经网络在学习效率上，要比BP神经网络要高很多。BP神经网络没有求和层和相应的求和层神经元个数，并且隐含层神经元个数和概率神经网络相比也是不一样的，这是因为BP神经网络的隐含层神经元个数是人为取值的，没有科学的理论指导与规范，但是概率神经网络的隐含层神经元个数是和输入向量个数是一一对应的，并且，求和层的神经元个数与类别数相同，每一个参数均有科学依据，这也表明了，概率神经网络比BP神经网络更为严谨。3.2遇到的问题及解决办法3.2.1遇到的问题刚开始的时候，对概率神经网络的了解不够，不知道其运算的方法和运算过程，以至于后面把它当做一个普通的循环查找类型的函数，甚至还陷入了只需要导入判定故障类型的表格，输入故障的样本数据，让其通多对比进行分类的误区。没有把握概率神经网络在故障诊断中的研究方向，寻找了很多变压器故障的类型，包括干式变压器的内外部故障类型，和一些和课题不相符的故障类型。在把样本数据通过改良三比值法进行整理的时候，没有理解改良三比值法的编码规则，导致整理的都是错误的数据。在程序编写与调试的时候，输入样本数据没有办法按数组的形式输入，运行结果运行不出来。没有搞懂期望输出和期望类别到底是什么，所以面对整理出来的数据，不知道应该输入哪一项对应哪一项，导致程序编写部分搁浅了一段时间。没有掌握输入样本数据与期望输出的关系，认为输入样本的数组对应的也应该是一个数组。在设置期望输出的时候，不知道期望输出不能为0，所以运行结果一直出现错误。程序编写出现错误，不管训练样本数值如何改变，输出结果都与期望输出都一样，这显然也不符合我们的仿真要求。在编写BP神经网络的程序时，学习精度没有办法用指数表示出来。平滑系数的确定也是一个问题，因为平滑系数的取值很大程度上影响了我们的输出结果，所以优化平滑洗漱，也是我们研究任务重中之重的问题。3.2.2解决的办法认真查询了很多概率神经网络的资料文献，还有一些视频教程进行学习，深入了解概率神经网络的计算方法和计算过程，走出之前存在的认识误区。查看了很多文献，了解到概率神经网络在电力变压器故障诊断中的应用，是依靠变压器油中溶解气体的相对含量进行分类分析的，所以，确定了，我们的研究对象是油式变压器，同时，根据任务书给出的故障类型和各气体含量的数据标准，确定自己的研究方向。查询了改良三比值法的编码规则的一些资料，确定其编码的步骤，是在我们用油样比值了以后，再根据改良比值法在进行一次数据的修整，得到的结果，才是我们要输入到概率神经网络模型中的输入样本数据。反复调试程序，在输入样本程序上做了大量的修改工作，同时，也查询了大量的仿真文献，最后，找出了一个可行的方法。询问了老师，在老师的建议下，仔细阅读了Matlab的说明书，除此之外，还看了很多的相关的程序实例，找出了其中的共同点，由此，确定了期望输出对应的数据是哪些。出现这个问题也是源于对概率神经网络程序编写的不了解，在经过是深入学习以后，就明白了。原来对故障类型进行排序的时候，想要排序从0开始，所以才一直出现运行不了的情况，所以，在反复尝试除了0其他的数值都可以正常运行的时候，就把从0开始排序，改成了从1开始排序。不管如何改变输入样本参数，输出结果均不变，这是程序在编写的时候，漏了几个分号，在加上去之后，输出结果就正常了。查询了BP神经网络的额一些资料文献，和仿真案例，除了指数的学习精度表示方法还有别的一些精度表示方法，在逐一试过以后，找到了可行的表示方法。平滑系数的优化，确实是一个比较难的问题，平滑系数的选取可以是人为选取的，但最好的优化方式就是通过遗传算法进行优化。结论电力变压器的故障诊断的研究一直以来都都受到各个国家的高度重视。作为电力运行设备中的核心设备，电力变压器的运行状态关系着整个电力系统运行的好坏，所以，电力变压器能否稳定运行，如何保证稳定运行一直是我们探讨的话题，毕竟，一点电力变压器出现故障，其损失将是不可估量的，所以，实时检测电力变压器的运行状态，保证其能够正常运行，同时在其发生故障时，能够迅速，有效的诊断出故障类型，采取有效的措施及时修复或弥补，便是我们这次研究的主要方向。概率神经网络在人工智能的应用中具有非常突出的优势，所以，把其运用到电力变压器故障诊断中，是具有十分重大的理论意义与实用价值的。论文的主要工作如下。提出了概率神经网络应用于电力变压器的故障诊断中是可行的，并且在进行故障诊断时具有BP神经网络所不可比拟的优势。对概率神经网络在电力变压器故障诊断中是否可行，进行了仿真实验，并设置了对照组。运用了贝叶斯决策理论。贝叶斯决策理论是概率神经网络的核心理论，也正是基于这样的理论，概率神经网络的额容错率和准确性非常高。运用了气相色谱法，是油样采集过后，能够通过色谱分析得到我们想要的5种特征气体，为之后的实验奠定了基础。运用了改良三比值法。将分析得到的五种气体，通过改良三比值法整理优化，使概率神经网络模型的样本训练更具有科学性。使用了Matlab仿真软件，本次的实验还是比较复杂的，Matlab的使用，大大简化了我们的实验步骤，和实验难度。最后，通过仿真结果的对比，我们可以得到这样的结论：概率神经网络应用于电力变压器的故障诊断是可行的，并且具有诊断速度快、诊断时间短、诊断精确度高的优势。参考文献[1]谭子兵，黄秀超,钟建伟.基于BP人工神经网络的电力变压器故障诊断研究[J].湖北民族学院学报：自然科学版，2018(1)：89-92．[2]曹永刚，周玲，丁晓群，马文静．基于概率神经网络的电力变压器故障诊断[J]．继电器，2006，34(3)：9-12．[3]郝小强，颜士远．刍议基于神经网络的变压器故障诊断技术[J]．科技创新与应用，2015，33：192-192．[4]陈炜峰，陆静霞.故障诊断技术及其发展趋势[J].农机化研究，2005(2)：10-12，15.[5]