一種能給出充油電氣設(shè)備油色譜故障診斷可靠性的神經(jīng)網(wǎng)絡(luò)方法

張寶全， 馬雅麗， 關(guān) 睿， 白詩婷， 李 靜， 胡偉濤， 徐志鈕

(1.國網(wǎng)河北省電力有限公司檢修分公司， 石家莊 050011； 2. 華北電力大學(xué)電氣與電子工程學(xué)院， 保定 071003)

絕緣油絕緣性能優(yōu)異，同時又具有一定的散熱功能，從而延緩絕緣老化速度，在大型電氣設(shè)備經(jīng)常采用油作為其內(nèi)絕緣材料。因此，充油電氣設(shè)備在電力系統(tǒng)中應(yīng)用廣泛。通常來說設(shè)備的壽命取決于其絕緣的壽命，內(nèi)絕緣在長期電壓、溫升等作用下會逐漸老化發(fā)生故障，如何預(yù)警故障、避免停電的發(fā)生非常重要。

在充油電氣設(shè)備的諸多診斷方法中，油中溶解氣體分析方法(又稱油色譜方法)[1]由于能有效檢測各種程度的過熱、局部放電和局部的火花和電弧放電故障，同時檢測時無需停電、便于在線監(jiān)測，尤其對于局部、慢性、潛在性缺陷的檢測非常有效，在電力設(shè)備預(yù)防性試驗(yàn)規(guī)程中排名第一。在采用氣相色譜儀測得充油電氣設(shè)備中故障特征氣體濃度后如何根據(jù)特征氣體濃度檢測故障類型成了關(guān)鍵問題。早期的特征氣體法根據(jù)特征氣體濃度和占比來判斷故障類型，該方法比較直觀、方便，但缺乏量化，要求使用者具有較好的油色譜故障診斷經(jīng)驗(yàn)。為了提高診斷方法的易用性，國際電工委員會(international electrotechnical commission, IEC)在熱力動力原理和實(shí)踐的基礎(chǔ)上，從5種特征氣體中選擇3對溶解度和擴(kuò)散系數(shù)比較相近的組成3對比值，根據(jù)比值確定編碼，根據(jù)編碼確定故障類型，目前最為常見的是改良IEC三比值法[2]。為了提高對充油變壓器導(dǎo)電回路和磁回路的鐵芯多點(diǎn)接地故障診斷的準(zhǔn)確性，人們又提出了四比值法[2]。針對比值法可能存在的實(shí)際特征氣體無法找到編碼從而無法診斷故障的問題，中國學(xué)者杜洋提出了無編碼的比值法[3]，提高了基于油色譜的故障診斷準(zhǔn)確性。以上比值法有效推動了充油電氣設(shè)備故障診斷的進(jìn)步，但也存在診斷準(zhǔn)確性不夠高、不能進(jìn)一步利用長期實(shí)測得到的大量特征氣體濃度數(shù)據(jù)隱含的信息來提高故障診斷的準(zhǔn)確性等問題。為了解決該問題，人們提出采用機(jī)器學(xué)習(xí)來提高故障診斷的有效性，有基于神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)[4-6]、粗糙集[7]、Petri網(wǎng)[8]、遺傳算法[9]、深度學(xué)習(xí)[10]、證據(jù)推理[11-12]、模糊數(shù)學(xué)[13]等方式，有效推動了充油電氣設(shè)備故障診斷的智能化，尤其是神經(jīng)網(wǎng)絡(luò)方法由于具有較好的自學(xué)習(xí)能力而被廣泛應(yīng)用。人們在網(wǎng)絡(luò)類型選擇[14-16]、訓(xùn)練性能提升[17-18]、網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化[19]、泛化能力增強(qiáng)[19]等方面進(jìn)行了大量的研究，取得了長足的進(jìn)步。但是現(xiàn)有用于充油電氣設(shè)備故障診斷的神經(jīng)網(wǎng)絡(luò)方法僅給出確定的故障診斷結(jié)果，不能給出診斷結(jié)果的可靠性。

為了解決這個問題，現(xiàn)借助神經(jīng)網(wǎng)絡(luò)理論指出即使針對同一組訓(xùn)練樣本，不同初始權(quán)值和閾值、訓(xùn)練算法和網(wǎng)絡(luò)結(jié)構(gòu)下輸出結(jié)果存在波動性，波動性的大小與網(wǎng)絡(luò)輸出的可靠性有關(guān)，多個網(wǎng)絡(luò)輸出的均值具有更小的誤差，采用對3次多項(xiàng)式的逼近演示了該規(guī)律?；诖_定的175個典型特征氣體樣本，基于自適應(yīng)修正網(wǎng)絡(luò)結(jié)構(gòu)的方式，采用多種典型算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，針對每種算法訓(xùn)練成功獲得10個多層前饋神經(jīng)網(wǎng)絡(luò)，然后采用訓(xùn)練得到的40個神經(jīng)網(wǎng)絡(luò)針對191個樣本進(jìn)行故障診斷，驗(yàn)證本文方法的有效性。

1 油色譜故障及診斷方法

1.1 油色譜故障診斷基礎(chǔ)

充油電氣設(shè)備在承受正常和過電壓下容易發(fā)生不同程度的過熱故障和不同類型的放電故障，過熱和放電導(dǎo)致絕緣油和紙分解產(chǎn)生故障特征氣體，特征氣體逐漸溶解于油中，隨著油循環(huán)逐漸擴(kuò)散到其他區(qū)域，通過取油樣口獲得油樣后根據(jù)振蕩脫氣等方式獲得油中溶解的混合氣體，通過氣相色譜方式把故障特征氣體進(jìn)行分離，最后通過傳感器檢測氣體濃度。由于故障類型和嚴(yán)重程度不同時油的產(chǎn)氣類型和速度不同[20]，這樣根據(jù)測量得到特征氣體的類型和濃度即可判斷故障類型。較之其他充油電氣設(shè)備的故障診斷方法，基于油色譜的診斷方法具有以下優(yōu)勢。

(1)非侵入式，常規(guī)方式無需在設(shè)備內(nèi)安裝傳感器。

(2)便于在線監(jiān)測，取油樣時無需要求設(shè)備停電。

(3)適合于對早期故障的監(jiān)測，早期的故障雖然不是很嚴(yán)重，但往往會使油中產(chǎn)生特征氣體，通過離線或在線檢測特征氣體就能實(shí)現(xiàn)對故障的早期預(yù)警。

1.2 油色譜故障診斷方法

由于鍵能越大則分解需要的能量就越大，因此，產(chǎn)生烴類氣體的不飽和度隨裂解能量密度即溫度的增加而增加[2]。根據(jù)熱力動力學(xué)模擬產(chǎn)生哈斯特曲線可知，隨著溫度的升高，C2H2、C2H4和H2的分壓比逐漸升高，CH4和C2H6的分壓比逐漸下降。這樣根據(jù)特征氣體的類型、濃度和比例就可以診斷充油電氣設(shè)備的故障，其中特征氣體法診斷規(guī)則如表1所示。

表1 特征氣體濃度與充油電氣設(shè)備內(nèi)部故障的關(guān)系

為了避免特征氣體法缺乏量化的不足，人們還提出了各種比值法，具體介紹可參考文獻(xiàn)[2]。

2 人工神經(jīng)網(wǎng)絡(luò)診斷及可靠性

2.1 多層前饋神經(jīng)網(wǎng)絡(luò)及訓(xùn)練算法

人工神經(jīng)網(wǎng)絡(luò)是一種模仿動物神經(jīng)網(wǎng)絡(luò)特征，進(jìn)行分布式并行信息處理的算法模型，最為典型的多層前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

圖1 多層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of multilayer feedforward neural network

從數(shù)學(xué)角度上可以將多層前饋神經(jīng)網(wǎng)絡(luò)認(rèn)為是一個映射。設(shè)一個單隱層的多層前饋神經(jīng)網(wǎng)絡(luò)輸入層、隱層和輸出層神經(jīng)元數(shù)量分別為M、N和L，則該映射用數(shù)學(xué)方式表示如下：

(1)

式(1)中：ω1ij和ω2jl分別為輸入層第i個神經(jīng)元到隱層第j個神經(jīng)元和隱層第j個神經(jīng)元到輸出層第l個神經(jīng)元的權(quán)值；φ1和φ2分別為隱層和輸出層神經(jīng)元的激活函數(shù)；θi為隱層第i個神經(jīng)元的閾值；[x1n,x2n, …,xMn]為第n個樣本的輸入數(shù)組；Fl為輸出層第l個神經(jīng)元針對第n個樣本的輸出。

涉及充油電氣設(shè)備故障診斷時就是實(shí)現(xiàn)從輸入特征氣體濃度或比例到故障類型的映射。由于理論上多層前饋神經(jīng)網(wǎng)絡(luò)具有逼近任意復(fù)雜映射的能力，因此它在充油電氣設(shè)備故障診斷中應(yīng)用最為廣泛。一般來說，隱層數(shù)量越多，隱層神經(jīng)元數(shù)量越多，則網(wǎng)絡(luò)的逼近(學(xué)習(xí))能力就越強(qiáng)，但網(wǎng)絡(luò)的泛化能力就越差，會影響診斷的準(zhǔn)確性。所以隱層數(shù)量和隱層神經(jīng)元數(shù)量應(yīng)該在滿足訓(xùn)練誤差的要求下取最小值。而輸入層和輸出層神經(jīng)元數(shù)量分別由特征氣體數(shù)量和故障類型數(shù)量決定。一旦網(wǎng)絡(luò)結(jié)構(gòu)確定，剩下的關(guān)鍵問題就是采用優(yōu)化算法調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值，使針對訓(xùn)練樣本輸出結(jié)果的誤差小于一定值。網(wǎng)絡(luò)訓(xùn)練目標(biāo)從數(shù)學(xué)角度來說就是讓式(2)趨于最小化。

(2)

式(2)中：Q為訓(xùn)練樣本數(shù)量；εln為針對第n個樣本神經(jīng)網(wǎng)絡(luò)輸出層第l個神經(jīng)元輸出的目標(biāo)值。

其本質(zhì)上是一個非線性最小二乘問題，常規(guī)的反向傳播(back propagation，BP)算法采用誤差的一階梯度來修正網(wǎng)絡(luò)的權(quán)值和閾值[19]。設(shè)神經(jīng)網(wǎng)絡(luò)可調(diào)變量有K個，網(wǎng)絡(luò)可調(diào)變量的調(diào)整公式如式(3)所示。

(3)

式(3)中：ωi為神經(jīng)網(wǎng)絡(luò)第i個可調(diào)變量；k為迭代次數(shù)；η為學(xué)習(xí)步長。注意，ωi與式(1)中的ω1ij和ω2jk構(gòu)成相同的變量，即它們分別都構(gòu)成神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，只是為了表述方便，將下標(biāo)進(jìn)行調(diào)整。

常規(guī)的BP算法計(jì)算速度慢、容易陷入局部極小點(diǎn)，為了提高學(xué)習(xí)能力則要求增加隱層神經(jīng)元數(shù)量，這容易使神經(jīng)網(wǎng)絡(luò)診斷的準(zhǔn)確性下降。為了解決這一問題，提出了多種改進(jìn)算法，典型的有RPROP算法[18]、共軛梯度法[21]以及基于二階梯度的擬牛頓法[21]和列文伯格-馬夸爾特法(Levenberg-Marquardt, LM)算法[17]。

采用RPROP算法[18]時，網(wǎng)絡(luò)可調(diào)變量的調(diào)整公式為

ωi(k+1)=ωi(k)+Δωi(k)，i=1, 2, …,K

(4)

式(4)中：Δωi為第i個可調(diào)變量的增量，可表示為

Δωi(k)=

(5)

Δi(k)=

(6)

采用共軛梯度法[21]訓(xùn)練時神經(jīng)網(wǎng)絡(luò)可調(diào)變量增量的調(diào)整公式為

(7)

式(7)中：β為共軛因子，表示為

(8)

采用擬牛頓法[21]訓(xùn)練時神經(jīng)網(wǎng)絡(luò)可調(diào)變量的調(diào)整公式為

W(k+1)=W(k)-H(k)-1G(k)

(9)

式(9)中:G為梯度向量，G=[G1,G2, …,GK]T；H為K×K的Hessian矩陣，Hij為其第i行、第j列元素；W為神經(jīng)網(wǎng)絡(luò)變量(權(quán)值和閾值)構(gòu)成的列向量，W=[ω1,ω2, …,ωK]。Gi和Hij表示為

(10)

(11)

為了防止步長調(diào)整過大，引入可變參數(shù)λ，LM算法網(wǎng)絡(luò)可調(diào)變量的調(diào)整公式為

W(k+1)=W(k)-(JTJ+λI)-1JTe[W(k)]

(12)

式(12)中：e為神經(jīng)網(wǎng)絡(luò)輸出誤差列向量，考慮到樣本數(shù)量為Q，則其元素?cái)?shù)量為QL，e=[e1,e2, …,eSL]T；I為K階單位矩陣；J為Jacobian矩陣，Jij為其第i行、第j列元素，表示為

(13)

2.2 神經(jīng)網(wǎng)絡(luò)輸出的可靠性

(14)

式(14)中：σ為標(biāo)準(zhǔn)差；m為與x維數(shù)一樣的向量。

如果采用該網(wǎng)絡(luò)對函數(shù)進(jìn)行逼近[19, 22]，則有

(15)

式(15)中：φ(x,W)為待逼近的真實(shí)函數(shù)；p(x)為輸入樣本出現(xiàn)的概率密度。

網(wǎng)絡(luò)輸出的均值和方差[19]分別為

E(x,W)=φ(x,W)

(16)

V(x,W)=Lσ2

(17)

可見，輸出是給定輸入下的條件均值，采用同樣訓(xùn)練集訓(xùn)練得到不同神經(jīng)網(wǎng)絡(luò)輸出的均值作為最終的輸出能減少神經(jīng)網(wǎng)絡(luò)的誤差。神經(jīng)網(wǎng)絡(luò)輸出(診斷結(jié)果)的可靠性可以用不同神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的方差來衡量，方差越大則可靠性越低。這也容易理解，對于出現(xiàn)概率p(x)大的樣本，由于附近可用于學(xué)習(xí)的樣本數(shù)量多，不同實(shí)現(xiàn)方式下神經(jīng)網(wǎng)絡(luò)針對同一個樣本計(jì)算得到網(wǎng)絡(luò)的輸出結(jié)果會非常接近，這時輸出結(jié)果的可靠性也較高；對于出現(xiàn)概率p(x)小的樣本，由于可用于學(xué)習(xí)的樣本數(shù)量少，隨機(jī)性就偏大，輸出結(jié)果可靠性偏低。

以上的同樣訓(xùn)練集訓(xùn)練得到不同神經(jīng)網(wǎng)絡(luò)可以采用不同訓(xùn)練算法、隱層神經(jīng)元數(shù)量、初始權(quán)值和閾值的多層前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得。

下面以不同初始權(quán)值和閾值的多層前饋神經(jīng)網(wǎng)絡(luò)對3次多項(xiàng)式的學(xué)習(xí)效果來驗(yàn)證以上分析。根據(jù)[x,y],y=x3,x=-3, -2.9, …, -1.8, 1.8, 1.9, …, 3對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元數(shù)量為3，利用RPROP算法訓(xùn)練，不同權(quán)值和閾值下訓(xùn)練得到10個神經(jīng)網(wǎng)絡(luò)。3次多項(xiàng)式、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，訓(xùn)練后網(wǎng)絡(luò)輸出結(jié)果及10個神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的均值如圖2所示。由圖2可知，對于訓(xùn)練樣本密集的-3≤x≤-1.8和1.8≤x≤3范圍內(nèi)訓(xùn)練得到不同神經(jīng)網(wǎng)絡(luò)的輸出非常接近，而對于沒有訓(xùn)練樣本的-1.8≤x≤1.8范圍內(nèi)多個神經(jīng)網(wǎng)絡(luò)的輸出差別較大，這也就意味著輸出的標(biāo)準(zhǔn)差較大，而此時的輸出準(zhǔn)確性偏低，實(shí)際上不同訓(xùn)練算法也有類似的結(jié)果。這也驗(yàn)證了根據(jù)不同訓(xùn)練算法、隱層神經(jīng)元數(shù)量、初始權(quán)值和閾值訓(xùn)練得到多個網(wǎng)絡(luò)的輸出的標(biāo)準(zhǔn)差可以判斷網(wǎng)絡(luò)輸出結(jié)果的可靠性。另外，10個網(wǎng)絡(luò)輸出結(jié)果的均值更加接近準(zhǔn)確值，這也為后續(xù)減少診斷誤差指明了方向。

圖2 神經(jīng)網(wǎng)絡(luò)對y=x3的擬合效果Fig.2 Fitting results of y=x3 by ANNs

3 神經(jīng)網(wǎng)絡(luò)及訓(xùn)練

3.1 油色譜樣本

從現(xiàn)有文獻(xiàn)中選擇典型的175組故障特征氣體作為訓(xùn)練樣本，另外的191組樣本作為測試樣本，兩類樣本的統(tǒng)計(jì)如表2所示。由于公開發(fā)表文獻(xiàn)中低溫過熱故障偏少，所以用于訓(xùn)練和測試的樣本中該類型故障的樣本也偏少。

表2 不同故障類型的訓(xùn)練和測試樣本數(shù)量

3.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由于故障診斷用的特征氣體分別為H2、CH4、C2H6、C2H4和C2H2，故輸入神經(jīng)元數(shù)量為6。輸出為6種類型故障，即低溫過熱、中溫過熱、高溫過熱、局部放電、火花放電和電弧放電；故輸出層神經(jīng)元數(shù)量也為6?？紤]到訓(xùn)練樣本的數(shù)量以及分布，同時考慮到訓(xùn)練算法的性能以及為了使訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)具有更好的診斷準(zhǔn)確性，努力壓縮隱層神經(jīng)元的數(shù)量和個數(shù)，經(jīng)過不斷嘗試隱層數(shù)量選擇1，隱層神經(jīng)元數(shù)量選擇18～22。隱層和輸出層神經(jīng)元的激活函數(shù)分別為sigmoid函數(shù)和線性函數(shù)?？紤]到實(shí)際情況下特征氣體濃度可能會在很大范圍內(nèi)變化，故用于訓(xùn)練的輸入數(shù)據(jù)為每種氣體濃度與總氣體濃度的比值。對于輸出結(jié)果，如果屬于該類故障則對應(yīng)的神經(jīng)元應(yīng)該輸出為1，其他神經(jīng)元應(yīng)該輸出為0。

3.3 訓(xùn)練結(jié)果

訓(xùn)練目標(biāo)的均方誤差為0.01，采用自適應(yīng)修正網(wǎng)絡(luò)結(jié)構(gòu)方式，即初始隱層神經(jīng)元數(shù)量為18，如果5次訓(xùn)練仍不收斂，則隱層神經(jīng)元數(shù)量加1，直至滿足訓(xùn)練目標(biāo)。如果隱層神經(jīng)元數(shù)量大于22，則設(shè)置初始隱層初始神經(jīng)元數(shù)量為18后重新開始計(jì)算，重復(fù)直至訓(xùn)練得到滿足要求的神經(jīng)網(wǎng)絡(luò)。最后針對4種算法成功訓(xùn)練得到10個神經(jīng)網(wǎng)絡(luò)。

4種訓(xùn)練算法的均方誤差隨迭代次數(shù)的變化如圖3所示。針對每種類型的訓(xùn)練樣本，每種訓(xùn)練算法得到10個神經(jīng)網(wǎng)絡(luò)診斷準(zhǔn)確性的均值如表3所示。除了低溫過熱樣本診斷準(zhǔn)確性略低外，其他故障診斷準(zhǔn)確性足夠高，這表明訓(xùn)練得到網(wǎng)絡(luò)較好地學(xué)習(xí)到了訓(xùn)練樣本中隱含的故障診斷規(guī)則。注意，輸出層6個神經(jīng)元的輸出中，與1最為接近神經(jīng)元的輸出被診斷為該神經(jīng)元對應(yīng)的故障。表4所示為針對所有訓(xùn)練樣本，4種訓(xùn)練算法得到神經(jīng)網(wǎng)絡(luò)診斷準(zhǔn)確性的均值和10個神經(jīng)網(wǎng)絡(luò)輸出均值對應(yīng)的故障診斷準(zhǔn)確性。由表4可知，不同算法訓(xùn)練得到網(wǎng)絡(luò)診斷準(zhǔn)確性的平均值比較接近，基本在97.66%～98.4%范圍內(nèi)變化。通過對10個神經(jīng)網(wǎng)絡(luò)的輸出取平均值，診斷的準(zhǔn)確性得到了提高，達(dá)到了98.86%～100%，4種算法訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確性也比較接近。對10個網(wǎng)絡(luò)輸出求平均后，診斷的準(zhǔn)確性提高了0.91%～1.89%，均值為1.26%。以上結(jié)果有效驗(yàn)證了采用同樣訓(xùn)練集，不同權(quán)值和閾值、網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練得到不同神經(jīng)網(wǎng)絡(luò)輸出的均值作為最終的輸出能減少神經(jīng)網(wǎng)絡(luò)的診斷誤差。

以上4種算法成功訓(xùn)練完成一個神經(jīng)網(wǎng)絡(luò)需要的時間分別為137.52、718.44、127.32、113.15 s。由此可見，RPROP算法、擬牛頓法和LM算法的訓(xùn)練時間非常接近，而共軛梯度法的訓(xùn)練時間為其他3種算法的6倍左右。

圖3 訓(xùn)練誤差與迭代次數(shù)的關(guān)系Fig.3 Change of error with iteration number

表3 采用不同算法得到神經(jīng)網(wǎng)絡(luò)針對訓(xùn)練樣本的故障診斷準(zhǔn)確性

表4 常規(guī)神經(jīng)網(wǎng)絡(luò)方法和本文提出神經(jīng)網(wǎng)絡(luò)方法針對訓(xùn)練樣本的故障診斷準(zhǔn)確性

4 實(shí)際案例驗(yàn)證

經(jīng)過嘗試采用式(18)來實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)輸出(診斷結(jié)果)可靠性指標(biāo)R的計(jì)算，該指標(biāo)越接近于1，則診斷結(jié)果的可靠性越高。

R=exp(-2σ1)

(18)

式(18)中：σ1為輸出結(jié)果的標(biāo)準(zhǔn)差。

對于每種算法訓(xùn)練完成的10個神經(jīng)網(wǎng)絡(luò)，針對測試樣本診斷準(zhǔn)確性均值如表5所示，把10個神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果求平均得到不同訓(xùn)練算法對應(yīng)網(wǎng)絡(luò)診斷準(zhǔn)確性以及10個神經(jīng)網(wǎng)絡(luò)診斷準(zhǔn)確性的均值如表6所示。表5中對于低溫過熱故障各種算法訓(xùn)練得到網(wǎng)絡(luò)的診斷準(zhǔn)確性均不高，這是因?yàn)榈蜏剡^熱故障的樣本較少，訓(xùn)練樣本過少不能有效學(xué)習(xí)到對應(yīng)的診斷規(guī)則。對于局部放電和火花放電網(wǎng)絡(luò)的診斷準(zhǔn)確性也不是很高，這可能是因?yàn)檫@些故障對應(yīng)的訓(xùn)練樣本不能對理論(測試)樣本空間進(jìn)行很好的覆蓋，導(dǎo)致訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)不能有效學(xué)習(xí)到故障診斷規(guī)則所致。隨著后期有效的訓(xùn)練樣本的增加，故障診斷的準(zhǔn)確性有望進(jìn)一步提高。

由表6可知，不同算法訓(xùn)練得到網(wǎng)絡(luò)診斷準(zhǔn)確性的平均值比較接近，基本在86.81%～89.21%范圍內(nèi)變化。通過對10個神經(jīng)網(wǎng)絡(luò)的輸出取平均值，診斷的準(zhǔn)確性得到了提高，達(dá)到了88.48%～92.15%。即對輸出求平均后診斷的準(zhǔn)確性提高了1.68%～3.82%，均值為2.57%。以上結(jié)果有效驗(yàn)證了第2節(jié)提到的采用同樣訓(xùn)練集訓(xùn)練得到不同神經(jīng)網(wǎng)絡(luò)輸出的均值作為最終的輸出能減少神經(jīng)網(wǎng)絡(luò)的診斷誤差。

下面用2個典型測試樣本及結(jié)果進(jìn)一步展示本文方法的效果。2個典型樣本的故障特征氣體濃度如表7所示，樣本1[23]是針對遼寧某發(fā)電廠1號主變壓器型號為SFPS-120000/220的油色譜數(shù)據(jù)，樣本2[22]為針對直屬某電廠500/220 kV聯(lián)絡(luò)變壓器，C相，型號為ODFPSZ-120000/500的油色譜數(shù)據(jù)。其中樣本1多個神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果一致，為診斷可靠性較高的情況；樣本2為多個神經(jīng)網(wǎng)絡(luò)輸出結(jié)果差別較大，半數(shù)及以上神經(jīng)網(wǎng)絡(luò)出現(xiàn)誤診斷的情況，為單一神經(jīng)網(wǎng)絡(luò)診斷可靠性較低的情況。樣本1和樣本2典型測試樣本網(wǎng)絡(luò)輸出的范圍、均值、標(biāo)準(zhǔn)差和診斷結(jié)果的可靠性分別如表8和表9所示。

由表8可知，4種算法訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)均診斷為火花放電，且可靠性指標(biāo)接近于1，故障診斷的可靠性較高。這表明神經(jīng)網(wǎng)絡(luò)有效學(xué)習(xí)到了針對該樣本的故障診斷規(guī)則，多種情況下診斷結(jié)果能互相驗(yàn)證，診斷可靠性高，這與本文方法的診斷結(jié)果吻合。實(shí)際吊罩檢查結(jié)果為66 kV一套管均壓球松動，并有放電痕跡，均壓球內(nèi)有大量游離碳[22]，神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果與實(shí)際結(jié)果基本吻合。對于樣本2，不同訓(xùn)練算法、初值權(quán)值和閾值、結(jié)構(gòu)下訓(xùn)練得到網(wǎng)絡(luò)的診斷結(jié)果有低溫過熱、中溫過熱、高溫過熱、局部放電、火花放電和電弧放電，另外多個網(wǎng)絡(luò)輸出結(jié)果標(biāo)準(zhǔn)差整體偏大，多個故障類型對應(yīng)的可靠性指標(biāo)偏低，這能很好地給用戶警示，說明此時各個神經(jīng)網(wǎng)絡(luò)診斷結(jié)果的可靠性偏低。而對各種算法訓(xùn)練得到的10個神經(jīng)網(wǎng)絡(luò)的輸出取平均值后得到的故障診斷結(jié)果均為火花放電。實(shí)際吊罩檢查結(jié)果為均壓球與導(dǎo)管接觸不良，造成導(dǎo)管與均壓球之間產(chǎn)生懸浮電位放電，球內(nèi)積存了大量游離碳[22]，神經(jīng)網(wǎng)絡(luò)診斷結(jié)果與實(shí)際情況能基本吻合。

表5 采用不同算法得到神經(jīng)網(wǎng)絡(luò)針對測試樣本的故障診斷準(zhǔn)確性

表6 常規(guī)神經(jīng)網(wǎng)絡(luò)方法和本文提出神經(jīng)網(wǎng)絡(luò)方法針對訓(xùn)練樣本的故障診斷準(zhǔn)確性

表7 2個典型測試樣本的特征氣體濃度

表8 樣本1的網(wǎng)絡(luò)輸出、標(biāo)準(zhǔn)差及對應(yīng)的可靠性

表9 樣本2的網(wǎng)絡(luò)輸出、標(biāo)準(zhǔn)差及對應(yīng)的可靠性Table 9 Output and standard deviation, fault diagnosis reliability of ANNs for the second sample

5 結(jié)論

根據(jù)搜集得到的大量油色譜樣本，分別采用RPROP算法、共軛梯度法、擬牛頓法和LM算法針對不同權(quán)值和閾值、網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練多個神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)應(yīng)用于基于油色譜的充油電氣設(shè)備故障診斷，得到的結(jié)論如下。

(1)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相似時，4種算法訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)具有相近的故障診斷準(zhǔn)確性，但從訓(xùn)練時間上看，RPROP算法、擬牛頓法和LM算法非常接近，而共軛梯度法的訓(xùn)練時間為其他3種算法的6倍左右。

(2)使用不同網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練算法、初始權(quán)值和閾值訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的標(biāo)準(zhǔn)差可以獲得診斷結(jié)果的可靠性，為神經(jīng)網(wǎng)絡(luò)診斷提供了另外一個維度的信息。

(3)將不同網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練算法、初始權(quán)值和閾值訓(xùn)練得到神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的均值作為診斷結(jié)果可以提高診斷的準(zhǔn)確性。