基于復(fù)合神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷研究

繆 薇

(江蘇省江都水利工程管理處,江蘇 揚(yáng)州 225200)

0 引 言

變壓器作為江都水利樞紐工程的重要電力設(shè)備,能否正常工作,對于泵站工程運(yùn)行尤為重要。變壓器一旦出現(xiàn)故障,若不能及時(shí)發(fā)現(xiàn),將會(huì)對泵站工程造成重大損失。由于電網(wǎng)系統(tǒng)結(jié)構(gòu)的復(fù)雜性及變壓器的重要性,所以對變壓器進(jìn)行故障診斷具有重要意義[1-2]。

對變壓器進(jìn)行故障檢測存在一定的困難:一是故障出現(xiàn)后,需要對故障類型作出準(zhǔn)確判斷,以采取相應(yīng)的措施;二是對于出現(xiàn)故障的變壓器,不僅要判斷出其存在故障,還要判斷故障點(diǎn)的位置,并快速進(jìn)行檢修,以縮短停電時(shí)間?？梢圆捎枚喾N方式對變壓器進(jìn)行故障診斷,神經(jīng)網(wǎng)絡(luò)、遺傳算法等不同的技術(shù)表現(xiàn)出不同的診斷效果,對于變壓器的故障來說,能夠快速診斷故障最為重要[3-4]。因此,對于電力系統(tǒng),需要采用先進(jìn)的診斷手段和方法,對變壓器故障進(jìn)行診斷,以排除故障,使電力系統(tǒng)快速恢復(fù)正常運(yùn)行。

1 變壓器常見故障及故障采集

1.1 變壓器常見故障

江都水利樞紐工程的4座大型電力抽水站正常工作離不開電力變壓器,變壓器是保障水利工程運(yùn)行的重要設(shè)備[5]。江都站變電所及江都四站變壓器為油浸式變壓器,油浸式變壓器的重要物質(zhì)是絕緣油,絕緣油的作用是絕緣、冷卻、滅弧等[6-7]。

變壓器工作過程中出現(xiàn)的故障有多種,為了更好地診斷故障,需對故障進(jìn)行分類。變壓器故障分為內(nèi)部和外部油箱故障,變壓器故障出現(xiàn)的類型如表1所示。

表1 變壓器故障發(fā)生類型

1.2 變壓器故障采集

變壓器是電網(wǎng)系統(tǒng)的重要設(shè)備,對變壓器進(jìn)行故障診斷時(shí),需要確定診斷的目標(biāo),從而針對性地進(jìn)行診斷[8]。變壓器油箱、絕緣線、開關(guān)等都有出現(xiàn)故障的可能,采取合適的故障信號(hào)采集方法,可提高變壓器故障檢測的準(zhǔn)確率和診斷效率。

2 基于QIA-RBF復(fù)合神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷

采用神經(jīng)網(wǎng)絡(luò)對變壓器故障進(jìn)行診斷是計(jì)算機(jī)技術(shù)快速發(fā)展的結(jié)果,變壓器釋放出的信號(hào)被檢測系統(tǒng)接收,經(jīng)過神經(jīng)網(wǎng)絡(luò)的樣本訓(xùn)練,然后開展尋優(yōu)工作,找到變壓器存在的故障。

2.1 RBF網(wǎng)絡(luò)設(shè)計(jì)

采用QIA-RBF復(fù)合型神經(jīng)網(wǎng)絡(luò)對變壓器故障進(jìn)行診斷,首先要設(shè)計(jì)RBF神經(jīng)網(wǎng)絡(luò)算法,這是進(jìn)行復(fù)合神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的第一步。RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)包括選取參數(shù)、確定編碼方式、建立親和度函數(shù)等流程。

2.1.1 編碼方式的確立

根據(jù)變壓器油中析出氣體種類的不同能夠?qū)ψ儔浩鞴收线M(jìn)行判斷,這是設(shè)計(jì)編碼方式的基礎(chǔ)。不同的變壓器故障類型可以作為一個(gè)種群,理論上種群可以無限進(jìn)化。設(shè)初始種群Q(t)=(q1,q2,…,qn),其中t為種群進(jìn)化代數(shù),n為初始種群規(guī)模,qi(i=1,2,…,n)為種群第t代中的第i個(gè)抗體。變壓器可能存在多種不同的故障類型,將這些類型看作染色體,基因表示氣體種類與氣體含量,然后進(jìn)行后續(xù)處理。

經(jīng)過迭代,可以計(jì)算得到第t代第i個(gè)故障q編碼方式為

(1)

式中:m為種群中染色體上基因個(gè)數(shù);k為編碼基因個(gè)數(shù);α、β為2個(gè)復(fù)數(shù),用于表示故障類型,兩者平方和為1。

2.1.2 親和度函數(shù)的建立

種群搜索中,親和度函數(shù)是對變壓器故障進(jìn)行診斷的關(guān)鍵,析出氣體的種類與故障的類型匹配需要依靠親和度函數(shù)進(jìn)行判斷。親和度函數(shù)表明了析出氣體與故障類型的一種函數(shù)關(guān)系,選擇合適的親和度函數(shù),有利于提高變壓器故障診斷的準(zhǔn)確性。根據(jù)復(fù)合神經(jīng)網(wǎng)絡(luò)變壓器故障診斷特點(diǎn),結(jié)合油浸式變壓器析出氣體,對親和度函數(shù)進(jìn)行選擇和建立。親和度函數(shù)為實(shí)際輸出與期望輸出誤差平方和的倒數(shù),用來判斷變壓器故障類型,具體的函數(shù)表達(dá)式見式(2)和式(3)。

(2)

(3)

式中:f(i)為抗體i親和度值;i為種群規(guī)模;E為預(yù)估值和真實(shí)值的誤差平方和;n為輸入樣本;m為輸出層節(jié)點(diǎn);yij為實(shí)際輸出結(jié)果;y′ij為期望輸出結(jié)果。

神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)如圖1所示。神經(jīng)網(wǎng)絡(luò)流程設(shè)計(jì)好后,根據(jù)流程可以對變壓器故障進(jìn)行診斷,從而及時(shí)發(fā)現(xiàn)變壓器故障。

圖1 神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)

2.2 量子免疫算法

量子免疫算法(quantum immune algorithm, QIA)是以免疫算法為主,結(jié)合免疫理論與量子搜索2種方式,利用量子比特疊加性對數(shù)據(jù)進(jìn)行編碼的一種算法[9]。

為了弱化過早收斂的現(xiàn)象,在免疫算法中添加量子比特的概念,增強(qiáng)搜索能力,節(jié)約訓(xùn)練時(shí)間,避免了QIA隨機(jī)概率性。

2.3 故障診斷流程

為了提高變壓器故障診斷準(zhǔn)確性,將RBF智能網(wǎng)絡(luò)與QIA算法進(jìn)行結(jié)合,組成復(fù)合神經(jīng)網(wǎng)絡(luò)對變壓器進(jìn)行故障診斷,設(shè)置故障診斷的流程。

1)賦值變壓器異常。當(dāng)復(fù)合神經(jīng)網(wǎng)絡(luò)檢測到一種故障時(shí),故障結(jié)果嚴(yán)重,對變量賦值為1;變壓器無異常時(shí),變量賦值為0;變壓器異常較小時(shí),賦值0.1;變壓器中等異常時(shí),賦值為0.5。

2)根據(jù)人工定期巡檢。選擇變壓器故障的樣本數(shù)量,一般為500或者1 000個(gè)樣本。變壓器故障檢測過程中選擇不同情況,一般為安全運(yùn)行、巡檢、停機(jī)3種類型。

3)輸入量選擇1 000個(gè)樣本數(shù)據(jù),輸出結(jié)果為變壓器的診斷結(jié)果。進(jìn)行RBF網(wǎng)絡(luò)訓(xùn)練,確定矩陣和關(guān)鍵參數(shù),提高訓(xùn)練效率。

4)對于確定的RBF網(wǎng)絡(luò),分析變壓器的異常類型,開展神經(jīng)網(wǎng)絡(luò)在線故障診斷,設(shè)定智能分析模型,隨時(shí)發(fā)現(xiàn)故障。

5)復(fù)合神經(jīng)網(wǎng)絡(luò)輸出變壓器故障的診斷結(jié)果,比較不同的輸出結(jié)果,根據(jù)輸出結(jié)果判斷變壓器故障類型。

若RBF神經(jīng)網(wǎng)絡(luò)輸出結(jié)果O(k)>1,則需要對變壓器進(jìn)行停機(jī)檢查,不能讓其繼續(xù)工作;若RBF神經(jīng)網(wǎng)絡(luò)診斷輸出結(jié)果O(k)<0.5,判斷變壓器異常較小或無異常,可以繼續(xù)工作;若RBF輸出結(jié)果0.5

3 變壓器故障診斷研究

3.1 RBF網(wǎng)絡(luò)的收斂性

復(fù)合神經(jīng)網(wǎng)絡(luò)對變壓器故障進(jìn)行診斷需要驗(yàn)證收斂特性。選取500組和1 000組測試數(shù)據(jù),對其結(jié)果進(jìn)行驗(yàn)證,繪制成數(shù)據(jù)圖,得到RBF網(wǎng)絡(luò)迭代收斂曲線,如圖2所示。

圖2 RBF 網(wǎng)絡(luò)迭代收斂特性

3.2 復(fù)合QIA與RBF神經(jīng)網(wǎng)絡(luò)

進(jìn)行變壓器故障診斷時(shí),單一的神經(jīng)網(wǎng)絡(luò)和算法存在一定的不足,無法精確完成變壓器故障診斷工作,將QIA與RBF神經(jīng)網(wǎng)絡(luò)復(fù)合起來,可以改善和提高神經(jīng)網(wǎng)絡(luò)收斂與搜索能力。為了考查單純的RBP神經(jīng)網(wǎng)絡(luò)和QIA-RBP神經(jīng)網(wǎng)絡(luò)對變壓器故障的診斷效果,對兩者進(jìn)行測試和比較。對兩者各30組數(shù)據(jù)進(jìn)行變壓器故障診斷測試,考查測試誤差和測試精度,測試結(jié)果對比如表2所示。

表2 RBF 神經(jīng)網(wǎng)絡(luò)與QIA-RBF 神經(jīng)網(wǎng)絡(luò)測試對比

由表2可知,2種測試方法對樣本的測試結(jié)果的誤差存在差異,QIA-RBF網(wǎng)絡(luò)較單純RBF網(wǎng)絡(luò)誤差大。QIA-RBF網(wǎng)絡(luò)測試結(jié)果平均誤差為0.110 1,最大誤差為0.499 9;單純RBF網(wǎng)絡(luò)平均誤差為0.209 3,最大誤差為0.521 3;QIA-RBF網(wǎng)絡(luò)比單純RBF網(wǎng)絡(luò)誤差低9.92%,QIA-RBF網(wǎng)絡(luò)對變壓器的故障診斷精度高于單一的RBF神經(jīng)網(wǎng)絡(luò)。

為了能夠更加準(zhǔn)確地對變壓器進(jìn)行診斷,減少變壓器故障發(fā)生頻率,直觀表現(xiàn)兩者測試結(jié)果的差異,對變壓器故障診斷的2種方式繪制折線圖,樣本數(shù)量為30,對比結(jié)果如圖3所示。

圖3 RBF與QIA-RBF神經(jīng)網(wǎng)絡(luò)誤差對比折線圖

由圖3可知,30組樣本數(shù)據(jù)測試結(jié)果顯示QIA-RBF網(wǎng)絡(luò)誤差較小,而單純RBF網(wǎng)絡(luò)誤差較大。為了驗(yàn)證復(fù)合神經(jīng)網(wǎng)絡(luò)對變壓器故障類型診斷效果,選擇60組樣本,將實(shí)際故障、RBP神經(jīng)網(wǎng)絡(luò)診斷故障、QIA-RBF神經(jīng)網(wǎng)絡(luò)診斷故障三者進(jìn)行對比,結(jié)果如圖4所示。

圖4 實(shí)際測試與預(yù)測結(jié)果對比折線圖

由圖4可知,將QIA與RBF結(jié)合進(jìn)行變壓器故障診斷,復(fù)合后的神經(jīng)網(wǎng)絡(luò)對變壓器故障的診斷正確率更高。在所測試的60組數(shù)據(jù)中,復(fù)合QIA與RBF的神經(jīng)網(wǎng)絡(luò)對變壓器故障的診斷僅有4組誤判,而RBF神經(jīng)網(wǎng)絡(luò)有10組診斷錯(cuò)誤。由此可知,QIA與RBF復(fù)合后對于變壓器故障診斷的準(zhǔn)確性更高,能夠滿足變壓器故障診斷的需要。

4 結(jié) 語

根據(jù)變壓器工作環(huán)境,提岀一種基于QIA-RBF復(fù)合神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法。對變壓器常見故障進(jìn)行分析,對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)計(jì),結(jié)合QIA免疫算法制定變壓器故障診斷流程。開展變壓器故障診斷研究,分析RBF網(wǎng)絡(luò)結(jié)構(gòu)的收斂性,對復(fù)合神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)診斷結(jié)果進(jìn)行分析,所得結(jié)論如下。

QIA-RBF網(wǎng)絡(luò)測試所得的平均誤差低于單純RBF網(wǎng)絡(luò),在變壓器故障檢測中,QIA-RBF網(wǎng)絡(luò)的故障診斷精度高于單一的RBF神經(jīng)網(wǎng)絡(luò)。對比所測試60組故障類型,對變壓器故障診斷時(shí),復(fù)合QIA與RBF的神經(jīng)網(wǎng)絡(luò)更接近實(shí)際故障,誤判僅4組,遠(yuǎn)低于RBF神經(jīng)網(wǎng)絡(luò)的故障誤判組數(shù)。表明QIA與RBF復(fù)合后更適合用于變壓器故障診斷。