电气工程及其自动化专业论文 基于油中溶解气体分析的电力变压器故障诊断研究.doc

ixx大学毕业论文基于油中溶解气体分析的电力变压器故障诊断研究院部机械与电子工程学院专业班级电气工程及其自动化5班届次2015届学生姓名xxxxxx学号xxxxxxxx指导教师xxxx副教授装订线ii二一五年六月五日i目录摘要IAbstractII1前言111电力变压器故障诊断的重要意义112电力变压器故障诊断背景213变压器故障诊断技术的发展2131专家系统2132人工神经网络3133变压器DGA技术32变压器的故障类型及诊断方法421电力变压器的类型与结构422电力变压器的绝缘结构523变压器故障的原因与种类6231变压器故障的原因6232变压器故障的种类624电力变压器油中溶解气体分析7241电力变压器内气体析出的原因7242变压器内部故障类型与油中溶解气体含量的关系8243三比值法825意义103人工神经网络1131人工神经网络概述11311人工神经网络理论11312人工神经网络的特点11313人工神经网络基础1132神经网络的分类1233BP人工神经网络的学习过程13331BP人工神经网络的拓扑结构13332BP网络的训练过程概述144变压器故障诊断中的BP网络设计1741引言1742基于BP网络的诊断方法的设计17421输入层设计17422输出层设计1743样本的收集1844隐含层层数和节点数的确定2045BP网络结构中参数的确定2146结果分析215今后待研究的问题21参考文献22致谢23iiContentsChineseAbstractIEnglishAbstractII1Introduction111Theimportanceofpowertransformerfaultdiagnosis112Faultdiagnosisofpowertransformersbackground213Developmentofthefaultdiagnosistechnologyoftransformer2131ExpertSystem2132Anartificialneuralnetwork3133DissolvedGasAnalysis32Transformerfaulttypeanditsdiagnosismethod421Typesandstructuresofpowertransformer422Powertransformerinsulationsystems523Faultcausesandtypes6231Causetransformerfailure6232Transformerfaulttype624Analysisofdissolvedgasesintransformeroil7241Powertransformersinthegassingbecause7242Transformerfaultswithdissolvedgascontentoftherelationship82433ratiomethod825significance103Artificialneuralnetwork1131Overviewofartificialneuralnetwork11311Theoryofartificialneuralnetwork11312Characteristicsoftheartificialneuralnetwork11313Thebasisofartificialneuralnetwork1132Classificationofneuralnetworks1233BPartificialneuralnetworksforlearning13331ThetopologyofBPartificialneuralnetwork13332BPnetworktrainingcourseoverview144DesignofBPnetworkintransformerfaultdiagnosis1741Introduction1742DesignofdiagnosismethodbasedonBPnetwork17421Theinputlayerdesign17422Outputlayerdesign1743Samplecollection1844Determinationoflayersandthenumberofnodesinthehiddenlayer2045ThestructureparametersofBPnetworkstodetermine2146Analysisofresults215Issuestobestudiedinthefuture21References22Acknowledgment23I基于油中溶解气体分析的电力变压器故障诊断研究作者马海祥指导教师刘平山东农业大学机械与电子工程学院讲师摘要电力变压器是电力系统中核心设备之一它的安全稳定运行将直接影响供电可靠性和系统正常运行电力变压器承担着电压变换电能分配的重要作用电力变压器正常运行保证电力系统安全可靠优质经济的运行必须最大限度避免和减少电力变压器故障和事故的发生对电力设备进行在线监测与故障诊断是实现设备预知性维修的前提也是保证设备安全运行的关键变压器油中溶解的气体含量和成分可以有效体现运行中变压器内部的绝缘故障情况关键词电力变压器溶解气体分析故障诊断神经网络IIBasedontheAnalysisofGasesDissolvedinTransformerOilPowerTransformerFaultDiagnosisResearchAuthorHaixiangMaSupervisorLiupingMechanicalampElectricalEngineeringCollegeofShandongAgriculturalUniversityLecturerPowertransformerisoneofthecoreequipmentinthepowersystemitwilldirectlyaffectthesafeandstableoperationofpowersupplyreliabilityandthenormaloperationofsystemBearthevoltagetransformpowertransformerpowerdistributionNormaloperationofpowertransformercanensurepowersystemsafereliablehighqualityeconomicoperationtoavoidandreducethemaximumpowertransformerfaultsandaccidentsForonlinemonitoringandfaultdiagnosisofpowerequipmentandisthepremisetorealizeequipmentunexpectedmaintenancealsoisthekeytoensurethesafeoperationoftheequipmentTheconcentrationofdissolvedgasintransformeroilandingredientscaneffectivelyreflecttheinsulationofthetransformerinternalfaultintheoperationofthesituationThispaperintroducesindetailthetransformerinternalfaultconditionsthecharacteristicandthecontentofdissolvedgasintransformeroilseverityfaultfaulttyperelationshipwithcharacteristicsofgascontentKeywordspowertransformerdissolvedgasanalysisfaultdiagnosisneuralnetwork1前言11电力变压器故障诊断的重要意义随着国民经济的持续快速发展各行各业对供电需求的不断增加我国的电网建设已经从城市孤立电网发展成为大区电网西电东送南北互供全国联网的格局电力系统正在向超高压大电网大容量和自动化的方向发展1近些年由于电网容量的与日俱增以及大部分用电用户对供电可靠性要求的提高电力设施维修费用也在逐年增加如何采取合理的维修策略制定科学的维修计划以保证在较高可靠性的前提下降低维修费用已经变成我国电力行业面临的主要研究课题状态维修是以设备的实际工况为依据通过状态监测可靠性评价及寿命预测等先进技术手段来判断设备的当前状态对故障的部位危害水平以及发展趋势做出判断识别故障的早期征兆并依据分析和诊断结果在设备性能条件下降到一定程度或故障将要发生之前进行维修通过对电力变压器进行定期预防性维护实时监测高压设备的实际运行情况检测与诊断其潜伏性故障或缺陷提高诊断水平努力做到具有针对性的检修及维护以期达到早期识别并预报故障避免恶性事故发生的目的电力变压器是电力系统最重要也最昂贵的设备其安全运行直接关系到电网的供电可靠性变压器故障诊断技术研究是电力变压器状态维修的首要工作鉴于电力变压器老化和故障机理繁杂难懂电力变压器故障诊断技术的研究是一项必要而且相当繁重的任务电力变压器不同运行工况或不同历史运行记录即便是同类电力变压器其状态也有可能不同相同运行工况下不同类型的变压器其状态也有可能不同研究电力变压器的状态与运行工况历史运行记录的关系把握其规律对变压器状态做出准确评估这对变压器实施状态维修降低变压器维修费用和提高变压器可靠性具有重要的理论意义和实际应用价值2运行中的变压器发生的故障不同产生的现象或信息也就不同变压器的故障诊断就是根据变压器故障的征兆对变压器故障的类型部位及危害做出判断变压器绝缘状态监测与故障诊断的作用1判断运行设备当前处于正常状态还是异常状态2若有故障则判断故障的性质种类和原因例如是绝缘故障还是过热故障或机械故障若是绝缘故障则需分辨是绝缘老化受潮若是放电性故障则需要判断是哪种类型的放电等等3根据故障信息或根据其处理结果预测故障的可能发展即对故障的严重程度发展趋势做出诊断4提出控制故障的措施防止和消除故障的方法5提出设备维修的合理方法和相应的反事故措施6对设备的设计制造装配等提出改进意见为设备的现代化管理提供科学依据和建议32国内外许多的资料表明开展故障诊断的经济效益是明显的据日本统计在采用诊断技术后事故率减少75维修费降低2550英国对2000个国营工程的调查表明采用诊断技术后每年节省维修费3亿英镑用于诊断技术的费用仅为05亿英镑净获利25亿英镑如果在在我国将故障诊断技术推广每年可减少事故5070节约维修费用1030效益相当可观12电力变压器故障诊断背景最近几年我国电力行业积极应用在线监测技术开展状态检修加强设备的常规测试及时消除了部分设备的安全隐患避免了一些重大事故的发生根据国家电力监管委员会发布的电力可靠性指标全国电网2004年供电可靠率为99822005年供电可靠率为997662006年供电可靠率为99849这与发达国家的供电可靠率9999相比仍有非常大的差距长期以来我国电力系统的电力设备检修策略主要采用以时间为标准的定期维修虽然定期维修一般可在维修时发现设备存在的缺陷对保证设备的安全和经济运行发挥重大作用但是定期维修存在过剩和不足的缺陷导致了维修费用的浪费和设备可靠性的下降因此国内对从定期维修制到状态维修制的转变表现出了普遍的关注4从以停电进行预防性试验为基础的预防性维修逐步过渡到以在线监测为基础的状态维修是电力系统发展的必然趋势而能否对电力变压器的运行状态进行在线监测及故障诊断则是实现状态维修的关键虽然在设计大型电力变压器时要求它具有相当高的耐热等级足够的电气强度优良的机械性能及良好的工艺性但制造过程中的偶然因素加上运行过程中的电磁力热应力湿热环境环境污染等会造成其性能逐渐劣化而且这种劣化过程具有不可逆和不断加速的特性大量资料表明变压器绝缘性能的劣化是导致事故发生的主要原因据1984年至1986年间我国110kV及以上的电力变压器事故分析表明由于绝缘劣化引起事故的台数占事故总台数的68事故容量为总事故容量的74而1990年的统计分别是76和65513变压器故障诊断技术的发展131专家系统专家系统是一个智能计算机程序系统是人工智能中最活跃的一个应用领域它是一个具有大量的专门知识与经验的程序系统它根据某领域多个专家提供的专业知识进行推理和判断模拟人的决策过程去解决通常需要专家才能解决的复杂问题在年公布的系统是最早用于电力变压器故障诊断的专家系统不久就有许许多多相似的系统被应用到各种实际工程中开发专家系统需要有丰富经验的专家共同参与合作完成考虑到变压器故障诊断的专业性经验性以及复杂性尽管人们在电力变压器绝缘故障诊断专家系统的开发中取得了一些研究成果但同时也存在一定的问题主要表现在如3图所示图专家系统的缺陷132人工神经网络人工神经网络简称是世纪年代以来人工智能领域兴起的研究热点它是在现代神经科学研究成果的基础上提出的试图通过模拟大脑神经网络处理记忆信息的方式进行信息处理最近十年人工神经网络的研究工作不断深入它以非线性并行处理成为主流人工神经理论的发展为故障诊断提供了新的途径国内外学者和专家利用概率神经网络结合遗传算法的多层前馈网络基于竞争学习理论的自组织网络等建立了相应的故障诊断神经网络模型对变压器故障诊断进行了新的探索133变压器DGA技术变压器油中溶解气体分析简称是变压器内部故障诊断的重要手段它为间接了解变压器内部隐患提供了技术支持技术对发现变压器内部潜伏性故障及其发展趋势非常有效因此在电力设备预防性试验中占据重要位置目前及以上等级的大型电力变压器主要是采用油纸绝缘结构在其老化过程中和故障初期油中溶解了由于油纸绝缘劣化所产成的气态化合物低分子烃氢气以及碳的氧化物等利用色谱技术进行定量分析各气体的成分含量和产气快慢推断故障类型及故障危害程度进一步判断设备内部情况这就是变压器溶解气体分析技术我国电网中有一半以上的故障变压器都是通过变压器技术检查出来的的数据采样不需要停电不受外界电磁因素的影响廉价而且技术先进数据精度高技术作为系统中对充油电力设备常规使用的监测手段因其可以及时发现变压器内部存在的潜伏性故障而得到普遍应用知识获取的瓶颈问题诊断推理不确定性问题知识维护困难知识获取主要依靠工程师将该领域专家的知识移植到计算机中导致了诊断系统知识库的不完备当遇到一个没有相应规则与之对应的新故障现象时专家系统显得无能为力对于一些数学相关性不确定的故障现象的诊断其准确性难以保证一般采用较简单的产生式结构构造知识库算法复杂4变压器的故障类型及诊断方法21电力变压器的类型与结构电力变压器的主要作用是在电力系统中调节电压它是各类型变压器中被广泛应用的一种变压器它包含许多其它不同的类型如图21所示图21电力变压器分类从电力变压器的各类型可以看出大型电力变压器基本都是油浸式的油浸式电力变压器的主要结构如图22所示电力变压器单相三相油浸式干式油浸式干式特种式中小型大型特大型额定电压220330KV以上容量在315MVA以上超高压额定电压在500KV以上普通三相干式环氧浇注式三相有载调压气体绝缘变压器蒸发冷却式变压器硅油变压器5图22油浸式电力变压器的结构本文以下内容所指电力变压器均为油浸式电力变压器22电力变压器的绝缘结构国内外生产的电力变压器的主绝缘大多采用油纸绝缘结构绝缘油是天然石油经过蒸馏精炼而获得的一种矿物油它是由各种碳氢化合物所组成的混合物其中CH两元素占全部重量的95以上其余还有SNO及少量的金属元素等电力变压器的绝缘结构系统如图23所示图23变压器绝缘结构油浸式电力变压器器身铁芯绕组绝缘引线和分接开关变压器油油箱包括油箱本体及附件冷却装置保护装置储油柜油表安全气道吸湿器继电器等出线装置高中低瓷套变压器绝缘内绝缘外绝缘绝缘浇注引线及分接开关绝缘套管内绝缘套管下部油中的沿面绝缘主绝缘高压与低压绕组之间相间及对地绝缘引线或分接开关对地或对其他绕组的绝缘纵绝缘同一绕组中不同匝间层间段间绝缘同一绕组各引线间分接开关各部分间的绝缘套管上部空气中的绝缘套管之间或对地包括储油柜的空气绝缘623变压器故障的原因与种类231变压器故障的原因变压器是由一次绕组二次绕组和铁芯等三个基本部件组成的造成变压器故障的原因很多概括而言有以下几个方面1设计制造工艺方面选用规格不当包括变压器绝缘等级选择错误所选电压等级电压分接头不当等制造不良纸板质量差变压器密封结构不合理空气和水分进入变压器绕组变形等2运输安装方面运输不当产生的问题装卸和包装过程不当现场安装质量不过关等3运行维护方面安装不良和保护设备选用不当检修致使变压器受潮过负荷与外部导体连接松动发热对各种附件继电器等维护检修不当等4正常老化及突发事故绝缘材料正常老化异常过电压影响外部短路引起故障自然灾害及外界因素影响等232变压器故障的种类大型电力变压器的故障情况复杂而且种类繁多电力变压器常见故障的划分方法通常有1外部故障内部故障油箱焊接质量不好密封填圈不好电压分接开关传动装置机械操动部分控制部分等问题冷却装置风扇输油泵控制设备等问题附件绝缘套管温度计油位计各种继电器等问题绕组绝缘击穿断线变形铁心铁心叠片之间绝缘不好接地不好铁心两点或多点接地及铁心螺栓绝缘击穿内部的装配金具问题电压分节开关控制不到位引线绝缘薄弱绝缘油老化按故障部位分类7234从对国内359台故障变压器的故障类型进行的统计如表21所示可以看出运行中电力变压器的故障主要有过热性故障和高能放电性故障表21变压器故障类型的统计故障类型热性故障电性故障热性兼电性故障受潮或局部故障台次22690367比率63251101924电力变压器油中溶解气体分析241电力变压器内气体析出的原因电力变压器中绝缘材料有两部分一是液体绝缘材料45变压器油另一种是固体绝缘电路故障油路故障磁路故障按回路分过热性故障放电性故障过热兼有放电故障按故障性质分铁心绝缘不良铁心叠片之间绝缘不良铁心穿心螺栓的绝缘不良由外界反复短路引起的绕组变形过负荷引起的绝缘老化由于受潮游离放电引起绝缘材料绝缘油老化按故障发生过程分类突发性故障潜伏性故障由异常电压下操作过电压雷电过电压及谐波过电压引起的绝缘击穿外部短路事故引起的绕组变形层间短路自然灾害辅机的电源停电8材料45各种油浸纸电缆线绝缘纸板白纱带黄腊等绝缘油是天然石油经过蒸馏精练而获得的一种矿物油物质分子是原子以化学键构成绝缘材料的正常劣化只会析出极少量的低分子烃类甲烷乙烷等以及二氧化碳一氧化碳等气体但是在热或电气故障复杂情况下这些碳氢化合物的分解过程主要是CH键和CC链的断裂生成活泼的氢原子和短链碳氢化合物这些游离的原子因相互结合可生成气体氢气H2甲烷CH4乙烷C2H6等等也可化合成新的缩聚的分子进一步的分解和重排形成乙烯C2H4及乙炔C2H2这样的产物直至生成中碳链的碳氢化合物分子10242变压器内部故障类型与油中溶解气体含量的关系变压器不同故障类型产生的气体组分不同的故障类型产生的主要气体组分也不相同如表22所示11表22电力变压器不同故障类型产生的气体故障类型主要气体成分次要气体成分油过热CH4C2H2H2C2H6油和纸过热CH4C2H4COCO2H2C2H6油纸绝缘中局部放电H2CH4COC2H2C2H6CO2油中火花放电H2C2H2无油中电弧H2C2H2CH4C2H4C2H6油和纸中电弧H2C2H2COCO2CH4C2H4C2H6243三比值法国际电工委员会IEC和我国国标推荐用C2H2C2H4CH4H2C2H4C2H6这三个比值大小来判断变压器存在的故障情况称为三比值法表23和表24是我国GB72522001推荐的改良三比值法的编码规则和故障类别判断方法12表23三比值法编码规则气体比值范围比值范围的编码C2H2C2H4CH4H2C2H4C2H6010100111001312132229表24三比值法故障类型判断方法大量实例及分析表明三比值法存在以下不足131三比值法推荐的编码组合由典型事故统计分析获得由于电力变压器内部故障非常复杂在实际应用中常常出现不包括在表3范围内编码组合所对应的故障类型使判断无法进行2只有当油中各气体含量与正常值相差足够大或超警戒值并且确定变压器内部确实存在故障后才能用三比值法判断故障性质而对油中各气体组分含量正常的电力变压器其比值没有意义如果变压器不存在故障的情况下使用三比值法就有可能对正常的电力变压器造成错误的判断3在实际应用中当有多种故障联合作用时可能在表中找不到相应的比值编码同时在三比值编码边界模糊的比值区间内的故障往往容易误判4三比值法不适用于气体继电器里收集到的气体分析诊断故障类型5当故障涉及固体绝缘的正常老化过程与劣化分解时将引起CO和CO2含量地明显增长表3中无此编码组合此时要利用CO2CO比值配合诊断6由于故障分类存在模糊性一种故障状态可能引起多种故障特征而一种故障特征也可在不同程度上反映多种故障状态因此三比值法不能全面反映故障状况总之虽然目前三比值法应用较为广泛但是由于故障分类本身存在模糊性每一组编码组合故障类型故障实例参考C2H2C2H4CH4H2C2H4C2H6001低温过热低于150绝缘导线过热注意CO和CO2的含量以及CO2CO值20低温过热150300分接开关接触不良引线夹件螺丝松动或接头焊接不良涡流引起铜过热铁芯漏磁局部短路层见绝缘不良铁芯多点接地等21中温过热3007000122高温过热高于70010局部放电高湿度高含气量引起油中低能量密集的局部放电101012低能放电引线对电位未固定的部件之间连续火花放电分接抽头引线和油隙闪络不同电位之间的油中火花放电或悬浮电位之间的电花放电2012低能放电兼过热201012电弧放电线圈匝间层间短路相间闪络分接头引线间油隙闪络引起对油箱壳放电线圈熔断分接开关飞弧因环路电流引起电弧引线对其他接地体放电等2012电弧放电兼过热10编码与故障类型之间也具有模糊性三比值法还未能包括和反映电力变压器内部故障的所有形态所以它还需要在不断发展和积累经验并继续进行改良以便更全面地反映故障信息25意义通过深入探讨电力变压器的种类结构以及油中溶解气体的产生原理产生过程研究了油中溶解气体的组分含量与变压器故障类型和故障部位的关系通过对运行中的电力变压器定期分析溶解于油中气体的组分含量就能够及早发现电力变压器内部存在的潜伏性故障判断是否会危及变压器的安全运行这为后续电力变压器的状态评估故障诊断和故障预测奠定了理论基础本章最后总结的三比值法的缺点和不足为以后的方法改进提出了方向11人工神经网络31人工神经网络概述311人工神经网络理论人工神经网络ArtificialNeuralNetwork简称ANN是一个由大量简单的处理单元神经元广泛连接组成的人工网络是以工程技术手段模拟人类大脑的神经网络结构与功能特征的一种技术系统它用大量的非线性并行处理器来模拟众多的人脑神经元14用处理器间错综灵活的连接关系来模拟人脑神经元间的突触行为它能从己知数据中自动的归纳规则获得这些数据的内在规律具有很强的非线性映射能力312人工神经网络的特点神经网络代表了一种新的方法体系它以分布的方式存储信息利用网络的拓扑结构与权值分布实现非线性的映射并利用全局并行处理实现从输入空间到输出空间的非线性信息变换总的来说具有以下四个基本特点1并行分布处理由众多相同的简单处理单元并联组合而成的人工神经网络其大量简单处理单元的并行活动大大提高了其对信息的处理能力与效果2非线性映射人工神经网络每个神经元接受大量其他神经元的输入并通过并行网络产生输出影响其它神经元网络间的这种相互制约和相互影响实现了从输入状态到输出状态空间的非线性映射从全局的观点来看网络整体性能不是网络局部性能的简单叠加而表现出来某种集体性的行为3良好的容错性与联想记忆能力网络具有良好的容错性并能够进行聚类分析特征提取缺损模式复原等模式处理能力同时该性能也适合模式分类模式联想等模式识别工作4自适应自学习能力通过训练和学习来获得网络的权值和结构神经网络呈现出非常强的自学习能力和对环境的自适应能力以上特点均以数字和模拟的方式实现计算便利313人工神经网络基础人工神经网络解决问题的方式与传统的统计方法完全不同它是模拟人脑的思维方法把大量的神经元连接成一个复杂的神经网络利用己知样本对网络进行训练类似于人脑的学习让网络存储变量间呈非线性关系类似于人脑的一记忆功能然后利用存储的网络信息对未知样本进行分类或预测类似于人脑的联想功能这种智能化的数据处12理方法具有处理非线性关系数据的能力是目前其它方法所望尘莫及的一般神经网络都是可调节的或可训练的特定的输入得到要求的输出对应关系如下图31所示图31人工神经网络训练与人脑对应关系32神经网络的分类神经网络的性质主要决于以下两个因素一个是网络的拓扑结构另一个是网络的学习工作规则二者结合起来就可以构成一个网络的主要特征网络中的神经元都与其他神经元有连接其特点是任何两个神经元之间都有可能存在双向1全互连型结构连接关系所有的神经元即为输入节点也为输出节点网络间的神经元构成一个有序系列每个神经按拓扑结构分类2网孔型结构元只与其临近神经元相连特点是在前后相邻的两层之间相互连接在各神经网络之间没有前馈网络反馈每个神经元可从上层接收多个输入并产生一个输出信3层次型结构息从输入层逐层向前传递反馈网络特点是在输出层与隐含层或隐含层与隐含层之间具有反馈连接利用已知样本对网络进行训练网络存储变量间呈非线性关系对未知样本进行分类或预测学习记忆联想1333BP人工神经网络的学习过程331BP人工神经网络的拓扑结构BP网络即反馈网络BackPropagationNetwork简称之所以称为反向传播是因为BP算法过程包含从输出节点开始反向地向第一隐含层传播由总误差引起的权值修正在故障诊断方面的模式识别问题上反向传播网络因具有良好的联想和模式分类能力而更加适用在人工神经网络的实际应用中8090的人工神经网络模型是采用BP网络的形式15BP网络学习方法的主要思想是把网络学习分为两个过程即正向传播输出过程和反向传播调整过程两部分在正向传播过程中输入信号从输入层经隐含单元逐层处理并传向输出层每一层神经元的状态只影响下一层神经元的状态如果在输出层得不到期望的输出则输出信号的误差将沿着原来的连接通路反向传播直到输入层通过沿途修改各层神经元间的连接权值使得误差逐步达到最小BP神经网络是一种有监督学习算法的无反馈前向网络它包含输入层隐含层和输出层其中隐含层一般为一层其基本的拓扑结构如图32所示神经网络的学习方法Hebbian学习规则学习规则概率式学习规则竞争式学习规则Hebbian学习可以归纳为当某一突触连接两端的神经元同步激活同为激活或同为抑制时该连接的强度应加强反之则减弱通过迭代计算逐步调整网络的权值直到使误差达到最小具体过程可以采用梯度法等最优化算法来实现基于模拟退火算法的统计优化算法又称模拟退火算法指在网络的各输出单元之间相互竞争最后只有一个最强者激活它是自组织神经网络中的基本学习规则14图32BP神经网络的拓扑结构332BP网络的训练过程概述BP算法一般以LMSLeastMeanSquare代价函数最小为逼近目标利用梯度搜索技术进行网络参数的反复迭代而完成整个学习过程网络训练前需要用不同的小随机数进行初始化各权值小随机数是用于保证网络不因权值过大进入饱和状态而导致训练失败不同则保证了网络正常地学习16BP神经网络的学习过程如图33所示图33BP神经网络的流程图输入层隐含层输出层初始化给定学习样本集求隐层输出层各单元输出对整个样本集求整体误差EE满足要求反向计算一般化误差N调整各层间的权值Y结束15定义误差函数输入P个学习样本用来表示第P个样本输入到网络后得到输出j123m采用误差函数得第P个样本误差Ep31式中为期望输出输出层节点输出j12m32其中为隐层节点输出k12q33对P个样本全局误差为34其中n是输入层节点数q是隐层节点数m是输出层节点数是输入层和隐层间的权值是隐层与输出层间的权值是隐层传递函数是输出层传递函数2输出层权值的变化35式中为学习率误差信号定义为36373816于是39310输出层各神经元的权值调整公式为3113隐层权值的变化312定义误差信号为313其中314而315316将314315316代入313得31731817将318代入312得到隐层各神经元的权值调整公式为319变压器故障诊断中的网络设计41引言误差反向传播是理论最成熟的有监督学习神经网络之一在一个故障诊断系统中选择一个合适的算法并建立一个好的网络结构对于诊断系统的正确率和整体性能具有非常重要的作用本课题采用的基于油中溶解气体分析的BP网络实际上设计一个BP网络涉及到网络输入和输出特征向量的选择以及输入层隐含层和输出层网络结构的确定在此基础上建立一个神经网络进行训练达到要求后对网络进行测试42基于BP网络的诊断方法的设计421输入层设计电力变压器故障诊断技术的关键是从故障征兆空间到故障类型空间的映射当采用神经网络进行电力变压器故障诊断时应结合故障诊断的特点以气体各组分含量作为神经网络的输入量本文从变压器油中溶解的七种气体中选取和作为故障的特征气体422输出层设计在故障诊断问题中输出量代表可能的故障类型考虑到变压器发生故障的实际情况输出层设计为无故障中低温过热高温过热低能放电和高能放电五个输出神经元分别对应如表所示根据函数输出值在到之间的特点这里设定以到之间的数值大小表示对应的故障程度数值越接近表示发生此类故障的几率越大或说对应的故障程度越大设定输出值大于等于时认为有此类故障小于时认为无此类故障反映过热的高温过热中低温过热中只能有一个输出大于因为它们是相互制约的反映放电的高能量放电低能量放电中只能有18一个输出大于但在过热类型和放电类型中可同时有大于的输出因为它们可以伴随产生表输出层设计故障类型各神经元的期望输出正常中低温过热高温过热低能量放电高能量放电43样本的收集样本的收集直接关乎网络学习的成败收集训练样本的原则主要是代表性广泛性和紧凑性如下图所示图收集训练样本的原则收集到的样本数据差别很大如果直接用于训练网络可能导致数据误差大收敛性下降所以在训练网络以前需要对输入数据作归一化处理使其范围限制在之间本文采取如下方法即各组样本中单个特征气体含量占全部特征气体总含量的百分比例如单位首先将种特征气体含量相加求和收集训练样本的原代表性广泛性紧凑性样本应当尽可能体现输入输出关系能起到以点带面的作用样本中各故障的百分比应当和实际变压器故障发生的比率相当样本能提供神经网络各种情况下的输入并绘出相应的期望输出如此才能使训练出来的网络具有较好的适应能力若含有大量多余成分的学习样本会导致网络学习过程收敛困难或不收敛训练出来的网络会产生错误映射使网络输出过多偏向多余成分所形成的输出方向19然后求各组分气体含量占全部特征气体总含量的百分比这样就得到归一化处理后的数据样本中的输出数据不需要做归一化处理其值均为或者表示无此类故障表示有此类故障神经网络模型训练样本如下表所示本文所需样本数据完全参考文献中的表表42神经网络模型训练样本数据组次故障性质输入学习样本的相对比值网络期望输出无故障无故障无故障无故障无故障中低温过热中低温过热中低温过热中低温过热中低温过热中低温过热中低温过热高温过热高温过热高温过热高温过热高温过热20续高温过热高温过热高温过热高温过热高温过热低能量放电低能量放电低能量放电低能量放电低能量放电低能量放电低能量放电表高能量放电高能量放电高能量放电高能量放电高能量放电高能量放电高能量放电44隐含层层数和节点数的确定隐含层层数一般选取单层由于网络的非线性如果隐含层层数增加将直接引起网络的复杂程度及学习时间呈指数形式增长大大提高了研究的难度复杂度任务量过重隐含层神经元数目的多少将直接关系到成败如果隐含层神经元数目太少虽然网络每次训练时间相对较短但有可能因为映射容量达不到要求网络从样本中获取信息的能力较差不足以概括和体现样本规律从而识别新样本困难容错性下降如果隐含层神经元数目过多学习能力得到增强但网络每次所需的学习时间相对较长难以在人们接受的时间内完成训练网络所需要的存储空间也要相应的扩大更重要的是若是隐节点数目过多将有可能导致过适配问题即网络学习到训练样本里的一些无关紧要的非本质东西降低其泛化能力在评估这用同一个样本集对采用不同隐节点数的网络进行训练选择网络误差最小时对应的值初始隐节点数的确定采用常用的经验公式21其中为隐含层节点数m为输入层节点数n为输出层节点数为110之间的常数本例中m5n5413本文将直接参考文献17中的表13将隐节点数定为12即选取5125结构这里截取部分表格内容如下表43所示表43不同网络结构的测试结果网络结构误差训练次数54556558551055125000557775000171210002150300013786000076532001218918511245BP网络结构中参数的确定1传递函数的确定隐含层采用tansig激活函数输出层选用logsig激活函数2训练函数采用学习率可变的traingdx3目标误差的选取实际应用设计中我们将其设定为00014学习效率的选取学习效率选取005权重的改变随学习效率增加愈加明显学习速度也就越快但也可能会引起过度修正出现振荡导致不收敛小的学习率又需要较长的训练时间但能保证网络的误差值不跳出误差表面的低谷而最终趋于最小误差值46结果分析BP网络对15组检测数据的诊断结果如表44所示从表中可以看出基于此BP网络的诊断方法达到了较好的故障识别和分类准确率达到80表44BP网络诊断结果组次实际检查结果网络诊断结果组次实际检查结果网络诊断结果1正常正常9中低温过热2中低温过热中低温过热10高能量放电高能量放电3高温过热高温过热11低能量放电4高能量放电高能量放电12中低温过热中低温过热5低能量放电低能量放电13低能量放电6正常正常14高温过热高温过热7高温过热高温过热15高能量放电高能量放电22今后待研究的问题变压器故障诊断技术的研究有多种方式和许多侧重点智能化的诊断方法正在发挥着越来越重要的作用本文着重研究了基于BP神经网络的变压器故障诊断系统提出的算法对提高网络的收敛速度和改善网络性能具有较好的作用以下几个方面的工作还有待进行深入研究和完善1神经网络训练样本集的选择对网络性能影响很大不适当的变压器故障样本集有可能造成很大的训练误差从而导致较差的诊断效果因此应有效结合多种人工智能方法优化变压器故障数据样本集以减少油中溶解气体分析数据测量误差以及其他不确定因素导致的诊断误差2由于BP网络具有较强的局部搜索能力但易陷入局部极小而遗传算法能够同时处理搜索空间中的若干点有助于搜索全局最优点将遗传算法和BP算法有机结合起来应用遗传算法优化神经网络权值阈值和网络结构可以实现二者的优势互补参考文献1乌聪敏电力变压器故障诊断及电力技术监督系统的研究D天津大学20092LiHongleiXiaoDengmingChenYazhuWaveletANNbasedtransformerfaultdiagnosisusinggasinoilanalysisProceedingsoftheIEEEInternationalConferenceonPropertiesandApplicationsofDielectricMaterials20003郭磊基于神经网络的变压器故障诊断技术的研究D西华大学学位论文20084王美刚基于模糊理论的电力变压器状态评估D保定华北电力大学20075王霞基于油中溶解气体分析的变压器故障诊断方法研究D保定华北电力大学200867宋晓霞变压器故障综合诊断专家系统的研究与发展D西安电子科技大学20108乔俊玲人工神经网络在变压器油中溶解气体分析中的应用研究D北京交通大学20079陆云才基于分子模拟的油纸绝缘老化机理及气体扩散行为研究D重庆大学20070邹杰慧电力变压器故障诊断模糊专家系统研究开发D湖南大学200411李岩变压器在线状态监测系统研究D华中科技大学200512中华人民共和国电力部DLT7222000变压器油中溶解气体分析和判断导则S北京中国电力出版社200013殷震基于BP神经网络的电力变压器内部故障诊断方法研究D天津大学200714于婷婷基于BP神经网络的滚动轴承故障诊断方法D大连理工大学硕士学位论文200815万怡骎基于概率神经网络的变压器故障诊断D南昌大学学位论文200716郭磊基于神经网络的变压器故障诊断技术的研究D西华大学200817殷跃基于BP神经网络的电力变压器故障诊断的研究D吉林大学200740508正常正常23致谢四年的读书生活在这个季节即将划上一个句号大学的求学生涯在老师同学们的大力支持下走得辛苦却也收获满囊在论文付梓之际思绪万千心情久久不能平静感谢山东农业大学给予我学习深造的机会使我能够系统学习有关理论知识掌握先进的科学技术为进一步提高理论知识水平及实践工作能力打下坚实的基础本论文是在导师与学院专业老师的精心指导和严格要求下完成的论文的选题研究及撰写工作都得到了导师们的悉心指导导师严谨的治学作风和一丝不苟的敬业精神使我受益匪浅在此向他们表示诚挚的敬意和衷心的感谢回忆四年以来在农大的点点滴滴感谢机电学院提供了一个优越的学习环境感谢电气5班的兄弟姐妹谢谢你们四年来家人般的照顾希望在以后的日子里我能以更好的学习成果去回报曾经帮助过我的老师和同学xxxx2015年6月5日