本站小編為你精心準備了BP神經網絡變壓器故障診斷參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。
在電力系統中電力變壓器是所有電力設備中最昂貴也是最重要的電力設備，它安全運作與否直接決定整個電網能否穩定運行。因此變壓器的故障診斷具有十分重要的意義。早期都是靠定期巡檢和做預防性試驗來對變壓器進行維護，由于這些工作缺乏連續性就使得一些突發性故障和隱藏故障不能及時得到處理，日積月累最終使變壓器壽命以及運行效率大大的降低，嚴重影響電網的經濟運行。DGA技術是目前比較受歡迎的和認知度比較高的變壓器故障診斷技術。它包括:改良三比值法、羅杰斯法、四比值法等［1］。但變壓器油中溶解氣體和故障原因并不是一一對應的，一組故障特征氣體可能由多種故障引起，同樣的一種故障也可能產生多種故障特征氣體，他們是一種復雜的非線性映射關系。而這種非線性的映射關系同神經網絡十分相似，所以本文引入神經網絡理論將之與DGA技術融合對變壓器進行診斷。
1DGA技術
DGA技術［2］就是根據油中溶解氣體:H2、CH4、C2H6、C2H4、C2H2、CO、CO2的含量通過查表來判斷其故障。其中最典型的就是三比值法［9］，它是根據C2H4/CH4、CH4/H2、C2H4/C2H6三組比值來確定變壓器故障原因。但由于故障與編碼不可能總是一一對應的，所以其全面性和準確度不能保證。
2.1BP神經網絡建模框圖
2.2輸入層與輸出層神經元數輸入層選用H2、CH4、C2H6、C2H4、C2H2五種氣體作為輸入，而CO、CO2并沒有選用因為它們的含量變化性大，加入會導致訓練次數增加，還會增大誤差。輸出層為中低溫過熱、高溫過熱、局部放電、高能放電、低能放電和正常。
2.3樣本數據獲取及預處理樣本由變壓器實測數據得到，但由于每組實測數據相互之間的差值可能相差很大，數據大的誤差可能相對大一些，那么網絡學習算法為了減小誤差就會偏向樣本中大的數據從而導致小數據的相對誤差變大，所以對數據進行預處理是很有必要的。本文將樣本數據以其所占百分比作為輸入。
2.4激活函數和訓練方法輸入數據經過預處理后都介于0～1之間，因此可以選擇一個函數使其輸出也在0～1之間，結果越接近1則故障判斷結果越準確。
2.5隱含層層數與其神經元數隱含層層數與其神經元數的確定直接關系到整個神經網絡非線性程度，隱含層數多其處理數據的能力強但工作量大、工作時間長而且需要大量的樣本，網絡也變得十分復雜。所以我們可以先選擇一層隱含層然后增加神經元數量，如果一層不行再加一層直到滿意為止。神經元數到底加到多少并沒有一個定性的說法，到目前為止有如下經驗公式。由表2可知，彈性梯度下降法訓練58步收斂，自適應Ir梯度下降法要2972步才收斂，自適應Ir動量梯度下降法1051步收斂，而動量梯度下降法20000步仍沒有收斂。雖然彈性梯度下降法誤差比適應Ir動量梯度下降法大一點但收斂步數少很多。所以綜合考慮選擇彈性梯度下降法作為訓練函數。
3網絡檢測
測試樣本數據預處理后導入到訓練好的神經網絡中結果如表3所示。
4結束語
由表3中的結果可以看出DGA技術測得的數據可能會出現無編碼和無法判斷，而以油中氣體為依據訓練的BP神經網絡對變壓器的故障有比較準確的診斷結果。更動計量TV、TA，很少更動保護TV、TA，所以即使用戶竊電，通過交流采樣裝置采保護TV、TA的電壓電流計算的電量，仍能反映出用戶的實際用電量;而終端采集電能計量表脈沖計算的電量則會突然減少。兩組電量數據相比較，就能估計出用戶的竊電量及竊電方法。
作者：張艷華 席先鵬 劉林 王興成 單位：三峽大學電氣與新能源學院