需要一论文题目为:智能技术的电力变压器故障

作者:公司简介

  对近两年来东风公司电网 1 1 0kV电力变压器发生的故障进行了分析与诊断。结合对这些故障处理的体会 ,提出了相应的建议

  1 引言近两年来 ,东风公司电网的 1 1 0kV电力变压器(以下简称主变 )相继发生了多起故障。这些故障涉及面广 ,大多属于从未发生的、隐密性强的故障。这给主变故障的查找、诊断、分析与处理都带来了诸多困难。由于公司电网主变大多已运行了二三十年 ,接近产品的使用寿命末期 ,加之运行环境较差 ,已经危及电网安全运行和用户的安全供电。本文特选可比性强的四例故障进行分析 ,见表 1。表 1 东风公司电网主变故障一览表故障时间设备名称故障性质与类型故障点、原因及后果1 998.3 花 1号主变 磁路故障 ,高温过热 低压侧多次受短路

  摘 要: 本文提出的算法综合了进化规划、模糊理论、人工神经网络、范例推理四种人工智能技术的优点,弥补了单种人工智能技术的缺陷,缩小了样本间的数据差异,优化了网络初始权值,大大提高了人工神经网络的收敛性。人工神经网络的拓扑结构及训练样本经过大量的计算进行筛选确定,并通过基于范例推理的专家系统检索出最佳源范例并给出诊断结论。诊断结果表明,本方法能较准确地判别电力变压器故障。

  根据故障发生时变压器油中溶解气体的成分及其含量,利用人工神经网络的反向传播网络进行变压器的故障诊断是近年来的研究热点之一。但BP网络存在着诸如收敛缓慢,易陷入局部极小,对初值要求严格等缺点。本文提出利用改进进化规划算法优化网络权(阈)值初始值,避免了陷入局部极小;在训练过程中,采用具有自适应调整能力的网络学习算法,改善了网络的收敛能力;在输入数据的处理方面,利用隶属度函数对搜集到的样本数据进行归一化模糊处理,缩小了样本间的数据差异,从而有助于改善网络的收敛性能;同时辅之一基于范例推理的专家系统,通过找出最佳源范例,提供一诊断结论作为参考,从而建立起故障征兆与故障原因的映射关系。

  为了更合理、充分地利用原始数据中蕴含的信息,用模糊隶属度函数对油中溶解气体原始数据进行预处理是合乎实际情况的,关键在于怎样选取合适的隶属度函数[1]。考虑故障发展的连续性和在计算中的归一化要求,本文以一种“反正切”型函数分布作为特征气体含量的隶属度函数。

  在变压器油中溶解气体有7种主要组成成分:对之进行分析,记为。求取特征气体相对含量隶属度的处理算法如下:

  通常采用二进制对网络的权值进行编码,将所有权值连接成串形成一个染色体,每个染色体对应一个网络。当网络较大时,每个染色体的编码非常长,从而使搜索空间急剧增加,降低算法的搜索效率。而且由于网络权值是实型值,遗传算法是用离散值逼近网络权值,必然影响精度,并有可能因某些实数权值无法近似表达而使网络的训练失败。本文用进化算法对遗传算法进行了改进,抛弃了交叉运算,而只用变异来维持上下两代之间的联系。这样就大大减少了运算量和迭代次数,但收敛精度不足,本文只是用该算法来搜索初始权值,而不需要太精确的搜索,因而可以采用。

  首先,对神经网络各层的权值及阈值赋初值若干组(在-1~1间随机取数),后输入样本数据进行前向计算,输出层的输出结果与教师结果相比较得到误差。在遗传过程中,把误差最小的几组解保留下,并计算这几组解的每个对应元素,即权值的聚合度和聚合中心。定义聚合中心为它们的算数平均数,聚合度为每个解距聚合中心的平方和,而对误差次小的几组解进行变异。聚合度最小的权值的最优解很可能在聚合中心附近,所以把它们变异为聚合中心,而对聚合度较小的权值把它们变异为聚合中心后,再加一个加权的符合正态分布的随机扰动;而把剩下的变异为原来值再加一个加权的符合正态分布的随机扰动。在遗传的下一代中,都补充进一些随机解,以增大搜索范围。当迭代次数很大而又没有进化到满意解时,引入网络误差作为启发性知识,改变加权值。改进后的进化算法不仅运算简单,而且收敛的速度和精度都有很大的提高。

  基于征兆相近的故障变压器很可能具有相同的故障原因,利用Person积矩相关系数为相似度指标检索与待诊变压器故障征兆最相近的范例,在范例检索过程中选取:C2H2,C2H4,C2H6,CH4,H2,CO2,CO等7种气体为检索特性指标,检索最佳源范例,源范例x和目标范例y间的Person积矩相关系数可用下式表示[3]:

  本文在BP网络的训练过程中采用以下自适应调整学习率的改进算法[7],它改善了网络的收敛能力,其权值的调整过程为:

  式中 w(k)为网络权值;为学习速率;D(k)为k时刻的负梯度。同时,各层之间采用不同的神经元作用函数,也提高了网络的收敛能力。

  为了提高ANN的正确诊断,选择合适的输入向量、输出向量及ANN的拓扑结构是必要的。本文经过大量的仿真计算,由正判率、迭代次数及网络结构的复杂程度等比较,确定ANN采用7-40-20-4的拓扑结构(见表1)。ANN输出分导电过热、导磁回路过热、涉及固体绝缘放电、高频变压器功率计算不涉及固体绝缘放电等四个主要的事故类型[3]。

  本算法采用隶属度函数在归一化的同时还考虑了故障发展的连续性,高频变压器功率计算并充分利用了进化算法的全局搜索能力,以及 ANN的自学习能力及高度非线性映射的能力,从而得到较准确的诊断结果;另外辅之最佳源范例的结果。二者之间还进行权重调整,如果专家系统对某一种故障非常准确(输入源范例与最佳目标范例相关系数较大),这种故障类型专家系统的判断一直优于神经网络的判断,那么最后的结论将赋予专家系统模块结论更多的权重 。

  H2=2004,CH4=9739,C2H4=5113,C2H6=2750,C2H2=0,CO2=9596,高频变压器功率计算CO=1737。模糊处理后送入BP网络,网络的输出为(0.0233,0.9517,0.0122,0.0128),诊断结论为导磁回路过热。最佳范例结果为一次线圈引线与铁芯螺栓相碰,产生环流引起过热,实测结果证明了这一结论。

  (2)某台变压器油中气体含量(mL/L)如下:H2=127,CH4=107,C2H4=154,C2H6=11,C2H2=224,CO2=973,CO=174。模糊处理后送入BP网络,网络的输出为(0.0346,0.0338,0.9133,0.0183),诊断结论为固体绝缘放电。最佳范例结果为二次线圈对铁芯放电,线圈有一贯通性的损伤,与实测结果基本相符。

  (1)利用进化算法用合理的隶属度函数对网络的输入数据进行归一化处理,不但减小了样本数据间的差异,而且反映了故障的连续性,改善了网络的收敛性能;对网络权值初始值进行优化处理,在全局范围内进行搜索,避免了BP网络易陷入局部极小的缺陷,采用改进的BP算法进行网络的训练,其权值的调整过程具有自调整能力,提高了网络的分类能力,最佳源范例的确定对故障的进一步确认提供了指导;

  (2)本算法结合了进化算法、模糊理论、人工神经元网络、范例推理四种人工智能技术的优点,实现故障的综合诊断,诊断性能有了较大的改善。故障实例的大量检验结果表明,诊断的结果是理想的,有效地提高了对变压器的故障识别能力,正判率达90%以上。

  [1] 张建文,赵大光,董连文. 基于模糊数学的变压器故障诊断系统[J].高电压技术,1998,12(24):6-8.

  [3] 钱政,严璋. 范例推理结合神经网络诊断变压器故障[J]. 高电压技术,2000,8(26):4-8.

  [7] 袁曾任. 人工神经元网络及其应用[M]. 北京:清华大学出版社,1996.

本文由襄樊市硅钢变压器有限公司发布,转载请注明来源

关键词: