一种基于RBF神经网络的变压器故障诊断的智能方法

摘要

本发明公开了一种基于RBF神经网络的变压器故障诊断的智能方法，包括以下步骤：（1）利用IEC三比值法得出五种气体的三比值：C2H2/C2H4、CH4/H2、C2H4/C2H6作为训练样本数据；（2）利用隶属函数将三比值进行模糊化处理；（3）对故障类型进行编码；（4）根据训练样本数据训练RBF神经网络，直到RBF网络满足精度要求，（5）输入模糊化处理后的待诊断样本；（6）输出诊断结果。本方法不仅有较高的推理能力和诊断精度，同时也克服了IEC三比值法的缺陷，能准确的反映出变压器故障的所有形态。

说明书

技术领域

本发明涉及变压器的故障诊断领域，尤其涉及一种基于RBF神经网络的变压器故障诊断的智能方法。

背景技术

目前，变压器是电力系统中的重要枢纽设备之一，它承担着变换电压，分配与传输电能的重任，对电能的经济传输、灵活分配和安全使用具有重要的意义，其运行状态直接影响整个电力系统的安全运行与稳定。

变压器故障诊断的方法很多，其中绝大部分方法都是利用不同类型的变压器故障对应不同的变压器油中溶解气体浓度这一性质，同时对多种故障特征气体的浓度进行分析来发现变压器的潜在故障以及故障的类型，该手段不受外界电磁场的影响，可以定期对运行状态下的变压器内部进行故障诊断。主要的方法有：IEC三比值法、电协研法、特征气体诊断法。

IEC三比值法是现阶段对变压器故障进行诊断的一种常见的方法。三比值法的基本原理是：根据变压器绝缘材料在故障下裂解产生气体组分含量的相对浓度与温度的相互依赖关系，从变压器油中提取5种特征气体(H₂、CH₄、C₂H₆、C₂H₄和C₂H₂，根据各种气体的成分含量计算出相应的三对比值C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆，然后对每对比值赋予相应的编码，根据编码得到一个编码表，根据编码表中提供的诊断标准判断出变压器是否发生故障以及故障的类型(见表2-1、表2-2)。

表2-1三比值法的编码规则

表2-2三比值法判断变压器故障的诊断标准

将特征气体的三对比值与编码表中范围进行对比，很容易就能判断出变压器是否发生故障及已经故障的类型。但IEC三比值法存在以下的不足：①由于变压器内部故障非常复杂，由典型事故统计分析得到的三比值法推荐的编码组合，在实际应用中常常出现不包括在故障类型判断方法编码表范围内编码组合对应的故障。②只有油中气体各组分含量足够高或超过注意值，并且经综合分析确定变压器内部存在故障，才能进一步用三比值法判断其故障的性质。如果不论变压器是否存在故障，一律使用三比值法，就有可能对正常的变压器造成误诊断。③在实际应用中，当有多种故障联合作用时，可能在编码组合和故障类型对应关系表中找不到相对应的比值组合；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。由于故障分类存在模糊性，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。故障本身存在模糊性，每一组编码与故障类型之间也具有模糊性，三比值未能包括和反映变压器内部故障的所有形态。

发明内容

本发明的目的是提供一种基于RBF神经网络的变压器故障诊断的智能方法，不仅有较高的推理能力和诊断精度，还能准确的反映出变压器故障的所有形态。

本发明采用下述技术方案：一种基于RBF神经网络的变压器故障诊断的智能方法，包括以下步骤：(1)、利用IEC三比值法得出五种气体的三比值：C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆作为训练样本数据；(2)、利用隶属函数将三比值进行模糊化处理；(3)、对故障类型进行编码；(4)、根据训练样本数据训练RBF神经网络，直到RBF网络满足精度要求，(5)、输入模糊化处理后的待诊断样本；(6)、输出诊断结果。

所述的步骤(2)中所采用的隶属函数是正态分布函数，设χ₁＝C₂H₂/C₂H₄，χ₂＝CH₄/H₂，χ₃＝C₂H₄/C₂H₆，a₁，a₂，a₃为模糊化处理过的神经网络输入层的实际输入量，则隶属函数为：

$>a_1=\left(\begin{array}{cc}0,& ,0\le {\chi }_1<0.1\\ 1-e^{-0.5{({\chi }_1-0.1)}^2},& 0.1\le {\chi }_1<3\\ 1,& {\chi }_1\ge 3\end{array}\right)$>

$>a_2=\left(\begin{array}{cc}0.5,& 0\le {\chi }_2<0.1\\ 0,& 0.1\le {\chi }_2<1\\ 1,& {\chi }_2\ge 1\end{array}\right)$>

$>a_3=\left(\begin{array}{cc}0,& ,0\le {\chi }_3<1\\ 1-e^{-{({\chi }_3-1)}^2},& 1\le {\chi }_3<3\\ 1,& {\chi }_3\ge 3\end{array}\right).$>

所述的步骤(3)中的故障类型编码包括：若编码为100000，则故障类型对应为低能放电；若编码为010000，则故障类型对应为中温过热；若编码为001000，则故障类型对应为高能放电；若编码为000100，则故障类型对应为高温过热；若编码为000010，则故障类型对应为地温过热；若编码为000001，则故障类型对应为局部放电。

所述的步骤(4)中根据样本数据训练RBF神经网络是用MATLAB软件进行训练，三个输入节点是模糊化后的三比值，六个输出节点是六种故障类型编码：设置训练精度为0.05，散布常数为5。

还包括有将RBF神经网络输出数据模糊化的步骤，把大于0.5的数据规定为1，其它的为0。

本发明具有以下有益效果：

①利用隶属函数对输入数据进行模糊处理，扩大了神经网络的诊断范围，提高了神经网络诊断的精确度；

②采用模糊后的C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆三对比值作为神经网络的输入节点，简化了神经网络的输入维数加快了训练的速度；

③创建RBF神经网络对变压器故障进行诊断，利用神经网络隐含层对输入矢量进行变换，将低位的模式输入数据变换到高位空间内，使得低维空间内的线性不可分问题转换为在高维空间线性可分，提高了网络的推理能力和诊断精度。

附图说明

图1为本发明的方法流程图；

图2为本发明中RBF神经网络的结构图；

图3为RBF神经网络训练时的误差变化图一；

图4为RBF神经网络的实际诊断结果图一；

图5为RBF神经网络训练时的误差变化图二；

图6为RBF神经网络的实际诊断结果二。

具体实施方式

本发明提出了一种基于RBF神经网络的变压器故障诊断的智能方法，如图1所示，具体包括以下步骤：

(1)、利用IEC三比值法得出五种气体的三比值：C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆作为训练样本数据；

(2)、利用隶属函数将三比值进行模糊化处理；

(3)、对故障类型进行编码；

(4)、根据模糊化后的三比值数据与故障类型的对应关系作为样本数据，训练RBF神经网络，直到RBF网络满足精度要求后进入下一步；

(5)、输入模糊化处理后的待测样本；

(6)、输出诊断结果。

本发明中所述的径向基网络神经网络(简称RBF网络)是一个三层前馈网络，由输入层、隐层、输出层组成，具体结构如图2所示。

第一层为输入层，该层的各个节点直接与输入向量的各分量χ_i连接，它起着将输入数据传送到下一层的作用，节点数为n。

第二层为隐层，每一个隐节点都是一个RBF节点，代表一个单独的与中心位置和扩展常数有关的径向基函数，通过径向基函数作为传递函数来处理输入数据。径向基函数为高斯函数，通过计算输入向量(χ)和径向基函数中心之间的欧式距离来实现数据在隐层的非线性传递。如公式(1)：

$>h_j\left(\chi \right)=\exp (-\frac{{\left|\right|\chi -c_j\left|\right|}^2}{r_j^2})---\left(1\right)$>

其中h_j(χ)是第j个RBF节点输出，c_j和r_j分别是第j个RBF节点的中心值和扩展常数。

第三层是输出层，是线性单元，实现网络输出，如公式(2)表示。

$>y_k\left(\chi \right)=\underset{j=1}{\overset{m}{\Sigma }}{\omega }_{\mathrm{kj}}{h}_j\left(\chi \right)+b_k;$>j＝1，2，3，...，m  (2)

y_k(χ)是网络对于输入向量(χ)的第κ个输出，m为隐节点数，ω_kj是第κ个输出节点和第j个隐节点的连接权，b_k是基。

隐单元的“基”是径向基函数，其构成隐含层空间，输入矢量被隐含层进行变换，将低维的模式输入数据变换到高维空间内，使得低维空间内的线性不可分问题转换为在高维空间线性可分。

从特征气体样本数据中随机抽取100组数据用作训练神经网络数据样本，做出C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆三个比值(部分数据如表3-1所示)。

表3-1故障特征气体样本及比值

对故障类型进行编码，如表3-2。

表3-2故障类型编码表

故障类型编码低能放电1 0 0 0 0 0中温过热0 1 0 0 0 0高能放电0 0 1 0 0 0高温过热0 0 0 1 0 0低温过热0 0 0 0 1 0局部放电0 0 0 0 0 1

为体现变压器故障诊断中的不确定因素，运用模糊数学理论来完成数据预处理工作。分别建立C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆三个比值的隶属函数来求取神经网络的实际输入量。

设χ₁＝C₂H₂/C₂H₄，χ₂＝CH₄/H₂，χ₃＝C₂H₄/C₂H₆，a₁，a₂，a₃为神经网络输入层的实际输入量，则隶属函数为：

$>a_1=\left(\begin{array}{cc}0,& ,0\le {\chi }_1<0.1\\ 1-e^{-0.5{({\chi }_1-0.1)}^2},& 0.1\le {\chi }_1<3\\ 1,& {\chi }_1\ge 3\end{array}\right)$>

$>a_2=\left(\begin{array}{cc}0.5,& 0\le {\chi }_2<0.1\\ 0,& 0.1\le {\chi }_2<1\\ 1,& {\chi }_2\ge 1\end{array}\right)$>

$>a_3=\left(\begin{array}{cc}0,& ,0\le {\chi }_3<1\\ 1-e^{-{({\chi }_3-1)}^2},& 1\le {\chi }_3<3\\ 1,& {\chi }_3\ge 3\end{array}\right).$>

通过隶属函数对C₂H₂/C₂H₄、CH₄/H₂、C₂H₄/C₂H₆三个比值进行模糊处理，处理结果(部分数据如表3-3所示)，得到a₁，a₂，a₃作为RBF神经网络的输入数据样本。

表3-3模糊处理数据

从原特征气体样本数据中选取60组数据作为待检测数据样本，部分数据如表3-4所示。

表3-4待检测数据样本

利用隶属函数对上述待检测数据样本模糊化处理，得到待检测数据样本模糊数值a1，a2，a3，部分数据如表3-5所示。

表3-5待检测数据样本模糊数值

神经网络的训练：根据表3-1所示的数据样本输入输出关系，用newrb函数来训练RBF神经网络。根据RBF神经网络模型结构的确定原则，确定网络有a₁，a₂，a₃三个输入节点，对应5种特征气体的三对比值，6个输出节点(对应表二中的故障编码)，在MATLAB中调用RBF神经网络程序对所选取的样本数据进行训练，设置训练精度为0.06，散布常数为10时，在用MATLAB软件训练过程中，误差变化图如图3所示。RBF实际诊断结果如图4所示。

对输出结果进行模糊化处理，规定输出数据大于0.5的数据为1，小于0.5的为0，将诊断结果同实际样本数据相比较，60组数据中有48组诊断正确，正确率达到70％。

设置训练精度为0.05，散布常数为5时，在MATLAB训练过程中，误差变化图如图5所示。RBF实际诊断结果如图6所示。

对输出结果进行模糊化处理，规定输出数据大于0.5的数据为1，小于0.5的为0，将诊断结果同实际样本数据相比较，60组数据中53组诊断正确，正确率达到88.3％。

利用IEC三比值法，根据表2-2判断变压器故障的诊断标准，对60组特征气体数据样本进行故障判断，结果如表3-6。

表3-6

由表3-6可以得出IEC三比值法对变压器故障诊断的结果，60组特征气体样本数据中，因比值超出编码范围而无法判断的有25组，判断错误的有12组，最终IEC三比值法对变压器故障诊断的正确率约为38.3％。而利用模糊神经网络对变压器故障进行诊断的准确率高达88.3％，远远高于利用IEC三比值法对变压器故障进行诊断的准确率。