基于人工神经网络的变压器状态评估.docx
- 文档编号:26103076
- 上传时间:2023-06-17
- 格式:DOCX
- 页数:18
- 大小:59.91KB
基于人工神经网络的变压器状态评估.docx
《基于人工神经网络的变压器状态评估.docx》由会员分享,可在线阅读,更多相关《基于人工神经网络的变压器状态评估.docx(18页珍藏版)》请在冰豆网上搜索。
基于人工神经网络的变压器状态评估
基于人工神经网络的变压器状态评估
摘要
本文介绍变压器的几种常见的故障类型及其产生的原因,并利用人工神经网络和模糊理论来对其的故障进行诊断,有效地判断电力变压器的内部故障,保证了变压器的安全运行。
关键词:
变压器故障诊断人工神经网络。
Abstract
Thepaperintroduceafewfaultsintransformersandthecausesofthetransformerfaults,thenadoptartificialneuralnetworkandfuzzytheorytoaccomplishthetransformerfaultdiagnosis,internalfaultsoftransformerscanbediagnosedeffectivelyaccordingtotestdatacollectedfromgas-in-oilanalysis,ensurethetransformerrunningsafely.
Keywords:
TransformerFaultdiagnosisNeuralnetworks
前言
在电力系统中,变压器作为电力系统的主要设备之一,它承担着电压变换,电能分配与传输的重任,其运行状态直接关系到整个电力系统的安全与稳定。
其运行的可靠性,直接关系到电网系统的安全运行,为了保证电力变压器的正常稳定的运行,必须最大限度的防止和减少变压器故障,它一旦发生事故,所需的修复时间较长,造成的影响比较严重,因此,迅速准确地检测变压器早期潜伏故障以及故障类型是非常有意义的。
第一章课题背景
人工神经网络特有的非线性适应性信息处理能力,克服了传统人工智能方法对于直觉,如模式、语音识别、非结构化信息处理方面的缺陷,使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。
人工神经网络与其它传统方法相结合,将推动人工智能和信息处理技术不断发展。
近年来,人工神经网络正向模拟人类认知的道路上更加深入发展,与模糊系统、遗传算法、进化机制等结合,形成计算智能,成为人工智能的一个重要方向,将在实际应用中得到发展。
将信息几何应用于人工神经网络的研究,为人工神经网络的理论研究开辟了新的途径。
神经计算机的研究发展很快,已有产品进入市场。
光电结合的神经计算机为人工神经网络的发展提供了良好条件。
神经网络的硬件芯片现在仍很昂贵,但技术成熟时,应利用硬件实现现在的软件功能。
另外,神经网络的并行处理和信息分布存储机制还不十分清楚,如何选择的网络结构还没有充分的理论依据。
所有这些都有待于对神经网络基本理论进行深入的研究,以形成完善的理论体系,创造出更适合于实际应用的新型网络及学习算法。
在研究人工智能检测变压器的过程中发现基于现代控制技术提出了人工神经网络理论的保护构想。
神经网络软件的反应速度比纯数字计算软件快几十倍以上,这样,在相同的动作时间下,可以大大提高保护运算次数,以实现在时间上即次数上提高冗余度。
因而选择了人工神经网络作为研究方向。
为了保证电力变压器安全运行,需要及时取得反映其运行状态变化的信息。
以判断是否存在故障隐患.目前,由于对设备故障的物理过程缺乏清楚的认识,检测部门往往是在故障与其表现出来的特征之间建立起映射关系。
然后用模式识别的方法进行诊断.作为一种具有较优越的非线性处理能力的模式识别方法。
神经网络在该领域的应用在国内外得到了越来越多的重视。
第二章变压器状态评估
由于变压器种类繁多,如逐个分析则篇幅太大,故本文针对对油浸式变压器进行状态评估。
油浸式变压器的故障常被分为内部故障和外部故障两种形式。
由于其外部故障相对于内部故障来说便于发现和查找,故本文重点分析其内部故障。
内部故障从性质上讲分为过热故障和放电故障两大类。
下面介绍一些直观的可以发现变压器产生故障的现象及其分析。
2.1变压器声音出现异常的情况
1.电网发生单相接地或产生谐振过电压时,变压器的声音较平常尖锐
2.当有大容量的动力设备启动时,负荷变化比较大,使变压器声音增大。
如变压器带有电弧炉~可控硅整流器等负荷时,由于有谐波分量,所以变压器内瞬间会发出“哇哇”声或“咯咯”间歇声
3.过负荷使用变压器发出很高而且沉重的“翁翁”声
4.个别零件松动如铁芯的穿芯螺丝夹得不紧或有遗漏零件在铁芯上,变压器发出强烈而不均匀的“噪音”或有“锤击”和“吹风”之声
5变压器内部接触不良,或绝缘有击穿,变压器发出“噼啪”声,且此声音随距离故障点远近而变化
6系统短路或接地时,通过很大的短路电流,使变压器“噼啪”噪音,严重时将会有巨大轰鸣声
7系统发生铁磁谐振时,变压器发生粗细不匀的噪音
2.2分解开关出现故障的情况
变压器油箱上有“吱吱”的放电声,电流表随响声发生摆动,瓦斯保护可能发出信号,油的闪点降低,这些都可能是分接开关故障而出现的现象。
分接开关故障原因如下:
(1)分接开关触头弹簧压力不足,触头滚轮压力不匀,使有效接触面积减少,以及因镀银层的机械强度不够而严重磨损等会引起分接开关烧毁。
(2)分接开关接触不良,经受不起短路电流的冲击而发生故障。
(3)倒分解开关时,由于分头位置切换错误,引起开关烧坏。
(4)相间距离不够时,或绝缘材料性能降低,在过电压作用下短路。
如发现电流,电压,温度,油位。
油色和声音发生变化,应立即取油样作气相色谱分析。
当鉴定为开关故障时,应立即讲分接开关切换到完好的档位运行。
在运行中,开关接触部分触头可能磨损,未用部分触头长期浸在油中可能因氧化而产生一层氧化膜,使分接头接触不良。
因此,为防止分解开关故障,切换时必须测量各分头的直流电阻,如发现三相电阻不平衡,其相差值不应超过2%。
倒分接头时,应核对油箱外的分接开关指示器与内部接头的实际连接情况,以保证接线正确。
此外,每次倒分接头时,应讲分接开关手柄转动10次以上,以消除接触部分的氧化膜及油垢,再调整到新的位置。
以上仅是对变压器的声音外观及其他现象的故障的初步,综合的归纳,分析,由于变压器故障并非某单一因素的反映,而是涉及诸多因素,有时甚至会出现假象。
因此,必要时必须进行变压器的特性实验及综合分析,才能准确,可靠找出故障原因,判断故障性质,提出较完善的处理方法,确保变压器的安全运行,下章本文会对变压器的内部故障进行分析。
第三章变压器内部故障的检测与判别
内部故障从性质上讲分为过热故障和放电故障两大类。
3.1过热故障的检测与判别
过热故障通常为变压器内部的局部过热、温度升高。
根据严重程度,过热故障又分为轻度过热(一般低于150℃)、低温过热(150℃~300℃)、中温过热(300℃~700℃)、高温过热(一般高于700℃)四种情况。
过热与变压器正常运行下的发热是有区别的,正常运行时的温度发热源来自于绕组和铁芯,即铜损和铁损。
据相关资料介绍在电力变压器内部故障方面,过热故障占60%还多,危害性严重。
存在于固体绝缘中的过热性故障会引起绝缘的劣化和热解,对绝缘危害较大。
另外过热性故障还包括接点接触不良、磁路故障、导体故障等,例如:
分接开关接触不良、铁芯多点接地、局部短路、漏磁环流、紧固件松动以及像硅胶进入本体而引起局部油道堵塞致使局部散热不良都可能会引起过热性故障。
因而综合变压器各方面考虑,产生过热性故障的主要原因有:
(1)油箱底部有金属异物,由于强油循环逐渐造成铁芯多点接地。
(2)油箱底部有金属屑,由于电场作用形成动态式“小桥”通路,造成铁芯两点接地。
(3)变压器制造结构缺陷引起的涡流。
(4)制造或维修中引线焊接触及分接开关接触不良或匝间绝缘破损引起的局部过热。
过热故障时,特征气体是CH4和C2H4两者之和一般占总烃的80%以上,且随着故障点温度的升高CH4所占的比值增加。
当过热涉及固体绝缘时,还产生CO、CO2,同时当总烃含量超过正常值时,C2H2/C2H4<0.1时为过热故障,C2H2/C2H4<1时为低温过热,1
3.2放电故障的检测与判别
根据放电的能量密度大小,变压器的放电故障常分为:
局部放电、火花放电、高能量放电三种类型。
变压器内部出现放电故障时,往往是一种类型伴随另一种类型,或几种类型同时出现。
局部放电是在电压作用下,绝缘结构内部气隙,油膜或导体的边缘发生非贯穿性放电现象。
根据绝缘介质不同,可将局部放电分为气泡局部放电和油中局部放电。
当油中存在气泡或固体绝缘材料中存在空穴或空腔,金属部件或导体之间接触不良以及变压器内部某些位置有尖角、毛刺、漆瘤等都可能会引起局部放电。
火花放电时其放电能量密度较大,变压器发生火花放电故障的主要原因是油中杂质的影响,杂质主要有水分、纤维质(主要是受潮的纤维)等构成,在极间距离小、杂质足够多的地方,则在工频电压作用的杂质在电极间形成的导电“小桥”可能连通两个电极,而发生火
花放电。
另一个原因是高压电力设备中某金属部件由于结构上的原因或运输过程和运行中造成接触不良而断开,处于高压与低压电极间并按其阻抗形成分压,而在这一金属部件上产生的悬浮电位引起火花放电。
电弧放电是高能放电,常以匝层间绝缘击穿为多见,其次为引线断裂或对地闪络和分接开关飞弧等故障。
电弧故障由于放电能量密度大,产气急剧,常以电子崩形式冲击电介质,使绝缘纸穿孔,烧焦或炭化,使金属材料变形或熔化烧毁,严重时会造成设备烧毁,甚至会发生爆炸事故。
这种事故一般事先难以预测,也无明显征兆,常以突发形式暴露出来。
就这三种放电形式而言,局部放电是其他两种放电的前兆,火花放电、电弧放电则是局部放电发展的一种必然结果。
电路故障与磁路故障的产生气体也有差异,如果是电路故障往往有C2H2,且含量较高,C2H4/C2H6比值也较高,并且C2H4产气速率往往高于CH4。
磁路故障一般无C2H4,或者很少(只占氢烃总量的2%以下),而且C2H4/C2H6的比值较小,一般在6以下。
乙炔C2H2的产生与放电性故障有关,且C2H2/C2H4>0.1,当发生电弧放电时,C2H2一般占总烃含量的20%~70%,H2占氢烃总量的30%~90%,且在绝人多数情况下C2H4含量高于CH4。
在火花放电中,一般总烃含量不太高,C2H4在总烃所占比例可达25%~90%,C2H2约占20%以下,H2占氢烃总量的30%以上。
当发生局部放电时,一般总烃不高,其主要成分是H2,其次是CH4与总烃之比大于90%。
由于化学测法对局部放电灵敏度不高,故最好采用电测法和超声定位技术。
放电故障如果涉及到固体绝缘,还会产生CO和CO2。
从总体来看放电性故障比过热性故障产气速率高。
第四章人工神经网络算法
4.1人工神经网络的概念
人工神经网络(ArtificialNeuralNetworks,ANN),一种模范动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。
根据一个简化的统计,人脑由百亿条神经组成,每条神经平均连结到其它几千条神经。
通过这种连结方式,神经可以收发不同数量的能量。
神经的一个非常重要的功能是它们对能量的接受并不是立即作出响应,而是将它们累加起来,当这个累加的总和达到某个临界阈值时,它们将它们自己的那部分能量发送给其它的神经。
大脑通过调节这些连结的数目和强度进行学习。
尽管这是个生物行为的简化描述。
但同样可以充分有力地被看作是神经网络的模型。
ANN是模仿脑细胞的结构和功能。
脑神经结构以及思维处理问题等脑功能的新型信息处理系统"它具有复杂的动力学特性,并行处理机制,学习。
联想和记忆功能,还具有高度的自组织,自适应能力。
ANN网络由大量的模拟人脑的神经元互联组成,通过调整连接权值,整体状态来给出响应信。
ANN是一种非线性映射系统,具有强大的模式识别能力,通过对反映输入特征量的大量样本学习,可以对任意复杂状态或过程进行分类和识别。
4.2人工神经网络的发展和现状
现代意义上对神经网络(特指人工神经网络)的研究一般认为从1943年美国芝加哥大学的生理学家W.S.McCulloch和W.A.Pitts提出M-P神经元模型开始,到今年正好六十五年。
在这六十五年中,神经网络的发展走过了一段曲折的道路。
1965年M.Minsky和S.Papert在《感知机》一书中指出感知机的缺陷并表示出对这方面研究的悲观态度,使得神经网络的研究从兴起期进入了停滞期,这是神经网络发展史上的第一个转折。
到了20世纪80年代初,J.J.Hopfield的工作和D.Rumelhart等人的PDP报告显示出神经网络的巨大潜力,使得该领域的研究从停滞期进入了繁荣期,这是神经网络发展史上的第二个转折。
到了20世纪90年代中后期,随着研究者们对神经网络的局限有了更清楚的认识,以及支持向量机等似乎更有前途的方法的出现,“神经网络”这个词不再象前些年那么“火爆”了。
很多人认为神经网络的研究又开始陷入了低潮,并认为支持向量机将取代神经网络。
有趣的是,著名学者C.-J.Lin于2003年1月在德国马克斯·普朗克研究所所做的报告中说,支持向量机虽然是一个非常热门的话题,但目前最主流的分类工具仍然是决策树和神经网络。
由著名的支持向量机研究者说出这番话,显然有一种特殊的意味。
人工神经网络特有的非线性适应性信息处理能力,克服了传统人工智能方法对于直觉,如模式、语音识别、非结构化信息处理方面的缺陷,使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。
人工神经网络与其它传统方法相结合,将推动人工智能和信息处理技术不断发展。
近年来,人工神经网络正向模拟人类认知的道路上
更加深入发展,与模糊系统、遗传算法、进化机制等结合,形成计算智能,成为人工智能的一个重要方向,将在实际应用中得到发展。
将信息几何应用于人工神经网络的研究,为人工神经网络的理论研究开辟了新的途径。
神经计算机的研究发展很快,已有产品进入市场。
光电结合的神经计算机为人工神经网络的发展提供了良好条件。
目前随着人工智能技术的发展,以及人工神经网络、专家系统、模糊理论在故障诊断中的应用。
在此基础上变压器故障诊断的方法和手段也丰富了许多,尤其是油中气体含量分析结果结合人工神经网络技术对变压器诊断取得了很好的效果,并且诊断的准确性也得到了很大的提高。
由于人工神经网络中的BP网络具有良好的模式分类能力而且发展比较成熟,故采用BP网络根据变压器油中的溶解气体的组成成分来对变压器故障进行诊断。
4.3BP网络模型及其学习算法
人工神经网络的模型有多种,而BP网络具有较好的模式分类能力,故适合于故障诊断的模式识别。
BP网络由输入层、输出层和中间隐层构成(见图1),若使BP网络对变压器故障模式的正确识别,须对其进行训练,即网络的学习。
学习过程由正向传播输出和反向传播调整两部分组成:
在正向传播过程中,输入信号由输入层经隐层单元处理后,传向输出层;如果在输出层得不到期望的输出(或者说与教师信号相差较大),则输出信号的误差将沿着原来的连接通路反向传播到输入层,通过自动调整和修正各层神经元间的连接权值W,使误差逐步达到最小。
I1O1
I2O2
I3O3
|||
|||
|||
INON
WijWjr
图1具有一个隐层的BP网络
如上图所示一个具有三层的BP网络,输入层为X其节点数为n,输出层为Y其节点数为m,中间隐层S其节点数为k,X层节点到S层节点的连接权值为Wij,S层节点到层节点Y的
连接权值为Wjr,θj是中间隐层的阈值,r是输出节点的阈值。
则输出函数为:
n
Sj=ƒ(∑ωjxi-θj)(i=1,2,…,n;j=1,2,…,k)
i=1
n
Yr=ƒ(∑ωrSj-Φr)(j=1,2,…,k;r=1,2,…,m)
j=1
其中f(*)是sigmoid函数,即
ƒ(u)=1/(1+e-u)
如果希望输出值与实际输出值之间的误差大于规定的误差值时,则需要对各连接权值进行修正,直到修正后的权值和阈值满足误差要求。
修正权值公式如下:
P1
Wi(n+1)=Wi(n)+η∑δpj(n)Xpi
p=1
P1
Wj(n+1)=Wj(n)+η∑δpr(n)Xpjθ
p=1
P1
θj(n+1)=θj(n)+η∑δpj(n)(-1)
p=1
P1
Φr(n+1)=Φr(n)+η∑δpr(n)(-1)
p=1
上式中δpj(n)———p样本,第n次迭代时,中间隐含层第j个神经元的输出误差;
δpr(n)———第p样本,第n次迭代时,输出层第r个神经元的误差;
η———学习率;
n———迭代次数。
变压器作为发电厂和变电站的主要设备,它的安全运行与否直接关系到电力系统的安全运行,所以变压器的保护就显得非常重要。
传统的只靠运行人员的丰富经验来判断电力变压器故障的方法已经不能满足电力运行的需要。
为使电力生产顺利进行,很有必要借助智能系统来进行变压器的故障诊断,从而提高电力系统安全运行的能力。
文献《神经网络在电力系统自适应单相重合闸中的应用》建立了基于RBF神经网络的变压器保护。
神经网络有5个输入节点,分别是两侧三相电流中任一相的瞬时值。
变压器差动电流中各次谐波含量和基波含量的比值(包括2次谐波,3次谐波,次谐波及5次谐波)。
输出节点1个(励磁涌流时为1,故障时为0)。
隐层节点数在训练时可自动获得。
检验结果表明,所建立的神经网络对变压器所发生的故障状态的响应时间小于10ms。
并且该方法克服了常规保护及目前变压器保护中的缺点,能够对变压器处于励磁涌流状态进行正确的判断,具有很好的工作性能,能够正确识别变压器所处的各种状态。
第五章状态评估方案设计
本文利主要利用特征气体法和罗杰斯比值法将神经网络模块化以使其对变压器故障能够做出准确判断,既通过特征气体法分析出变压器的故障类型,再通过罗杰斯比值法分析出变压器的故障类型,然后综合考虑,得出结论.
如图所示:
C
H2
CH4
C2H2
C2H4
C2H6
C2H2/C2H4
CH4/H2
C2H4/C2H6
C2H4/CH4
图2 神经网络模型
5.1多层前馈网络
我们最常用的神经网络就是BP网络,也叫多层前馈网络。
BP是backpropagation的所写,是反向传播的意思。
一般人不理解为什么一会叫前馈网络,一会叫BP(反向传播)网络,不是矛盾吗?
其实是这样的,前馈是从网络结构上来说的,是前一层神经元单向馈入后一层神经元,而后面的神经元没有反馈到之前的神经元;而BP网络是从网络的训练方法上来说的,是指该网络的训练算法是反向传播算法,即神经元的链接权重的训练是从最后一层(输出层)开始,然后反向依次更新前一层的链接权重。
因此二者并不矛盾。
BP网络的强大威力:
(1)任何的布尔函数都可以由两层单元的网络准确表示,但是所需的隐藏层神经元的数量随网络输入数量呈指数级增长;
(2)任意连续函数都可由一个两层的网络以任意精度逼近。
这里的两层网络是指隐藏层使用sigmoid单元、输出层使用非阈值的线性单元;
(3)任意函数都可由一个三层的网络以任意精度逼近。
其两层隐藏层使用sigmoid单元、输出层使用非阈值的线性单元。
图一即可理解为一种简单的前馈网络,即前一层神经元单向馈入后一层神经元,而后面的神经元没有反馈到之前的神经元。
5.2特征气体的模糊化处理
变压器内部的故障短路电流和高温电弧闪络会使绝缘材料(绝缘油)分解并产生大量的瓦斯气体;高温电弧会使空气及其它各种气体都产生化学反应,会产生包括氢气在内的许多气体,主要原因还是电离的结果,游离出来的离子,原子重新结合,多次反应所形成的。
由于故障类型不同,产生的气体类型,比例也不一样,特征气体法就是通过比较不同状态下变压器内部产生的气体类型,含量来分析变压器内部故障类型。
根据模糊理论,建立总烃C、H2、C2H2的隶属函数U1、U2、U3(其中x为总烃C、H2、C2H2的模糊量),如下所示:
0.005X0≤x<100
U1,U2=0.01X-0.5100≤x<150
1x≥150
U3=0.2X0≤x<5
1x≥5
表1利用特征气体法判断故障性质
序号
故障性质
特征气体的特点
1
一般过热性故障
0.5<A<0.6150≤B<0.5
2
严重过热性故障
0.615≤A≤10.5<B≤10.5<C<06150≤D<0.2
3
局部放电
0≤A<0.50.5<C≤10.2≤E≤1D<E
4
火花发电
0≤A<0.5B=10.5<C<0.615
5
电弧放电
0.615≤AB≤10.615≤C≤10.2≤D≤1E<D
其中,A、B、C分别表示C1+C2(总烃)、C2H2和H2转化后得隶属度。
D、E代表C2H2和CH4在总烃中所占的比例,即:
D=C2H2/(C1+C2),E=CH4/(C1+C2)。
1O1-1O5分别表示:
一般过热性故障(<500℃)、严重过热性故障(>500℃)、局部放电、火花放电、电弧放电。
5.3利用罗杰斯比值法判断故障性质
对于2ANN不能直接用罗杰斯比值法表的比值范围作为输入,因而可利用下面四个规则对其处理后作为网络输入:
I1:
CH4/H2≤0.1→I1=0.4
0.1<CH4/H2<1.0→I1=0
CH4/H2≥1.0→I1=1
I2:
C2H6/CH4<1.0→I2=0
C2H6/CH4≥1.0→I2=0
I3:
C2H4/C2H6<1.0→I3=0
1.0≤C2H4/C2H6<3.0→I3=0.5
C2H4/C2H6≥3.0→I3=1
I4:
C2H2/C2H4<0.5→I4=0
0.5≤C2H2/C2H4<3.0→I4=0.5
C2H4/C2H4≥3.0→I4=1
2ANN的输出O1—O7所代表的故障类型如下:
2O1:
输出为1时表明有局部放电,输出为0时表示无此故障;
2O2:
输出为1时表明电弧放电(贯穿性放电),输出为0时表示无此故障;
2O3:
输出为1时表明电弧放电(无贯穿性放电),输出为时表示无此故障;
2O4:
输出为1时表明低温过热(≤150℃),输出为0时表示无此故障;
2O5:
输出为1时表明过热(150℃—200℃),输出为0时表示无此故障;
2O6:
输出为1时表明过热(200℃—300℃),输出为0时表示无此故障;
2O7:
输出为1时表明线圈有环流,输出为0时表示无此故障;
同时还需要指出,由于BP网络S型激活函数的作用,输出节点的状态实际不可能达到0或1,因此为了提高故障判断的准确性须对网络的实际输出值相应的处理:
1ANN:
1Oi≥0.55→1Oi=1
1Oi≤0.4y→1Oi=0
0.4<1Oi<0.55→1Oi=0.5
2ANN:
2Oi≥0.65→2O=1
2Oi≤0.35→2Oi=0
0.35<2Oi<0.65→2Oi=0.5
5.3实例诊断
测的某台变压器油中各气体含量为:
H2=129ppm、CH4=110ppm、C2H2=221ppm、C2H4=153ppm、C2H6=11ppm。
根据A、B、C分别表示C1+C2(总烃)、C2H2和H2转化后得隶属度。
D、E代表C2H2和CH4在总烃中所占的比例,即:
D=C2H2/(C1+C2),E=CH4/(C1+C2)。
可得到A=495ppm,D=0.45,E=0.22。
E<D,0.2≤D≤1。
符合表一中电
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 人工 神经网络 变压器 状态 评估