基于神经网络的变压器故障检测论文.docx

基于神经网络的变压器故障检测论文.docx

《基于神经网络的变压器故障检测论文.docx》由会员分享，可在线阅读，更多相关《基于神经网络的变压器故障检测论文.docx（87页珍藏版）》请在冰豆网上搜索。

基于神经网络的变压器故障检测论文

（此文档为word格式，下载后您可任意编辑修改！

）

毕业论文（设计）

题目基于神经网络的变压器故障检测

所在院（系）电气工程学院

完成地点陕西理工学院（北区）501楼

2012年5月20日

基于神经网络的变压器故障检测

杨文

（陕西理工学院电气工程学院自动化专业081班，陕西汉中723003）

[摘要]:

电力变压器作为电力系统中最为重要的设备之一，对电力系统安全、可靠、优质、经济的运行起着决定性作用，因而，必须尽量减少变压器故障的产生。

电力变压器故障检测对电力系统的经济安全运行有着重要的意义。

油中溶解气体法，是最有效的发现和检测变压器故障的方法之一。

神经网络对外界具有很强的模式识别分类能力和联想记忆能力，因此神经网络可以用于变压器故障检测。

基于神经网络的以变压器油中溶解气体为特征量的故障检测方法为变压器故障检测提供了新的途径。

本文将采用三种不同的神经网络（BP网络、RBF网络、支持向量机）应用于变压器故障检测中，分别介绍这几种网络的基本结构和原理，并进行模型设计和仿真。

[关键词]:

变压器故障检测神经网络BP算法RBF算法支持向量机

Basedonneuralnetworkoftransformerfaultdetection

Author：

Yangwen

（Grade08，Class01，MajorAutomation，DepartmentofElectricalEngineering，ShaanxiUniversityofTechnology，Hanzhong，723003，Shaanxi）

Tutor:

HouBo

Abstract:

asthemostimportantpartofthepowersystemequipment,thepowertransformertothesafetyoftheelectricitysystem,reliableandoftheeconomyplaysadecisiverole,therefore,wemusttrytoreducetheoftransformerfaults.Powertransformerofelectricpowersystemfaultdetectionoftheeconomicsecurityrecognitionclassificationabilityandassociativememoryabilitytotheoutsideworld,soneuralnetworkcanbeusedforthetransformerfaultdetection.Basedonneuralnetworktogasesdissolvedintransformeroilforthecharacteristicfeaturesoffaultdetectionmethodfortransformerfaultdetectionoffersanewway.Therefore.

Thisarticlewillusethreedifferentneuralnetwork（BPnetwork,RBFnetwork,supportvectormachine）usedintransformerfaultdetection,areintroducedthebasicstructureofthenetworkandtheprincipleanddesignandsimulationmodel.

keywords:

transformer,faultdetection,neuralnetwork,BPalgorithm,RBFalgorithm,supportvectormachine.

1绪论1

1.1课题研究的目的和意义1

1.2国内外发展状况1

1.3变压器故障种类1

1.4目前变压器故障诊断的主要方法3

1.5本文研究的主要内容4

2基于神经网络的变压器故障检测机理和基本理论5

2.1故障诊断技术5

2.2神经网络5

2.3变压器故障与油中溶解气体的关系7

3基于BP神经网络的变压器故障检测模型9

3.1BP网络9

3.2BP网络模型设计13

3.2.1BP网络参数的确定13

3.2.2基于BP神经网络变压器故障检测模型15

3.2.3数据归一化处理15

3.3系统仿真，训练与测试16

3.3.1网络训练16

3.3.2网络测试18

4基于RBF神经网络的变压器故障检测模型20

4.1RBF网络20

4.1.1RBF网络概述20

4.1.2RBF网络原理20

4.2RBF网络模型设计21

4.2.1RBF网络模型21

4.2.2RBF网络参数的选取22

4.2.3RBF网络训练方法的确定22

4.3仿真结果22

5基于支持向量机的变压器故障检测模型24

5.1支持向量机（SVM）24

5.1.1支持向量机（SVM）基本理论24

5.1.2支持向量机在故障诊断中的应用现状28

5.1.3基于支持向量机变压器故障多分类算法28

5.2变压器故障特征诊断模型设计29

5.2.1变压器故障特征诊断参数选取29

5.2.2故障诊断流程29

5.3系统仿真29

5.3.1故障模型训练和参数寻优29

5.3.2测试结果与分析33

6结论与展望35

致谢36

参考文献37

英文文献39

1绪论

1.1课题研究的目的和意义

现代设备技术水平不断提高，生产率、自动化要求越来越高，相应地，故障也随之增加。

变压器作为电力系统中非常复杂而且非常重要的设备，其工作状态对电力系统、企事业单位及居民生活具有十分重要的影响。

由于种种原因，变压器故障时有发生，事故率仍相当的高。

以我国的110kV及以上变压器事故来看，1994年110-SOOkV变压器事故率为0.76次百台.年，95年为0.65次百台.年，96年为0.56次百台.年[1],2001年国家电网的变压器共发生非计划停运达216次[2]，其故障最大的部位是变压器的内绝缘，主要的故障点是绝缘老化严重、运行环境恶劣、变压器质量有问题[3]。

只有正确地评估、准确地诊断、可靠地预测变压器的运行状态，才能指导现场对缺陷变压器开展状态检修，提高检修质量，避免检修人力、物力和财力的浪费。

如何提前对变压器故障进行预测和在故障发生后迅速判断故障原因是提高工作效率、减少经济损失的一个重要途径。

所以采用智能方法建立相应模型，研究变压器状态与运行工况、历史运行记录的关系及其规律，利用变压器的信息准确地诊断、预测和评估变压器运行状态对实施变压器状态维修，对保证系统安全、可靠、经济运行，提高经济效益具有重要意义。

变压器故障检测的作用是[4]判断运行设备否处于正常状态；如若有故障，判断故障的类型，性质及原因；根据故障信息或者信息处理结果，预测故障可能的发展，即对故障的故严重程度和发展趋势做出判断；提出控制，防止和消除故障的方法，设备维修的措施；对设备的设计、制造、装配等提出改进意见，对设备现代化管理提供更好方法建议。

1.2国内外发展状况

诊断理论作为状态识别方法的基础，在工程与技术、生物与医学及经济与社会领域里都有着广泛的应用。

从各个诊断技术的分支来看，美国有着领先的地位。

美国的很多权威机构，如美国机械工程师协会，美国宇航局等都参与了在这一领域的研究，也有很多高校和企业都设立了诊断技术的研究中心。

美国一些公司研制的检测产品不仅能检测还具有很好的诊断功能，在宇航、化工、医药、军事等方面都具有广泛的应用。

其他的国家诊断技术也各有特色，如英国在摩擦诊断，丹麦在振声诊断，日本在应用方面都具有优势[5]。

我国的诊断技术发展于70年代末，起步比较晚，但经过不懈努力，特别是最近几年的追赶，已经基本跟上了国外的步伐，在有的理论研究方面已和国外不相上下。

目前我国在一些特定的诊断研究领域很有特色，形成了自己的检测故障产品，如西安交通大学的“大型旋转机械计算机状态监测与故障诊断系统”，哈尔滨工业大学的“机组振动微机监测和故障诊断系统”等。

纵观我国的设备故障检测诊断技术现状，其应用范围集中在化工、冶金、电力等方面，科研则主要集中在高校和研究所。

1.3变压器故障种类

变压器通常由许多部件构成，其复杂的结构会导致各种各样的故障发生。

变压器的故障按变压器本体划分可分为内部故障和外部故障。

内部故障主要有各相绕组间的相间短路、绕组的线匝之间的匝间短路、绕组或引出线与油箱外壳接地等故障。

外部故障主要有油箱外部发生的绝缘套管短络、绝缘套管损坏或破碎引起的外壳接地、引出线间的相间短路故障。

若按变压器的部位划分，变压器故障可分为铁芯故障、分接开关故障、绕组故障和套管故障[6-8]等。

变压器故障主要有以下几种[9]:

（1）铁芯故障

铁芯是变压器实现能量传递和电压变换的主要部件。

统计资料表明铁芯故障是变压器事故发生比较多的故障之一。

变压器铁芯故障的原因主要包括两个方面，一方面是由于铁芯本身的夹件松动或损伤而与接地铁芯碰接使铁芯发热。

另一方面主要是因为施工工艺不良造成短路以及铁芯多点接地、铁芯接地不良等。

变压器正常运行时，变压器铁芯只有一点接地才是正确可靠的正常接地。

（2）绕组故障

绕组是电力变压器的中心部件，它也是变压器涉及电气量的主要部件。

变压器的绕组故障约占整个变压器故障总数的百分之六十左右。

绕组故障发生的原因主要是绕组绝缘老化、绕组受潮、各相绕组之间发生的相间短路、单相绕组部分线匝之间发生的匝间短路、单相绕组通过外壳发生的单相接地、绕组断裂、绕组击穿、绕组过热烧坏、系统短路和冲击电流造成绕组机械损伤以及电磁力引起的绕组变形等。

（3）分接开关故障

分接开关是变压器的重要部分，其可靠性直接影响着变压器的可靠性。

分接开关是变压器高压回路中的运动部件，其故障相对较高。

分接开关故障的种类主要有：

无载分接开关故障和有载分接开关故障。

无载分接开关常见的故障有：

变压器渗油是无载分接开关裸露在空气中受潮，导致绝缘性能下降，产生放电短路，损坏变压器；无载分接开关的设计和制造质量差，结构不合理，引起动静触头绝缘击穿，使两抽头间短路或对地短路放电，烧坏抽头线圈；变压器油的老化引起分接开关触头出现碳化膜和油垢，使导电部位接触不良，接触电阻增大，产生发热和电弧而烧坏开关。

有载开关的故障主要有：

过渡电阻串连接螺栓松脱：

辅助触头中的过渡电阻在切换过程中被击穿或烧坏；分接开关由于密封不严而进水，导致绝缘性能降低造成相间短路；由于触头滚轮卡死使分接开关停在过渡位置，造成匝间短路而烧坏；选择开关承受不了变压器线圈分接引线的长期荷载而发生形变等。

（4）变压器油绝缘故障

在变压器运行过程中，由于高温、强电场以及光合作用的共同作用下，绝缘油会不断地进行氧化。

由于油中气体、杂质和金属会加速油的氧化过程，会使油中水分、过氧化物、酸价、灰分、油泥等组分含量增加，从而使油质逐步地发生污染和劣化，使变压器油生成油泥，粘附在变压器箱壳内固体表面妨碍了散热，并导致绝缘电阻降低和绝缘水平下降，加速了绝缘材料的老化。

（5）固体绝缘故障

油浸式变压器采用的固体绝缘材料主要包含绝缘纸、绝缘板、绝缘垫、木块等。

这些绝缘材料的主要成分为纤维素，其在变压器长期运行中会因发生分解而老化，甚至丧失绝缘强度，造成绝缘故障。

当故障点涉及固体绝缘时，在故障点释放能量的作用下，油纸绝缘将发生裂解，纤维素要发生解环、断链，水分从纤维素中脱离后将加速纤维材料脆裂，释放出CO和CO2和糠醛，使油纸绝缘的击穿电压和体积电阻率降低，介质损耗增大，聚合度和抗张强度都将逐步降低。

而故障必然因绝缘油的分解产生各种低分子烃和氢气，同时会引起一氧化碳和二氧化碳含量的明显增长。

所以可通过分析各种特征气体与CO和CO2间的伴生增长情况，来判断固体绝缘故障的原因。

（6）放电故障

通常根据放电的能量密度的大小将变压器的放电故障分为局部放电、火花放电和电弧放电三种类型。

放电对绝缘有很强的破坏作用。

电弧放电产生的热使变压器油发生分解，产生甲烷、乙炔、氢气、一氧化碳、二氧化碳、乙烯、乙烷等多种特征气体，并使介质损耗增大，使局部绝缘受热损坏。

放电时产生的高压气体引起绝缘体开裂并形成新的放电点，产生恶性循环；同时放电产生的杂质堆积和沉积在固体绝缘上使散热困难，使放电增强和出现过热。

促使固体局部绝缘损坏，引发新的变压器故障。

对于局部放电、火花放电和电弧放电三种放电形式，它们相互之间不是独立的，而是相互联系和交织在一起的。

通常局部放电是其他两种放电的最初形式。

随着故障的发展和扩大，常常会变成火花放电和电弧放电。

（7）油流带静电故障

在强迫油循环冷却的大型电力变压器中，由于变压器油流过绝缘纸及绝缘纸板的表面时，会发生油流带静电的现象，简称油流带电。

变压器的绝缘纸和纸板的组成成分主要是纤维素和木质素，对于强迫油循环冷却的大型变压器，变压器油经油泵加速传到绕组内的冷却油道时，油与绝缘纸板发生摩擦，在油与绝缘纸和绝缘纸板界面上产生静电电荷的分离。

纤维素和木质素分子就被正极性的氢原子所覆盖，并吸附油中负离子，使负电荷附在纸板表面，而油中的正电荷随油流动。

这样油就带正电而纸板表面带负电。

随着油的循环流动油中正电荷越积越多，场强增强。

当某处电荷积累超过某一程度时，就有可能向绝缘纸板放电，使绝缘纸板绝缘受损伤，并最终导致绝缘故障。

1.4目前变压器故障诊断的主要方法

现在变压器故障诊断的常用方法有如下几种[10]：

（1）基于神经网络技术的电力设备故障诊断

人工神经网络（ArtificialNeuralNetwork，简称ANN）是一种模仿人脑行为及其活动过程的推理分析方法。

在神经网络系统中，信息的存储和处理是合为一体的，能从不完全的，不精确的信息联想出完整的信息，神经网络具有很强的学习能力、信息处理能力和学习过程中的完善性能。

它能从一系列的数据中综合出规律性的知识。

其应用已渗透到各个领域，并在智能控制、模式识别、计算机视觉、自适应信号处理、知识处理、传感技术与机器人等方面得到广泛的应用。

其在电气设备在线监测、故障诊断、负荷预报、智能控制等方面也取得很好的成就[11]。

近年来很多国内外研究学者都致力于运用神经网络进行变压器故障诊断的研究。

（2）基于模糊理论CFuzzyTheory）的故障诊断

1965年美国加州大学L.A.zadeh教授首次提出了表达事物模糊性的重要概念:

隶属函数，从而奠定模糊理论的基础。

1974年，英国的E.H.Mamdani首次用模糊规则和模糊逻辑实现了蒸汽机的运行过程控制，取得了比传统控制算法更好的效果，从而宣告模糊控制的诞生。

模糊理论是以模糊集为基础，以处理模糊事物为目标，并将其严格数字量化后进行计算机处理的应用研究。

模糊理论作为一种精确描述不确定性关系的方法，在解决变压器故障诊断的问题具有着独特的优势。

它为变压器的绝缘故障诊断提供了一种新的途径[12]。

（3）专家系统诊断法

专家系统（ExpertSystemES）是一种具有大量专门知识的程序系统，它根据多个专家提供的专业知识进行推理，解决通常需要专家才一能解决的复杂问题。

变压器故障诊断专家系统是一个基于规则的专家系统，它通常由知识库、数据库、推理机、知识获取系统、解释系统和人机接口等6部分组成。

专家系统在解决难以建立数学模型，较多依赖人类专家经验知识的问题上有独特的优势，在信息不完整或不确定的情况下仍能给出较为合理的结论，因此国内外有不少学者从专家系统的角度去研究变压器故障诊断[13-14]，与此同时，很多学者将专家系统与其它智能方法结合，进行变压器的故障诊断研究[15-17]。

这些研究成果推动了专家系统的实用化，但同时也应看到专家系统存在着两个主要问题:

①知识获取的“瓶颈”问题。

一方面由于专家知识的不完备，另一方面由于专家知识表述规则化有相当的难度，两者造成了诊断系统知识库的不完备，表现为当遇到一个没有相应规则与之对应的新故障现象时，系统显得无能为力。

②诊断推理不确定性问题。

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。

这些问题大大影响了其故障诊断的准确性。

（4）基于遗传算法的故障诊断

遗传算法简称GA（GeneticAlgorithm），是由生物进化思想启发而得出的一种具有全局搜索能力的算法。

它通过选择、交叉和变异等操作，产生新一代适应力更强的群体。

1967年BagleyJ.D最早提出遗传算法的概念。

1975年Michigan大学的J.H.Holland开始了遗传算法的理论和方法的系统性研究。

目前遗传算法在模式识别、神经网络、图像处理、机器学习、工业优化控制、自适应控制、生物科学、社会科学等方面都得到了广泛的应用。

另外还有灰色理论、支持向量机（（SVM）算法、Bayes推理法、证据组合法以及粒子群优化算法（PSO）等多种人工智能方法，亦各有其自身的特性和优点。

随着各种智能方法的应用研究，将多种智能方法融合起来进行故障诊断也成为智能诊断方法新兴发展起来的一个方向。

1.5本文研究的主要内容

神经网络方法可以从变压器油中溶解气体数据中获取隐含的故障诊断规律，而不用深入了解变压器故障检测的相关知识，便可以进行变压器故障检测诊断。

同时能根据实际变压器油中溶解气体的数据进行自适应调整。

所以，本文的内容就是运用神经网络对变压器状态监测所得的数据进行分析处理，从而对变压器状态进行监测，故障进行检测诊断。

具体内容包括：

1）选择合适的神经网络算法，本文采用BP神经网络、RBF神经网络和支持向量机。

2）对于故障油浸变压器，其主要表现形式为变压器导热油发生一定的溶解，导致变压器腔内存在不同的气体，CH4、C2H6、C2H4、C2H2、H2、CO和CO2等。

同时，实践表明不同气体含量能够从一定程度上说明变压器的故障类型。

为此，课题的故障数据为上述气体数据。

3）分析故障数据的分布情况，对故障样本和故障数据进行分析归类，确定输入向量和输出向量，建立故障模型。

4）利用matlab神经网络软件包，建立网络模型。

用新的故障数据，检验故障模型的准确性和可靠性，得出相应的指标数据。

2基于神经网络的变压器故障检测机理和基本理论

本文的主要特点是将神经网络用于变压器故障检测。

所以，故障诊断技术和神经网络的基本理论是研究的基础和重点。

2.1故障诊断技术

故障诊断是研究设备状态运行的变化，进而识别设备状态运行的一门科学。

本质而言，故障诊断是个模式识别与分类的问题，通常把机器的运行分为正常与异常。

异常又属于哪种故障，又是一个模式识别与分类的问题。

其运作流程如图2.1所示:

图2.1故障诊断运作流程

由图2.1可知，设备诊断过程主要有信号采集，信号分析处理，故障诊断三个过程阶段。

具体如下：

信号采集技术。

设备的诊断技术从设备的症状入手进行研究分析。

设备的症状主要是指设备运行时所产生的能体现其状态的信号。

因而，信号采集是设备故障诊断的前提。

信号分析处理阶段是故障诊断的关键，该阶段实际上就是诊断技术的特征因子提取技术。

原始信号为传感器采集的信号，像温度、位移等部分信号可以直接利用，但有的信号则不能，如振动信号，虽然经过放大，但含有噪声，所以不能准确地反映问题，必须利用信号分析处理技术，才能得到敏感的能够反映设备状态的特征因子。

传统的信号分析处理技术有滤波技术、频谱分析技术。

新兴的数字滤波技术、自适应滤波技术、小波分析技术等大大提高了信号处理技术。

故障诊断是设备故障诊断技术的核心，识别设备状态异常与否，异常后再分析原因，此为诊断的实质。

目前，诊断技术按信号类型的不同分为振声诊断、温度诊断、油液诊断、光谱分析等。

在诊断技术发展初期，由于技术条件不够成熟，占主导地位的是人，仪器处理后的信号主要由人去分析。

随着人工智能的发展，诊断的自动化，智能化逐渐成为现实。

2.2神经网络

人工神经网络是由简单的处理单元所组成的大量并行分布的处理机，这种处理机具有存储和应用经验知识的自然特性，它与人脑的相似之处概括为两个方面：

一是通过学习过程，利用神经网络从外部环境中获取知识；二是内部神经元可以用来存储获取的知识信息。

人工神经网络又被称为连接机制模型或者称为并行分布处理模型，是由大量神经元广泛连接而成的，它是在现代神经科学研究的基础上提出来的，反映了人脑的基本特征。

但它并不是人脑的真实描写，而只是它的某种抽象、简化和模拟。

网络的信息处理是由神经元之间的相互合作来实现，知识和信息的存储表现为网络元件互连，网络的学习和识别取决于各神经元连接权值的动态演化过程。

一般而言，神经元模型应具备三个要素：

1、具有一组突触或连接常用wij表示神经元i和神经元j之间的连接强度，或称之为权值。

与人脑的神经元不同，人工神经元的权值的取值可在正值和负值之间；

2、具有反映生物神经时空整合功能的输入信号累加器。

3、具有一个激励函数用于限制神经元输出。

激励函数将输出信号限制在一个允许范围内，将其成为有限值，通常神经元输出的扩充范围在（0,1）或（-1,1）闭区间。

一个典型的人工神经元模型如图2.2所示

图2.2人工神经元模型图

人工神经元是人工神经网络的基本单元，从图2.2中可以看出，它相当于一个多输入单输出的非线性阈值器件。

定义表示其他神经元的输出，亦即该神经元的输入向量；表示其他神经元与该神经元R个突触地连接强度，亦即权值向量；其每个元素的值可正可负，分别表示为兴奋性突触和抑制性突触；θ为神经元的阈值，如果神经元输入向量的加权和大于θ，则该神经元被激活，所以输入向量的加权和也称为激活值；f表示神经元的输入输出关系函数，亦即传输函数。

传输函数一般为单调升函数，但它又是一个有限值函数，神经元的输出可以表示为

（2.1）

神经网络具有高速并行处理、分布存储信息等特性，它符合人类视觉系统的工作原则具有很强的学习能力、自组织能力、容错性、非线性映射、高鲁棒性、联想记忆功能、分类和识别、知识处理、推理意识功能强等特点。

人工神经网络是在现代神经科学研究领域成果的基础上提出来的，信息的分布存储和并行协同能力是其特点，很适用于像故障诊断类的多变量非线性问题。

神经网络是一种具有学习功能的非线性映射器。

其学习过程如图2.3。

图2.3神经网络学习过程

一般而言，训练集只占到整个知识空间的一极少部分，训练完成以后，通过对测试集的测试来评价其学习效果，从而来考察神经网络对未知的知识的推广学习能力。

神经网络还具有在线学习的能力，这种通过对少数已知样本的学习来获取未知的知识能力，也叫做泛化能力。

而且在学习之前它无需在事先获取系统的任何相关参数。

这种泛化能力就其本质而言相当于是对函数的一种外推和内插。

这些学习之后具有外推和内插的能力使得神经网络有着非常广泛的应用，包括函数逼近（高维曲面拟合、自适应控制）、模式识别与分类、预测和预报等。

其中对模式识别与分类能力使神经网络可用于故障的检测诊断。

神经网络用于故障诊断时，相当于把每一类型的故障视为一个模式类，通过网络的学习，找出该模式类的内在规律与特点并区别于其他类型，以实现故障诊断。

网络的每一个训练样本和测试样本都是由“症状”与“原因”构成。

“症状”为输入，“原因”为输出[18-19]。

2.3