深度学习神经网络在电力变压器故障诊断中的应用

深度学习神经网络在电力变压器故障诊断中的应用

赵珍

四川蜀能电力有限公司高新分公司四川成都610094

摘要：电力变压器是电力系统中最为重要的核心电器之一，它担负着电压转换以及电能耦合的重要任务，甚至在一定程度上可以认为，整个电力传输系统的稳定水平直接取决于电力变压器的性能稳定水平。因此，探讨深度学习神经网络在电力变压器故障诊断中的应用具有重要的意义。本文首先对电力变压器进行了概述，详细探讨了深度学习神经网络在电力变压器故障诊断中的应用，旨在保证电力变压器的安全运行。

关键词：财务共享服务；管理会计信息化；实施策略

电力变压器在长期的运行中，故障是不可避免的。变压器一旦损坏会造成大面积停电且故障修复耗时长，因此变压器故障的及早发现和处理具有非常重要的意义。电力变压器的故障一般有机械故障、热性故障和电性故障，由于机械故障一般都以热性故障和电性故障的形式体现，因此主要以热性故障和电性故障为主。热性故障一般为中低温过热和高温过热，电性故障一般为低能放电和高能放电。传统的变压器故障诊断方法存在着效率偏低以及诊断准确率不高的问题，因此我们可以利用人工神经网络的方法对电力变压器的故障进行自动诊断。

1电力变压器概述

电力变压器是电力系统中的重要设备，其当前的工作状态直接影响着整个电力系统的运行。为了使变压器始终处于良好的状态，严密监视并尽早发现变压器的任何异常就显得非常重要。变压器的故障诊断就是根据变压器故障的征兆，确定故障的性质或部位。近年来，人工智能理论的不断完善及其在故障诊断中的成功应用，为变压器故障诊断技术的发展开拓了新的途径。该文介绍了一个我们研制的电力智能变压器诊断系统，这是一个功能完善并实用的系统，结合了基于专家系统和神经网络的多种诊断方法。结合该系统的神经网络诊断部分的研制，该文将着重论述诊断神经网络的拓扑结构优化设计问题。

2变压器常见故障

电力变压器的常见故障主要包括热故障和电故障两大类，其中热故障主要是指由于电流升高导致的温度升高的现象。另外，热故障还包含了机械故障，原因是机械故障通常也会以温度上升的形式体现出来；电故障主要是指变压器内部绝缘出现问题或者由于内部进水或者受潮而间接导致绝缘问题，进而引起的局部或大范围放电现象。

3BP神经网络基本原理

BP神经网络的基本思想是通过训练数据反复修正隐出层的函数参数，在这一过程中学习信号以正向传播，当前误差作为修正信号反向传播，上述过程循环往复，直至误差值到达理想情况。在这一过程中，权重值一直调整，这也是正在训练的标志。通过检测权重值便可判断系统在哪一次学习中收敛。

BP神经网络的算法是一个循环往复，不断迭代的过程，旧的数据会被下一个时刻的数据所取代，直至到达误差小于预设值为止，迭代完成，神经元的训练也就完成了。在此需要特别指出的是，在循环迭代过程中，很有可能出现函数结果发散的情况，这种情况的产生有两方面的因素：一方面是系统的训练次数设置较小，不足以达到系统收敛，在此情况下可以增加训练步长，然后通过反复训练测试，检测系统的平均训练步长值，在此基础上加20%的余量即可；另一方面是训练时所选取的激活函数不合适，此时可以考虑更换激活函数，然后进行训练测试的方法来解决这一问题。

4深度学习神经网络在电力变压器故障诊断中的应用

要对BP神经网络系统进行训练，必须首先选定合适的样本信息，在油色谱分析领域中，基于油中所溶解气体类型与内部故障性质的对应关系，以油中5种特征气体为依据的判断变压器故障的方法。其特征量为H2，CH4，C2H4，C2H2，C2H6。在对变压器的故障识别时，变压器的故障类型选择为：无故障、中低温过热、高温过热、低能放电和高能放电。在此训练样本基础上可得出输出期望值，作为仿真参照量。

MATLAB的神经网络工具箱为我们提供了运行神经网络进行算法分析的有利平台，本文介绍的算法过程可运用于此方式进行仿真研究。仿真步骤可概括如下：（1）在MATLAB中导入原始训练样本与训练数据，由于数据较多，此建议用EXCEL或数据库文件导入；（2）写入待仿真数据，在此过程中的待仿真数据实际上为实测值，即变压器故障诊断结果已经得出，在此为了验证算法的合理性与准确性，秩序将仿真结果与实际期望值作对比即可。（3）运用“newff”函数生成一个新的BP前向神经网络，并赋初值，主要包括曲线显示次数net.trainParam.show、训练速率net.trainParam.lr、动量因子net.trainParam.mc、训练代数net.trainParam.epochs、目标误差net.trainParam.goal等参数。具体参数请参见附录--变压器故障诊断仿真M文件。（4）通过“train”函数开始训练前向网络，训练完成之后通过神经网络工具箱中的对话框中“Performancegoalmet”提示用户；（5）训练完成之后运行仿真命令“sim”，测试训练好的神经元网络的反推输入值，并将结果与原始期望值作对比。

5结束语

综上所述，探讨深度学习神经网络在电力变压器故障诊断中的应用对保证电力变压器的安全性具有重要的作用。因此要进一步加强深度学习神经网络在电力变压器故障诊断中的应用，这样才能促进电力行业的稳定发展。

参考文献：

[1]石鑫，朱永利.深度学习神经网络在电力变压器故障诊断中的应用[J].电力建设，2015，36（12）：116-122.

[2]石鑫.基于深度学习的变压器故障诊断技术研究[D].华北电力大学，2016.

[3]许静.基于受限玻尔兹曼机的变压器故障诊断[D].华北电力大学，2017.

[4]张珂斐.电力变压器全维度智能决策支持系统研究[D].武汉大学，2016.

[5]刘林凡.基于机器学习的电力变压器故障诊断的研究进展[J].电子世界，2017（15）：9-10.

[6]司马莉萍.基于改进支持向量机的电力变压器故障诊断与预测方法的研究[D].武汉大学，2012.

[7]章政.基于遗传编程的电力变压器绝缘故障诊断模型研究[D].上海交通大学，2007.

[8]贾京龙.几种神经网络方法在变压器故障诊断上的应用研究[D].华南理工大学，2017.

[9]李刚，于长海，刘云鹏，范辉，文福拴，宋雨.电力变压器故障预测与健康管理：挑战与展望[J].电力系统自动化，2017，41（23）：156-167.

[10]刘海萍.电力变压器在线监测与故障诊断的研究[D].江苏大学，2007.