BP神经网络在油浸式变压器过热性故障诊断中的应用

《BP神经网络在油浸式变压器过热性故障诊断中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第35卷第4期四川I电力技术Vo1．35，No．42012年8月SichuanElectricPowerTechnologyAug．。2012BP神经网络在油浸式变压器过热性故障诊断中的应用曾成碧，蒲维。曾先锋(1．四川大学电气信息学院，四川成都610065；2．四川电力科学研究院，四川成都610072；3．西昌电业局，四川西昌615000)摘要：针对充油变压器绝缘故障诊断的三比值法的局限性，建立以变压器油中溶解气体含量为样本数据，对不同的隐含层数目进行仿真分析，通过比较确定了适用于变压器绝缘故障诊断的BP神经网络模型。研究表明，这种方法提高了神经网络的收敛速度，符合电力变压器故障诊断系统

2、的实际情况，准确率高。关键词：油浸式变压器；过热性故障；油中溶解气体分析；神经网络Abstract：BPneuralnetworkmodelfortransformerinsulationfaultdiagnosisisestablished，accordingtothelimitationsofthree—ratiomethodusedfortheinsulationfaultdiagnosisofoil—immersedtransformer．Themodelisbasedonthesampledataofthecontentofdissolvedgasintransformeroil

3、，andtheanalysisisbasedonthenumberofhiddenlayers．Theresultsshowsthattheproposedmethodcanimprovetheconvergencerateofneuralnetworkwithhigheraccuracy，whichaccordswiththeac—tualsituationofthefaultdiagnosissystemofpowertransformer．Keywords：oil—immersedtransformer；overheatingfault；dissolvedgasanalysis；ne

4、uralnetwork中图分类号：TM406文献标志码：B文章编号：1003—6954(2012)04—0060—04中国电力变压器绝缘故障诊断仍采用传统的故变压器进行故障诊断，实际上是完成气体组分到故障诊断方法L1j，其中三比值法应用效果较好J，解障类型的一个复杂的非线性映射。BP神经网络诊决了不少实际问题，但是电力变压器故障现象本身断变压器故障就是根据变压器油中气体的成分含量是复杂的非线性的关系，因变压器的电压等级、运行来进行的，变压器的过热和放电故障将引起油中气环境、绝缘结构以及所处的系统不一样等众多因素，体含量的变化，通过分析特征气体的成分，实现对变使得三比值法判断出故障类型的准确

5、性受到很大影压器故障性质的判断。响，其准确率在80％以下。近年来许多智能方法用在故障诊断中，将已知的故障现象及其结论确于电力变压器绝缘诊断中，取得较好的效果J。定为训练学习的样本空间，输入可由，={a，a：，⋯，但仍然存在一些缺点，比如训练时间长、收敛速度慢a}表示，表示各种故障现象；输出可由O={c，C：，等。根据BP神经网络的特点，建立以变压器油⋯，c}表示，c∈[0，1]表示属于不同故障的隶属度中溶解气体组分含量为样本数据，对不同的隐含层(概率)。选择样本经过训练学习，确定网络结构，数目进行了仿真分析，通过比较确定了适用于变压然后就可以根据训练样本以外的故障现象诊断出故器绝缘故障诊断

6、的BP神经网络模型。通过研究表障状况，这就是人工神经网络诊断变压器故障原理。明，这种方法提高了神经网络的收敛速度，符合电力必须指出的是，传统BP算法的误差减小时，极变压器故障诊断系统的实际情况，准确率高。易陷入局部最小点。一旦训练样本数目过多，输入输出关系复杂，网络的收敛速度变得缓慢，表现为对1基于BP神经网络的变压器故障诊网络的初始值要求很高，不恰当的网络初始值会造断模型成BP算法的收敛振荡，甚至不收敛。由于每次训1．1建立模型练网络初始值的给定是随机的，因此可以通过不断电力变压器故障诊断技术是实现从故障征兆到的重新训练来达到要求。故障空间的映射，从而实现对故障的识别和诊断。1．2设计B

7、P网络模型的几个要点利用变压器油中溶解气体分析法的检测数据对油浸1．2．1网络学习样本的选择·60．第35卷第4期四川电力技术Vo1．35。No．42012年8月SichuanElectricPowerTechnologyAug．，2012学习样本的好坏很大程度上决定着BP网络的热(低于150℃)、低温过热(150—300℃)、中温过训练效果，收集学习样本集时着重从以下几点考虑：热(300～700℃)、高温过热(高于70