基于BP神经网络的变压器故障诊断及其应用

合集下载

基于改进的神经网络在变压器故障诊断应用的研究

基于改进的神经网络在变压器故障诊断应用的研究近年来，人工智能技术在电力系统领域得到了广泛的应用，特别是神经网络在变压器故障诊断中展现出强大的能力。

本文将重点研究基于改进的神经网络在变压器故障诊断应用中的方法及实现。

一、研究背景及意义现代工业生产中，变压器作为重要的电力设备扮演着不可替代的角色。

然而，变压器故障的发生可能导致生产中断、设备损坏甚至事故发生。

准确快速地诊断变压器故障对于提高生产效率、防止设备损坏具有重要意义。

传统的变压器故障诊断方法主要依靠技术人员的经验判断，存在着主观性强、诊断准确率低等问题。

而基于神经网络的方法能够通过大量的样本数据进行训练，具有自动学习的能力，能够更客观准确地识别故障类型和位置。

二、基于改进的神经网络方法1.数据预处理在使用神经网络进行变压器故障诊断之前，需要进行数据预处理。

常见的数据预处理方法包括数据采集、特征提取和数据标准化等。

通过对原始数据进行预处理，可以提高神经网络的训练效果和诊断准确率。

2.改进的神经网络模型为了提升神经网络在变压器故障诊断中的性能，研究者们通过改进神经网络模型来提高其学习能力和泛化能力。

例如，引入卷积神经网络（CNN）用于图像识别任务中，可以有效地提取变压器故障图像的特征信息。

3.特征选择与降维在训练神经网络之前，需要选择合适的特征作为输入。

传统的特征选择方法主要依赖于人工经验，存在着主观性强的问题。

因此，研究者们提出了各种自动特征选择和降维方法，如主成分分析（PCA）和线性判别分析（LDA），以提高变压器故障诊断的准确率。

三、实验与结果分析本文通过实验验证了基于改进的神经网络在变压器故障诊断中的应用效果。

实验采用了包含多种故障类型的变压器故障数据集，并与传统的故障诊断方法进行对比。

实验结果表明，基于改进的神经网络方法在变压器故障诊断中具有显著的优势。

相比传统方法，改进的神经网络在准确率和速度上都取得了明显的提升。

这表明在变压器故障诊断领域，基于神经网络的方法具有更好的应用前景。

BP神经网络在变压器故障诊断中的应用.kdh

BP神经网络在变压器故障诊断中的应用杨海马1，刘瑾2，张菁2（1．上海理工大学光学与电子信息工程学院，上海200093；2．上海工程技术大学电子电气工程学院，上海201620）摘要：基于BP神经网络理论设计了以气体浓度为输入、故障类型为输出的变压器故障诊断系统，并进行了计算机仿真。

关键词：变压器；气体分析；BP神经网络中图分类号：TM406文献标识码：B文章编号：1001－8425（2009）01－0067－04 Application of BP Neural Network to Transformer Fault DiagnosisYANG Hai－ma1,LIU Jin2,ZHANG Jing2（1．University of Shanghai for Science and Technology,Shanghai200093,China;2．Shanghai University of Engineering and Science,Shanghai201620,China）Abstract：The transformer fault diagnosis system is designed based on the theory of BP neutral netnwork．In the system,the input is the gas concentration and the output is the kind of fault．The simulation is presented by computer．Key words：Transformer；Gas Analysis；BP neutral network１引言电力系统的安全运行具有十分重要的意义，当高压变压器或其他类似设备在运行中出现局部过热、不完全放电或电弧放电等故障时，其内部绝缘油、绝缘纸等绝缘材料将分解产生多种气体，包括短链烃类气体（C2H2、CH4等）和H2、CO2等，这些气体称作特征气体。

基于神经网络算法的变压器诊断

基于神经网络算法的变压器诊断摘要：电力变压器诊断是根据变压器故障特征，定故障的性质或者类别，为变压器的检修决策提供依据。

文章对变压器油溶解气体的来源、特点及产生原因进行分析，通过构建变压器油中溶解气体与变压器故障之间的对应关系的专家系统，运用神经网络算法对变压器进行全面诊断，仿真结果表面文章所示方法具有可行性。

1.神经网络算法基本原理神经网络算法（BP神经网络）是一种前向网络，利用反向传播学习算法进化学习。

目前神经网络算法已广泛应用于故障诊断、寿命预测、数据归类等方面。

典型神经网络算法包括：输入层、隐含层、输出层。

其拓扑如图1所示。

图1 神经网络拓扑图图1所示拓扑结构可知，当选取一组学习样本作为输入时，通过映射条件至隐含层，然后再经激活函数处理，反向输出到输出传播层，并在输出层获得神经元的网络输入响应；以降低实际输出和目标输出之差为优化条件，反向修正映射和激活函数连接权值，最后返回输入层。

如此过程反复交替，从而实现误差的减少。

1.变压器诊断模型文章通过对变压器常见故障进行诊断分析，得出变压器故障类型与特征气体之间关系如表1所示。

表1 变压器故障类型与特征气体之间关系表从表1可知，变压器故障后变压器油溶解气体核心为：、、、、五种气体。

因此将它们作为变压器故障特征提取量，通过比较、、三项值的大小来判断故障。

1.基于神经网络的变压器诊断过程从文章第二节可知，气体之间比值的不同对应不同的故障类型，因此可以构建三项值与故障类型对应关系，并将该关系作为神经网络的输入和输出进行训练。

由于变压器进行故障的诊断时，因为其内部油中的特性气体和自身问题件并不是线性的关系，所以选择非线性的Sigmoid函数来对其进行计算。

通过上述反向传播训练，得到适用于变压器诊断特点的神经网络权值模型。

运用得到的神经网络权值模型，输入实际数据，得到神经网络传播后的输出结果，该结果即为对应的变压器故障类型。

1.仿真实例文章收集了实际故障数据如表2所示。

基于BP神经网络的变压器油路循环系统故障诊断

Ｐｔｅｓｔ＝［ＰｔｅｓｔｌＰｔｅｓｔ２Ｐｔｅｓｔ３］；
ｒｅｓｕｌｔｔｅｓｔ＝ｓｉｍ（ｎｅｔ，Ｐｔｅｓｔ）、
＿
输出结果为：
ｒｅｓｕｉｔｔｅｓＢＰ神经网络算法可有效的通过分析油路循环降温系统传感器采集的数据来诊断油浸式变压器油路循环降压系统的故障。运用ＭＡＴＬＡＢ神经网络进行仿真，结果表明，用ＢＰ神经网络算法诊断油浸式变压器油路循环降温系统故障具有较高的诊断效率和正确率。参考文献［１］朱凯，王正林．精通ＭＡＴＬＡＢ神经网络【Ｍ】．北京：电子工业出版社，
２０１０，１．
１．００５９０．９９８０．０００８Ｏ．０１３５０．００３９
０．００５１－０．Ｏ００ｌ０．９９７６０．９９８００．０００７
—０．０１１００．００２１０，００１７ — ０．０１１６０．９９５４
［２］张德丰．ＭＡＴＬＡＢ神经网络编程［Ｍ】．北京：化学工业出版社，
２０１１，９．
０．００７８
０．００４８
０．９８７４
由此可见，训练后的网络诊断结果是正确的。
４结论
［３］ＭＡＴＬＡＢ中文论坛编著．ＭＡＴＬＡＢ神经网络３Ｏ个案例分析［Ｍ］．北京：北京航空航天大学出版社，２０１０，４．【４】徐涛，王祁．一种神经网络预测器在传感器故障诊断中的应用『Ｊ］．传感技术学报，２００５，１８（２）：２３５ — ２３７．【５】孙旭东，王善铭．电机学【Ｍ】．北京：清华大学出版社，２００６，９．

基于BP神经网络的变压器故障诊断研究毕业设计

……………………. ………………. …………………毕业设计装题目：基于BP神经网络的变压器故障诊断研究订线……………….……. …………. …………. ………毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。

尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。

对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。

作者签名：日期：指导教师签名：日期：使用授权说明本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。

作者签名：日期：学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。

除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。

对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。

本人完全意识到本声明的法律后果由本人承担。

作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。

本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。

涉密论文按学校规定处理。

作者签名：日期：年月日导师签名：日期：年月日注意事项1.设计（论文）的内容包括：1）封面（按教务处制定的标准封面格式制作）2）原创性声明3）中文摘要（300字左右）、关键词4）外文摘要、关键词5）目次页（附件不统一编入）6）论文主体部分：引言（或绪论）、正文、结论7）参考文献8）致谢9）附录（对论文支持必要时）2.论文字数要求：理工类设计（论文）正文字数不少于1万字（不包括图纸、程序清单等），文科类论文正文字数不少于1.2万字。

基于BP神经网络的变压器故障诊断研究

……………………. ………………. ………………… 山东农业大学毕业设计题目：基于BP 神经网络的变压器故障诊断研究学院机电学院专业班级电气五班届次 10 级学生姓名王友福学号 20100802 指导教师王冉冉二O 一四年五月十二日装订线 ……………….……. …………. …………. ………目录摘要 (Ⅰ)Abstract (Ⅱ)第一章引言1.1 变压器故障诊断的意义 (1)1.2 变压器故障诊断的现状和发展趋势 (1)第二章变压器油中气体的产生机理2.1 油中溶解气体的来源 (3)2.2 特征气体产生的原因和特点 (4)2.3 气体在变压器油中的溶解与扩散 (4)2.4 变压器内部故障与油中特征气体的关系 (5)第三章神经网络系统研究3.1 人工神经网络理论概述 (6)3.2 人工神经元模型 (6)3.3 神经网络的分类 (8)第四章基于BP神经网络的变压器故障诊断4.1 BP神经网络原理 (9)4.2 BP神经网络的算法 (10)4.3 变压器故障诊断的BP神经网络模型 (13)4.3.1 BP神经网络模型建立 (14)4.3.2 神经网络数据处理 (16)4.3.3 BP神经网络的训练过程 (17)第五章变压器故障诊断仿真5.1 仿真工具的选择 (18)5.2 BP网络参数设计 (18)5.3 BP网络结构参数设计 (22)5.4 仿真结果分析 (23)总结 (24)参考文献 (25)致谢 (27)ContentsChinese abstract (Ⅰ)Abstract (Ⅱ)The first chapter is introduction1.1 Transformer fault diagnosis significance (1)1.2 Current situation and development trend of transformer fault diagnosis (1)The second chapter the generation mechanism of gas in transformer oil2.1 Sources of dissolved gas in oil (3)2.2 The causes and characteristics of gas generation (4)2.3 The dissolution and diffusion of gas in transformer oil (4)2.4 The relationship between the characteristics of gas and oil in the transformer internal fault (5)The third chapter neural network system3.1 Overview of artificial neural network theory (6)3.2 The artificial neuron model (6)3.3 Classification neural network (8)The fourth chapter fault diagnosis of transformer based on BP neural network4.1 The principle of BP neural network (9)4.2 The algorithm of BP neural network (10)4.3 BP neural network model for fault diagnosis of transformer (13)4.3.1 A BP neural network model (14)4.3.2 Neural network data processing (16)4.3.3 The training process of BP neural network (17)The fifth chapter the simulation of transformer fault diagnosis5.1 The simulation tool of choice (18)5.2 The parameters of BP network design (18)5.3 BP network structure parameters design (22)5.4 The analysis of simulation results (23)Summary (24)Reference (25)Thank (27)基于BP神经网络的变压器故障诊断研究作者：王友福指导老师：王冉冉【摘要】电力变压器是电力系统的重要组成部分之一，也是系统中发生故障率最高的电气设备之一，它的安全可靠运行对电力系统的安全可靠供电有很大的影响。

基于BP神经网络的变压器故障诊断

实例分析，证明了该方法的有效性
关键词变压器Ｉ）【～特诊气体神经网络故障诊断中图分类号ｒ｝｛Ｉ６５’ ，３文献标识码Ａ文章编号１０００ — ３９３２（２０１３）０４－０４９４ — ０４
。
ＢＰ神经网络学习过程中的误差反向传播过
程是通过使一个目标函数（实际输出和期望输出
之ห้องสมุดไป่ตู้ 的平方和）的最小化来完成的。这个目标函数可以通过梯度下降法得到。设第ｋ个输出神经元的期望输出为为Ｙ，而实际输出Ｏ，则系统平
Ｃ２Ｈ６／ＣＨ４，Ｃ２Ｈ６／Ｈ２，ＣＨ４／Ｈ２，Ｃ２Ｈ２／总烃，Ｈ２／总烃，Ｃ：Ｈ／总烃，ＣＨ／总烃，Ｃ２Ｈ／总烃，（ＣＨ＋
层调各层的权值和阈值，这就是反向调节的过程。通过反复多次，可以达到要求的精度。在ＢＰ神经网络中，输入神经元编号为ｉ，隐含
输入为ｎｅｔ＝∑ｗｋｊｆ），相应的输出为０＝ｎｅｔ）。基于ＢＰ神经网络的故障诊断过程中，ＢＰ网络中的传输函数）通常取）＝：一
Ｉ十ｅ
多，其中油中溶解气体分析法（ＤＧＡ）是目前使用最广泛的办法之一一，该办法是利用不同类型故障

基于BP神经网络的变压器故障诊断

；障诊断Ｂ故
ＡｂｔａｔＩｉｗｆｎｎｌｅｒｃａａｔｒｔｓｂｔｅａｌｓｍｐｏｎｆｕｔｔｐｓｏｍｎｆｒｅｓｓｒｃ：ｎｖｅｏｏ — ｉａｈｒｃｅｓｃｅｗｅｎｆｕｔｙｔｍｓａｄａｌｙｅｆｃｓｍｒ．ＢＰｅｒｌｎｔｒｓｕｅｔｎｉｉｏｌｎｕａｅｗｏｋｉｓｄｏｄａｎｓｒｎｆｒｒｆｕｔｗｉｅｄｔｆｄｓｏｖｄｇｓａａｙｉｉｇｏｅｔａｓｍｅａｌｏｔｔａａｏｉｌｅａｎｌｓ．ＤｅｉｒｎｆｒｒｆｕｔｄａｏｉｍｏｅａｅｎＢＰｎｕａｎｔｒ，ｈｈｓｓｓｎｇａｔａｓｍｅａｌｉｇｓｄｌｂｓｄｏｅｒｌｅｗｏｋｏｎｓ
＼
～
ｆ专（１ｘ）＋
【（１）
其基本思想是，向传播时，正输入样本从输入层传人，隐层经逐层处理后传向输出层。若输出层的实际输出与期望输出不符，则转向误差的反向传播阶段［］误差的反向传播是将输出误差以５。－７某种形式通过隐层向输入层逐层反传，将误差分摊给各层的所并图１Ｍ算法误差一训练次数曲线Ｌ有单元，从而获得各层单元的误差信号，此误差信号即作为修正所示。各单元权值的依据。这种信号正向传播与误差反向传播的各层权值应的神经元输出如表１２３网络隐层节点数的确定．调整过程是周而复始地进行。权值不断调整的过程，也就是网络的隐层节点数与求解问题的要求、输入输出单元数多少都有直接学习训练过程。此过程一直进行到网络输出的误差减少到可以接受的关系，即对神经网络的性能有一定的影响。通常，隐层节点数过少的程度，或进行到预先设定的学习次数为止。时，不足以储存训练样本中蕴含的所以规律，容错性差，识别未经学对第Ｍ个样本计算的误差函数为：习的样本能力低。隐层节点数过多时，会增加网络训练时间，而且会将样本中非规律性的内容，如干扰和噪声，而降低泛化能力。因反（ｉＤｉ１— ｍｍ１Ｅｍ — — 一（）此，２隐层节点数往往根据前人设计所得的经验和自己进行试验来确定。经验公式主要有：在上面的公式中，ｔ０与分别为期望输出和网络的计算输出。

基于BP神经网络的变压器故障诊断

关键词：故障诊断；Ｐ网络；Ｂ变压器中图分类号：Ｍ４文献标识码：文章编号：６１— １７２１）３— ２２— ５Ｔ１Ａ１７７４（０２００６０
ＦａｌａｎｓｓｏａｓｏｍｅｓｄｏｕｔＤｉｇｏｉｆＴｒｎｆｒｒＢａｅｎＢＰｕａｔｒＮｅｒｌＮｅｗｏｋ
Ｊｎ２２ｕ．０１
基于ＢＰ神经网络的变压器故障诊断
朱浪，王蕾，潘丰
（江南大学轻工过程先进控制教育部重点实验室，苏无锡，１１２江２４２）
摘要：针对变压器故障类型的特征，结合油中气体分析法及三比值法，用Ｂ应Ｐ神经网络对变压
ａｇｒｈｏＰｎｕａｅｗｒｎｄｔｉ．Ｔｅｎｍｂｒｏｅｒｎｎｈｄｅａｅａｒａｆｃｎｔｉｉｇｐｒｏ — ｌｏｉｍｆＢｅｒｌｎｔｏｋｉｅａｌｔｓｈｕｅｆｎｕｏｓｉｉｄｎｌｙｒｈｓａｇｅｔｅｆｔｏｒｎｎｅｆｒｅａｍａｃ．Ｔｒｕｈｔｅａａｙｉａｄｔｓｏｅｓｍｕａｉｎｒｓｌ，Ｂｅｒｌｎｔｒａｅｔｒａｐｉａｉｎｅｆｃ．ｎｅｈｏｇｈｎｌｓｎｅｔｆｈｉｌｔｅｕｔｓｔｏｓＰｎｕａｅｗｏｋｈｓｂｔｐｌｔｆｔｅｃｏｅ
ＡｂｓｒｃＡｃｏｄｎｏｔｈｒｃｅｉｔｃｏａｌｙｅｆｔｒｎｓｏｍｅ，ＢＰｅｒｌｎｅｗｏｋｉｅｏｄａｎｏｅｔａｓｔａｔ：ｃｒｉｇｔｈｅｃａａｔｒｓｉｓｆｆｕｔｔｐｓｏｈｅｔａｆｒｒｎｕａｔｒｓｕｓｄｔｉｇｓｒｎ — ｆｒｒｆｕｔｗｉｈｔｅｄｔｆｄｓｏｖｅａｎｌｓｓａｄｔｅ３ｒｔｏｍｅｈｄ．Ｔｈｓｐｐｒｄｅｃｉｅｈｏｃｐ，ｓｒｃｕｒｎｄｏｍｅａｌｔｈａａｏｉｓｌｄｇｓａａｙｉｎｈａｉｔｏｉａｅｓｒｂｄｔｅｃｎｅｔｔｕｔｅａ

BP神经网络在变压器故障诊断中的应用

3.4.5 网络参数选择及运行结果在选定训练样本以及神经元个数后,对本网络进行训练运行。

对于单隐层得神经网络来说参数得设定相对较简洁:隐层得传递函数设置为tansi ｇ,输出层得传递函数设置pur ｅｌin ,训练函数选用收敛性最好得L Ｍ函数，收敛误差设置为０、0０1。

为了便于观察网络内权值阈值得变化与回想结果与理想结果得比较,这里给出网络训练后得权值阈值数据以及回想结果：输入层与隐层得连接权值ＩnputWeights=0519.48352.11909.26424.14410.27909.60865.27934.46217.35631.77439.13141.62215.23243.15988.3185.57614.173055.20155.105744.112021.05316.15486.00332.18529.18543.27905.00828.25529.06611.06651.11494.11484.1-----------------隐层与输入层得连接权值Lay ｅrW ｅi ｇht ｓ＝8022.10028.01102.00037.003.00006.00347.00865.00865.01502.13082.18847.10186.09174.00142.01152.10056.03025.07255.07255.01058.01262.00077.00327.06508.2009.0291.10034.04619.34822.04822.01251.01149.0218.00525.019.07239.11099.00666.00226.03325.03325.014.00467.00644.00767.04199.05709.1028.00428.11088.04255.14205.03989.02441.0108.04632.14238.01579.00984.21248.14906.06003.00958.10479.00783.00193.0404.13747.2002.02923.20124.00348.31206.05929.10607.00749.0------------------------------------ 隐层阈值Bias1=3610.30871.79779.0175.20377.1667.11251.18617.03013.01663.38239.3----- 输出层阈值B ｉa ｓ2=6275.06502.19669.08158.04564.02212.24716.0-----回想结果=0015.0122.10004.0441.0112.0331.0115.00012.01454.0612.0002.0005.00022.00121.0512.0001.0354.07115.00014.00041.0142.00031.0122.07041.00021.0155.00012.0511.00041.0514.01123.11142.00041.0112.00031.0456.00041.01544.00031.01125.0003.0003.1997.0688.01525.0741.0311.04121.03112.00031.00051.00012.00013.0006.0344.1112.1641.01154.0412.01123.00012.00001.00012.00025.00012.0125.01241.0974.0422.1112.1------------------003.1311.10021.00001.00041.00074.00061.0114.0221.01454.001.01224.0879.0784.0997.0112.0001.0611.0003.02212.0005.01541.00041.00021.00031.0112.1224.17789.01402.00014.00004.0612.0412.00036.00041.03115.012.10031.08991.01102.1112.00001.0031.0004.00001.01171.01158.00112.0003.03112.00041.00046.00025.05011.0661.00094.03112.00331.01148.00014.02121.00031.00041.00041.00031.00112.00012.00012.0212.1415.0--------------可以发现回想结果大体与理想输出就是相符合得，但就是其中也不乏部分样本得输出值远偏离了相应二进制数值得范围,说明BP 在收敛过程部分区域精度并没有达到要求,这会造成得了预测得严重误差并与理想输出相去甚远。

基于IPSO-BP神经网络的变压器故障诊断方法

摘要：标准粒子群优化（ｐｓｏ）算法对惯性权重采取简单的线性衰减方案，无法获得全局最优点．为了弥补该方
法的缺陷，提出了一种改进的粒子群优化（ＩＰＳＯ）算法，并将该算法与误差反向传播神经网络（ＢＰＮＮ）相结合，进而提出一种基于ＩＰＳＯ．ＢＰＮＮ的变压器故障诊断新方法．该方法将单个粒子连续被选为最优解的次应地调整各粒子的惯性权重，从而达到平衡局部和全局搜索能力的目的．
２０１３年第２２卷第４期
ｈｔｔｐ：／／ｗｗｗ．ｃ－Ｓ — ａ．ｏｒｇ．ｃｒｌ
计算机系统应用
基于ＩＰＳＯ－ＢＰ神经网络的变压器故障诊断方
张锐，韩超，李晓娜
（吉林省电科院，长春１３００２１）（东北电力大学自动化工程学院，吉林１３２０１２）（东北电力大学电气工程学院，吉林１３２０１２）
大量仿真表明该算法性能明显优于基于ＢＰＮＮ和ＰＳＯ．ＢＰＮＮ的变压器故障诊断系统，变压器故障诊断正确率更
高．
关键词：变压器；故障诊断；ＢＰＮＮ；ＰＳＯ算法；ＩＰＳＯ算法
ＴｒａｎｓｆｏｒｍｅｒＦａｕｌｔＤｉａｇｎｏｓｉｓＭｅｔｈｏｄＢａｓｅｄｏｎＩＰＳＯ．ＢＰＮｅｕｒａｌＮｅｔｗｏｒｋ
ｉｎｅｒｔｉａｗｅｉｇｈｔ，ＳＯｉｔｃａｎｎｏｔｇｅｔｔｈｅｇｌｏｂａｌｏｐｔｉｍｕｍｖａｌｕｅ．Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｉｓｐｒｏｂｌｅｍ，ｉｎｔｈｅｐａｐｅｒ，ａｎｉｍｐｒｏｖｅｄ

基于BP神经网络的变压器故障诊断

Telecom Power Technology设计应用神经网络的变压器故障诊断孟卫东，刘杨，张伟，曲兆勇，张（国网山东省电力公司泰安供电公司，山东电力行业的变压器是整个电力系统中最为关键的部分之一，也是在整个系统中问题故障出现概率最大的一个电力设备，确保变压器可以安全且可靠的运行对于整个系统的稳定运行以及安全工作有着极为重要的影响。

所以，探索变压器故障问题诊断维护技术，及时觉察到变压器所潜在的重大故障，让变压器能够实现稳定、健康与安全的运行。

首先对变压器内部油中的溶解气体实际来源、特点以及产生缘由等进行了分析，然后通过分析这些溶解气体以及变压器常见故障间相对应的实际关系来对变压器常见故障进行精确诊断。

最后，借助BP神经网络来对其中所溶解的一些气体进行详细研究与神经网络；变压器；诊断；故障Transformer Fault Diagnosis Based on BP Neural NetworkLIU Yang，ZHANG Wei，QU Zhao-yongState Grid Shandong Electric Power Company Taian Power Supply CompanyFor transformers in the power industry，they are one of the most critical parts of the whole power system图1 BP神经网络拓扑结构图由图1可知，这个BP神经网络是由三大部分构成，分别是输入层、隐层以及输出层，上下两层之间节点是互相连接的，但每一层不同节点却又并未进行连接。

当信号通过输入层被输入之后，会继续向前进行不间断传播，从而进入到隐含层的节点处，信号在经过了函数运算处理之后，会再次向下传播，最后进入到输出层。

进入到输出层之后，便可以对变压器常见的一些故障进行诊断以及检测。

2 现阶段变压器故障的诊断情况以及未来发展形势对变压器进行故障诊断时，通常不会将设备进行拆分检测，而是借助一些专业仪器来对其内部情况进行分析，并将其在未来有可能出现的一些问题进行预警以及提前预防。

基于BP神经网络的油浸式变压器故障诊断

总633期第三期2018年3月河南科技Henan Science and Technology基于BP 神经网络的油浸式变压器故障诊断黄明增1高泷森2林广大1（1.华南农业大学工程学院，广东广州510642；2.河北地质大学信息工程学院，河北石家庄050031）摘要：本文研究了一种基于BP 神经网络的变压器故障诊断方法，利用油中气体含量分析的方法，收集整理变压器故障信息作为训练和诊断样本，建立了基于BP 神经网络的变压器故障诊断模型，准确率最高达到95%，具有较高的实际应用价值。

关键词：油浸式变压器；BP 神经网络；故障诊断中图分类号：TM411文献标识码：A文章编号：1003-5168（2018）07-0049-03Fault Diagnosis of Oil-immersed Transformer Based on BP Neural NetworkHUANG Mingzeng 1Gao Longsen 2LIN Guangda 1（1.College of Engineering,South China Agricultural University ，Guangzhou Guangdong 510642；2.College of Information Engineering,Hebei Geography University ，Shijiazhuang Hebei 050031）Abstract:In this paper,we studied a kind of transformer fault diagnosis method based on BP neural net⁃work,using analysis method of gas content,collected transformer fault information as the training samples,and diagnosised based on BP neural network model of transformer fault diagnosis,96%accurate,feasible in practical application.Keywords:oil-immersed transformer ；BP nerve network ；fault diagnosis 油浸式变压器在电力系统中发挥着变化电压、电能转化的作用，其安全、稳定运行影响着整个电力系统的可靠性，关系到国计民生。

神经网络应用于电力变压器故障诊断

神经网络应用于电力变压器故障诊断摘要：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。

因此，探讨神经网络应用于电力变压器故障诊断具有重要的意义。

本文首先对人工神经网络进行了概述，详细探讨了神经网络应用于电力变压器故障诊断，旨在提高电力变压器故障诊断的准确性，可靠性和诊断效率。

关键词：神经网络；电力变压；器故障诊断随着国民经济的持续、高效、健康的发展，电力工业进入了智能电网发展阶段。

在电力系统向超高压、大电网、大容量、自动化方向发展的同时，提高电气设备的运行可靠性显得尤为重要。

电力变压器是电力系统中最重要的电气设备之一，其运行状态直接影响到系统的安全性水平。

因此，研究变压器故障诊断技术，提高变压器的运行维护水平，具有重要的现实意义。

1 人工神经网络概述人工神经网络（ANNs）是对人脑或生物神经网络若干基本特性的抽象和模拟。

依靠系统的复杂程度，ANNs可通过调整内部大量节点之间相互连接的关系，进而对有效信息进行可靠处理。

而BP神经网络通常是指基于误差反向传播（Back Propagation）算法的多层前向神经网络，不仅能对输入-输出模式映射关系进行学习和存储，而且对描述此种映射关系的数学方程不需要事前揭示。

最速下降法为BP神经网络的学习规则，通过反向传播来持续调整网络的权值和阈值，使其误差平方和最小。

BP神经网络的训练首先对每一层的权值和偏差进行初始化（用小的随机数），以免被大的加权输入饱和，并且需对一些参数进行设定及初始化（期望的误差最小值、最大循环次数、修正权值的学习效率）；第二步需要对网络各层输出矢量及网络误差进行计算；第三步需要对各层反向传播的误差变化、各层权层的修正值及新的权值进行计算，最后需要对权值修正后的误差平方和进行计算，若符合要求则训练完成，若不符合要求则继续。

2 神经网络应用于电力变压器故障诊断2.1系统设计思想在目前变压器故障诊断的研究中采用最多的是BP网络，系统采样的数据集可以分为训练集和测试集两部分，前者用于网络的训练，后者用于测试训练好的网络。

基于神经网络的变压器故障检测毕业论文

毕业论文（设计）题目基于神经网络的变压器故障检测姓名文学号 0817014004所在院(系)电气工程学院专业班级自控081班指导教师侯波完成地点理工学院（北区）501楼2012年 5 月20日基于神经网络的变压器故障检测文（理工学院电气工程学院自动化专业081班， 723003）指导教师：侯波[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Based on neural network of transformer fault detectionAuthor：Yang wen(Grade 08， Class 01，Major Automation，Department of Electrical Engineering ，Shaanxi University of Technology ，Hanzhong ，723003，Shaanxi )Tutor :Hou BoAbstract :as the most important part of the power system equipment,the power transformer to the safety of the electricity system, reliable and high quality, and the operation of the economy plays a decisive role, therefore, we must try to reduce the of transformer faults. Power transformer of electric power system fault detection of the economic security has important significances. The dissolved gas method, is one the most effective and found that one of the ways to detect transformer faults. Neural network has a strong pattern recognition classification ability and associative memory ability to the outside world, so neural network can be used for the transformer fault detection. Based on neural network to gases dissolved in transformer oil for the characteristic features of fault detection method for transformer fault detection offers a new way. Therefore.This article will use three different neural network (BP network, RBF network, support vector machine) used in transformer fault detection, are introduced the basic structure of the network and the principle and design and simulation model.key words : transformer ,fault detection ,neural network ,BP algorithm ,RBF algorithm ,support vector machine.目录1 绪论 (1)1.1课题研究的目的和意义 (1)1.2国外发展状况 (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)3.1 BP网络 (9)3.2 BP网络模型设计 (13)3.2.1 BP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)4.1 RBF网络 (20)4.1.1 RBF网络概述 (20)4.1.2 RBF网络原理 (20)4.2 RBF网络模型设计 (21)4.2.1 RBF网络模型 (21)4.2.2 RBF网络参数的选取 (22)4.2.3 RBF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 (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。

基于神经网络的变压器故障诊断

学号：常州大学毕业设计（论文）（2012届）题目基于神经网络的变压器故障诊断学生学院专业班级校内指导教师专业技术职务校外指导老师专业技术职务二○一二年六月摘要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、企事业单位生产及居民生活具有十分重要的影响。

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。

因此研究变压器故障诊断对保证系统安全、可靠、经济运行，提高经济效益具有重要意义。

概率神经网络（probabilistic neural networks）结构简单、训练简洁，利用概率神经网络模型的强大的非线性分类能力，将故障样本空间映射到故障模式空间中，可形成一个具有较强容错能力和结构自适应能力的诊断网络系统，从而提高故障诊断的准确率。

本文在对油中溶解气体分析法进行深入分析后，以改良三比值法为基础，建立基于概率神经网络的故障诊断模型。

然后，选取23组变压器故障原始样本数据对概率神经网络模型进行“学习”训练，获得了具有预测诊断功能的网络模型；选取10组变压器在线监测数据作为测试数据，并查看了训练数据网络的分类效果图和预测数据网络的分类效果图，结果只有两个样本判断错误，即只有两种变压器的故障类型判断错误，验证了基于概率神经网络在变压器故障预测诊断处理中的有效性。

关键词故障诊断概率神经网络变压器油中溶解气体分析THE STUDY OF POWER TRANSFORMER FAULT DIAGNOSIS BASED ON ARTIFICIAL NEURAL NETWORKAbstractWith the technical level of modern facility improves continually, the fault probability increases greatly. Power transformer has a very significant influence to power system, enterprise s production and people s life. How to forecast transformer s fault ahead and find the fault reason quickly after the fault is a good way to increase work efficiency and lighten the economy losing.Probabilistic neural network has the advantages of simple structure, simple training, the use of a probabilistic neural network model for strong nonlinear classification, fault sample space is mapped to a fault in the pattern space, can form a strong fault tolerant ability and structure of adaptive diagnosis system, so as to improve the accuracy of fault diagnosis. Based on the dissolved gas in oil analysis in-depth analysis, in order to improve the ratio of three as the basis, establish the fault diagnosis based on probabilistic neural network model. Then, select 23 group of transformer fault original sample data on the probabilistic neural network model of" learning" training, obtain the predictive diagnosis of functional network model; select 10 group of transformer on-line monitoring data as test data, and show the training data network classification effect diagram and the predicted data network classification effect chart, only the results of a sample of two errors of judgment, that only two transformer fault type judgement error, verification based on probabilistic neural network in transformer fault forecast and diagnosis treatment effectiveness.Keywords fault diagnosis, probability neural networks（PNN）,power transformer,Dissolved Oas Analysis（DGA）摘要 (1)目录 (3)1 绪论 (4)1.1 国内外发展状况 (4)1.2 研究目的和意义 (4)1.3 论文工作介绍 (5)2 变压器故障诊断 (6)2.1 诊断工程概述 (6)2.2 故障诊断运作机理研究 (6)2.3 变压器故障诊断系统相关背景 (7)2.4 变压器故障诊断方法 (8)3 神经网络 (12)3.1 神经网络概述 (12)3.2神经网络的应用 (12)3.3神经网络的发展方向 (13)3.4 神经网络的结构 (14)3.5 概率神经网络概述 (16)3.6 概率神经网络与BP网络的比较选择 (17)4 基于概率神经网络的变压器故障诊断研究 (19)4.1 仿真环境简介 (19)4.2故障诊断模型建立 (20)4.3 基于概率神经网络的变压器故障诊断实现 (21)4.4 仿真结果及讨论 (22)5 总结 (25)参考文献 (26)致谢 (27)故障诊断（FD，Fault Diagnosis）始于机械设备故障诊断。

BP神经网络变压器故障诊断

BP神经网络变压器故障诊断在电力系统中电力变压器是所有电力设备中最昂贵也是最重要的电力设备，它安全运作与否直接决定整个电网能否稳定运行。

所以变压器的故障诊断具有十分重要的意义。

早期都是靠定期巡检和做预防性试验来对变压器实行维护，因为这些工作缺乏连续性就使得一些突发性故障和隐藏故障不能即时得到处理，日积月累最终使变压器寿命以及运行效率大大的降低，严峻影响电网的经济运行。

DGA技术是当前比较受欢迎的和认知度比较高的变压器故障诊断技术。

它包括：改良三比值法、罗杰斯法、四比值法等［1］。

但变压器油中溶解气体和故障原因并不是一一对应的，一组故障特征气体可能由多种故障引起，同样的一种故障也可能产生多种故障特征气体，他们是一种复杂的非线性映射关系。

而这种非线性的映射关系同神经网络十分相似，所以本文引入神经网络理论将之与DGA技术融合对变压器实行诊断。

1DGA技术DGA技术［2］就是根据油中溶解气体：H2、CH4、C2H6、C2H4、C2H2、CO、CO2的含量通过查表来推断其故障。

其中最典型的就是三比值法［9］，它是根据C2H4/CH4、CH4/H2、C2H4/C2H6三组比值来确定变压器故障原因。

但因为故障与编码不可能总是一一对应的，所以其全面性和准确度不能保证。

2BP神经网络2.1BP神经网络建模框图2.2输入层与输出层神经元数输入层选用H2、CH4、C2H6、C2H4、C2H2五种气体作为输入，而CO、CO2并没有选用因为它们的含量变化性大，加入会导致训练次数增加，还会增大误差。

输出层为中低温过热、高温过热、局部放电、高能放电、低能放电和正常。

2.3样本数据猎取及预处理样本由变压器实测数据得到，但因为每组实测数据相互之间的差值可能相差很大，数据大的误差可能相对大一些，那么网络学习算法为了减小误差就会偏向样本中大的数据从而导致小数据的相对误差变大，所以对数据实行预处理是很有必要的。

本文将样本数据以其所占百分比作为输入。

基于BP神经网络的电力变压器故障诊断

１引言电力变压器是电力系统的重要设备之一，其故障的诊断对整个电力系统的安全性和可靠性极为重要。

三比值法在油中溶解气体为特征量的充油变压器故障诊断中得以广泛的应用，并得到了大量的实践及事例验证。

这种根据气体比值划分区间的编码规则基本上是合理的，尤其是在远离区间分界点的地方，这样确定的编码其准确率相当高。

但是，当气体组分比值在判断区间交界处附近时，采用三比值法有时判断不准甚至误判。

由于神经网络自身有很好的归纳和抽象能力，且在众多的神经网络模型中，误差反向传播（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ－ＢＰ）神经网络又具有良好的模式分类能力，故笔者尝试用ＢＰ神经网络来处理比值编码问题，其能够在一定程度上弥补三比值法的不足。

２三比值法的原理三比值法的原理是：根据充油电器设备内油、纸绝缘故障裂解产生的气体组分含量的相互依赖关系，从５种特征气体中（Ｈ２、ＣＨ４、Ｃ２Ｈ６、Ｃ２Ｈ４、Ｃ２Ｈ２）选用两种溶解度和扩散系数相近的气体组分组成三比值，以不同的编码表示，其编码规则见表１，对故障性质的判断见表２。

在实际应用中，比值编码边界模糊的比值区间内的故障，往往容易误判。

３ＢＰ神经网络ＢＰ神经网络是一种有隐含层的多层前馈网络，结构如图１所示。

在ＢＰ神经网络中的神经元多采用Ｓ型函数作为激活函数，利用其连续可导性，便于引入最小二乘（ＬｅａｓｔＭｅａｎＳｑｕａｒｅｓ－ＬＭＳ）学习算法，即在网络学习过程中，使网络的输出与期望输出的误差边向后传播边修正连接权值，以期望其误差ＦａｕｌｔＤｉａｇｎｏｓｉｓｏｆＰｏｗｅｒＴｒａｎｓｆｏｒｍｅｒＢａｓｅｄｏｎＢＰＮｅｕｒａｌＮｅｔｗｏｒｋＤＵＷｅｎ－ｘｉａ，ＬＵＦｅｎｇ，ＪＵＸｉ－ｙｕａｎ（ＨｅｂｅｉＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｓｈｉｊｉａｚｈｕａｎｇ０５００３１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＴｈｅｍｅｔｈｏｄｔｏｄｉａｇｎｏｓｅｐｏｗｅｒｔｒａｎｓｆｏｒｍｅｒｆａｕｌｔｓｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｉｎｔｒｏｄｕｃｅｄ．Ｔｈｅｅｘａｍｐｌｅｓａｒｅｐｒｅｓｅｎｔｅｄ．Ｋｅｙｗｏｒｄｓ：Ｐｏｗｅｒｔｒａｎｓｆｏｒｍｅｒ；Ｎｅｕｒａｌｎｅｔｗｏｒｋ；Ｔｈｒｅｅ－ｒａｔｉｏｍｅｔｈｏｄ；Ｆａｕｌｔ；Ｄｉａｇｎｏｓｉｓ基于ＢＰ神经网络的电力变压器故障诊断杜文霞，吕锋，句希源（河北师范大学，河北石家庄０５００３１）摘要：介绍了基于ＢＰ神经网络的电力变压器的故障诊断方法，并给出了实例。