基于模糊模块化网络的电力变压器故障诊断.pdf

第44 卷第8 期 2 0 0 7 年 8 月 到澎 2况J 月 色 梦石姗汤丛资 V O 1 4 4 A u g u s t N O . 8 2 0 0 7 基 于 模 糊 模 块 化 网 络 的 电 才 变 王 E 署 导 故 障 愁 知 断 此体刚 ， 吕佳“ ( 1 .江汉水电厂， 湖北 潜江 4 3 3 1 2 2; 2 .重庆师范大学数学与计算机科学学院， 重庆 4 0 0 0 3 0) 摘要: 建立了 变压器故障诊断的模糊模块化网 络模型， 实现对电力变压器的故障诊断。 关键词: 电力变压器; 网络; 故障; 诊断 中图分类号: T M 4 0 6 文献标识码: B文章编号: 1 0 0 1 一 8 4 2 5 ( 2 0()7 ) 0 8 一 0 0 4 3 一 04 F a u lt D ia g n o s isf o r P o w e r T r a n s f o r m e r B a s e do n F u z z yM o d u la r N e t w o r k S H E NT i一 g a n g l ， L UJ ia Z ( 1 .J ia n g h a nwa t e r a n dP o w e r P la n t ， Q ia n i ia n g4 3 3 1 2 2 ， C h in a ; 2 .C h o n g q in gN o r m a l U n iv e r s it y ， C h o n g q in g4 0 0 0 3 0 ， C h in a ) A b s t r a C t : Af u z z ym o d u ja rn e t w 0 r km o d e I f o rt r a n s f o r m e rf a U Itd ia g n o s isise s t a b I is h e d . T h et r a n s f o r m e r f a u lt d ia g n o s isisf u If ille d . K e yw o rd s : P o w e r T r a n s f o r m e r ; N e t w o r k ; F a u lt ; D ia g n o s is 1 引言 规则模块 rll| It|J L-!.!1|11|IL 控制模块 电力变压器是电力系统中输、配电的重要设备 之一， 掌握快速、 有效的故障诊断方法是实现变压器 状态维修， 提高设备的可靠性的先决条件。 目 前常用 的方法有神经网络、 专家系统等。 这些方法在实际使 用时， 由于实际故障样本获取困难， 难以覆盖整个故 障空间， 是一个小样本数据分析问题11 刊 。 笔者采用的是神经网络与模糊逻辑技术结合的 模糊模块化网络， 它具有很强的自 学习、 非线性映射 能力以及处理不确定信息的能力。 该网络是利用“ 分 而治之” 的思想， 按系统结构和层次划分， 采用可能 性聚类方法p C M( Pos s i b i l i s t i cC 一 M e an s C l u s t e ri n g PCM) 将样本分类， 在实现样本空间的细分的同时消 除噪声数据对聚类的影响。每类样本构成一个故障 类型模块，对其用三层B P网络构成的模块进行训 练， 以提高B P网络学习速度和故障诊断精度。 在本文中所介绍的主要内容是在大量收集大型 电力变压器的油中溶解气体( Diss ol ve dG asA n al y - si sD G A ) 的故障数据建立了故障样本的基础上， 先 应用可能性聚类方法对故障样本进行聚类，然后以 三层 B P网络为基本结构建立了电力变压器故障诊 断的模糊模块化网络诊断模型。应用笔者所建立的 模糊模块化网络模型进行了电力变压器故障诊断的 仿真试验，将其结果与单个三层B P网络诊断模型 的仿真结果进行了比较。 2 网络结构 模块化模糊网络是由规则模块和控制模块组 成。所建立的电力变压器故障诊断的模糊模块化网 络模型如图 1 所示。 图 1 模糊模块化网络模型 Fi g. 1 陇t w o r km ode 】 允 r加 Z zy mo d u la ri ty 万方数据 第4 4 卷 网络的输人龙二 xi ; ， xl=， xia， 知， 耘 ， xi . x巧 分别为 油中H : 、 C H 4 、 C Z H 4 、 C Z H 6 、 C Z H : 五种气体成分含量比 例规格化后的值。 -X. Xl.，卜.J. 一华下、名厂，妇 X 1 二 1 =1 ， xj=一 鑫- 艺 二 ， 声因此也被赋予了较大的隶属度， 从而加大了聚类 的误差。 P C M算法是通过最小化规则函数 禹的迭代优 化来实现划分的。其最小化准则函数 大: j 二 1 j = 2 ， 3 ， 4 ， 5 网络输出Y 二 y l ， y Z ， 为， ， yn 为变压器的故 障类型。如: 低能放电、 高能放电、 中低温过热和高 温过热等， 模型的输出n由聚类分析后得到的聚类 的类型决定。 网络中的规则模块是模糊规则的拟合函数。它 是对每个分类子空间分别进行逼近， 以获取各个不 同子空间从测量输入到故障输出的非线形动力特 性。这就解决了用一个神经网络对多种故障同时进 行训练时， 网络结构复杂、 收敛速度慢、 易陷人全局 最小、 并导致故障诊断的精度不高等缺点。 网络中的控制模块的输出U= u l ， u Z ， u 。 表征每条规则对输人样本的适用程度， u 越大表示 该样本以较大的隶属度属于某个规则。它是由一个 三层神经网络对聚类后的样本进行训练来确定的， 训练时网络的输出样本为聚类得到的输人属于某 类的程度。这样就简化输人空间到输出空间的映射 关系， 有利于提高故障诊断的精度。 “ U ，V ，= 手 菩 一 ，嘴 + 手 。 *冬 “ 一 ，爪 ( ， 式中， n 为训练样本个数， 。 为聚类中心数， 2 蕊 。 毛n ， “ 二 u ( x 、 ) 表示第k 个样本属于第 1 类的隶属度， m为 模糊加权指数， 表征模糊化程度， 一般取 1 .53 0的 值， 嵘为 第k 组数 据 对于 第1 个聚 类中 心的 距离， 嵘 = Ifx k 一尸， 刀 为一合适的正数， 其推荐取值为: 艺。 减 刀 = K 粤厂es 一- 冬 U : ( 2 ) 式中K为一正整数。 为使目 标函数值达到最小，聚类中心和隶属度 的更新如下: ( 3 ) ( 4 ) 华u#= 3 学习算法 网络学习算法分为两个部分:样本聚类采用 P C M算法，控制模块及规则模块采用自 适应B P 算 法。 3 . ， 样本聚类的算法 在变压器故障时，由于其产气的地点不同、 故 障的类型不同和环境因素的影响而使气体的溶解 程度不同等原因， 导致样本中可能存在一些噪声或 不确定的因素， 故聚类时需克服这些因素对聚类精 度的影响。笔者采取的是可能性聚类算法， P C M算 法属于C均值聚类分类算法的一种， 它能有效地降 低噪声样本的影响， 具有较高的映射精度和分类能 力。 它是由 模糊C 均值聚类算法 ( Fuzz yC 一 M ea ns C l u s t e ri n gF C M ) 的一种改进算法， F C M算法变压器 C 某 一 样 本 的 隶 属 度 由 其 艺。 。 二 1 的 约 束 ， 使 得 隶 属 1 二1 度取决于它所属的类别的欧氏距离在所有欧氏距 离和中占的比值的大小， 隶属度受其它类中心位置 的影响， 并且每个样本的影响力是相同的阎 。这样当 油中溶解气体样本由于测量等原因存在噪声时， 噪 刀i 从 上 式 可 以 看出， 当刀 二 嚼时， 丐 二 0. 5 ， 故刀 的 点越多。另外还要说明的是， 在PCM中权重指数 m 的增加表示数据集中的所有点完全属于指定的一个 类的可能性增加了， m过大会导致聚类产生一致的 类中心， m一般取为 1 . 5 。 P C M本质上是一个穷举型搜索算法， 算法需要 进行适当的初始化才能收敛到全局最小点。一般推 荐用P C M算法的结果作为P C M算法的初始划分。 聚类分析时，必须先确定聚类中心数C的大 小， 随意确定C的大小会导致聚类效果的劣化。本 文采取Xie 等提出的模糊聚类的有效性函数5 ， 它 是模糊聚类的紧致性函数co呷 和分离性函数反尸 之比， 即5 =co mp/Sep 来确定训练样本的聚类个数。 、J产、，了 一、曰护6 了.、了r.、 co mD二 上又又。 知 从 二 护 几1 二 I k 二 1 S ep= ( 心。 ) 2= 仍 i n l匕 1一 * 11， 1 . 左 应的 类数 由5 与几的计算式可知， 两者的最小值是相对 。因此取5随。 变化曲线中最小点的值作为聚 万方数据 第 8 期 沈体刚、 吕佳: 基于模糊模块化网络的电力变压器故障诊断 3. 2 控制模块及规则模块的学习算法 控制模块和规则模块的学习所采用的自适应 B P 算法， 包括网络的前向计算和误差的反向计算。 经网络的前向计算， 得到隐层和输出层的输出值。 =g 一寥 、 :(冬 ? 。 、。)。，、7 ) 其中 f(x)， 以x)均为、 乙 邵 几 。 d 函数; 二 ， b 分别为网 络的权值和阂值; n l ， n : 为网络输人和输出层节点 数。 误差的反向计算由B P网络学习样本误差平方 和E ， 调整网络的权值和阑值。 如隐层到输出层节点 权值和阑值按下式调节: 、，声、.少 一Kn， 护、厂、 a E 脚 : = 一 刀 令 生 一 0 切互 _ _ a E ;。叫1 = 一刀二 石 一 一 001 式中自 适应学习率: 刀 = E 衡耐 pn ， E = 又 毛 干乙 乙 ( y 将F C M算法的隶属度矩阵u 对P C M进 行 初始 化， 并 估计刀 的 大 小; 按 式( 3)计算 输人空 间的中心向量; 按式(4) 求第IT次迭代时的隶属 度 矩阵嵘; 如 = ! u(l 酬 ) 一 嵘! 小 于给 定 误 差， 则 至第步， 否则I T=I T+1 ， 返回第步， 继续迭代; 只改变聚类中心数，求得使5最小的值为最后所得 的聚类数即规则数C = 5 。 ( 3 ) 按表2的聚类结果将训练样本分成4 个部 分，即用5 个规则模块和1 个控制模块分别按如下 过程进行训练。 确定每个模块的初始参数; 对网 络权值和阑值矩阵 赋(0， 1)间的随 机数; 按式( 7) 计算网络输出值; 按式( 8)调整网络的权值和闭 值; 如样本总体误差小于给定误差， 则训练结束; 否则返回 第步， 继续迭代。 数。 4 样本训练 ( 1)以所收集的4 0 个变压器故障样本为例， 将 其分成训练样本和评价样本两部分，如表 1 所示， 其中前者3 0 个用来训练网络， 后者 10个用来检验 网络的特性。 表 1 变压器故障样本集 T a b le 1S amPl e s o f t r a ns fo rme r fa ul ts ; 口 L 5 仿真试验结果分析 用PCM算法对样本进行聚类， 可算出当 聚类数 为5 时， 聚类有效性函数5 最小， 故取模块化模糊网 络中规则数为5 。 划分后的聚类的样本如表2 所示。 表2 训练样本聚类结果 T a bl e2 C l ust e ri n gd a ta o f t rainin gs a m P l e 规则数样本序号 l1 、 6、 1 4 、 2 5 2 2 ， 7 ， 1 1 ， 1 7 、 22 、 2 6 3 4 ， 8 ， 9 ， 1 2 ， 1 8 、 2 1 、 2 7 、 2 8 、 2 9 45 ， 1 0 ， 1 5 、 2 4 、 3 0 5 3 ， 9 ， 1 3 ， 1 6 ， 1 9 ， 2 0 、 2 3 下面为得到的5 个故障类型的聚类中心为: 0 . 1 1 4 0 . 1 7 00 . 1 0 40 . 1 2 10 . 4 9 3 0 . 3 9 50 . 2 2 70 . 1 8 50 ， 1 4 2 0 . 0 5 0 0 . 7 7 90 . 1 0 50 . 0 4 60 . 04 6 0 . 0 2 3 0 . 1 0 50 . 2 5 00 . 0 9 10 . 5 4 60 . 0 0 8 0 ; 1 6 10 . 4 5 00 . 1 7 90 . 2 0 9 0 . 0 0 0 lesseseestoseZ一 一- 十卜一 产卜|沙上丫儿厂卜 序号H 2C 氏C 妇4C Z H 6C Z H Z 训 练 样 本 l1 7 03 2 05 2 05 33 . 2 21 2 71 0 7巧4 1 12 2 4 2 91 7 33 3 48 1 31 7 23 77 3 04 1 . 62 5 . 1巧71 2 42 06 评 价 样 本 3 l1 9 . 63 2 0 . 75 7 47 2 7 9 . 20 3 21 8 82 3 62 3 7 1 8 . 13 1 . 8 4 02 2 03 404 8 0 4 2l 4 确定故障样本时应注意对数据进行预处理， 如 新故障可能重叠在其他故障或正常老化上， 为了得 到仅仅相当于新故障的气体比值， 要从最后一次分 析结果中减去上一次的分析数据， 才能得到实际的 应用本文中所建故障样本， 在达到与模块化网 络相同精度的前提下，采取通常的单个三层自 适应 B P网络进行样本训练， 需迭代约 巧0 0 0 次。 而用模 块化模糊网络， 其总的迭代次数为3 0 0 0 次左右， 样 本训练速度明显提高，且其训练样本的诊断正确率 万方数据 第4 4 卷 为9 5 %。 通过本文所建立的模块化模糊网络模型对评价 样本进行故障诊断， 诊断正确率也达到了90%。下 面为2 个诊断实例。 【 实例 1兰州西固热电厂2 号主变 ( T n T H T 一 3 1 5 0 0 / 1 1 0 )色谱数据如下 ( 单位: 林 U L ) : H Z = 1 9 . 6 ， C H 4 = 3 2 0 . 7 ， C Z H 4 = 5 7 4 . 7 ， C Z H 产2 7 9 . 2 ， C Z H Z = 0 。 采用本文所介绍的方法诊断故障属于第 1 类高温过热， IEC比值编码为0 2 1 ， 属于3 0 0 - 7 0 0 中温热故障。实际吊芯检查: A相心柱下铁扼 第二级铁心上有一个碳棒， 该碳棒两端所接触的铁 心已烧熔。 经分析故障开始铁心局部短路， 铁心局部 过热， 过热点温度高， 使绝缘油分解， 形成游离碳沉 积在附近， 并逐渐延长， 最后达到对面铁心， 形成一 个碳棒， 并逐渐变粗。 【 实例21某变压器油色谱数据为( 单位: 卜 U L ) : H : = 1 8 8 ， C H 4 = 2 3 6 ， C Z H ; = 2 3 7 ， C Z H 6 = 1 8 . 1 ， C Z H : = 3 1 . 8 采用本文中所介绍的诊断方法其结果为:高温 过热伴有高能放电， IEC比值编码 1 22， 判断为电弧 放电兼过热。 实际吊芯检查发现: C相绕组分接头引 线对压铁马蹄口放电，高压 A、 B相绕组对压环放 电， 低压B相尾部烧焦。 对训练样本加一些随机噪声， 噪声大小为0 . lx R a n d ( ) ， R a n d ( ) 函数产生卜1 ， 1 间的随机数， 并对习 1! 练样本重新聚类， 从聚类的结果看， 由于P C M具有 很强的抗噪声能力， 聚类的结果保持不变， 从评价样 本的诊断结果可以看出， 用P C M聚类后的模糊模块 化网络受噪声的影响较小，仍然保持较高的诊断精 度。 可见模块化模糊网络由于采用样本聚类和控制 模块， 使之受样本空间分布的影响较小， 具有较高的 诊断精度。 6 结论 ( 1)应用可能性聚类算法能有效地避免噪声对 聚类效果的影响， 保证了聚类正确性， 从而提高了故 障诊断的精度。 ( 2 ) 应用模糊模块化网络能快速、 准确地诊断电 力变压器故障， 它与单个三层 B P网络相比， 不仅有 满足样本聚类需求的多个规则模块，而且有对网络 输出起控制作用的控制模块。 因此， 它能很好的处理 复杂系统， 满足变压器在线诊断的要求。 参考文献: X i eXL， B e n i G . A v a I i d i t ym e a s u refo r fu zz yc I u s t e r i n g J . I E E ET ra n s . P a t t e nA n a l y . &M a c h . I n te lll 9 9 1 ， 8 ( 1 ) : 8 4 1 一 8 4 7 . 宋斌， 于萍， 廖冬梅， 等. 变压器油中溶解气体的模糊聚类 分析J l 高电压技术， 2 (X)1 ， 2 7 ( 3 ) : 6 9 一 7 1 . 孙才新， 郭俊峰， 廖瑞金. 变压器油中溶解气体分析中的 模糊模式多层聚类故障诊断方法的研究J. 中国电机工 程学报， 2 0 0 1 ， 2 1 ( 2 ) : 3 7 一 4 1 . S uQ ，M IC ，压iLL ，e ta l .Afu z z yd i s s o l v e dg a s a n a l y s ism e t h o dfo rt h ed ia g n o s i sof m u 1 t ip 1ei n c i p i e n t fa u l t sinat ra n sforme r ， I E E ET r a n s . POw e r s y s t . 2 (X0 ， 1 5 ( 2 ) : 5 9 3 一 5 9 8 . 王司同. 神经模糊系统及应用 M l . 北京航天大学出版社， 1 9 9 9 - 收稿日期: 2 006 一 1 0 一 11 作者简介: 沈体刚( 197 1 一 ) ， 男， 湖北天门人， 江汉水电厂工程师， 从事电力变压器检修、 维护和管理工作。 国家电网公司两项7 5 0 k V电网工程获核准 2 0 0 7 年 3月2 9日，国家发改委正式核准西北 7 5 O k V 拉西瓦至西宁、 拉西瓦至官亭输变电工程。这是国家电网公 司继7 5 O k V示范工程建成投运，兰州东至银川东和官亭至 西宁7 5 O k V输变电工程获得核准之后.又获得国家同意建 设的7 5 O k V项目， 标志着西北 7 5 O k V电网建设业已全面展 开。 此次核准的两项工程均在青海省境内， 为拉西瓦水电站 的送出工程。7 5 O k V拉西瓦至西宁输电线路长 7 7 . 7 k m ， 拉 西瓦至官亭输变电工程线路长 1 8 3 k m 。 两项输变电工程估算 静态投资为 1 3 . 0 3 7 8亿元。工程的水土保持方案已 通过有 关方面评审。工程将于2 0 0 8 年建成。 拉西瓦水电站位于青海省贵德县与贵南县交界的黄河干 流上， 是黄河梯级电站群中最大的水电站， 总装机为4 2 0万 千瓦。该水电站2 0 0 6 年4月1 5日开工建设， 2 0 0 8 年首台 机组发电， 2 0 1 0年工程基本竣工，是西北7 5 0 k V电网重要 的电源支撑点。 水电站送出工程建成之后， 西北电网将形成以 拉西瓦水电站为顶点的倒叭” 型7 5 O k V网架结构， 对促进西 北水火电打捆外送、 变资源优势为经济优势具有重大作用。 万方数据