应用研究
基于神经网络的变压器故障诊断研究
忽晓伟1陈景召1郝江涛1马世伟2
(1.郑州大学西亚斯国际学院河南郑州451150;2.许继变压器有限公司河南许昌461000)
数事投本与质用
摘要：针对变压器故障诊斯技术中被普遍关注的战障随机性与不确定性等同题，结合神经网络模型,设计了一种变压器故障诊斯系统,改善了常现变压器故障诊断过程主要通过人工经验干预的问题。在分析了变压器常见改障之后，着重分析了神经网络故障诊断方法在该类系统上的应用步骤,并通过仿真平台验证了系统的有效性与先进性。
关键词：神经网络电力变压器故障诊斯
中图分类号：TM41
文献标识码：A
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。因此在电能作为核心能源的时代，电力变压器技术的研究有
着不容忽视的重要意义。 1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。
2BP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插，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神经网络的算法流程如图1所示，从中不难看出，该过程是个循环往复，不断送代的过程，旧的数据会被下一个时刻的数据所
《初始化给定训练样本集
E
求隐层、输出层的输出值
本
求整体误差E E起百调足要求
训练结束
N
调整各层之间权值反向计算各单元误差
4
图1BP神经网络算法流程
收移日期：2015-07-10
文章编号：1007-9416(2015)08-0068-01
取代，直至到达误差小于预设值为止，送代完成，神经元的训练也就完成了。在此需要特别指出的是，在循环送代过程中，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间题。
3基于神经网络的变压器故障诊断仿真
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中导人原始训练样本与训练数据，由于数据较多，此建议用EXCEL或数据库文件导人，(2)写人待仿真数据，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"newf"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.Ir，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一一变压器故障诊断仿真M文件。（4)通过"tain"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人值，并
将结果与原始期望值作对比。 4结语
本文运用BP神经网络算法设计的变压器故障诊断系统具有较高的准确性和实用性。同时，若将该算法嵌入到微型控制器当中，作为专用仪表进行设计，显然具有较好的市场前录及较高产品价值，在一定程度上值得推广。
基金项日：郑州大学西亚斯国际学院2015年度校级科研项目(编号：2015KYYB08)
作者简介：息晓伟(1981一)，男，河南南阳人，项士，研究方向：微处理器技术与应用、工业自动化装置。 68