结合遗传算法的人工神经网络在电力变压器故障诊断中的应用

胡松涛

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（BackPropagation）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。通常两者独立采样以保证数据的无关性，使测试结果更能反映网络的泛化能力。我们运用两种准则来比较测试集的目标集与仿真输出集的接近程度以评价网络性能：均方误差准则和误判率准则。该文采用经典的k子集交叉检验法来评价网络的性能，数据集划分为训练集和测试集以兼顾网络的分类精度和网络的推广能力。另外，测试集和训练集的划分带有随机性，再加上k次评价，这样的结果比较稳定，网络训练好坏的影响大大降低，可以充分反映神经网络在这个数据集上的性能。该文在借鉴前人经验的基础上，结合具体应用，通过实际试验，用上述方法设计了一个性能良好的变压器诊断网络，该网络具有分类精度高并且推广能力强的特点。

2.2基于经验的神经网络拓扑结构的设计

我们选择的是标准的单隐层前馈网络结构，对单隐层的前馈神经网络来说，其VC维为MN+NP，其中M，N，P分别为输入层、隐层、输出层的神经元数。由于M，P和例子数都是已知的，因此设置误差上限e后就可以估算出N。

激活函数的选择方面，该文选择了tanh作为函数隐层激活函数。而输出层激活函数则选择sigmoid函数。训练算法的选择方面，由于标准BP算法训练速度很慢，选择带动量与学习率调整的改进BP算法作为我们对网络进行评价时的训练算法。

在此基础上，通过隶属函数求出实验数据相对于注意值的隶属度，以其作为神经网络的输入。我们使用的隶属函数如下所示的Sigmoid函数，其中x表示属性的原始值，xa表示注意值。

2.3实验方法和结果分析

实验使用的数据是“智能化变压器诊断系统”所带的一个在线诊断数据集。此数据集共107个实例，输入属性10项，输出属性12项。因此有：M=10，P=12，m=107由ln（m/d）>0m/d>1m>（M+P）*N107>22*NN<5。但这个数据集的输入数据需要进行预处理。这些属性都是变压器的检测数据，依次为：氢气（H2）、甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）、乙炔（C2H2）、一氧化碳（CO）、二氧化碳（CO2）、超声测量、异常声音检测、铁心接地电流（EC）。这些输入属性之间的数值在数量级上有一定的差距，如二氧化碳的数值通常在103以上，而乙炔的数值一般在101左右，如果将原始数据直接作为网络的输入，由于数量级差别太大，网络对较小的数值将不敏感，一些重要的特征将难以被网络获取，使得判别的精度无法达到较高的水平。因此，我们用把各输入属性数据的值映射到[0，1]之间的方法来提高精度。

3变压器故障诊断实验结果

（1）不同隐藏层节点个数的诊断

从图1中可以明显看出，小波神经网络和BP神经网络在样本诊断正确率上基本保持一致，特别是随着隐藏层节点数的增加，对样本的诊断正确率不断提高。两种网络对于隐藏层节点的诊断极其相似说明了在很多分析过程中，我们所得到的结果不用刻意去分析是根据那种网络计算而得。

由此可见，识别样本中所选择的隐藏层节点数过少在很大程度上会影响网络的故障诊断正确率；但同时如果我们选择的隐藏层节点数过多的话，同样也会导致诊断正确率的下降。对于不同分析对象，我们选择的隐藏层节点数也不同，必须要通过不断地试验来选择最佳的隐藏层节点数，进而保证因初始值设置不合理而出现的网络震荡，这是我们采用小波神经网络对样本进行诊断的核心所在。

（2）不同干扰度对网络的影响

研究不同干扰度对网络的影响，我们选择400组样本训练网络，并用200组数据进行检验。小波神经网络和BP神经网络仿真的结果如图2所示，对200组数据进行检验时用随机比例的噪声进行了干扰，分析干扰出现后网络的诊断能力变化。

由图可见，当噪声分别为15％和20％时，由于小波变换的局部化特征，隐含层对输入样本进行特征提取，输出层对输入样本进行模式分类，结合神经网技术的优点，通过训练可自适应地调整网络参数，同时具有良好的函数逼近和模式分类能，提高了网络的诊断正确率；同时小波神经网络的有较好的鲁棒性。

结束语

综上所述，探讨神经网络应用于电力变压器故障诊断对保证电力变压器正常安全运行具有重要的作用，因此要进一步提高和完善神经网络应用于电力变压器故障诊断，这样才能保证电力变压器正常安全运行。

参考文献：

[1]马桂雨，王雪丹，万丹.基于遗传小波神经网络的变压器故障诊断[J].吉首大学学报（自然科学版），2013，34（01）：51-55+76.

[2]程声烽，程小华，杨露.基于改进粒子群算法的小波神经网络在变压器故障诊断中的应用[J].电力系统保护与控制，2014，42（19）：37-42.

[3]李继刚.神经网络应用于电力变压器故障诊断[J].今日科苑，2015（07）：124.

[4]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.

[5]张璐璐，李平，王婷婷，王灏.基于模糊神经网络的电力变压器故障诊断研究[J].工业仪表与自动化装置，2010（05）：3-5+14.

[6]唐新建，唐偲.基于神经网络的变压器故障诊断的研究[J].微计算机信息，2010，26（34）：151-153.