Application of Neural Network Associated with Multivariate文档格式.docx
《Application of Neural Network Associated with Multivariate文档格式.docx》由会员分享,可在线阅读,更多相关《Application of Neural Network Associated with Multivariate文档格式.docx(15页珍藏版)》请在冰豆网上搜索。
Keywords:
Powertransformer;
Combinatorialneuralnetwork;
Gasanalysis;
Faultdiagnosis;
Multivariatestatisticalanalysis
1 引言
变压器是电力系统中的重要设备,其运行状态直接关系到电力系统的安全与稳定,及时而准确地检测出变压器的早期潜伏性故障是非常有价值的。
电气特性试验、糠醛含量测试以及油中溶解气体分析等多种电量、非电量的测试方法为判断变压器的绝缘状况提供了良好的依据,其中以油中溶解气体分析对早期潜伏性故障的反映较为灵敏。
因此提出了诸如IEC三比值法等多种基于油中溶解气体分析的判断方法,并逐渐得到了发展与推广。
但是它们普遍存在着一些诸如缺码、对轻微故障不够灵敏以及对多故障情况较难判断的不足[1,2]。
近年来,随着人工神经网络技术的不断发展,在油中溶解气体含量分析结果的基础上,结合人工神经网络技术进行变压器的故障诊断已经成了研究热点。
文献[1,2]对神经网络训练样本的选择问题进行了研究,认为典型样本的选取将有助于改善神经网络的学习性能及提高神经网络的诊断准确率,但是也指出目前难于给出一个定量的指标来衡量样本的典型性,因而提出了诸如采用“折刀法”或大样本集来作为训练样本集的折衷方案。
有关文献[1,3,4,5]对神经网络的输入矢量进行了研究,认为选择合适的输入矢量将有助于网络诊断准确率的提高,但是这些文献并没有从理论上对这个问题作进一步的分析,因而提出的选择方法往往带有一定的随意性。
针对这些问题,本文在决策树基础上结合反向传播神经网络技术构造出组合神经网络模型,即在决策树的不同分支中选用不同的神经网络单元模块作为基本分类器,对不同的神经网络单元模块选用不同的输入特征参量,从而使得组合神经网络的设计方法灵活并更具针对性;
在引入“类属函数”的概念后,结合多元统计分析技术[6]初步实现了对变压器训练样本及输入特征矢量的选取。
结果表明,这些措施的引入有效地提高了组合神经网络的诊断准确率。
2 反向传播神经网络模型的改进及组合神经网络模型的建立
人工神经网络的模型有多种,其中由于BP网络具有较好的模式分类能力,所以很适合故障诊断方面的模式识别问题。
BP网络由输入层、输出层和中间隐层构成(见图1)。
若想使BP网络能够达到对故障模式的正确识别,首先必须对网络进行训练,即网络的学习。
在BP网络的训练过程中,采用了一种具有自适应调整能力的网络学习算法,它改善了网络的收敛能力,其权值的调整过程为:
Δw(k+1)=mc×
Δw(k)+(1-mc)×
lr(k)×
D(k)
式中 Δw─权值的变化量
mc─动量常数
lr(k)─学习率
D(k)─k时刻的负梯度
其中,学习率的调整具有自适应能力,可根据网络输出误差的变化自行进行调整。
图1 BP网络模型
为了使网络的诊断结果对故障定位及维修策略的制定有一定的指导意义,且对各种情况都有良好的适应能力,经过综合考虑后,可将神经网络的输出先分为导电回路过热、导磁回路过热、涉及固体绝缘的放电和不涉及固体绝缘的放电四种[7],并构造出一个基于故障决策树的逐级判断的组合神经网络模型。
其诊断过程是逐级细化的,最终的诊断结论为比较具体的故障原因,结构如图2所示。
图2 电力变压器组合神经网络模型结构图
组合神经网络模型中各非终止结点的判别规则选取如下:
RULE0是根据电力系统多年的运行经验,采用导则所规定的色谱注意值及产气率作为确定变压器是否存在异常的标准。
ANN1~ANN2-2均是采用反向传播神经网络模块作为基本的分类器,通过对各自独立的故障实例集进行学习,来获得对具体判别规则的描述,并且对不同的反向传播神经网络模块采用不同的输入特征参量。
3 典型训练样本集的选取
当没有其他先验知识时,反映问题特征的信息全部从训练样本集中获得,因此训练后网络所能达到的分类效果完全取决于训练样本集的数量和质量。
如果典型样本缺乏,就难以期望神经网络能够有效地识别它所未曾学习过的故障,从而导致神经网络诊断准确率的下降。
针对这一问题,本文提出一个典型训练样本集的选取方法,其工作流程如图3所示。
图3 典型样本选取流程图
首先利用可靠性数据分析技术中累积频率的概念对原始训练样本集的数据进行归一化处理。
累积频率的定义为:
式中 ri─到第i组数据结束时的累积频数
实现典型样本选取的关键是定义类属函数。
对一个含有N个训练样本,分别属于K类故障的模式分类问题,其类属函数的定义为:
Fclass=max(M1/r,M2/r,…,Mi/r,…,MK/r)
式中 r─距评估个体距离最近的训练样本数,其数值人为设定
i─故障模式的下标
Mi─r个学习样本中属于第i类故障的样本数
可见,类属函数的定义反映出了某一个训练样本属于某一类故障的最大可能性。
之所以要对类属函数值进行排序,是为了保证在最终选取的典型样本集中尽可能多地保留有类属函数值大的训练样本。
如果原始训练样本集中的某几个训练样本具有很强的相关性,则只需取其中的一个作为神经网络的输入即可。
所以对原始训练样本集作相关性检验是去除冗余样本的有效手段。
本文采用Pearson积矩相关来衡量样本间的关联程度。
被测样本序列对(x,y)间的Pearson相关系数可表示为:
式中
─{xi}的均值
─{yi}的均值
对原始训练样本集进行相关性检验后,仍有可能存在一些在空间距离上比较接近的属于同一类故障的训练样本点,因而可采用多元统计分析技术中的聚类分析技术对其进行处理。
本文采用的是以欧氏距离平方为测距原则的重心聚类方法。
采用上述方法对原始训练样本集进行筛选后,即可得到容量较小的由比较典型的训练样本组成的典型样本集。
4 输入特征参量的确定
当应用神经网络进行变压器故障诊断时,首先考虑的是输入特征参量的选择问题。
选取合适的输入特征参量将对神经网络诊断准确率的提高有所帮助。
本文利用多元统计分析技术中聚类分析和因子分析的概念对油中溶解气体分析的结果进行处理,初步实现了对神经网络输入特征参量的选取。
当进行变压器故障诊断时,首先进行变量聚类是有必要的。
本文采用欧氏距离的平方为测距原则、以重心聚类法为核心的变量聚类方法,可得到如表1所示的变量聚类结果。
表1 过热性故障及放电性故障的变量聚类结果
六 类
五 类
过热性故障
H2、CO2、CO、CH4(C2H4)、C2H6、C2H2
H2、CO2、CO、CH4(C2H6、C2H4)、C2H2
放电性故障
H2(CH4、C2H4)、CO2、CO、C2H6、C2H2
在实际的故障诊断过程中,可能遇到在某一坐标系下难以对故障进行有效区分的情况,而当经适当的坐标变换后即可较好地实现对故障模式的分类。
对经变量聚类后的变压器油中溶解气体进行因子分析就是基于这样的考虑。
本文采用的是特殊形势的因子分析技术主成分分析[6]。
如果主成分分析的结果虽保证了各因子之间的正交性但对各因子不易命名,则可对因子模型进行正交旋转变换而使得各因子的命名和解释变得更加容易。
如对过热性故障,在输入特征参量被聚为五类后再选取四个主成分时,其中的一个因子系数为:
factor-1=0.684×
φH2-0.656×
φCO2-
0.643×
φCO+0.619×
φCH4+
0.605×
φC2H2
式中,φH2、φCO2、φCO、φCH4、φC2H2分别为H2、CO2、CO、CH4、C2H2等五种特征气体的含量。
可见,factor-1中各种特征气体的系数比较接近,很难说出它主要反映的是哪些特征气体所包含的信息,而经因子变换后的factor-1变为:
factor-1=0.877×
φH2-0.069×
φCO2+
0.021×
φCO+0.956×
0.133×
其中,H2和CH4的系数明显地比其他系数大,所以可认为factor-1主要反映了H2和CH4所包含的信息。
5 网络验证与仿真结果
5.1 故障样本集的确定
在对历年电力系统有关技术刊物及相应资料上公布的故障实例进行统计的过程中,选取了实际结论比较明确的811台次的故障变压器的色谱数据作为原始故障样本集,各种类型的故障在原始样本集中的分布情况如表2所示。
表2 各类型故障在样本集中的分布情况 单位:
台次
导电回
路过热
导磁回
涉及固体
绝缘的放电
不涉及固体
训练样本集
209
186
93
91
检验样本集
65
79
47
41
5.2 组合神经网络的实现
将典型样本及输入矢量的选取方法综合应用于组合神经网络模型后,其诊断准确率和单神经网络模型诊断准确率的比较结果如表3所示。
表3 单神经网络和组合神经网络分类能力的比较
检验样本数
单神
经网络
模型
正判/台次
52
63
37
33
正判率/%
80.0
79.7
78.7
80.5
总正判率/%
组合
神经网
络模型
59
72
43
38
90.8
91.1
91.5
92.7
91.4
由表3可以看出,在组合神经网络模型的基础上综合应用典型样本的选取方法及输入特征参量的选取方法后,对变压器主要故障模式诊断的准确率已可达91.4%,这也就验证了本文提出的变压器故障诊断方法的有效性。
6 结论
针对将神经网络技术应用于电力变压器故障诊断中所遇到的一些问题,提出了相应的解决方法,建立起的组合神经网络模型对变压器故障的诊断过程是逐级细化的,并对神经网络的输出重新作了划分,力争使得网络的诊断结论对变压器的维修更具有指导性。
在引入“类属函数”的概念后,结合多元统计分析技术初步实现了神经网络典型训练样本集及输入特征参量的选取。
仿真结果显示,这种变压器故障诊断方法是有效的。
作者简介:
钱政(1973-),男,江苏武进人,西安交通大学高电压技术研究室博士研究生,主要从事电力设备智能故障诊断及在线监测技术的研究。
钱政(西安交通大学,陕西西安710049)
严璋(西安交通大学,陕西西安710049)
钱嵘(郑州市轮胎橡胶股份有限公司,河南郑州450007)
钱嵘(东大阿尔派数字医疗有限公司,辽宁沈阳110027)
参考文献
[1] ZhangY,etal.Anartificialneuralnetworkapproachtotransformerfaultdiagnosis[J].IEEETrans.PowerDeliv.,1996,11(4):
1836~1841.
[2] WangZY,etal.AcombinedANNandexpertsystemtoolfortransformerfaultdiagnosis[J].IEEETrans.PowerDeliv.,1998,13(4):
1224~1229.
[3] 王财胜等.变压器色谱监测中的BPNN故障诊断法[J].中国电机工程学报,1997,17(5):
322~325.
[4] VanegasO,etal.Diagnosisofoil-insulatedpowerapparatusbyusingneuralnetworksimulation[J].IEEETrans.Diele.andElect.Insul,1997,4(3):
290~299.
[5] XuW,etal.Faultdiagnosisofpowertransformers:
applicationoffuzzysettheory,expertsystemsandartificialneuralnetworks[J].IEEProc.-Sci.Meas.Technol.,1997,144
(1):
39~44.
[6] 张尧庭,方开泰.多元统计分析引论[M].北京:
科学出版社,1997.
[7] 钱政等.用可靠性数据分析及BP网络诊断变压器故障[J].高电压技术,1999,25
(1):
13~15.
φCO+0.6