基于模糊輸入的BP-ART2混合神經網絡在電力變壓器故障綜合診斷中的應用

根據模糊理論和神經網絡理論，提出了變壓器故障診斷的新方法，根據DGA(dissolved gas analysis) 法、電氣試驗法及外部故障特征法，建立了基于模糊輸入的BP-ART2混和神經網絡對電力變壓器故障進行綜合診斷。仿真結果表明本方法能有效提高變壓器故障診斷正確率。
　　關鍵詞：模糊控制; BP神經網絡;ART2模型;故障診斷;電力變壓器

THE APPLICATION OF BP-ART2 HYBRID NEURAL NETWORK FOR POWER TRANSMITTER SYNTHETIC FAULT DIAGNOSIS BASED ON FUZZY INPUT

Gao Ru-xin, Wang Fu-zhong, Ran Zheng-yun

(Jiaozuo Institute of Technology ,Jiaozuo 454000,China)

　　ABSTRACT: This paper researches a new method for power transmitter based on fuzzy theory and neural network theory. According to DGA , electrical experiment and environmental characters ,a BP-ART2 model is presented based on fuzzy input . this model can deal with uncertain factor effectively and timely, and have enough ability for data obtaining.
　　KEY WORDS: fuzzy control; BP neural network; ART2 model; fault diagnosis; power transmitter

1.引言
　　電力變壓器是電力系統(tǒng)中重要的設備之一，對電力系統(tǒng)的安全運行起著舉足輕重的作用。搞好變壓器的運行維護，特別是故障診斷工作，對于提高電力系統(tǒng)安全運行可靠性具有非常重要的作用。
　　DGA的出現(xiàn)和逐漸成熟，給變壓器故障診斷帶來了許多便利。利用DGA來判斷變壓器故障的方法有許多種，如羅杰斯法、特征氣體法、三比值法、電協(xié)研法等，然而這些方法本身具有一定程度的不完善性，僅基于DGA，并不能對故障進行準確評判，不能準確定位。結合電氣試驗，如測直流電阻，絕緣電阻，吸收比等，再加上一些故障特征，如溫度升高，油位下降等，綜合進行評判，可以有效提高診斷質量。
　　BP神經網絡具有較強的非線性逼近能力，能進行故障模式識別，還能進行故障嚴重程度評估和故障預測，應用很廣，但它對異常類故障處理能力低，不具備增量學習功能。ART 2模型是一種自組織的網絡模型，采用無監(jiān)督的競爭學習規(guī)則，不存在BP算法對樣本知識的強烈依賴性問題，能正確識別出異常類故障，且識別速度快。但是，該模型是通過聚類來完成模式分類任務的，它不能進行故障嚴重性評估和發(fā)展趨勢預測。把BP神經網絡和ART2模型結合起來，將有監(jiān)督算法和無監(jiān)督算法集成起來，用模糊量作為輸入，構成一種新的模糊神經網絡，來對變壓器進行診斷，可以取得良好診斷效果【1】。

2.電力變壓器常見故障及其特點【3】
　　變壓器故障有很多種，一些常見的故障及其故障特點如下：
　?。?）分解開關接觸不良：直流電阻差值大，特征氣體中既含有H2又含有CO，且CH4或C2H4含量高。
　　（2）繞組匝間短路：變比偏差大，直流電阻差值大，H2和C2H2含量高，含有CO。
　?。?）有載分接開關箱漏油：溫度過高，油位下降率高。
　?。?）過熱性故障：CH4和C2H4含量高，還可能含有CO和CO2，溫度較高。
　?。?）絕緣老化：介質損耗tg較大，絕緣電阻過低，特征氣體中CO、CO2 和CH4較多。
　?。?）嚴重受潮：介質損耗tg較大，水分含量大，吸收比小于1.3，絕緣電阻過低，特征氣體中H2含量大。
　?。?）油中局部放電：H2、C2H2、CH4和CO含量高。
　?。?）斷線故障：直流電阻差值大，H2含量最大。
　　變壓器常見故障很多，故障原因也很多。把故障的多種特征提取出來，送到故障診斷模型中，進行分析、綜合，最后可得出故障診斷結果。

3.故障診斷模型－多重模糊神經網絡的建立
　　用模糊神經網絡進行變壓器故障診斷時，考慮到實際應用中樣本多，數據差異大，采用一個網絡非常復雜，而且收斂性差，診斷準確率低，因此，本文根據某些特征指標和一定的規(guī)則組合，將整個樣本分為若干個相互獨立的子樣本集，建立多重子模糊神經網絡，如圖1所示。

　　圖中x1，x2，x3為表2中所述的三比值法輸入值。