基于神经网络的变压器故障检测毕业论文(编辑修改稿)

基于神经网络的变压器故障检测毕业论文(编辑修改稿)内容摘要：

分析技术等大大提高了信号处理技术。 故障诊断是设备故障诊断技术的核心，识别设备状态异常与否，异常后再分析原因，此为诊断的实质。 目前，诊断技术按信号类型的不同分为振声诊断、温度诊断、油液诊断、光谱分析等。 在诊断技术发展初期，由于技术条件不够成熟，占主导地位的是人，仪器处理后的信号主要由人去分析。 随着人工智能的发展，诊断的自动 化，智能化逐渐成为现实。 神经网络 人工神经网络是由简单的处理单元所组成的大量并行分布的处理机，这种处理机具有存储和应用经验知识的自然特性，它与人脑的相似之处概括为两个方面：一是通过学习过程，利用神经网络从外部环境中获取知识；二是内部神经元可以用来存储获取的知识信息。 人工神经网络又被称为连接机制模型或者称为并行分布处理模型，是由大量神经元广泛连接而成的，它是在现代神经科学研究的基础上提出来的，反映了人脑的基本特征。 但它并不是人脑的真实描写，而只是它的某种抽象、简化和模拟。 网络的信息处理是由神经元之间 的相互合作来实现，知识和信息的存储表现为网络元件互连，网络的学习和识别取决于各神经元连接权值的动态演化过程。 一般而言，神经元模型应具备三个要素： 具有一组突触或连接常用 wij表示神经元 i 和神经元 j 之间的连接强度，或称之为权值。 与人脑的神经元不同，人工神经元的权值的取值可在正值和负值之间； 具有反映生物神经时空整合功能的输入信号累加器。 陕西理工学院毕业设 计 第 6页 共 46 页 具有一个激励函数用于限制神经元输出。 激励函数将输出信号限制在一个允许范围内，将其成为有限值，通常神经元输出的扩充范围在 (0,1)或（ 1,1）闭区间。 一个典型的人工神经元模型如图 所示 ∑P1P2P3W1W2W3nf( * )by 图 人工神经元是人工神经网络的基本单元，从图 中可以看出，它相当于一个多输入单输出的非线性阈值器件。 定义 12[ , , , ]Trp p p l p 表示其他神经元的输出，亦即该神经元的输入向量；12[ , , , ]rw w w l w 表示其他神经元与该神经元 R 个突触地连接强度，亦即权值向量；其每个元素的值可正可负，分别表示为兴奋性突触和抑制性突触； θ 为神经元的阈值，如果神经元输入向量的加权和 iiwp 大于 θ ，则该神经元被激活，所以输入向量的加权和也称为激活值； f 表示神经元的输入输出关系函数，亦即传输函数。 传输函数一般为单调升函数，但它又是一个有限值函数，神经元的输出可以表示为 1()riiia f w p  （ ） 神经网络具有高速并行处理、分布存储信息等特性，它符 合人类视觉系统的工作原则具有很强的学习能力、自组织能力、容错性、非线性映射、高鲁棒性、联想记忆功能、分类和识别、知识处理、推理意识功能强等特点。 人工神经网络是在现代神经科学研究领域成果的基础上提出来的，信息的分布存储和并行协同能力是其特点，很适用于像故障诊断类的多变量非线性问题。 神经网络是一种具有学习功能的非线性映射器。 其学习过程如图。 训 练 集 测 试 集训 练 测 试达 到目 标投入工作调 整 学 习 参数 ， 再 次 学 习NY 图 神经网络学习过程 一般而言，训练集只占到整个知识空间的一极少部分，训练完成以后，通过对测试集的 测试来评价其学习效果，从而来考察神经网络对未知的知识的推广学习能力。 神经网络还具有在线学习的能力，这种通过对少数已知样本的学习来获取未知的知识能力，也叫做泛化能力。 而且在学习之前它无需在事先获取系统的任何相关参数。 这种泛化能力就其本质而言相当于是对函数的一种外推和内插。 这些学习之后具有外推和内插的能力使得神经网络有着非常广泛的应用，包括函数逼近（高维曲面拟合、自适应控制）、模式识别与分类、预测和预报等。 其中对模式识别与分类能力使神经网络 陕西理工学院毕业设 计 第 7页 共 46 页 可用于故障的检测诊断。 神经网络用于故障诊断时，相当于把每一类型的故障视 为一个模式类，通过网络的学习，找出该模式类的内在规律与特点并区别于其他类型，以实现故障诊断。 网络的每一个训练样本和测试样本都是由 “ 症状 ” 与 “ 原因 ” 构成。 “ 症状 ” 为输入， “ 原因 ” 为输出 [1819]。 变压器故障与油中溶解气体的关系 对于大型电力变压器，目前几乎都是用油来绝缘和散热，变压器油与油中的固体有机绝缘材料在运行电压下随运行时间的增加，因放电和热的作用会逐渐老化和分解，产生少量的各种低分子烃类及 CO,CO2气体，而变压器的内部绝缘故障却伴随着局部过热和局部放电现象，使油或纸或油和纸分解产生 CH C2H C2H C2H H CO 和 CO2等气体。 当故障不太严重，产气量较少时，所产生的气体形成的气泡在油里经对流、扩散，不断地溶解于绝缘油中。 当设备内部存在潜伏性过热，或放电故障时，就会加快这些气体的产生。 当产生速率大于溶解速率时，在变压器里会有一部分气体进入气体继电器。 此外，发热和放电的产生程度不同，所产生的气体种类、油中溶解气体的浓度、各种气体的比例关系也不相同。 因而，油中溶解气体的成分和含量在一定程度上反映了变压器故障的程度，通过对油中溶解气体进行分析，便可发现变压器内部的发热和放 电性故障种类 [20]。 新投运的变压器，特别是国产的充油电力变压器，由于制造工艺以及所使用的绝缘材料等原因，运行初期往往有氢气、一氧化碳和二氧化碳气体组分增加较快的现象，但达到一定极限含量后会逐渐降低。 绝缘油在精炼过程中会形成少量气体，脱气时不可能完全去除。 如果变压器以前发生过故障，那么故障产生的气体即使经过脱气处理后，仍然会有少量被纤维材料吸附，再慢慢释放于油中，因而变压器在投运前就可能含有少量故障特征气体，正常运行中的变压器油中也会含有某些故障特征气体。 我国现行的《变压器油中溶解气体分析和判断导则 》中对新变压器的气体含量极限值给出了明确规定 [21]，如表 所示，对于新投运的变压器还要求出厂试验前后的两次分析结果，以及投运前后的两次分析结果不能有明显区别。 正常运行中的变压器其注意值如表 所示，当气体浓度达到注意值时，应该对变压器进行追踪分析，查明原因。 表 出厂和投运前电气设备气体含量的极限值 气体 变压器和电抗器 互感器 套管 氢气 ＜ 30 ＜ 50 ＜ 150 乙炔 0 0 0 总烃 ＜ 20 ＜ 10 ＜ 10 陕西理工学院毕业设 计 第 8页 共 46 页 表 运行中电气设备气体含量的注意值 设备气体组分含量 330kV 及以上 220kV 及以下 乙炔 1 5 变压器和电抗器 总烃 150 150 氢气 150 150 甲烷 100 100 套管 乙炔 1 2 氢气 500 500 当变压器发生故障时不同故障类型所产生的主要特征气体有所差异，将其归纳为表 . 表 不同故障产生的气体差异 故障类型 主要气体成分 次要气体成分 油过热 甲烷、乙烯 氢气、乙烷 油和纸过热 甲烷、乙烯、一氧化碳 、二氧化碳 氢气、乙烷 油纸绝缘中局部放电 氢气、甲烷、一氧化碳 乙炔、乙烷、二氧化碳 油中火花放电 氢气、乙炔 油中电弧放电 氢气、乙炔 甲烷、乙烯、乙烷 油和纸中电弧放电 氢气、乙炔、一氧化碳、 _氧化碳 甲烷、乙烯、乙烷 陕西理工学院毕业设 计 第 9页 共 46 页 3 基于 BP神经网络的变压器故障检测模型 BP 网络 （ 1） BP 网络机理 Vi jWi jd1d2dlO1O2OlX1X2Xl输入期望输出向量隐 含 层 输 出 层+++信 号 流误 差 图 BP 网络结构 BP（反向传播算法）是多层感知器的一种有效学习算法，它把一组样本的输入输出问题变成非线性优化问题，使用了最优化问题和其中最普遍的梯度下降算法，用迭代算法求解权值，加入隐节点使优化问题的可调参数增加，从而可得到精确解。 典型的 BP 神经网络结构，是由输入层、隐含层和输出层构成的 ,如图。 （ 2） BP 网络算法 BP 算法模型为前向多层网络，网络不 仅有输入、输出层节点，还有隐含层节点，经过作用函数后，再把隐节点的输出信息传播到输出节点，最后给出结果。 此算法的学习过程可以描述如下： 工作信号正向传播：输入信号从输入层经过隐含层单元，传向输出层，在输出端产生输出信号，这就是工作信号的正向传播。 在信号的前向传递过程中网络的权值是固定不变的，每一层神经元的状态只影响到下一层神经元的状态。 如果在输出层得到的输出信号不是理想的输出信号，则转入误差信号反向传播。 误差信号反向传播：网络的实际输出与理想输出之间的差值即为误差信号，误差信号由输出端开始逐层向前传播， 这是误差信号的反向传播。 在这一过程中，网络的权值 和阈值 由误差反馈进行调节，使输出接近期望。 系统不断地循环这两个过程，重复学习，一直到输出值和期待值的误差减小到规定范围内，系统停止学习。 此刻将新样本输入到已经训练好的网络，就可以得到相应的输出值。 在三层前馈网络中，假设输入向量为 X=（ x1,x2,„x n） T，如加入 b1=1 ，可为隐层神经元引入阀值；隐层输出向量为 Y=(y1,y2, „y m) T，如加入 b2=1,可为输出神经元引入阀值；输出层向量为O=(o1,o2,„o l)T，期望输出向量为 D=(d1,d2,„d l) T，输入层到隐层之间的权值矩阵用 V 来表示， 陕西理工学院毕业设 计 第 10页 共 46页 V=(v1,v2, „v m) T ，列向量 vj表示隐层第 j 个神经元对应的权向量；隐层到输出层间的权矩阵用 W来表示， W=(w1,w2,„w) T ，列向量 wk表示输出层第 k 个神经元对应的权向量。 下面为各层信号之间的数学关系 [22]： 对于输入层，输入输出均为 X： 对于隐层有 输入： 10nj ij ii v x b ， j=1， 2， „,m ； () 输出： ()jjy f  ， j=1， 2， „,m ； () 对于输出层有： 输入： 20mk jk j。