一種基于bp神經網絡算法進行變壓器故障識別的方法
【技術領域】
[0001] 本發明涉及神經網絡領域，更為具體地涉及一種基于BP神經網絡算法進行變壓器 故障識別的方法。
【背景技術】
[0002] 變壓器的運行狀態關乎整個電能輸送是否得以可靠進行，而實際操作中因為一些 偶然或者非偶然原因變壓器會出現各種故障，其中最容易出現的就是變壓器內部的絕緣故 障。故障的主要原因是由于絕緣老化或者弱化引起的，而局部放電現象又是變壓器絕緣水 平降低的重要標志，因此，將局部放電實驗的結果導入到仿真系統中對放電類型加以分類 識別，就能夠準確、快速地判斷變壓器內部潛在的絕緣故障，及時對即將出現的故障進行排 除，確保變壓器能持續可靠地運行以此保證電能質量以及整個電網的正常運行。
[0003] -般來說，評判變壓器運行狀態方法主要有：油中氣體分析法、溫度測量法、繞組 直流電阻測量法、吸收比測量法、介質損耗測量法以及局部放電等。局部放電試驗在監測變 壓器內的絕緣狀態方面有優勢，因此通常作為電力設備的重要檢測方法之一。
[0004] 油中氣體分析法:變壓器油不可避免的會暴露在空氣當中，空氣中的存在大量的 水分和雜質就會部分溶解于變壓器油中。那么變壓器絕緣故障就可以通過分析油中各氣體 的含量和成分來進行分析確定。這個過程需用到氣相色譜分析儀器，通過觀測各氣體的類 型和含量來就可以確定變壓器是否存在異常，如果有異常的話是屬于哪種故障類型，已存 在的故障程度如何，未來發展趨勢如何。
[0005] 溫度監測法:一方面可以在變壓器繞組附近的導線上安裝溫度傳感器感應溫度變 化，通過觀測分析溫度的變化值就可以確定變壓器的過熱部位并及時處理，但該方法運用 到實際中存在成本昂貴，技術復雜的問題。另一方面可以利用熱傳遞的理念間接測量溫度 情況，這種方法雖然沒有直接法確切精準，但是它需要采集的數據較少，過程簡單，可以廣 泛使用。
[0006] 繞組直流電阻測量法:變壓器繞組直流電阻測試可以檢測變壓器是否出現繞組匝 間短路，分接開關是否接觸良好，以及引線是否斷裂，調壓開關調級是否正確等問題。繞組 直流電阻的測量一直以來在檢測電流回路連接問題上有非常明顯的優勢。
[0007] 吸收比測量法:該方法是建立在吸收現象的基礎上測量絕緣電阻阻值隨時間的變 化以此瀨判斷變壓器的絕緣情況。通常用搖表測量加壓60秒時的絕緣電阻R6Q阻值與測量15 秒時的絕緣電阻R15阻值的比值作為吸收比，來衡量絕緣受潮情況，它既能反映局部缺陷，也 能反映整體缺陷。
[0008] 介質損耗角測量法:介質損耗角正切(介質損耗角)是判斷變壓器的絕緣狀況的一 項很明顯的指標;介電損耗角的變化可以絕緣受潮，絕緣老化和絕緣內部氣體放電等缺陷， 特別是在絕緣受潮、老化等分布式缺陷上富有優勢。所以，測量絕緣介電損耗角對檢測變壓 器運行狀態來說是一項非常重要的檢測項目。
[0009] 局部放電法:變壓器局部放電測試電壓就是在被試品上施加一定程度一定時間的 電壓，使得在被試品絕緣薄弱部分發生放電現象，用過局部放電試驗可以觀察這一過程的 起始電壓、熄滅電壓以及放電量等參數以此瀨衡量被試品的絕緣水平;測試過程中在避免 鐵芯飽和的基礎上，應該盡量減小電源頻率以降低補償電感的容量。
[0010] 近年來，神經網絡被廣泛運用于生產生活等各個領域，它作為一種運算方法用于 實現復雜數據輸入到輸出之間的模型建立和邏輯推測。人工神經網絡具有生物神經系統的 基本特征，具有分布式處理，大規模并行，自組織，自學習等特點，可以實現非線性映射輸入 到輸出的很好的近似;其中，BP(BackPropagation，多層前饋)神經網絡在模式識別上具有 明顯的優勢，因此成為神經網絡中最為廣泛使用的形式之一。如今，神經網絡的研究已經達 到一定的成熟度，基于神經網絡的應用范圍也在不斷擴大，已取得很多有目共睹的重大成 果。以下是一些主要應用領域：（1)模式識別和圖像處理:產品等級分類、指紋識別、疾病分 析等；（2)控制和優化:大氣環境質量檢測評定、半導體生產過程控制、高壓輸電環流控制 等；（3)預報和智能信息管理：電網短期負荷預測、地震預報、智能電網家電管理和交通管理 等。將神經網絡應用于變壓器故障診斷方面將具備其他變壓器故障診斷方法更為優異的效 果。
【發明內容】
[0011] 本發明提供一種基于BP神經網絡算法進行變壓器故障識別的方法，其特征在于， 包括如下步驟：
[0012] 步驟S1:通過局部放電測試系統對不同變壓器故障的放電脈沖圖譜進行收集；
[0013] 步驟S2:對通過步驟S1取得的放電脈沖進行功率圖譜分析；
[0014] 步驟S3:從通過步驟S2取得的功率圖譜分析得到的特征量中提取訓練樣本和測試 樣本；
[0015] 步驟S4:構建BP網絡神經；
[0016] 步驟S5:進行BP網絡神經訓練；
[0017] 步驟S6:進行BP網絡神經測試。
[0018] 優選地，所述局部放電測試系統包括：顯示儀、超高頻天線、電極、接地線、絕緣子 套管、高壓絕緣子套管、油箱、耦合電容器、保護電阻、變壓器;其中，放電電壓經保護電阻和 高壓絕緣子套管引入電極的一端，再將電極的另一端引出連接絕緣子套管，絕緣子套管還 通過接地線接地，放電信號經耦合電容引入局部放電測試系統，從顯示儀上可觀察不同電 極形狀的放電脈沖發生情況。
[0019] 優選地，所述變壓器故障包括內部故障和外部故障。
[0020] 優選地，所述內部故障包括繞組故障、鐵芯故障、主絕緣故障。
[0021] 優選地，所述外部故障包括分接開關故障、套管故障。
[0022] 優選地，所述放電脈沖為沿面放電類型的放電脈沖或者電暈放電類型的放電脈 沖。
[0023] 優選地，進行步驟S1時，進行環境變量的清空。
[0024]優選地，環境變量包括:懸浮電位放電干擾、電磁波干擾、接觸不良干擾。
[0025]優選地，通過直接法或者間接法進行功率圖譜分析。
[0026] 優選地，取橫坐標[65-75]區間作為特征量，用imresize函數將取橫坐標[65-75] 區間擴大為1*250維數的矩陣，并且設置第1一50組數據作為測試樣本，設置第51-250組數 據作為訓練樣本。
[0027]優選地，步驟S4包括隱含層節點的選擇、激活函數的選擇、學習率的選擇。
[0028]本發明提供的基于BP神經網絡算法進行變壓器故障識別的方法，可準確的識別出 變壓器的故障類型，在變壓器故障診斷以及狀態評估上的重要作用，并且方法便捷。
【附圖說明】
[0029]圖1為本發明提供的基于BP神經網絡算法進行變壓器故障識別的方法的流程圖；
[0030]圖2為常見的變壓器故障類型的分類；
[0031]圖3為局部放電測試系統的示意圖；
[0032]圖4為電暈放電模型的示意圖；
[0033]圖5為沿面放電模型的示意圖；
[0034]圖6為懸浮電位引起的放電的不意圖；
[0035]圖7為電磁波干擾圖譜；
[0036]圖8為沿面放電模型的功率圖譜；
[0037]圖9為電暈放電的模型的功率圖譜；
[003