基于模糊输入的BP-ART2混合神经网络在电力变压器故障综合

1.引言
　　电力变压器是电力系统中重要的设备之一，对电力系统的安全运行起着举足轻重的作用。搞好变压器的运行维护，特别是故障诊断工作，对于提高电力系统安全运行可靠性具有非常重要的作用。

　　DGA的出现和逐渐成熟，给变压器故障诊断带来了许多便利。利用DGA来判断变压器故障的方法有许多种，如罗杰斯法、特征气体法、三比值法、电协研法等，然而这些方法本身具有一定程度的不完善性，仅基于DGA，并不能对故障进行准确评判，不能准确定位。结合电气试验，如测直流电阻，绝缘电阻，吸收比等，再加上一些故障特征，如温度升高，油位下降等，综合进行评判，可以有效提高诊断质量。

　　BP神经网络具有较强的非线性逼近能力，能进行故障模式识别，还能进行故障严重程度评估和故障预测，应用很广，但它对异常类故障处理能力低，不具备增量学习功能。ART 2模型是一种自组织的网络模型，采用无监督的竞争学习规则，不存在BP算法对样本知识的强烈依赖性问题，能正确识别出异常类故障，且识别速度快。但是，该模型是通过聚类来完成模式分类任务的，它不能进行故障严重性评估和发展趋势预测。把BP神经网络和ART2模型结合起来，将有监督算法和无监督算法集成起来，用模糊量作为输入，构成一种新的模糊神经网络，来对变压器进行诊断，可以取得良好诊断效果【1】。

2.电力变压器常见故障及其特点【3】
　　变压器故障有很多种，一些常见的故障及其故障特点如下：
　　（1）分解开关接触不良：直流电阻差值大，特征气体中既含有H2又含有CO，且CH4或C2H4含量高。
　　（2）绕组匝间短路：变比偏差大，直流电阻差值大，H2和C2H2含量高，含有CO。
　　（3）有载分接开关箱漏油：温度过高，油位下降率高。
　　（4）过热性故障：CH4和C2H4含量高，还可能含有CO和CO2，温度较高。
　　（5）绝缘老化：介质损耗tg较大，绝缘电阻过低，特征气体中CO、CO2 和CH4较多。
　　（6）严重受潮：介质损耗tg较大，水分含量大，吸收比小于1.3，绝缘电阻过低，特征气体中H2含量大。
　　（7）油中局部放电：H2、C2H2、CH4和CO含量高。
　　（8）断线故障：直流电阻差值大，H2含量最大。
　　变压器常见故障很多，故障原因也很多。把故障的多种特征提取出来，送到故障诊断模型中，进行分析、综合，最后可得出故障诊断结果。

3.故障诊断模型－多重模糊神经网络的建立
　　用模糊神经网络进行变压器故障诊断时，考虑到实际应用中样本多，数据差异大，采用一个网络非常复杂，而且收敛性差，诊断准确率低，因此，本文根据某些特征指标和一定的规则组合，将整个样本分为若干个相互独立的子样本集，建立多重子模糊神经网络，如图1所示。

　　图中x1，x2，x3为表2中所述的三比值法输入值。
　　第一块模糊神经网络采用特征气体，如H2，C2H2，CH4，C2H4，C2H6，CO及CO2等测定值作为输入，产生一系列的输出。第二块模糊神经网络采用气体三比值法作为输入，产生一系列的输出。第三块模糊神经网络可采用直流电阻、绝缘电阻、吸收比、极化指数、变比、介质损耗tgδ、水分等电气试验测定值作为输入。第四块模糊神经网络可采用油位、油温度等测定值作为输入。输入模糊化后，送入BP神经网络，经处理后，产生一系列结果，送入ART2模型中，再经处理后产生诊断结果，输出量有：正常，绝缘老化，绕组匝间短路，分接头接触不良，绝缘击穿，严重受潮，油中局部放电，有载分接开关箱漏油，断线，过热性故障，铁心短路，固体绝缘电弧分解等。
　　混合神经网络中BP神经网络为如下图所示三层结构：

　　BP1为3层，其输入量为7个第1到3输入量为H2，总烃及C2H2测定量，第4到7输入量为C2H2，H2，CH4与C2H4在总烃中所占的比例，隐含层20个，输出量为6个，分别表示一般过热（>500℃），局部放电，火花放电，电弧放电与过热兼电弧放电;BP2也为3层，其输入量为3个，隐含层12个，输出量为9个，其输入输出含义见表2。BP1、BP2两类在现场已有应用，因此，其输入、输出及隐含层神经元数量是由经验给出的；由于现场条件的限制，BP3、BP4输入量、输出量的个数及隐含层数由根据现场实际所能提供的测定数据来确定，仿真中采用介质损耗tgδ、直流电阻、吸收比、油位、水分的测量值作为输入，网络也采用三层结构，其输入层、隐含层、输出层分别为3、10、6和2、8、5。BP神经网络采用文献5所述的学习算法。由于BP算法存在收敛速度慢，学习精度低等问题，本文采用加动量因子，及不等权、半随机初始解等方法加以解决，以加快收敛速度。