利用神经网络和自适应神经舒缩推理系统对电力变压器初期诊断的研究

抽象的

电源的连续性对消费者至关重要，只能通过电力系统组件的协调和可靠运行。电力变压器是传输和分配系统的这种主要设备，需要连续监测其福祉。由于比例方法不能提供正确的诊断，因为临界问题和多个断层存在的存在概率，人工智能可能是最好的方法。溶解气体分析（DGA）解释可提供对发展初期故障的洞察，并被用作初步诊断工具。在拟议的工作中，已经研究了反向衰减（BP），径向基函数（RBF）神经网络和自适应神经舒缩推理系统（ANFIS）的诊断能力的比较，并且诊断导致错误测量，准确性，网络提出了培训时间和迭代次数。

1.介绍

电力变压器是电力系统的主要重要性和昂贵的元素，而系统的可靠性则取决于其福祉。关闭和持续监控和维护恢复服务条件。热电和电应力会导致初期的故障进一步导致设备的故障。早期故障检测可以保存设备。诊断故障的重要工具是DGA。Rogers比率，Dornenburg比率，IEC比率和Duval三角形是用于诊断的一些标准。该比率方法基于单个故障预测，但存在多个故障的情况，并且诊断变得错误。在用于识别初期故障的现有方法中，DGA是最流行和最成功的方法[1- - - - - -3.］．当存在任何类型的故障时，例如变压器内的过热或放电故障时，它将产生变压器油中的相应特性的气体。这个概念是DGA的基本原则。通过分析溶解气体的浓度，它们的恶性速率和某些气体的比例，DGA方法可以确定变压器的故障类型。通常收集和分析的气体是h₂，CH.₄， C₂H₂， C₂H₄， C₂H₆，CO.₂ANSI/IEEE标准和IEC出版物599 [4，5]描述了三种DGA方法，如（1）键气法;（2）罗杰斯比例;（3）门汶堡比例法。所有三种方法都是简单的。然而，在某些情况下，这些方法提供错误的诊断以及故障类型的结论。基于键气体的测定的关键气体方法为定性测定来自各种温度的典型或主要的气体的定性测定的基础。现在，如果故障非常严重，那么所有的气体浓度都会高但又不足以在使用IEEE标准中指定的值时注册故障[2］．此外，对特定变压器样品获得的气体比可能不会落入ANSI / IEEE指定的范围内，导致变压器诊断的比例方法的失效[6］．近年来，许多研究者研究了人工智能的应用，如神经网络和模糊集理论来提高诊断的准确性[6- - - - - -15］．模糊系统虽然擅长处理不确定性，但无法从先前的诊断结果中学习，因此无法自动调整诊断规则[10- - - - - -13］．为了解释不确定性，人工神经网络(ann)由于其优越的学习能力而被提出用于变压器故障诊断[6- - - - - -9］．一般来说，模糊系统和神经网络可以有效地处理两个不同的信息处理领域。模糊系统擅长表达不确定知识的各个方面，而神经网络是一种有效的结构，能够从实例中学习。这两种技术互为补充。应用广义回归神经网络[14]但由于该网络是一个通行网络，效率对于故障检测有点低。据报道了模糊聚类和径向基函数神经网络的应用[15];然而，当一种类型的故障在其他类型的故障附近时，假诊断的机会可能会增加。

本文采用了监督神经网络和ANFIS对变压器故障诊断的调查。在初始工作中，使用BackProjagation（BP）和径向基函数（RBF）神经网络进行诊断，该网络属于监督网络类别，并在部分中呈现2而且，在后期的阶段，诊断ANFIS的TSK模型3.．部分4通过上面列出的所有方法提供调查的诊断结果。

2.有监督神经网络和训练算法

２.１.前馈或反向传播(BP)网络

在诸如BackProjagation或前馈和径向基函数（RBF）的神经网络的情况下，使用受监督方法进行训练，其中所需的结果已知训练数据中的样本。BackPropagation算法包括批量培训，其中在批处理中呈现样本并进行重量更新。在增量培训中，在每次迭代中呈现样本以进行体重更新。在神经网络工具箱中有许多算法，即梯度下降，梯度下降，梯度下降，缀合的梯度，准牛顿和减少的存储器Levenburg-Marquardt算法。本文在线或自适应levenburg-Marquardt算法，其快速且消耗更少的内存用于前馈神经网络学习。

网络设计包括输入、输出、隐层网络拓扑的选择和节点的加权连接。在此过程中还确定了相应的连接权值。

数字1提出了一种用于电力变压器故障诊断的人工神经网络，它由输入层、隐层和输出层三层前馈结构组成。只有一个隐藏层可以理解它的结构;然而，设计的网络有三个隐藏层。每一层的节点接收来自上一层的输入信号，并将输出传递给下一层。输入层的节点接收来自外部系统的一组输入信号，并通过加权链路将输入数据直接传递给隐含层的输入。网络设计为七个输入作为气体浓度，一个输出对应故障。选取由7-7-1神经元组成的3个隐藏层进行更好的设计，揭示故障与气体成分之间的隐藏关系。

２.２.Levenburg-Marquardt算法

然后使用Levenburg-Marquardt算法培训并测试所提出的网络。与梯度下降和其他算法相比，该算法需要更少的内存空间并且在操作中快速运行。本算法中使用的学习步骤如下所示。每个学习迭代（epoch）将包括以下基本步骤：（1)计算雅可比矩阵，（通过使用有限差异或链规则）;（2）计算误差梯度 （3）近似的黑森；（4）使用杂交产品雅各比亚 （5）解决找到；（6）更新网络权重使用；（7）使用更新的权重重新计算平方误差的总和;（8）如果平方误差的总和没有减少，则丢弃新重量，增加使用5，然后转到步骤4;（9）别的,减少使用5并停止，在哪里=网络错误矢量，- 拆下或缩放因子，=身份矩阵，和每次迭代是递增。

2.3。径向基函数（RBF）网络

如图所示2，网络由3层（输入，隐藏和输出）组成。输入层由连接到环境的节点组成。在每个神经元（隐藏层）的输入时，计算神经元中心和输入向量之间的距离，施加高斯铃函数以形成神经元的输出。输出层是线性的，提供网络到激活功能的响应。选择径向基函数宽度参数和隐藏层中的径向基神经元数是一个重要的步骤。较大的宽度导致较小的尺寸网络，但更快地执行数据。最大神经元可以是输入的数量，但最小神经元可以通过实验确定[10］．网络结构仅取决于隐藏层中神经元的数量。使用指定的性能参数培训网络，产生神经元数和诊断误差。学习策略包括中心和传播和输出层重量学习。中心可以随机固定或自组织或监督选择。

自组织学习中也可以进行聚类。采用最小均方(LMS)算法对RBF网络进行有监督学习。RBF训练与监督选择中心和传播使用下列方程。

输出层权值(线性权值):

中心位置由

中心扩展(隐藏层): 在哪里是，是重量载体，是A.矩阵,和“是特征维度。，， 和是一步尺寸。 是在每次迭代时重量的误差的变化。 是关于中心的错误的变化。

用于线性组合的功能，用来。在这里为高斯函数: 在哪里是一个地区的中心矢量，是一个输入矢量，和是接收领域的半径或宽度。

通过以下等式给出要在实际输入和目标之间最小化的SUM平方误差： 在哪里 ”是期望的输出，而“是网络输出。

在[12建议基于OLS的RBFNN，以优化用于变压器故障诊断的网络参数。作者选择了来自先前文献的足够的训练示例，并提出了在错误分类和隐藏神经元方面的网络性能。一种基于的方法-means聚类算法和RBF神经网络在[13在隐藏层中的准确度为82.2％和78神经元，具有来自研究论文的数据库。SOM单元分割算法用于电力变压器故障分类中RBF网络的最佳网络架构[14］．

3.使用ANFI的初期故障诊断

３.１.模糊推理系统(FIS)

通常难以确定气体浓度与故障类型之间的隐藏关系。模糊集合理论可用于处理这种类型的不确定性。在所提出的方法中，选择基于该范围的气体浓度为低（L），培养基（M）和高（H）。钟形隶属函数用于所有输入气体，然后开发模糊推理规则。FIS由前一种（IF）和后果（那么）部分，规则是表格。

如果mh = m和ae = m和ee = l和em = h，则条件- - - - - -Rule  1.

类似地使用不同的语言变量除了规则1中的不同语言变量，可以根据研究人员的经验制定许多这样的规则。然而，使用具有指定语言变量和隶属函数的5个突出气体的浓度，可以生成各种规则。

使用MAX / MIN组成，模糊推理，即先行，由如下所示的规则组成。 ． ． ．后续部分将详细说明故障情况:状况；状况．

ANFIS结合了模糊系统和神经网络的最佳特征，其中先验知识的表示成一组约束，即网络拓扑减少优化搜索空间，采用模糊系统和神经网络进行模糊控制器的参数整定。模糊推理是用模糊逻辑将给定的输入映射到输出的实际过程。这个过程包括输入和输出的隶属函数、模糊逻辑运算符和if-then规则。模糊推理系统的结构如图所示3.．

该过程涉及模糊，推理引擎或规则和排放。清晰的输入将在0到1的范围内模糊，使用不同的成员函数，每个语言标签的值[15］．以国际电工委员会(IEC)规范、中央发电委员会(CEGB)和美国标准试验方法(ASTM)标准构建模糊逻辑系统为例，对电力变压器DGA数据进行了研究[16，采用模糊逻辑和模糊逻辑对故障类型进行解释。

输入特征选择是基于竞争学习和神经模糊模型，其中通过应用了非常擅长处理嘈杂输入数据的减法聚类方法设计了用于识别故障的模糊规则基础[17］．通过对标准数据和实际数据的测试，验证了所提方法的有效性，该方法使用半径参数进行减法聚类，与Rogers比率等神经模糊技术相比，诊断准确率达到96.7%。

FIS中最重要的方法是Mamdani和Takagi-Sugeno-Kang (TSK)方法。主要的区别在于模糊规则的结果。在本文中，将FIS的TSK方法应用于matlab的模糊工具箱中，模糊规则由563个电力变压器油样本的输入输出数据集生成。

TSK模型将模糊集合在输出中具有清晰函数的防眩功能：如果是和是,然后；如果小，然后；如果是媒介，然后；如果很大，然后．

在这里和模糊集在先行词中吗在后果中是一种清晰的功能。是输入变量中的多项式和．小，媒体和高的是非核函数，具有本作工作中的隶属函数。

在TSK ANFIS模型的架构中，有5个节点可用，可以执行各种功能。在第1层和第4层，节点是自适应的，并由节点函数表示。在第2、3和5层中，节点是固定的。计算节点5所有输入信号之和的总输出为 在哪里正火强度从第3层和是输出规则。

3.2。ANFIS结构

所拟议的工作中使用的网络结构的细节如下。

它使用7个输入气体浓度-Bell隶属函数和一个带有线性传递函数的输出。使用模糊逻辑开发输入 - 输出关系，并获得了关于特定故障的推理。所产生的Sugeno（TSK）FIS结构如下。fisNet =;名称：'ANFIS';类型:“Sugeno”;和方法:“刺激”;或方法:“max”;defuzz。方法:“wtaver”;否则。方法：'prod';gg。方法:“max”。;输入:[1×7 struct。];输出：[1×1结构];规则:[1×2187 struct。]。

4.结果和讨论

节2详细讨论了BP网络和RBF网络的结构、设计和训练算法。节3.，突出了基于气体比或气体浓度的FIS方法。还提出了具有输入，输出和规则结构的生成的FIS。

在本诊断中，有八种故障情况，即:电弧、电晕、低能放电(D1)、高能放电(D2)、温度150-300℃热故障、温度300 - 700℃热故障、温度>700℃热故障、固体绝缘劣化电晕。以及正常或健康状况。最初的故障条件是基于7种主要气体(如H₂，CH.₄， C₂H₆， C₂H₄， C₂H₂，co和co₂进化而来的。一般来说，CO和CO₂负责固体绝缘降解。由于固体绝缘降解导致的设备故障的机会较少;因此，五种气体足以进行最终诊断。但考虑了所有气体浓度，即具有固体绝缘劣化的额外组合故障，是适当考虑的。

DGA解释主要用作处理所有故障条件的基础。从知识的ISO认证测试单元中使用总共563个电源变压器样品在数据库中使用。在563个样品中，40,30和30％分别用于培训，测试和模型验证。随着诊断中的绩效措施仔细研究，网络结构和诊断导致误差的结果，并提出了网络的比较性能。

4.1。前馈（BackProjagation）网络的诊断

数据4和5展示架构、培训、测试、模型验证和回归分析的细节。网络表现较好，训练时在历元数388处的表现为0.0445。但模型的效度并不好。大约需要5000次迭代才能使网络的均方误差达到0.056，训练时间也以小时为单位，如图所示4．训练，测试和验证期间诊断的准确性分别为99.55,99.11和94.4％。在7-7-1网络的诊断期间揭示的特征在于隐藏层中的MSE和更少数量的神经元方面具有更好的性能，这暗示了较少的存储空间，但在模型的验证期间执行时间太长。它表明网络不适合对给定DGA样本的诊断。

4．2.RBF神经网络诊断

在上一节中讨论了培训中使用的网络结构和算法的详细信息。在EPoch号码135中观察到网络的最佳性能，其中总和平方误差（SSE）最终降低至0.015，如图所示8表示诊断精度为98.78％。网络需要更少的时间来执行，但是在实验期间最终确定的隐藏层中的神经元数为135.更多的数据碱基中的样品，更多的神经元，因此获得更好的诊断准确性。网络性能似乎对此问题卓越。对SSE的网络训练，神经元数量和时期显示在图中6以及实际网络输出和目标之间的误差和性能曲线如图所示7和8．

4.3。ANFIS的诊断

设计良好的ANFIS培训，其中SEMOCH的数量设定为3000，目标设定为0.使用3g贝尔隶属函数进行563个变压器油样品的ANFIS训练，用于输入和输出线性函数。方法用于输出的输入和重量平均值。为了排出式，使用重量平均。然后在40％样品上测试TSK模型，并对剩余的30％样品进行测试和验证。训练有素的ANFIS在均方根误差（RMSE）为0.28的诊断，表明精度为93.83％，并获得最佳验证性能，精度为92.33％。

输入隶属函数已显示在图中9．经过训练的系统模型自动生成的具有7个输入、1个输出、2187条规则的ANFIS模块如图所示10．由于输入参数为7和3个隶属函数，因此生成的规则是．规则查看器如图所示11有规则的7个输入和输出的系统。数字12显示具有培训期间均方根误差（RMSE）和时期数量的性能曲线。已经观察到训练有素的ANFIS在epoch编号3000处提供更好的性能。本工作中使用的FIS产生更多规则，有些可能是多余的，但性能相当好。还尝试了其他隶属函数，例如三角形，梯形和乙状体，但诊断误差太高，限制在本研究中包含，并且仅提出单个隶属函数结果。

各方法的诊断性能比较如表所示3.．为了克服前面所述的神经网络的缺点，ANFIS可能是最好的选择。与RBF相比，ANFIS在收敛中缓慢，并且占据更多的内存空间，但由于它具有最小二乘和梯度下降的优点，因此在调查期间揭示了更好的性能。

4.4。使用rogers比例的诊断

它使用4个气体比例，如CH₄/小时₂， C₂H₆/ ch.₄， C₂H₄/ C₂H₆，和c₂H₂/ C₂H₄并已被编码为，，， 和分别和比率范围显示在表中1．

基于气体比例建议的故障诊断如表所示2．

利用Matlab代码对比值码与相关故障进行匹配。563个DGA样本中有55个样本被使用，只有29个样本被正确分类，准确率为52.73%。这种方法不是很准确，有时往往没有诊断在许多情况下。它不能覆盖输入空间的整个范围。

4.5。使用Duval三角形的诊断

Michael Duval开发了Duval三角形，利用数千个变压器DGAs的数据库进行诊断。Duval三角形如图所示13．该方法已被证明是准确的，但主要取决于中、低浓度的气体，影响诊断。

使用Duval三角形进行诊断，C₂H₂， C₂H₄和ch.₄绘制了测试实验室的值，并且在两个故障区域之间的三角形故障区域内或很少可能落在边界中的一个点将确定特定的故障。

主要气体的百分比可按下列方法确定:％,因为在微升/升;％,因为在微升/升;％,因为在微升/升。

指定的故障如下：帕金森病:局部放电;T1:热故障小于300°C;T2：300°和700°C之间的热故障;T3：热故障大于700°C;D1：低能放电（火花）;D2：高能放电（电弧）;DT：热电故障混合。

利用563种可用样品采用55个DGA样本，杜瓦尔三角形提供了40个样本的正确诊断，显示出72.66％的精度，与罗杰斯比例相比，诊断更好。

结论

已经研究了反向衰减（BP），径向基函数（RBF）神经网络和自适应神经外部推理系统（ANFIS）的诊断能力的比较，并且诊断结果在误差测量，准确性，网络培训时间和数量方面展示迭代。已经调查了BP网络在培训期间表现更好，但它无法验证性能。RBF网络在培训和测试期间的性能中是一致的，其验证精度优于BP网络。在本作工作中，与BP和RBF网络相比，ANFIS提供最低的准确性。与RBF相比，收敛性缓慢，并且需要更多的迭代并占据更多内存空间，但在培训和测试期间提供了合理的诊断结果和准确性。它在诊断中优越，因为它使用备份或最小二乘估计和BackProjagation的组合来进行成员函数参数估计。它克服了BP网络在当地最小值中击中的缺点。它自动从输入输出数据学习。可以通过使用各种隶属函数和参数进一步提高ANFI的性能。

与Rogers比值法和Duval三角法相比，人工智能方法在故障诊断中准确率更高，所有方法的诊断结果如表所示3.和4．

利益冲突

提交人声明没有关于本文的出版物的利益冲突。

致谢

作者感激m / s.b.r。为提供MSETCL电力变压器提供足够DGA数据的工业服务。没有石油样本的工作就没有完成。谢谢是由于审查者的建设性批评，这使得可以将变化纳入更好地制定本文的变化。

参考

1. 诠释在施用中变压器和其他充油电气设备的气体分析，第599卷，IEC出版物，瑞士日内瓦，1978年。
2. R. R. Rogers，“IEEE和IEC代码在油分析中使用气体在变压器中解释初始故障”，“IEEE电气绝缘交易，卷。13，不。5，PP。349-354,1978。查看在：谷歌学术
3. M. Duval和A. Depablo，“使用新的IEC出版物的解释燃气分析60599和IEC TC 10数据库”IEEE电气绝缘杂志，卷。17，不。2，pp。31-41,2001。查看在：出版商的网站|谷歌学术
4. M. Dong，Z. Yan和G. J. Zhang，“变压器固体绝缘综合诊断和老化评估方法”年度报告的诉讼：电绝缘和基代现象会议，PP。中国西安西安焦塘大学137-140，2003年10月。查看在：谷歌学术
5. M. Duval，“溶解气体分析和杜瓦尔三角形”新西兰第五届AVO国际技术会议的诉讼程序，2006年。查看在：谷歌学术
6. H. B. Zheng，R. J. Liao，S. Grzybowski和L. J. Yang，“使用多级最小二乘支持向量机器分类器的电力变压器的故障诊断具有粒子群优化的分类器”IET电力应用，第5卷，第5期。9, pp. 691-696, 2011。查看在：出版商的网站|谷歌学术
7. M. Y.Cho，T.F. Lee，S.W.Kau，C.S.Shieh和C. J.Chou，使用SVM / ANN使用SVM / ANN的电力变压器故障诊断，具有克隆选择算法的特征和内核参数选择，“第一届国际创新计算，信息和控制会议的诉讼程序（ICICIC'06），第60-65页，2006年9月。查看在：出版商的网站|谷歌学术
8. J. P. Lee，D. J. Lee，P.S.Ji，J. Y.ILIM，以及S. S. Kim，“使用模糊聚类和径向基础函数神经网络诊断电力变压器”国际神经网络联席会议的诉讼程序（IJCNN'06），第1398-1404页，加拿大温哥华，2006年7月。查看在：谷歌学术
9. K. F. Thang，R.K.Ggarwal，A. J.McGrilal和D. G.EP，“ESP”，“使用自组织地图分析了电力变压器溶解气体数据”IEEE电力传输汇刊，卷。18，不。4，PP。1241-1248,2003。查看在：出版商的网站|谷歌学术
10. 神经网络工具盒 - Matlab-Mathworks印度，http://www.mathworks.in/products/neural-network/．
11. M. Kishan，C. K. Mohan，以及R. Sanjay，人工神经网络的要素，彭兰姆国际出版(印度)，1997。
12. 张军，潘慧，黄慧，刘士生，“基于OLS的径向基函数神经网络的电力变压器故障诊断”IEEE工业技术国际会议的诉讼程序（ICIT'08），第1-8号，中国成都，2008年4月。查看在：出版商的网站|谷歌学术
13. 赵磊，洪秋红，徐晓辉。杨,黄永发。叶，“基于聚类和径向基函数神经网络的电力变压器故障诊断”第八届机器学习和控制论国际会议的诉讼程序，pp.1257-1260，保定，2009年7月。查看在：出版商的网站|谷歌学术
14. Y.-c.梁和J.-Y.刘，“电力变压器故障诊断使用基于SOM的RBF神经网络”第五届机器学习和控制论会议的诉讼程序， pp. 3140-3143，大连，2006年8月。查看在：出版商的网站|谷歌学术
15. C. S. chang，C.W.ILM，和Q. SU，“变压器故障诊断溶解气体分析的模糊神经方法”澳大利亚大学动力工程会议(AUPEC '04)，布里斯班，澳大利亚，2004年9月。查看在：谷歌学术
16. R. Hooshmand和M. Banejad，“基于不同标准的溶解气体分析在变压器故障诊断中的模糊逻辑应用”，刊于世界科学、工程和技术学会论文集，第17卷，第157-161页，2006年12月。查看在：谷歌学术
17. R. Naresh，V. Sharma和M. Vashisth，“一种用于变压器的故障诊断的综合神经模糊方法”，IEEE电力传输汇刊，卷。23，不。4，pp。2017-2024，2008。查看在：出版商的网站|谷歌学术

版权

版权所有©2014 Nandkumar Wagh和D. M. Deshpande。这是分布下的开放式访问文章知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。