基于差分进化小波神经网络的配电变压器故障检测*论文

SCI论文（www.lunwensci.com）

　　摘要： 配电变压器内部结构复杂， 运行环境不确定， 故障时有发生。将差分进化算法和小波神经网络结合， 应用于配电变压器的 故障检测。给出了小波神经网络的结构和原理， 分析了差分进化算法的具体实现， 在此基础上， 给出了差分进化小波神经网络的 原理和具体实施步骤。影响变压器运行的变量很多， 对故障诊断中用到的状态变量进行了类型划分， 找到动态变量、准动态变量 和静态变量的状态数据和变量应用场景， 进行了故障诊断前的故障状态数据挖掘。结合状态数据， 进行了神经网络的结构设计和 样本设计。学习算例表明， 差分进化小波神经网络能够表达故障检测的映射关系， 具有更高的故障诊断效率。

　　Abstract: Distribution transformer failure was inevitable for its complex internal structure and the uncertain operating environment . The differential evolution algorithm and wavelet neural network are combined to apply to fault detection of distribution transformers . The structure and principle of wavelet neural network are given, the specific implementation of differential evolution algorithm is analyzed, and on this basis,the principle and specific implementation steps of differential evolution wavelet neural network are given . There are many variables affecting the operation of the transformer, and the state variables used in fault diagnosis are divided into types, the state data and variable application scenarios of dynamic, quasi-dynamic and static variables are found, and the fault state data mining before fault diagnosis is carried out.Combined with the state data, the structural design and sample design of the neural network were carried out . The learning example shows that the differential evolutionary wavelet neural network can express the mapping relationship of fault detection, and has higher fault diagnosis efficiency.

　　Key words: distribution transformer; fault diagnosis; wavelet neural network; differential evolution algorithm

　　0 引言

　　变压器根据处于电力系统中的位置和用途， 主要分 为安装在输电系统中的电力变压器和安装在配电系统中 的配电变压器。通常， 输电系统中的电力变压器容量大、 价格高、对其故障检测更为关注。配电变压器的运行工 况、故障状态、诊断手段与电力变压器存在较大差距， 常用于电力变压器状态检测的化学分析检测及局部放电 信号检测， 不能有效移植于配电变压器故障检测[1]。配 电变压器是配网中的主要设备， 其运行安全严重影响整 个电网的稳定运行。配电变压器数量众多、类型丰富、 安装位置分散、产品质量不齐、技术更新较快， 很难配 备统一的故障检测设备， 加上额外安装传感器的性价比 问题， 对其故障检测的投入更少[2]。文献[3]提出基于数 据驱动技术的配电变压器状态检测方法。文献[4]提出基 于 SCADA 系统的互感器在线监测方法。文献[5]提出基于广域测量的故障区段定位方法。上述配电变压器状态监 测与故障诊断的方法， 强依赖于较高水平的现代化配电 系统和数据采集系统， 在配电网集成化、信息化水平较 低， 相关设施不完备的情况下， 并不适宜。因此， 构建 价格低廉， 检测高效的配电变压器检测装置， 可以摆脱 预防性检修和故障后抢修为主的传统运维模式， 减少停 电造成经济损失和社会影响， 提高供电可靠性， 具有一 定的经济价值和社会效益。

　　随着对电力系统可靠性要求的提高和电网投资向配 网的倾斜， 配电变压器故障检测也引起了学者的关注， 就变压器状态感知、智能故障诊断等进行了研究。文献 [6]提出基于并行化 BP 神经网络的配电变压器故障诊断方 法， 实现了配电变压器状态的快速识别与诊断; 文献[7] 建立了基于堆栈自编码器的配电变压器故障特征自动挖 掘模型， 通过贝叶斯优化算法选择模型最优参数， 实现了故障类型辨识， 故障诊断准确率高达 96.67%; 文献[8] 建立了基于信息迁移的配变故障诊断模型， 输出配变故 障诊断器比传统诊断器具有更强的泛化能力。人工神经 网络理论是故障检测中的一种重要数据驱动方法， 传统 神经网络面对大样本数据时， 学习收敛速度降低， 易陷 入局部最小。本文将小波分析与神经网络结合， 形成较 强逼近、容错能力的小波神经网络， 可以大大提高故障 诊断效果。高维小波神经网络的映射学习能力差， 通过 差分进化算法， 提高全局搜索能力和收敛速率。

　　1 差分进化小波神经网络

　　1.1 小波神经网络

　　神经网络具有很强的自组织、自学习功能， 能够通 过网络参数调整找到故障数据与诊断结果之间的非线性 关系， 因而被广泛应用于故障诊断系统中。在实际应用 中， 故障诊断结果的准确性一方面依赖于数据样本质量， 另一方面还会受神经网络内部参数影响。在配电变压器 故障诊断系统中， 仅通过神经网络的自学习和联想能力， 不断调整网络权值和阈值， 可能得不到正确的诊断结果， 因此， 系统应用小波神经网络， 通过小波变换较强的逼 近能力和容错能力， 实现良好的时频局域化特征， 提高 故障诊断准确率[9]。小波变换和神经网络的结合方式主 要有两种， 一种是将小波函数作为神经网络中的传递函 数， 依次构建神经网络结构， 一种通过小波变换进行样 本数据的预处理， 从而改变神经网络的输入层数据， 提 高数据的准确度， 减小网络训练的复杂度[10]。在本系统 中， 小波神经网络采用小波基函数取代神经网络隐含层 的传递函数， 输出层神经元采用 Sigmoid 函数作为激励函 数， 三层小波神经网络如图 1所示。

　　小波神经网络包括输入层、隐含层和输出层， 网络 输出可描述为[11]：

　　1.2 差分进化原理

　　差分进化算法基于生物学家达尔文“适者生存， 优 胜劣汰”的理论， 该算法模拟生物体进化过程， 算法本 身是一种自适应自组织的求解问题机制。差分进化算法 以种群为操作对象， 采用并行优化模式和迭代方式寻找 最优解。差分进化算法基于群体进化逻辑， 通过种群内 个体间的合作竞争优化问题的解， 是一种随机的并行 直接搜索算法， 具有较强的稳健性和强大的全局寻优 能力， 算法主要包括种群初始化和进化迭代两个阶段， 种 群 初 始化采用均匀分布等概率的生成初始空间解向 量， 进化迭代过程包括变异、交叉、选择 3 个步骤[12]。 差 分 进 化 算 法 首 先 得 到 一 组 随 机 初 始 化 种 群： X0 =

　　交叉操作用以增加种群的多样性， 保证个体的进化， 假设种群中的个体 xi(s)与 xm 进行交叉操作产生试验个体 xT， 随机选择使 xT 至少有一位由 xm 贡献， 其他位利用交叉概率因子 FCR， 交叉操作描述为：

      反复进行操作， 直至产生满足适应值条件的子代。

       1.3 差分进化优化小波神经网络

　　利用差分进化算法优化小波神经网络时， 将小波神 经网络的拓扑结构、权重因子、尺度因子和平移因子描 述为染色体， 按照差分进化算法流程， 经过种群初始化、 变异操作产生变异个体、交叉操作产生新个体、选择操 作产生下一代新个体， 通过不断重复迭代， 实现小波神 经网络参数优化， 使网络收敛到最优[14]。

　　2 差分进化小波神经网络的配电变压器故障检测 

        2.1 配电变压器故障状态变量挖掘

　　影响变压器运行的变量很多， 主要分为动态变量、 准动态变量和静态变量， 如表 1所示。

　　2.2 神经网络训练样本预处理

　　如果计及变压器运行状态变量的所有类型， 则样本 数据会变得非常庞大， 类型复杂， 为了减小训练样本数 据量， 并在一定程度上不影响训练学习精度， 此处的样 本数据选择与故障状态相关度较高的环境因素、电气因 素、色谱分析状态变量和电气试验性能数据， 将变压器 油中溶解气体 H2 、C2H2 、CO 、CH4 含量， 绝缘电阻、泄 漏电流、介质损耗数据、电气数据和环境变量作为神经 网络的输入， 对所有试验数据， 在网络训练前进行归一 化处理[15]。输入层神经元有 12个神经元节点， 规定输入 矢量为 Xk， 且

　　式 中： x 分 别 为 变 压 器 油 中 溶 解 气 体 H2 、 C2H2 、 CO、 CH4 含量、绝缘电阻、泄漏电流、介质损耗、电压、电 流、功率、温度、湿度。

　　配电变压器的主要故障有过热故障、铁心故障、绝 缘故障、放电故障和油质故障， 将 5 种故障状态和无故障状态作为小波神经网络的输出， 表示为：

　　对于故障状态， 采样异常特征下的 17 组信号作为样 本数据， 其中前 16 组作为神经网络样本， 形成对应状态 的故障特征库， 第 17 组作为检验数据样本。

　　定义变压器的故障特征代码， 如表 2 所示。

　　确定差分进化小波神经网络的初始训练结构， 输入 层节点为 12. 输出层节点为 6. 隐层节点设为 20. 算法 中初始种群规模取 200. 交叉概率取 0.6. 变异参数取 0.7. 进化代数为 200 代。在仿真算例中， 选择网络训练 步长为 200. 网络误差平方和为 0.01. 采用常规 BP 网络 (即反射传播神经网络， Back Propagation Neural Network， BPNN)、小波神经网络 (Wavelet Neural Network， WNN ) 和差分进化小波神经网络 (Differential Evolution WNN， DE+WNN) 进行对比， 网络的训练学习结果如图 2 所示， 常规 BP 网络 (BPNN) 在设定的训练步长内未收敛， WNN 在 200 内可以收敛， 性能参数为 0.006 412 89. DE+ WNN 的性能参数为 0.000 249 109. 通过对比可见差分进 化小波神经网络具有更好的学习性能。表 3~4 给出具体 的网络仿真参数及仿真结果。

　　3 结束语

　　本文构建了配电变压器故障检测的 3 层小波神经网 络， 通过差分进化加速学习和收敛。将变压器的状态变 量分为动态变量、准动态变量和静态变量， 进行了各类变量的数据挖掘， 分析了各状态对应的故障状态及典型 应用。考虑到所有运行状态变量应用下系统故障诊断的 复杂性， 进行了神经网络训练样本数据选择， 将与故障 状态相关度较高的环境因素、电气因素、色谱分析状态 变量和电气试验性能数据等作为神经网络的输入。将配 电变压器过热故障、铁心故障、绝缘故障、放电故障和 油质故障等作为神经网络的输出， 构造了神经网络。算 例表明， 所设计的网络及算法能够充分表达配电变压器 故障信息和故障状态， 能够反映输入输出映射关系， 差 分进化小波神经网络具有更高的收敛速度和识别精度。 后期将加入样本数据分类和信息迁移， 实现样本数据预 清洗， 进一步提高故障诊断效率。

　　参考文献：

　　[1] Fan Jingmin, Wang Feng, Sun Qiuqin, et al. Hybrid RVM – AN⁃ FIS algorithm for transformer fault diagnosis[J]. IET Generation, Transmission & Distribution, 2017. 11(14): 3637-3643.
　　[2] 康兵, 杨勇, 李振兴, 等 . 基于实际运行数据的配电变压器故 障原因多维度分析[J]. 智慧电力, 2019. 47(3): 66-70.
　　[3] 刘林青, 葛云龙, 李梦宇, 等 . 基于量测数据和数据驱动技术的配电变压器状态监测与故障诊断[J]. 高压电器, 2020. 56 (9): 11-19.
　　[4] 林艺, 刘宇, 李光茂 . 基于 SCADA 系统的电容式电压互感器 在线监测方法研究[J]. 自动化与仪器仪表, 2018(11): 37-40.
　　[5] 李子龙, 江秀臣, 刘浩, 等 . 基于广域测量的故障区段定位方 法[J]. 广东电力, 2017. 30(8): 68-73.
　　[6] 赵志新, 赵宗罗, 赵颖, 等 . 基于并行化 BP神经网络的配电变压器故障快速诊断方法[J]. 浙江电力, 2021. 40(12): 82-88.
　　[7] 陈锦锋, 张军财, 卢思佳, 等 . 一种基于 SAE-RF 算法的配电变 压器故障诊断方法[J]. 电工电气, 2021(2): 17-23.
　　[8] 杨志淳, 沈煜, 杨帆, 等 . 考虑多元因素态势演变的配电变压 器 迁 移 学 习 故 障 诊 断 模 型 [J]. 电 工 技 术 学 报 , 2019. 34(7): 1505-1515.
　　[9] 张成, 白建波, 兰康, 等 . 基于数据挖掘和遗传小波神经网络 的光伏电站发电量预测[J]. 太阳能学报, 2021. 42(3): 375-382.
　　[10] 贾正建,杨光,田锦华 .基于小波分析的双电源客户供电电源 检测[J]. 内蒙古电力技术,2021.39(4):55-59.
　　[11] 李永龙, 邵忍平, 薛腾 . 基于小波神经网络的齿轮系统故障 诊断[J]. 航空动力学报, 2010. 25(1): 234-240.
　　[12] 于成龙, 付国霞, 孙超利, 等 . 全局与局部模型交替辅助的差 分进化算法[J]. 计算机工程, 2022. 48(3): 115-123.
　　[13] 张俊 . 基于小波神经网络的滚动轴承故障诊断[J]. 机械设计 与制造, 2010(2): 128-129.
　　[14] 李目, 何怡刚, 谭文 . 基于差分进化小波神经网络的多维非线 性系统辨识[J]. 电子测量与仪器学报, 2010. 24(7): 599-604.
　　[15] 郑鑫, 石纯, 田锦绣, 等 . 基于 ISSA-SVM 的煤矿变压器故障 诊断方法[J]. 机电工程技术, 2022. 51(7): 31-34.
 
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！

文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/64608.html