基于MATLAB的BPANN油浸电力变压器故障诊断仿真.pdf
《基于MATLAB的BPANN油浸电力变压器故障诊断仿真.pdf》由会员分享,可在线阅读,更多相关《基于MATLAB的BPANN油浸电力变压器故障诊断仿真.pdf(5页珍藏版)》请在咨信网上搜索。
1、基于 MA T L A B的 B P A N N油浸电力变压器 故障诊断仿真 王伟 1 , 李清泉 1 , 王向东 2 (1 .山东大学电气工程学院,山东 济南2 5 0 0 6 1;2 .济南市产品质量监督检验所 山东 济南2 5 0 0 2 2) 摘要:利用MA T L A B的神经网络工具箱对B P A NN油浸电力变压器故障诊断进行了仿真。 关键词: 变压器; 故障; 仿真 中图分类号:T M 4 0 6文献标识码:B文章编号:1 0 0 1 - 8 4 2 5(2 0 0 7)0 9 - 0 0 4 7 - 0 5 F a u l t D i a g n o s i s S i mu
2、 l a t i o n o f B P A N N O i l - I mme r s e d P o w e r T r a n s f o r me rB a s e do nMA T L A B WA N G We i 1 , L I Q i n g - q u a n 1 , WA N G X i a n g - d o n g 2 (1 . S h a n d o n gU n i v e r s i t y , J i n a n2 5 0 0 6 1 , C h i n a 9 2 . J i n a nP r o d u c t Q u a l i t yS u p e r
3、v i s o nT e s t i n g I n s t i t u t e , J i n a n2 5 0 0 2 2 , C h i n a) A b s t r a c t:T h ef a u l t d i a g n o s i so f B P A N N o i l - i mme r s e dp o w e rt r a n s f o r me ri ss i mu l a t e dw i t h MA T L A BN e u r a l N e t w o r kT o o l sB o x . K e yw o r d s:T r a n s f o r m
4、e r;F a u l t;S i mu l a t i o n 1引言 油中溶解气体分析(D G A) 是对油浸变压器进行 故障诊断的方法之一,该方法能比较准确和可靠地 发现变压器内部的潜伏性故障 1 - 3 , 并利用测量的特 性气体对油浸式变压器进行故障诊断,实际上是完 成油中气体组分到故障类型的一个复杂非线性映 射。 目前基于D G A的变压器故障诊断技术主要有关 键气体法、 比值法和人工智能法 4 - 7 。 人工神经网络具有良好的学习、 泛化、 自适应能 力和容错特性,在一定程度上克服了比值法 “ 缺编 码”和编码边界过于绝对的不足,有效地改善了 D G A分析方法的适用性和准确性
5、 8 - 9 , 而B P神经网 络由于其很强的非线性逼近能力,是目前应用最为 广泛的神经网络模型之一 1 0 。 但在选择学习样本、 确 定输入输出模式、学习过程的速度与收敛性、B P网 络参数的选择等问题上尚处于探索阶段 1 1 。笔者利 用M A T L A B对上述问题做了仿真分析, 并通过仿真 结果与实际故障的比较检验了设计网络的性能, 并 得到了较好的结果。 2 B P A N N的模型 2 . 1 B P神经元 人工神经元是人工神经网络的基本单元,它相 当于一个多输入单输出的非线性阈值器件。图1中 给出了神经元的一般模型。如果当神经元输入向量 的加权和大于其阈值, 则该神经元被激
6、活, 神经元的 输出可以表示为: a = f( R i = 1 !w1 ipi- b)(1) 式中f表示神经元的输入输出关系函数,即传 输入神经元 P2 P1 PR w1 1 w1 2 w1 Rb n f a ! 图1人工神经元的一般模型 F i g . 1 Mo d e l o fa r t i f i c i a l n e u r a l u n i t 第4 4卷第9期 2 0 0 7年9月 T R A N S F O R ME R V o l . 4 4 S e p t e mb e r N o . 9 2 0 0 7 第4 4卷 输函数。B P神经元的传输函数为非线性函数, 最常
7、用的函数是S型函数( 如l o g s i g) , 其输出值将会被 限制在(0,1) 范围内。 2 . 2 B P神经网络模型 B P网络一般为多层前馈神经网络,它的节点 ( 神经元) 可分为输入层、 输出层和隐层。图2中给 出了三层B P网络的结构示意图。 B P网络的学习过程由正向传播输出过程和反 向传播调整过程两个阶段组成。第一阶段是根据输 入已知学习样本, 通过设置的网络结构和前一次迭 代的权值和阈值, 从网络的第一层向后计算各神经 元的输出;第二阶段是对权值和阈值进行修改, 从 最后一层向前计算各权值和阈值对误差的影响, 据 此对各权值和阈值进行修改。以上两个阶段反复交 替, 直到
8、达到设定的误差为止。如图2所示, 对于输 入向量p =(p 1,pm,pM) T ,其期望输出向量T = (T 1, ,Tn, TN) T , 网络的实际输出y =(y 1, yn, y N) T ,B P网络误差函数的默认值是均方误差: E(k)= 1 N N i = 1 ! Ti- yi(k) 2 (2) 最简单的B P算法是最速下降B P算法(s t e e p e s t d e s c e n t b a c k - p r o p a g a t i o n,S O B P) , 它按照误差函数 的负梯度方向逐次修改其权值和阈值。设x(k) 为第 k次迭代各层之间的连接权向量和阈值
9、向量,g(k) 为第k次迭代的误差函数对各权值或阈值的梯度 向量, 则每一层权值和阈值的修正按下式进行: x(k + 1)= x(k)- a g(k)(3) g(k)= !E(k) !x(k) (4) 式(3) 中,a表示学习速率, 为一常数。 3 B P A N N变压器故障诊断模型 3 . 1输入输出模式的确定 B P网络的输入层起缓冲存储器的作用, 其节点 数取决于输入矢量的维数。考虑到C O和C O 2分散 性较强、来源较多以及现场获得的数据中常有缺失 等因素,选取五种气体组分H2、C H4、C 2H6、C2H4和 C 2H2,并以各个组分占5种气体总和的相对含量作 为网络的归一化输入
10、向量, 即M= 5。经归一化处理 后, 所有输入量的取值均处在0和1之间。 当B P网络用于模式分类时,以二进制形式来 表示不同模式的输出结果,则输出层的节点数可根 据待分类模型数来确定。把变压器的故障性质分为 高温过热 (H H) 、中低温过热 (L H) 、高能量放电 (H D) 、 低能量放电(L D) 四种类型, 即N = 4。对应于 第二种故障(L H) 待分类模式的输出是 0 0 1 0 T 。 3 . 2学习样本的选择 学习样本选择的恰当与否,直接影响B P网络 的性能。 理论上, 学习样本既要使网络的学习过程快 速收敛,又要对检验样本有很好的泛化能力,避免 “ 过适配” 现象的
11、发生。对于实际选取变压器故障数 据, 文献 1 2 研究了选取“ 典型样本” 的算法; 文献 1 3 提出了一种定性选择方法; 文献 1 4 把粗糙集应 用在学习样本的选取上,减小了选择的主观性和盲 目性。在此基础上, 本着代表性、 广泛性和紧凑性的 原则, 选取能反映各种故障类型而不冗余的2 5组故 障数据作为学习样本, 另外搜集到的7 6组作为检验 样本。 3 . 3隐层节点数的确定 在不限制隐层节点数的情况下,只含一个隐层 的B P网络可以实现任意非线性映射 1 5 , 即图2所示 的网络结构。但对于有限个输入模式到输出模式的 映射, 并不需要无限个隐层节点, 节点数过多会导致 学习时间
12、过长; 节点数太少, 容错性差, 泛化能力低。 根据实践经验,用于模式识别的B P网络可以参照 下式进行设计: n h= ni+ n0 + c(5) 式中n h 隐层的节点数 n i 输入层的节点数 n 0 输出层的节点数 c1 1 0的常数 本文中的实例, 取c为1 1 0做对比分析, 这样 隐层节点数为4 1 3, 分析的结果从收敛程度和对检 验样本的泛化能力两方面来比较。三层的传递函数 均采用l o g s i g函数, 设置最大训练频数为5 0 0, 目标 误差0 . 0 0 0 1, 学习率为0 . 1。 用S C G算法的变梯度反 向传播算法训练网络, 对应的训练函数为t r a
13、i n s c g。 三层网络的初始化函数均采用i n i t n w,它可以 使网络层中每个神经元的作用范围近似地在网络层 图2 B P神经网络结构图 输入层隐层输出层教师信号 P1 Pm PM I 1 I m I M H1 Hk HK O1 On ON T 1 T n T N E y 1 y n y N MKN F i g . 2 S t r u c t u r a l d i a g r a m o fB Pn e u r a l n e t w o r k 4 8 王伟、 李清泉、 王向东: 基于MA T L A B的B P A N N油浸电力变压器故障诊断仿真 第9期 空间均匀分布。
14、 具有神经元浪费少、 网络训练速度快 的优点,但初始化权值和阈值随机性的特点决定了 每次训练网络的结果各不相同。为了减小初始化随 机性带来的影响,采用多次训练取加权平均的方法 来考核网络的性能, 对于不同的隐层节点数, 训练和 检验次数均取5。图3和图4分别给出了隐层节点 数对B P网络学习和泛化能力的影响。 由图3可以看出, 随着隐层节点数的增加, 收敛 步数基本呈递减的趋势, 收敛性能越来越好, 对学习 样本的拟合能力增强。 而由图4可以看出, 网络的正 判率基本呈递增的趋势。但并不意味着隐层节点数 越多越好, 由图3和图4可知, 它存在着一个最佳的 值, 需要经过实际训练的检验来不断调整
15、。 本文中的 实例, 综合考虑收敛性能和泛化能力两方面的因素, 最佳隐层节点数为1 1,在输入节点数的两倍左右。 它的正判率为8 2 %。 3 . 4训练函数的选择 S D B P算法收敛速度慢, 网络易陷于局部最小, 学习过程常常发生振荡, 为了克服其不足, 提出了许 多改进算法。 但对于一个具体的问题, 采用哪种训练 方法, 训练速度最快, 泛化能力最强, 取决于给定问 题的复杂性、 学习样本的数量、 网络权值和阈值的数 量和网络的用途等多方面因素。 利用M A T L A B神经网络工具箱提供的1 2种训 练函数,从收敛性能和正判率两方面来评价对应网 络的性能。 由于每种算法运算量的不同
16、, 算法每进行 一步所消耗的时间也不尽相同,所以采用收敛时间 来代替收敛步数来量化网络的收敛性能。依然采用 5次训练,检验取加权平均的方法减小初始化随机 性带来的影响。 去除在规定的步数内不能收敛的训练函数, 选 取剩余的5种训练函数作为比较的对象,基于P o - l a k - R i b i e r e算 法 的 变 梯 度 反 向 传 播 训 练 函 数 t r a i n c g p、基于学习率可变的动量B P算法的训练函 数t r a i n g d x、基于弹性B P算法的训练函数t r a i n r p、 基于L e v e n b e r g - M a r q u a r
17、d t算法的变梯度反向传播 训练函数t r a i n l m、 基于S C G算法的变梯度反向传播 函数t r a i n s c g。隐层节点数为1 1, 网络的其他参数和 3 . 3中的相同。仿真结果如表1所示。 由表1可以看出, 收敛速度最快的是t r a i n l m训 练函数,收敛时间为1 . 5 3 4秒,t r a i n c g p训练函数的 训练速度与之相差不大, 收敛时间为1 . 5 8 1秒, 但其 正判率最高, 达到了8 7 . 5 %。 综合考虑, 选用t r a i n c g p 训练函数。 图5给出了其中的一个训练过程, 当训练 进行到第4 9步, 误差达到
18、要求。 表1训练函数选择的仿真结果 训练函数收敛时间Rs正判率R% t r a i n c g p2 . 2 2 87 1 . 5 t r a i n g d x3 . 8 4 27 8 . 9 t r a i n l m1 . 5 3 48 1 . 2 t r a i n r p1 . 5 8 18 7 . 5 t r a i n s c g2 . 2 0 98 2 . 0 T a b l e1 S i mu l a t i o nr e s u l t so ft r a i n i n gf u n c t i o nc h o i c e 1 0 0 1 0 - 1 1 0 - 2 1
19、 0 - 3 1 0 - 4 1 0 - 5 0 5 1 0 1 52 0 2 53 0 3 5 4 0 4 5 误差 训练步数 图5 B P网络训练过程 F i g . 5 T r a i n i n gp r o c e s so fB Pn e t w o r k 4 9 第4 4卷 表2给出了相应的检验样本的诊断结果。7 6例 故障中, 有9例故障与实际故障不能相对应, 其中误 判的有4例, 不能给出具体结论的有5例, 正判率达 到8 8 . 1 6 %。 4诊断实例分析 某1 1 0 k V主变压器, 用油中溶解气体分析法测 得H2、C H4、C 2H6、C2H4、C2H2的气体组分
20、含量分别为 注:B PB P A N N诊断结果;A F(A c t u a l F a u l t) ;A F(A c t u a l F a u l t) 实际故障; “ ?” B P A N N不能给出确定的结论。 序号输出B PA F序号输出B PA F 10 . 0 0 0 00 . 0 0 0 00 . 0 1 4 60 . 9 9 9 8H HH H3 90 . 0 0 0 20 . 9 9 9 70 . 0 0 0 00 . 0 0 0 0H DH D 20 . 0 0 0 00 . 0 0 0 00 . 0 0 0 71 . 0 0 0 0H HH H4 00 . 0 3 1
21、 40 . 9 6 5 50 . 0 0 0 00 . 0 0 0 0H DH D 30 . 0 0 0 00 . 0 0 0 10 . 0 0 0 41 . 0 0 0 0H HH H4 10 . 0 1 6 80 . 8 4 6 10 . 0 0 0 00 . 0 0 0 0H DH D 40 . 0 0 0 00 . 0 0 0 00 . 0 0 0 01 . 0 0 0 0H HH H4 20 . 0 0 0 00 . 9 9 9 90 . 0 0 0 00 . 0 0 0 0H DH D 50 . 0 0 0 50 . 0 0 2 10 . 1 2 4 30 . 9 4 1 2H H
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 MATLAB BPANN 电力变压器 故障诊断 仿真
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【haoh****by8】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【haoh****by8】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。