【摘要】本文研究了一种基于RBF神经网络的变压器故障诊断方法，通过对油中气体含量的分析，并收集和整理变压器故障信息作为训练和诊断样本，建立了基于 RBF神经网络的变压器故障诊断模型，准确率最高达到94%，具有较高的实际应用价值。
【关键词】油浸式变压器；RBF神经网络；故障诊断
油浸式变压器在电力系统中发挥着变化电压、电能转化的作用，其安全、稳定运行影响着整个电力系统的可靠性，关系到国计民生。由此，准确判断变压器的运行状态，对变压器潜伏性的故障做出预测，就显得极为重要，也是国内研究的焦点之一［1，2］。当油浸变压器内部存在过热或放电故障时，其内部油中溶解的气体类型和含量会发生变化，油中溶解气体分析成为判别其运行状态的一种有效手段［3］。
判断变压器故障时常用的特征气体包括： H2、CH4、C2H6、C2H2、CO及CO2等，本文选取其中五种，将变压器故障的类型分为高能放电故障、低能放电故障、高温过热故障和中低温过热故障。本文将 RBF神经网络应用于变压器故障诊断，对精准判断变压器运行状况以及预测变压器潜伏性故障具有非常重大的意义。
1 RBF神经网络
径向基函数（Radical Basis Function，简称RBF）网络类属于局部渐近网络，该网络的输出只受到少数连接权值的影响，很少需要调整连接权值，学习速度快，实用性强，且对于非线性有很好的逼近能力，成为人们研究的热点。基本模型如图1所示，RBF网络由三层组成，输入层、隐含层和输出层。其主要思路是将线性不可分的数据映射到高维变成可分的问题，来寻找最优的训练。
其中，x是N维的输入向量，RBF神经网络节点数为r，ci是基函数的中心，围绕中心的宽度决定于σｉ，是第 i个感知向量，m是单元个数。
2 RBF神经网络故障诊断模型的构建
2.1输入特征向量
研究油当中所溶解的气体与变压器故障的关系，并进行网络仿真。根据国际电工委员会的推荐，以 H2、CH4、C2H6、C2H4和 C2H2共5 种气体作为判断依据，将该 5种气体所占百分比作为RBF神经网络的输入。以收集的 220 组变压器故障数据作为训练集。
2.2输出特征向量
将变压器故障分为高能放电、低能放电、高温过热和中低温过热4 种故障类型，然后进行编码作为RBF神经网络的输出。故障类型及其对应的输出编码见表1。
3 实验仿真
3.1故障诊断
以收集的 220 组故障数据作为RBF神经网络训练集，用训练得到的模型对 20 组变压器故障数据组进行故障诊断。RBF故障诊断神经网络模型的输出层传递函数是线性函数，根据最大隶属的原则，在诊断输出向量各分量中，隶属度越靠近 1，则表明其对应故障类型的可能性越大，反之，则可能性越小。因此，将诊断输出向量中各列向量的最靠近1的值取为1，其余取为 0，进行最大隶属化处理，即可得到的故障诊断结果。表2列出了部分诊断结果。
将故障诊断结果与实际故障类型进行对比，准确率达94%，在实际应用中可操作性高。
3.2不同方法的比较
将RBF神经网络与 BP 神经网络和Elman 神经网络在变压器故障诊断上的效果进行比较，其中RBF神经网络的准确率为94%，BP 神经网络的准确率为90%，Elman神经网络的准确率为91%。
4 结语
本文提出了一种基于 BP 神经网络的变压器故障诊断模型。选 取 油 中 溶 解 气 体 中 的H2、CH4、C2H6、C2H4和 C2H2种特征气体作为RBF神经网络的输入特征向量。比较RBF神经网络与其他神经网络在变压器故障诊断上的效果，结果表明RBF神经网络较为简单，训练时间短，可操作性高，且准确率在实际应用中也能满足要求。
参考文献
[1]鲁文波,曲光磊.油浸式自耦变压器振动噪声研究[J].振动与冲击,2019,38(15):273-280.
[2]王浩.油浸式变压器常见故障及处理方法[J].山东工业技术,2018(22):184.
[3]徐根祺.牵引变流器故障特征提取方法的研究[J].民营科技,2016(08):59-60.
论文作者:曹宁,王雅雪,王森
论文发表刊物:《建筑实践》2019年第14期
论文发表时间:2019/10/29
标签：神经网络论文; 变压器论文; 故障论文; 故障诊断论文; 向量论文; 气体论文; 模型论文; 《建筑实践》2019年第14期论文;