一种基于bp神经网络算法进行变压器故障识别的方法
【技术领域】
[0001] 本发明涉及神经网络领域，更为具体地涉及一种基于BP神经网络算法进行变压器 故障识别的方法。
【背景技术】
[0002] 变压器的运行状态关乎整个电能输送是否得以可靠进行，而实际操作中因为一些 偶然或者非偶然原因变压器会出现各种故障，其中最容易出现的就是变压器内部的绝缘故 障。故障的主要原因是由于绝缘老化或者弱化引起的，而局部放电现象又是变压器绝缘水 平降低的重要标志，因此，将局部放电实验的结果导入到仿真系统中对放电类型加以分类 识别，就能够准确、快速地判断变压器内部潜在的绝缘故障，及时对即将出现的故障进行排 除，确保变压器能持续可靠地运行以此保证电能质量以及整个电网的正常运行。
[0003] -般来说，评判变压器运行状态方法主要有：油中气体分析法、温度测量法、绕组 直流电阻测量法、吸收比测量法、介质损耗测量法以及局部放电等。局部放电试验在监测变 压器内的绝缘状态方面有优势，因此通常作为电力设备的重要检测方法之一。
[0004] 油中气体分析法:变压器油不可避免的会暴露在空气当中，空气中的存在大量的 水分和杂质就会部分溶解于变压器油中。那么变压器绝缘故障就可以通过分析油中各气体 的含量和成分来进行分析确定。这个过程需用到气相色谱分析仪器，通过观测各气体的类 型和含量来就可以确定变压器是否存在异常，如果有异常的话是属于哪种故障类型，已存 在的故障程度如何，未来发展趋势如何。
[0005] 温度监测法:一方面可以在变压器绕组附近的导线上安装温度传感器感应温度变 化，通过观测分析温度的变化值就可以确定变压器的过热部位并及时处理，但该方法运用 到实际中存在成本昂贵，技术复杂的问题。另一方面可以利用热传递的理念间接测量温度 情况，这种方法虽然没有直接法确切精准，但是它需要采集的数据较少，过程简单，可以广 泛使用。
[0006] 绕组直流电阻测量法:变压器绕组直流电阻测试可以检测变压器是否出现绕组匝 间短路，分接开关是否接触良好，以及引线是否断裂，调压开关调级是否正确等问题。绕组 直流电阻的测量一直以来在检测电流回路连接问题上有非常明显的优势。
[0007] 吸收比测量法:该方法是建立在吸收现象的基础上测量绝缘电阻阻值随时间的变 化以此濑判断变压器的绝缘情况。通常用摇表测量加压60秒时的绝缘电阻R6Q阻值与测量15 秒时的绝缘电阻R15阻值的比值作为吸收比，来衡量绝缘受潮情况，它既能反映局部缺陷，也 能反映整体缺陷。
[0008] 介质损耗角测量法:介质损耗角正切(介质损耗角)是判断变压器的绝缘状况的一 项很明显的指标;介电损耗角的变化可以绝缘受潮，绝缘老化和绝缘内部气体放电等缺陷， 特别是在绝缘受潮、老化等分布式缺陷上富有优势。所以，测量绝缘介电损耗角对检测变压 器运行状态来说是一项非常重要的检测项目。
[0009] 局部放电法:变压器局部放电测试电压就是在被试品上施加一定程度一定时间的 电压，使得在被试品绝缘薄弱部分发生放电现象，用过局部放电试验可以观察这一过程的 起始电压、熄灭电压以及放电量等参数以此濑衡量被试品的绝缘水平;测试过程中在避免 铁芯饱和的基础上，应该尽量减小电源频率以降低补偿电感的容量。
[0010] 近年来，神经网络被广泛运用于生产生活等各个领域，它作为一种运算方法用于 实现复杂数据输入到输出之间的模型建立和逻辑推测。人工神经网络具有生物神经系统的 基本特征，具有分布式处理，大规模并行，自组织，自学习等特点，可以实现非线性映射输入 到输出的很好的近似;其中，BP(BackPropagation，多层前馈)神经网络在模式识别上具有 明显的优势，因此成为神经网络中最为广泛使用的形式之一。如今，神经网络的研究已经达 到一定的成熟度，基于神经网络的应用范围也在不断扩大，已取得很多有目共睹的重大成 果。以下是一些主要应用领域：（1)模式识别和图像处理:产品等级分类、指纹识别、疾病分 析等；（2)控制和优化:大气环境质量检测评定、半导体生产过程控制、高压输电环流控制 等；（3)预报和智能信息管理：电网短期负荷预测、地震预报、智能电网家电管理和交通管理 等。将神经网络应用于变压器故障诊断方面将具备其他变压器故障诊断方法更为优异的效 果。
【发明内容】
[0011] 本发明提供一种基于BP神经网络算法进行变压器故障识别的方法，其特征在于， 包括如下步骤：
[0012] 步骤S1:通过局部放电测试系统对不同变压器故障的放电脉冲图谱进行收集；
[0013] 步骤S2:对通过步骤S1取得的放电脉冲进行功率图谱分析；
[0014] 步骤S3:从通过步骤S2取得的功率图谱分析得到的特征量中提取训练样本和测试 样本；
[0015] 步骤S4:构建BP网络神经；
[0016] 步骤S5:进行BP网络神经训练；
[0017] 步骤S6:进行BP网络神经测试。
[0018] 优选地，所述局部放电测试系统包括：显示仪、超高频天线、电极、接地线、绝缘子 套管、高压绝缘子套管、油箱、耦合电容器、保护电阻、变压器;其中，放电电压经保护电阻和 高压绝缘子套管引入电极的一端，再将电极的另一端引出连接绝缘子套管，绝缘子套管还 通过接地线接地，放电信号经耦合电容引入局部放电测试系统，从显示仪上可观察不同电 极形状的放电脉冲发生情况。
[0019] 优选地，所述变压器故障包括内部故障和外部故障。
[0020] 优选地，所述内部故障包括绕组故障、铁芯故障、主绝缘故障。
[0021] 优选地，所述外部故障包括分接开关故障、套管故障。
[0022] 优选地，所述放电脉冲为沿面放电类型的放电脉冲或者电晕放电类型的放电脉 冲。
[0023] 优选地，进行步骤S1时，进行环境变量的清空。
[0024]优选地，环境变量包括:悬浮电位放电干扰、电磁波干扰、接触不良干扰。
[0025]优选地，通过直接法或者间接法进行功率图谱分析。
[0026] 优选地，取横坐标[65-75]区间作为特征量，用imresize函数将取横坐标[65-75] 区间扩大为1*250维数的矩阵，并且设置第1一50组数据作为测试样本，设置第51-250组数 据作为训练样本。
[0027]优选地，步骤S4包括隐含层节点的选择、激活函数的选择、学习率的选择。
[0028]本发明提供的基于BP神经网络算法进行变压器故障识别的方法，可准确的识别出 变压器的故障类型，在变压器故障诊断以及状态评估上的重要作用，并且方法便捷。
【附图说明】
[0029]图1为本发明提供的基于BP神经网络算法进行变压器故障识别的方法的流程图；
[0030]图2为常见的变压器故障类型的分类；
[0031]图3为局部放电测试系统的示意图；
[0032]图4为电晕放电模型的示意图；
[0033]图5为沿面放电模型的示意图；
[0034]图6为悬浮电位引起的放电的不意图；
[0035]图7为电磁波干扰图谱；
[0036]图8为沿面放电模型的功率图谱；
[0037]图9为电晕放电的模型的功率图谱；
[003