基于RBF神经网络结合LIBS的变压器故障诊断

龚瑞昆;王晓磊;张励维

【摘 要】为了解决变压器气相色谱分析法、气敏传感器法、傅立叶红外光谱法等的故障诊断中存在的消耗待测气体、载气、待测气体需求量较大以及长期稳定性不好等缺点,提出了利用激光诱导击穿光谱技术检测变压器油中H2、C2H2、C2H4、CH4、C2H6 5种特征气体含量,计算C2H2/C2H4CH4/H2C2H4/C2H6 3对的比值,使用RBF神经网络算法对变压器进行故障诊断研究,并与改良三比值法做比较.试验仿真结果表明:RBF神经网络结合LIBS电力变压器故障诊断算法,对电力变压器的单一和多种混合故障能够有效的分类,同时对电力变压器故障诊断的准确率提高到97.50％,远远高于改良三比值法的准确率. 【期刊名称】《河北联合大学学报（自然科学版）》 【年(卷),期】2016(038)004 【总页数】6页(P88-93)

【关键词】RBF神经网络;LIBS;变压器;故障诊断 【作 者】龚瑞昆;王晓磊;张励维

【作者单位】华北理工大学电气工程学院,河北唐山063000;华北理工大学电气工程学院,河北唐山063000;华北理工大学电气工程学院,河北唐山063000 【正文语种】中 文 【中图分类】TP274+.52

电力变压器在电力传输与变压中有着至关重要的作用［1］。改良三比值法是目前国内外分析变压器潜伏性故障的主要分析方法，中华人民共和国电力行业标准《变压器油中溶解气体分析和判断导则DL／T 722－2000》对其有明确描述，由于变压器长时间的运行和老化，变压器绝缘油在热、电的作用下逐渐发生老化和分解［2］，绝缘油及有机绝缘材料会分解出一些对判断故障类型甚至故障部位有价值的气体，通过测量特征气体含量，并根据特征气体比值C2H2／C2H4、CH4／H2、C2H4／C2H6确定变压器故障类型。通过激光诱导击穿光谱技术完成对特征气体的检测，激光诱导击穿光谱技术（LIBS）是用高能量脉冲激光烧蚀材料，使材料表面瞬间气化形成高密度、高温的激光等离子体，使材料样品发射出带有元素特征波长的等离子体光谱，谱线的强度和波长分别反映了样品中的元素含量与组成［3］。LIBS技术与气相色谱法相比，具有操作简单、不消耗待测气体和载气、非接触性、稳定性和灵敏度高、检测周期短等优点［4］。研究表明，利用LIBS替代气相色谱法检测变压器油中溶解气体是可行的［5，6］，在定量分析中，LIBS获得的测量结构相对标准差可以达到3～5%以内，而对于气体通常可以达到＜1%。 人工神经网络已经在变压器特征气体光谱分析中得到了较多采用［7］，应用最广泛的有BP神经网络、概率神经网络等，但是由于BP神经网络收敛性差，存在局部极小问题，即使利用智能算法优化权值和阈值也不能完全改善这一问题；而概率神经网络模式的神经元个数等于训练样本个数，势必容易造成网络规模巨大，计算量庞大等问题［8］。

径向基是一种3层前馈式神经网络，它由3层节点组成，输入层和输出层由线性神经元组成，输入的信号由输入层节点传递到隐含层，隐含层节点一般取高斯核函数，再由隐含层节点传递到简单的线性函数构成的输出层，实现输入空间到输出空间的映射，使整个网络达到分类和函数逼近的目的［9］，在模式分类问题中其泛化能力更强、全局寻优能力更佳。

1．1 试验样品

收集了三比值法对应的8种故障类型油样各15组共120组，来源分别为变压器厂、发电厂以及研究院。由于变压器的型号、体积、运行状况、变压器运行在不同的电压等级下等诸多因素的影响，这些数据具有普遍性。 1．2 试验仪器

试验搭建的LIBS检测系统如图1所示，激光光源工作波长为1 0nm的Nd－YAG气体脉冲激光器，单脉冲最大输出能量为100mJ，脉宽10ns，重复频率10Hz；采用集成2048像素CCD的双通道光纤光谱仪作为探测器件，波长范围200～1 100nm，脉冲激光光束经反射镜反射，由焦距为100nm的石英透镜聚焦后入射到样品，诱导激发样品形成等离子体，等离子体光谱信号经由光纤传送至光纤光谱仪进行分光及光电信号的转换。

该仪器利用高能聚焦脉冲激光光束检测变压器油中H2、CH4、C2H6、C2H4、C2H2共5种故障气体含量，测量精度为±4%或±3ppm。 利用Matlab 2 014b、径向基神经网络工具箱对数据进行分析。 1．3 试验方法

对120组样品油进行编号，每组油样取100mL注入检测设备后通过激光光束诱导激发形成等离子体，20min内可完成一组油样故障气体的检测，记录120组有用的检测数据。通过改良三比值法对所得数据进行处理，计算三对比特征气体比值，结果如图2所示。 1．4 数据处理

将图2中120组油样中的三比值数据保存到excel文件“变压器溶解气体数据．xls”中，其中第1列至第3列分别为C2H2／C2H4、CH4／H2、C2H4／C2H6的比值数据，第4列为实际故障类型，这样就组成一个120 ×4的矩阵。 为了消除不同量纲和量纲单位对数据分析结果的影响，保证网络的学习信息准确，

网络不出现饱和［10］，需要用matlab软件中的mapminmax函数对图2中120组特征气体数据及三比值进行归一化处理，使每组数据都在［0，1］范围内，结果如图3所示。 1．5 RBF建模

RBF采用3层拓扑结构，有5个节点组成输入层，每个节点分别对应收集到的120组油样中5种特征气体。由8个节点组成输出层，每个节点分别对应三比值法中的8种变压器故障类型。RBF神经网络拓扑结构如图4所示。120组数据中，选取80组作为训练样本，每种故障类型的数据占10组，剩下的40组数据作为测试样本。

使用matlab软件进行RBF训练及变压器故障诊断试验，通过newrb（）函数构建RBF神经网络。该函数调用形式为：net＝newrb（p，T，goal，spread，mn，df）［7］，p－输入样本矢量矩阵；T－输出目标矢量矩阵；goal－网络均方误差性能指标；spread－径向基散布常数；mn－最大神经元个数；df－迭代过程中的现实频率。网络拟合度和误差由散布常数spread的选取影响，spread越大，函数拟合越接近，但是逼近误差会变大，需要的隐藏神经元也越多，计算也越大，spread越小，函数的逼近会越精确，但是逼近过程不会平滑，网络的性能差，容易出现过适应现象。所以，分别选取spread为8、10、12、14，对试验效果进行对比，选取最优值。选取精度goal为0．02。

径向基的散布常数spread分别取为spread＝8、spread＝10、spread＝12、spread＝14，诊断结果如表1所示。

从表1的结果可以看出，spread＝8时训练集准确率达到97．5%，训练误差为1．368 9e－005，spread＝12时训练集准确率达到95．00%，40个检验样本只有2个是错误的，但训练误差为0．063 388 7不满足要求，而且经比较可以看出，随着spread的增大，训练误差有增大的趋势，检验的效果越来越差。所以选

取spread＝8最为合适。

用三比值法对上述40组样本检测数据进行故障诊断，结果如表2所示。从表2可以看出，改良三比值法有20组数据不能正确判断变压器故障类型。三比值法与RBF神经网络模型故障诊断正确率的比较如表3所示。

传统的改良三比值法对变压器进行故障诊断正确率只有50%，而基于RBF神经网络模型的变压器故障诊断方法正确率可达到97．5%，正确率有明显提高。 LIBS技术定量分析变压器油中的特性气体数据作为输入量，利用RBF神经网络对数据进行训练学习，通过调整径向基隐层的散布常数spread，确定了最佳的径向基散布常数spread＝8，故障诊断正确率到达了97．50%，与三比值法对比，诊断正确率有明显的提高。研究结果满足变压器故障诊断的实际工程需要。激光诱导击穿光谱技术具有操作简单、非触性、稳定性、灵敏度高和检测时间短的特点，因此基于LIBS技术在线检测与诊断具有广阔的应用前景。

【相关文献】

［1］ 姬立新．变压器油中溶解气体故障诊断研究［D］．北京：华北电力大学．2014． ［2］ 郑含博．电力变压器状态评估及故障诊断方法研究［D］．重庆：重庆大学．2012． ［3］ 邵妍，张艳波．激光诱导击穿光谱技术的研究与应用新进展［J］．光谱学与光谱分析，2013，6（4）：491－500．

［4］ 侯冠平，王平，佟存柱．激光诱导击穿光谱技术及应用研究进展［J］．中国光学，2013，4（6）：494－495．

［5］ 刘美林．烟气中重金属元素的激光击穿光谱检测研究［J］．光谱试验室，2012，29（4）：2384－2387．

［6］ 朱德华．激光诱导击穿光谱技术检测物质成分的理论应用分析和试验研究［D］．南京：南京理工大学．2012．

［7］ 陈伟根，周恒逸，黄会贤．变压器油中溶解气体光声光谱检测最小二乘回归定量分析［J］．仪器仪表学报，2010，32（2）：22－27．

［8］ 张玉欣，程志峰，徐正平．参数寻优支持向量机在基于光声光谱法的变压器故障诊断中的应用［J］．光谱学与光谱分析，2015，1（35）：10－13．

［9］ 刘毅．人工神经网络在变压器故障诊断应用中的比较研究［D］．南宁：广西大学．2007． ［10］ 禹建丽，张喆．基于径向基神经网络的变压器故障诊断［J］．科技通报，2015，31（8）：272－276．