基于隨機(jī)向量泛函連接網(wǎng)絡(luò)的油浸式變壓器故障診斷
掃描二維碼
隨時隨地手機(jī)看文章
引言
油浸式電力變壓器是電力系統(tǒng)的重要設(shè)備,為了避免因?yàn)樽儔浩鞴收隙鴮?dǎo)致的停電損失,監(jiān)測變壓器運(yùn)行工況、及早發(fā)現(xiàn)潛伏性故障至關(guān)重要。近年來,隨著分布式發(fā)電和新型電力電子設(shè)備等新元素的大量接入,電力系統(tǒng)運(yùn)行的不確定性日益增大。文獻(xiàn)提出了一種考慮儲能接入的主動配電網(wǎng)分布式電源最優(yōu)配置方法:文獻(xiàn)分析了不平衡條件下分布式發(fā)電的最優(yōu)分層功率振蕩控制問題:文獻(xiàn)計及"源-荷"不確定性,提出了一種含儲能孤立微網(wǎng)的最優(yōu)調(diào)度方法:文獻(xiàn)提出了采用實(shí)時定價來協(xié)調(diào)多利益主體場景下電動汽車換電站和微電網(wǎng)間的協(xié)調(diào)調(diào)度問題:文獻(xiàn)提出了基于改進(jìn)蟻群算法的微電網(wǎng)多目標(biāo)優(yōu)化調(diào)度:文獻(xiàn)提出了一種兩階段熱電聯(lián)產(chǎn)經(jīng)濟(jì)排放調(diào)度模型:文獻(xiàn)考慮經(jīng)濟(jì)性和環(huán)境因素,提出了含VSC-HVDC系統(tǒng)的多目標(biāo)最優(yōu)潮流(MoPF):文獻(xiàn)采用NSGA-Ⅱ優(yōu)化含VSC-HVDC系統(tǒng)的MoPF:文獻(xiàn)提出了融合決策分析到優(yōu)化過程的兩階段交直流系統(tǒng)MoPF方法:文獻(xiàn)提出了含VSC-HVDC系統(tǒng)的控制孤島方法:文獻(xiàn)對VSC-HVDC向無源網(wǎng)絡(luò)供電進(jìn)行了仿真研究。電力系統(tǒng)的這些變化使得其運(yùn)行工況更加復(fù)雜多變,進(jìn)而電力變壓器的在線監(jiān)測和狀態(tài)檢修成也為亟待解決的重要問題。
油中溶解氣體分析(DGA)是目前診斷油浸式變壓器潛伏性故障最方便、有效的手段之一。我國的相關(guān)規(guī)程大體上沿用由IEC/IEEE推薦的IEC三比值法。但是,該方法存在缺編碼、編碼界限過于絕對等不足。隨著人工智能的發(fā)展,機(jī)器學(xué)習(xí)技術(shù)已被廣泛用于解決電力系統(tǒng)復(fù)雜的分類和回歸問題。文獻(xiàn)、分別提出了基于改進(jìn)最大相關(guān)最小冗余判據(jù)和Memetic算法的暫態(tài)穩(wěn)定評估(TSA)特征選擇方法:文獻(xiàn)提出了一種基于優(yōu)化局部學(xué)習(xí)機(jī)的TSA模型:文獻(xiàn)提出了一種基于貝葉斯多核學(xué)習(xí)的TSA評估方法:文獻(xiàn)提出了一種基于ELM的TSA模型:文獻(xiàn)提出了一種多特征融合的TSA方法:文獻(xiàn)提出了一種基于優(yōu)化ELM的TSA方法:文獻(xiàn)研究了基于在線ELM的TSA在線學(xué)習(xí)問題:文獻(xiàn)研究了基于ELM和螞蟻礦工算法的TSA規(guī)則提取:文獻(xiàn)提出了基于在線支持向量回歸和最小二乘支持向量機(jī)(LS-SVM)的超短期負(fù)荷預(yù)測方法。另外,電子鼻作為集成了氣體傳感器陣列和模式識別算法的新穎儀器,在變壓器的故障診斷中具有廣闊的應(yīng)用前景。而且,BP神經(jīng)網(wǎng)絡(luò)(BPNN)和LS-SVM等機(jī)器學(xué)習(xí)技術(shù)已被引入變壓器故障診斷中。但是此類方法存在收斂速度慢、容易陷入局部最優(yōu)等不足。隨機(jī)向量泛函連接(RVFL)網(wǎng)絡(luò)是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法,具有訓(xùn)練速度快、泛化性能強(qiáng)的優(yōu)點(diǎn)。本文提出了基于RVFL網(wǎng)絡(luò)的變壓器故障診斷方法,并應(yīng)用于變壓器故障診斷實(shí)例。
1RVFL網(wǎng)絡(luò)的基本原理
RVFL網(wǎng)絡(luò)是權(quán)值被隨機(jī)賦值的一種神經(jīng)網(wǎng)絡(luò),可建模為L個隱含層節(jié)點(diǎn)輸出的加權(quán)和:
式中,β為待確定的系數(shù):h()為函數(shù)鏈接:x為輸入向量:w為權(quán)重向量。
通過正則最小二乘法,可得:
式中,β*為所求最優(yōu)系數(shù):Y為輸出向量:λ為正則化參數(shù)。
2基于RVFL網(wǎng)絡(luò)的變壓器故障診斷
2.1數(shù)據(jù)集
針對300個DGA數(shù)據(jù)樣本,215個被選作訓(xùn)練集,其余測試。根據(jù)IEC60599規(guī)定的6種故障類型[12]一低能放電(D1)、高能放電(D2)、局部放電(PD)、低溫過熱(T1)、中溫過熱(T2)、高溫過熱(T3),再加上正常運(yùn)行(N),共有7種診斷狀態(tài)。變壓器各種運(yùn)行狀態(tài)在樣本集中的分布如表1所示。
2.2故障特征量的選取
變壓器故障時,變壓器油中的特征氣體與故障類型密切相關(guān),通過分析特征氣體體積分?jǐn)?shù)或其比值關(guān)系,即可判斷變壓器故障類型。特征氣體主要包括5種:氫氣、甲烷、乙烷、乙烯、乙炔。通常,IEC三比值法使用CA4/A2、C2A4/C2A6和C2A2/C2A4等三比值作為判斷依據(jù)。本文選取上述特征氣體為故障特征。
2.3故障診斷流程圖
基于RVFL網(wǎng)絡(luò)的變壓器故障診斷流程圖如圖1所示。
3算例分析
3.1實(shí)驗(yàn)設(shè)置
實(shí)驗(yàn)中RVFL的隱層神經(jīng)元個數(shù)為50:BPNN選用LM算法訓(xùn)練,隱層神經(jīng)元個數(shù)選為30:支持向量機(jī)(SVM)選用臺灣大學(xué)林智仁博士等開發(fā)的LHibSv,參數(shù)選取采用網(wǎng)格搜索法。
3.2實(shí)驗(yàn)結(jié)果與討論
為了合理評價本文所述方法,將其與IEC三比值法、BPNN和SVM進(jìn)行了對比實(shí)驗(yàn),結(jié)果如表2所示。
從表2可知:IEC三比值法的識別率最低,本文所提出方法的識別率最高,BP神經(jīng)網(wǎng)絡(luò)和SVM的識別率介于兩者之間。該結(jié)果驗(yàn)證了本文所提方法的有效性和優(yōu)越性。
4結(jié)語
DGA是變壓器故障診斷的一種重要方法,基于DGA數(shù)據(jù),本文提出了基于RVFL網(wǎng)絡(luò)的變壓器故障診斷新方法,并與三比值法、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等方法進(jìn)行了對比實(shí)驗(yàn)。結(jié)果表明,本文所提方法的診斷正確率比另外三種方法都高,適用于變壓器故障診斷。