四川蜀能电力有限公司高新分公司四川成都610094
摘要：电力变压器是电力系统中最为关键的设备之一，是对电力系统安全、可靠、优质、经济运行的重要保证，必须最大限度地防止和减少变压器事故的发生。因此，基于BP神经网络的变压器故障诊断具有重要的意义。本文首先对三比值法的原理进行了概述，详细探讨了BP神经网络的构建，旨在保证变压器的运行。
关键词：故障诊断；BP网络；变压器
电力变压器是输电和配电网中最重要的设备,电力变压器的工作效率代表电力部门的经济利益。传统搜集变压器状态信息的方法分为外观检查、高压电气实验和继电保护等。这些传统方法采用的是常规的试验和检测，仅仅能够提供变压器发生故障或者事故后滞后的信息，与现代化的状态维护发展不相适应，状态监测的产生和发展，打破了以往收集变压器信息的局限性。目前用于变压器故障诊断的方法有很多，其中油中溶解气体分析法(DGA)是目前使用最广泛的方法之一，该方法是利用不同类型故障对应不同变压器油中溶解气体浓度的这一特性，分析变压器中故障特征气体(H2、CH4、C2H6、C2H4、C2H2)的浓度来发现变压器中的故障。人工神经网络具有并行处理、非线性映射、学习和记忆、自适应能力及鲁棒性等固有性质，使其非常适合应用于变压器故障诊断领域。其中多层前向神经网络采用的是误差反向传播算法(BP算法)，是目前在电气故障诊断领域中用得最广泛的一种神经网络。
1三比值法的原理
三比值法的原理是:根据充油电器设备内油、纸绝缘故障裂解产生的气体组分含量的相互依赖关系，从5种特征气体中(H2、CH4、C2H6、C2H4、C2H2)选用两种溶解度和扩散系数相近的气体组分组成三比值。
2BP神经网络的构建
2.1BP神经网络的建立
BP神经网络是一种误差逆向传播的多层网络，函数一般取Sigmoid模型函数。BP网络的设计主要包括输入层、隐含层、输出层及各层之间的传输函数和学习算法。
1)网络层数。大多数神经网络都需预先确定网络的层数，而BP网络可以包含不同的隐含层。理论证明，在不限制隐含层节点数的情况下，3层(输入层、隐含层、输出层)的BP网络可以实现任意的非线性映射。文中基于BP网络的故障诊断模型采用一个隐含层。
2)输入层节点数。输入层起缓冲器作用，它接收外部的输入数据，因此节点数取决于输入矢量的维数。正常运行的变压器油中溶解气体的组成主要是氧气和氮气，但是由于某些故障或非故障原因，使油中含有一定量的故障特征气体。结合改良三比值法，用5种特征气体(CH4，C2H6，C2H4，C2H2，H2)组成三对比值来判断变压器故障性质，以V(C2H2)/V(C2H4)，V(CH4)/V(H2)V(C2H4)/V(C2H6)的值作为输入量，所以输入层神经元节点数为3个。
3)输出层节点数。输出层节点数由输出数据类型和表示该类型的数据大小决定。变压器故障诊断实际上就是模式分类，以二进制形式表示不同模式的输出结果，输出层的节点数由故障种类决定。将变压器分为8种故障，加上正常状态，故输出层神经元节点数为9个。
4)隐含层节点数。一个具有无限隐含层节点的BP网络可实现任意从输入到输出的非线性映射。但对于有限输入到输出的映射，并不需要无限多个隐含层节点，这就涉及到如何选取隐含层节点数的问题。隐含层节点过多会导致学习时间过长;而隐含层节点数太少，容错性差，识别未经学习的样本能力低。
2.2样本的选择
训练样本对BP网络的应用成败至关重要，不合适的训练样本不但会导致网络的错误映射关系，而且可能会使网络的训练过程不收敛。然而，不可能无限制地增加样本，这就要求尽量选取有代表性的样本作为训练样本。文中基于样本选择的广泛性、代表性、紧凑性准则，选择正常、局部放电、低温过热、高温过热、低能放电、电弧放电、低能放电兼过热共20组数据作为训练样本，另外收集到的20组数据作为测试样本。由于网络的输入数据通常具有不同的物理意义和不同的量纲，在训练时会导致所起的作用差别很大，甚至某些样本不起作用;同时，由于BP网络的各神经元采用S函数，如不进行归一化处理，会造成净输入过大而使神经元输出饱和，使权值调整进入误差曲面的平坦区。因此，需要对输入数据进行归一化。
3结束语
综上所述，基于BP神经网络的变压器故障诊断对保证变压器的运行具有重要的作用。因此要进一步提高和完善BP神经网络的构建，这样才能促进电力企业的稳定发展。
参考文献
[1]李江浩.基于改进神经网络的变压器故障诊断方法的研究[D].华北电力大学,2015.
[2]郭磊.基于神经网络的变压器故障诊断技术的研究[D].西华大学,2008.
[3]乔俊玲.人工神经网络在变压器油中溶解气体分析中的应用研究[D].北京交通大学,2008.
[4]杜文霞,吕锋,句希源.基于BP神经网络的电力变压器故障诊断[J].变压器,2007(03):45-47.
[5]殷震.基于BP神经网络的电力变压器内部故障诊断方法研究[D].天津大学,2007.
[6]郭洪敏,杨岸.基于GA-BP神经网络的变压器故障诊断[J].煤矿机械,2015,36(07):318-320.
[7]魏星,舒乃秋,崔鹏程,吴波.基于改进PSO-BP神经网络和D-S证据理论的大型变压器故障综合诊断[J].电力系统自动化,2006(07):46-50.
[8]程加堂,段志梅,熊燕,艾莉.基于DGA的QPSO-BP模型变压器故障诊断方法研究[J].高压电器,2016,52(02):57-61.
[9]刘宇俊,彭显刚,林利祥,刘艺,洪俊杰.基于纵横交叉优化BP神经网络的变压器故障诊断研究[J].陕西电力,2016,44(09):8-13.