关键字 |
| Dga, ga, Ann |
介绍 |
| 溶解气体分析(DGA)已经使用了30多年[1]-[3]用于功能变压器的状态评估。DGA测量氢(H2)，甲烷(CH4乙烷(C2H6乙烯2H4乙炔(C2H2)、一氧化碳(CO)及二氧化碳(CO2)溶解于变压器油中。CO与CO2一般都与纤维素绝缘的分解有关;通常是少量的H2和CH4这也是意料之中的。C2H6C2H4C2H2以及大量的H2和CH4一般都与油的分解有关。所有变压器在正常运行时都会产生一些气体，但人们普遍认为，超出正常运行变压器所观察到的气体产生，是由于故障导致局部过热或由于电气应力过大而导致放电或起弧。尽管DGA已经使用了几十年，是变压器的一种常见诊断技术，但还没有普遍接受的方法来解释DGA结果，IEEE C57-104[3]和IEC 60599[4]使用气体水平的阈值。 |
| 其他方法利用气体浓度的比值[2]和[5]，并基于相对气体量显示出与断层类型、位置和严重程度的相关性的观测。气体比率方法允许某种程度的问题诊断，而阈值方法更侧重于区分正常和异常行为。IEC标准60599[18]将DGA可检测变压器故障分为电气故障和热故障两类。根据故障能量的大小，这两大类变压器故障可进一步分为6类:电气故障:局部放电(PD)、D1(低能量放电)和D2(高能量放电);热故障:T1(低温范围热故障，T < 300℃)，T2(中温度范围热故障，300℃< T < 700℃)，T3(高温范围热故障，T >700℃)[7]。许多使用人工智能的DGA分析技术可以在文献中找到。我们在此简要回顾了以往的DGA变压器故障预测技术。它们都遵循从DGA中提取特征，然后再进行分类算法的方法。其中大部分是技术[6]，[7]，[9]-[13]，[15]，[16]建立在前馈神经网络分类器，也称为多层感知器(MLP)，我们在第四节中解释。其中一些论文介绍了对MLP的进一步增强:特别是[10]中与专家系统并行运行的神经网络，[16]中的小波网络(即基于小波的特征提取的神经网络)，[9]中的自组织多项式网络和[6]，[12]，[13]，[15]中的模糊网络。一些研究[6]，[8]，[12]，[13]，[15]，[16]在建模决策函数时采用了模糊逻辑[18]。 Fuzzy logic enables logical reasoning with continuously-valued predicates (between 0 and 1) instead of binary ones, but this inclusion of uncertainty within the decision function is redundant with the probability theory behind Bayesian reasoning and statistics. Stochastic optimization techniques such as genetic programming are also used as an additional tool to select features for the classifier in [8], [12], [14], [16], and [17]. Finally, Shintemirov et al. [17] conduct a comprehensive comparison between k-nearest neighbors, neural networks and support vector machines each of them combined with genetic Programming-based feature selection. |
问题陈述 |
| 溶解气体分析是机械设备中常用的诊断和维护工具。通过这种方法，对气体进行了研究，从而给出变压器异常行为的早期指示。近20年来，该方法被广泛应用于电力变压器早期故障的检测和诊断。它的有效性已被许多著名的电气测试实验室或机构，如电气和电子工程师协会(IEEE)、英国中央发电委员会(CEGB)、国际电工委员会(IEC)等所证明。目前，基于DGA的诊断方法已被世界各国输电领域的研究人员提出。 |
| 拟议工作的目标是设计一种综合的溶解气体分析工具，其中包含人工智能元素，以帮助早期变压器故障检测。所提议的工具的目标可以列出为通过灵活和方便地使用工具，在不同的分析方法之间提供无缝集成;采用神经网络和GA- ANN等混合人工智能元素，提高工具的诊断精度;为用户提供多种选择，包括传统的分析方法，如罗杰斯比，IEC, Duval三角等，为分析变压器故障提供全面的方法。 |
遗传算法 |
| 遗传算法是一种自适应搜索技术，用于解决数学问题和工程优化问题，模仿达尔文的进化理论，适者生存。遗传算法试图通过对一系列代的个体进行遗传繁殖来找到一个好的(或最好的)解决问题的方法。在遗传算法中，群体中的每个个体代表给定问题的一个候选解。遗传算法通过繁殖、交叉和突变，将具有相关适应度值的个体群体(集合)转化为新一代的群体。遗传算法的核心是字符串的遗传重组。通常，字符串的填充是在过程开始时随机生成的。 |
| 遗传算法的一个重要特征是搜索的全局特征与初始种群的多样性有关:种群越多样化，搜索的全局性越强。从初始种群中，采用基于适应度比例的选择策略，在当前种群中选择个体。较高的选择压力往往会导致种群多样性的丧失，导致过早收敛，但同时提高了收敛速度。因此，要获得良好的遗传算法性能，需要在种群多样性和收敛速度之间取得平衡。然后随机应用繁殖、交叉和突变算子生成下一代群体，直到满足遗传停止条件。遗传算法由于其固有的并行性和由重组算子实现的有向随机搜索，在高维问题空间中优于传统的搜索优化技术。遗传算法的框图如下图所示。 |
基于遗传算法的Ann训练权值优化 |
| 人工神经网络和遗传算法都是对自然过程的抽象。它们被表述成一个计算模型，这样神经网络的学习能力和进化过程的自适应能力就可以结合起来。遗传算法可以帮助确定优化的神经网络互连权值，并为神经网络的训练提供更快的机制。训练一个给定的神经网络通常意味着确定一组最优的连接权重。这是通过迭代调整权重，在训练数据集上实现一些网络误差函数的最小化。在所有输出节点上，目标输出和实际输出之间的平均均方误差可以很好地估计对应于当前输入的网络配置的适应性。通常，反向传播神经网络(BPNN)通过带有反向误差传播的梯度下降技术更新其权重。这种梯度搜索技术有时会陷入局部极小值。另一方面，Gas虽然不能保证找到全局最优解，但已被发现善于“快速”找到“可接受的好”解[19]。 |
| 基于遗传算法的神经网络训练权值优化分为两个步骤。第一步是对表示连接权重的字符串进行编码。第二步是遗传算法模拟的进化过程，其中搜索操作符必须与表示方案一起实现。当种群趋同时，进化就会停止。当构成该种群的95%的个体具有相同的适应度值[20]时，该种群被称为收敛。使用遗传算法进行神经网络训练的整个过程如下所示。 |
| 步骤1:将当前种群中的每个个体解码为一组连接权重，并使用这些权重构建相应的神经网络。 |
| 步骤2:通过计算实际输出与目标输出之间的总均方误差来评估人工神经网络。 |
| 第三步:确定个体的适合度作为误差的倒数。误差越高，适应度越低。 |
| 第四步:为交配池的形成储存砝码。 |
| 步骤5:实现搜索操作符，如交叉/突变到父母，以生成后代。 |
| 第六步:计算新种群的适应度。 |
| 步骤7:重复步骤(3)到(4)，直到解收敛。 |
| 步骤8:提取优化权重。 |
基于人工神经网络的变压器早期故障诊断系统 |
| 神经网络诊断的基本思想是输入和输出的非线性映射。利用反向传播网络(BPN)和概率神经网络(PNN)对变压器的早期故障进行诊断。人工神经网络包括输入、输出、网络拓扑和节点加权连接的选择。输入特征将正确地反映问题[18]的特征。人工神经网络设计的另一个主要工作是网络拓扑的选择。这是通过一个重复的过程来实验完成的，根据训练和预测精度来优化隐藏层和节点的数量。在这个工作7个关键气体，即H2, CO, CO2, C2H2, C2H4, C2H6，和CH4分析了电晕(CN)、纤维素绝缘击穿(CIB)、起弧(ARC)、低温油击穿(LTOB)和高温油击穿(HTOB) 5种不同的故障情况。在本研究中，采用了前馈反向传播网络。采用TRAINLM训练函数和LEANGDM自适应学习函数对网络进行训练和适应。MSE用于计算性能度量。整个网络由2层组成，第一层有10个神经元，并使用TANSIG传递函数。工作中使用的网络回归图的回归图如图(2)所示 |
结果与结论 |
| 设计了一种能够根据用户需要进行不同分析的综合工具。该工具是使用Matlab版本7.1编写的，设计了一个图形用户界面，使用户能够使用不同的方法对数据进行无缝分析。该工具既有传统的分析方法，也有基于遗传神经网络的分析方法。 |
| 分析所需的数据以预先定义的格式输入Excel表格。这有助于标准化输入法，并有助于避免用户引起的错误。在这项工作中，我们使用了APTRANSCO用于收集溶解气体分析数据的数据格式。数据加载后，在GUI中显示变压器的容量、位置、Make、平均值、负载、调试日期等基本信息。类似地，所研究的样品中不同气体的浓度也被描绘出来。在点击加载按钮时，用户会被提示选择一个特定的Excel工作簿和一个特定的表格进行分析。加载数据后，用户可以选择分析数据的方法。GUI中出现的功能图标可以参照图(3)描述如下。 |
| 1)通过Excel表格加载数据进行分析的功能图标 |
| 2)变压器的位置和其他细节，如评级显示在这里。 |
| 3)此处显示的是所分析溶解气体的浓度 |
| 4)用于执行不同分析方法的功能图标 |
| 5)诊断结果显示在这里 |
| 当被分析气体的值超过该分析方法规定的规定值时，诊断信息以“红色”表示，否则以“绿色”表示。警报弹出窗口也会生成，以警告特定的条件，如图(3)所示。 |
| 所提出的方法在识别不同故障时的诊断精度如下表所示。表1为与训练数据的对比，表2为与测试数据的对比。 |
| 所提出的系统与常规DGA技术检测日冕型pd的性能如表3所示。这证实了所提出的系统在检测发生在空隙或气泡气相中的日冕型pd时的适当能力，与发生在油相中的火花型pd非常不同。 |
| 上述表清楚地表明，与传统的诊断方法相比，基于遗传神经网络的方法能够提供更高的诊断准确性。 |
表格一览 |
|
|
数字一览 |
|
|
参考文献 |
- M. Duval和A. dePablo，“使用新的IEC出版物60599和IEC TC 10数据库解释油中气分析，《IEEE电气绝缘杂志》，卷17，页31 - 41,2001。
- M. Duval，《溶解气体分析:它可以拯救你的变压器》IEEE电气绝缘杂志第5卷，第22-27页，1989年。
- IEEE油浸变压器产生气体的解释指南，IEEE Std. C57.104-2008, 2009。
- 在役矿物油浸渍设备溶解气体和自由气体分析解释指南，IEC标准出版物60 599,1999。
- R. R. Rogers，“用油中气体分析解释变压器早期故障的IEEE和IEC代码”IEEE电绝缘汇刊， vol. EI-13, pp. 349-354, 1978。
- J. J. Dukarm，“模糊逻辑和神经网络在变压器油诊断中的应用”，见CCECE / CCGEI 1993，第329-332页。
- 张宇，丁晓霞，刘宇，P. Griffin，“基于人工神经网络的变压器故障诊断方法”，IEEE电力传输汇刊，第11卷，第1836-1841页，1996。
- 研究。黄，h . t .杨，c . l。黄，“基于进化模糊逻辑的新型变压器故障诊断系统的开发，”IEEETransactions on Power Delivery，第12卷，第761-767页，1997。
- h - t, Yang和y - c。黄，“基于自组织多项式网络的变压器早期故障诊断智能决策支持，”IEEE电力传输汇刊， vol. 13, pp. 946-952, 1998。
- 王志强，刘宇，P. J. Griffin，“一种基于神经网络和专家系统的变压器故障诊断工具”IEEE PowerDelivery汇刊，第13卷，第1224-1229页，1998。
- J. Guardado, J. Naredo, P. Moreno和C. Fuerte，“使用溶解气体分析的电力变压器诊断中神经网络效率的比较研究”，IEEE电力传输汇刊，卷16,pp. 643-647, 2001。
- 研究。黄，“电力变压器故障诊断的进化神经网络”，IEEE电力传输汇刊，第18卷，第843-848页，2003。
- V. Miranda和A. R. G. Castro，“利用神经网络知识提取改进变压器故障诊断的IEC表，《IEEE电力传输汇刊》，第20卷，第2509 - 2516页，2005。
- 郝X.，蔡鑫S.，“电力变压器故障诊断的人工免疫网络分类算法”，IEEE电力传输汇刊， vol. 22, pp. 930-935, 2007
- R. Naresh, V. Sharma, M. Vashisth，“变压器故障诊断的综合神经模糊方法”，IEEE电力传输汇刊， vol. 23, pp. 2017-2024, 2008。
- 陈伟，潘成，云旸，刘宇，“小波网络在电力变压器溶解气体诊断中的应用”，IEEE电力传输汇刊， vol. 24, pp. 187-194, 2009。
- A. Shintemirov, W. Tang和Q. Wu，“基于溶解气体分析的电力变压器故障分类，通过实施自举和遗传规划，”IEEE系统、人与控制论汇刊S, vol. 39, 2009
- 研究。黄，“电力变压器故障诊断的进化神经网络”，IEEE反式。权力德L .，第18卷，no。3，第843-848页，7月。
- S. N. Pandey, S. Tapaswi，和L. Srivastava，“集成进化神经网络方法与分布式计算的拥塞管理”，应用软计算杂志，第10卷，第10期。1，页251-260,2010。
- S. Rajasekaran和G. A. V. Pai，神经网络，模糊逻辑和遗传算法-综合和应用，Prentice-Hall出版社，新德里，印度，2006年。
|
菜单
