遗传神经算法在电力变压器故障诊断中的应用

神经网络在电气系统故障诊断中的应用研究电气系统的故障诊断一直是电力工程领域中至关重要的任务之一。

随着科技的不断发展，传统的故障诊断方式往往需要大量的人力和时间，无法满足当今社会快速发展的需求。

神经网络技术作为一种先进的人工智能技术，正被越来越多的学者和工程师所应用于电力系统的故障诊断中。

一、神经网络技术简介神经网络技术是一种仿生计算技术，其运作方式类似于人脑神经系统。

神经网络由多个处理单元组成，每个处理单元可以接受多个外界输入信号，并进行相应的计算。

通过训练算法和大量的数据样本，神经网络可以学习到问题的特征和规律，并能够通过输入新的数据进行预测和诊断。

二、神经网络在电气系统故障诊断中的应用1. 变压器故障诊断变压器是电力系统中最重要的设备之一，也是最容易发生故障的设备。

采用传统方法诊断变压器故障需要大量的人力和时间，而且其准确率也相对较低。

通过利用神经网络技术，可以将变压器的历史数据、环境数据以及现场监控数据等信息进行预处理和分析，并将其输入到神经网络中进行训练和学习。

经过训练后的神经网络可以快速准确地诊断变压器故障类型和位置。

2. 输电线路故障诊断输电线路的故障可能导致电力系统中断，造成重大经济损失和人身伤亡。

传统的线路故障诊断方法需要对整个线路进行巡逻和检查，效率非常低下。

采用神经网络技术进行线路故障诊断，可以大大提高诊断效率和准确率。

神经网络可以通过线路的历史数据和现场监控数据，学习和识别不同种类的线路故障，并能够准确地确定故障的位置。

3. 设备预警诊断利用神经网络技术可以实现设备的预警诊断，早期发现设备的潜在故障，及时采取维修措施，避免事故的发生。

神经网络可以通过采集设备的历史数据、环境数据和工作数据等信息，学习和识别不同种类的故障预兆，预测设备故障发生的可能性和时间。

三、神经网络技术中的优缺点1. 优点（1）自适应能力强，能够适应不同种类的数据和环境；（2）学习和识别能力强，能够处理大量的复杂数据和变化的情况；（3）预测准确率高，能够根据历史数据和现场数据进行高精度预测和诊断；（4）学习速度快，能够快速地学习和识别。

基于神经网络算法的变压器诊断摘要：电力变压器诊断是根据变压器故障特征，定故障的性质或者类别，为变压器的检修决策提供依据。

文章对变压器油溶解气体的来源、特点及产生原因进行分析，通过构建变压器油中溶解气体与变压器故障之间的对应关系的专家系统，运用神经网络算法对变压器进行全面诊断，仿真结果表面文章所示方法具有可行性。

1.神经网络算法基本原理神经网络算法（BP神经网络）是一种前向网络，利用反向传播学习算法进化学习。

目前神经网络算法已广泛应用于故障诊断、寿命预测、数据归类等方面。

典型神经网络算法包括：输入层、隐含层、输出层。

其拓扑如图1所示。

图1 神经网络拓扑图图1所示拓扑结构可知，当选取一组学习样本作为输入时，通过映射条件至隐含层，然后再经激活函数处理，反向输出到输出传播层，并在输出层获得神经元的网络输入响应；以降低实际输出和目标输出之差为优化条件，反向修正映射和激活函数连接权值，最后返回输入层。

如此过程反复交替，从而实现误差的减少。

1.变压器诊断模型文章通过对变压器常见故障进行诊断分析，得出变压器故障类型与特征气体之间关系如表1所示。

表1 变压器故障类型与特征气体之间关系表从表1可知，变压器故障后变压器油溶解气体核心为：、、、、五种气体。

因此将它们作为变压器故障特征提取量，通过比较、、三项值的大小来判断故障。

1.基于神经网络的变压器诊断过程从文章第二节可知，气体之间比值的不同对应不同的故障类型，因此可以构建三项值与故障类型对应关系，并将该关系作为神经网络的输入和输出进行训练。

由于变压器进行故障的诊断时，因为其内部油中的特性气体和自身问题件并不是线性的关系，所以选择非线性的Sigmoid函数来对其进行计算。

通过上述反向传播训练，得到适用于变压器诊断特点的神经网络权值模型。

运用得到的神经网络权值模型，输入实际数据，得到神经网络传播后的输出结果，该结果即为对应的变压器故障类型。

1.仿真实例文章收集了实际故障数据如表2所示。

变压器的常见故障及其原因 摘要：在最近几年当中随着经济的快速发展，供电线路也逐渐变得越来越复杂，同时变压器的数量也不断增加。在供电系统当中，变压器具有非常重要的功能，变压器担负着电能转换以及电压转换的重要任务。在变压器的实际使用过程当中，由于变压器在生产以及使用过程当中所存在的一些问题使得变压器很容易发生故障，为了有效判断故障的原因以及位置，必须要加大对变压器故障以及诊断技术的研究，从而采用对应的技术有效的解决变压器故障诊断的效率。 关键词：变压器；常见故障；故障原因；排除方法 1 电力变压器的基本结构 1.1 铁芯 作为变压器最基本的组成部件，铁芯是变压器的磁路部分，变压器的绕组都在环绕在铁芯上，通常铁芯用 0.23~0.35mm，表面绝缘的硅钢片制成，其目的是为了提高磁路导磁系数和降低铁芯内涡流损耗。铁芯分铁芯柱和铁轭两部分，铁芯柱上套绕组，铁轭将铁芯连接起来，使之形成闭合磁路。 1.2 绕组 绕组也是变压器的最基本组成部件，是变压器的电路部分。通常绕组的导线是由含绝缘层的铜线或者铝线环绕而成，接入高压电路的成为高压绕组，接入低压电路的成为低压绕组。 1.3 绝缘材料与结构 变压器的绝缘材料通常是由电工层压木板、绝缘纸板、绝缘介质以及电瓷等组成。其绝缘结构分为两种，一种是外绝缘，包括油箱外的绝缘、绕组引出线的瓷套管等；另一种是内绝缘，主要是绕组绝缘、绝缘油、内部引线的绝缘以及分接开关的绝缘等。 1.4 油箱 油箱通常注满了变压器油，油浸式变压器的外壳油箱将变压器铁芯、绕组、以及其它附件组合在一起，形成变压器整体，具有一定要求的机械强度。 2变压器常见故障分析 2.1变压器短路故障 变压器的短路故障具体是指出口短路、相间短路以及绕组对地短路等，其中出口短路对于变压器的影响最为严重，一旦发生出口短路，变压器的运行在短时间内就会受到极大的影响，同时出口短路发生的概率也相对较大，在出口短路发生之时，其内部的绕组会迅速的产生极大的电流，从而导致变压器被迅速的烧毁，甚至还会发生变压器被击穿变形，严重的还会引发火灾，对周边人的生命财产安全造成极大的损害。 2.2放电故障 放电故障也是变压器的一种常见故障，放电故障根据放电过程当中能量密度的不同可以被分为几种不同的类型，即局部放电、火花放电以及高能量放电。变压器在实际的使用过程当中，在绝缘层当中气隙与油膜之间会存在着放电的可能，变压器的绕组匝间层绝缘层被击穿很容易发生高能量放电，若变压器油质较差易发生火花放电。 2.3绝缘故障 在变压器内部当中存在着大量的绝缘材料，绝缘材料保证了变压器内部的不同元器件之间的工作互不影响，但是绝缘材料一般情况下都具有一定的使用寿命，一旦不再绝缘变压器也就无法正常使用，因此，在一定程度上甚至可以说变压器的绝缘性能就决定了其使用寿命。在常见的变压器故障当中，大部分的故障都是由变压器的绝缘材料出现问题，绝缘性能不高而导致的，例如绝缘层的老化、绝缘材料的损坏等都容易导致各种故障的产生，同时温度与湿度的变化也容易导致各种故障的产生。 2.4铁芯故障 变压器在运行的过程当中，铁芯的一端必须要接地处理，但是另一端则不能接地，一旦发生两点同时接地的现象，变压器就会出现局部过热的现象，严重的还会导致变压器直接烧毁，这种故障在变压器故障当中也较为常见。 3变压器故障诊断技术分析 3.1传统诊断方法 传统诊断方法主要包含以下几种：第一，观察法，所谓的观察法是指直接通过人的感官进行直接的观察，例如用手去触摸变压器是否存在发热现象，观看变压器的外部以及内部元器件的形状，用鼻子去闻是否存在异味等，用耳朵去听变压器工作过程当中的声音等。观察法对于工作人员的经验具有较高的要求，但是相对较为简单，对于部分工作人员来说，通过这种方式可以有效的对变压器的相关问题进行诊断；第二，油化验。变压器在发生一些潜伏性故障时，大部分可燃性气体可以溶解在变压器油中，因此变压器故障诊断应仔细检验变压器油油质，采用气体监测仪，仔细分析气体含量和气体类别，仔细确定变压器故障情况；第三，绝缘实验。在变压器故障的传统诊断当中绝缘实验是非常常见的一种方法，一般情况下是对变压器施加高压，从而对变压器的线圈绝缘层进行观察，从而确定故障发生的实际区域。 3.2人工神经网络 人工神经网络是一种计算机算法，是根据人与动物的脑部活动而发展起来的一种计算机算法，这种算法不仅具有一定的思维能力，同时还具有较强的学习能力。其中 BP 神经网络是一种较为常见的方法，通过 BP 神经网络，可以对具体的算法进行训练，从而实现对故障的自动搜寻，这种故障诊断方法在速度方面具有较为明显的优势，但是在准确性方面还存在着一定的欠缺，但是在最近几年当中随着研究的不断深入，准确性已经有了很大的提升。 3.2遗传算法故障诊断技术 遗传算法与人工神经网络类似，也是一种基于现代化的计算机算法，但是遗传算法是从生物进化的角度建立的一种算法，采用动态变异和基因多点交叉方式，选取最优种群，从而构建遗传算法在线诊断系统。目前阶段，往往将人工神经网络与遗产算法结合起来进行变压器故障的诊断，通过这种方式，极大的提高了人工神经网络在收敛速度方面所存在的问题，同时也进一步提高了诊断速度。 3.3 变压器渗漏油的检修方法 （1）变压器的砂眼是由于焊接问题造成的，因此处理这类问题应当采取电焊补焊或 AB 胶粘堵法修补。在补焊时选取的焊条一定要较细，若油箱带油，不能使用气焊；若油箱内无油时，不可施焊，在处理较复杂的问题时可采用负压施焊，但是一定要做好防火措施。 （2）处理时首先校正套管导电杆，更换密封胶垫，变压器导电杆与外联接排之间采用软连排过度，有效恢复母排联接的伸缩性能。 （3）针对气体继电 器法兰渗漏油的问题，处理办法是安装具有良好伸缩性的金属波纹管，以实现两侧法兰受力均匀，进而保证两侧密封垫圈良好密封。 （4）尽可能选择耐 高温、耐油性好的丙烯酸脂橡胶。更换高质量的密封圈是处理密封圈老化渗漏油的最佳手段。 3.4 变压器风冷系统故障的检修方法 （1）处理风冷系统 元器件故障时，平时要多检查这些元器件，检测元器件的绝缘情况，以判断元器件是否损坏，一旦出现异常，尽快更换异常元器件，以保证风冷系统正常运行。 （2）处理风机故障时，对于外部故障可以通过观察来判断，发现异常，及时更换零件；对于内部故障可通过万用表来进行检测，若有异常则更换整个风机。 结束语 目前，变电运行这个行业已经与我们的生活紧密关联。要求变电运行操作人员在进行维修操作的过程中，对安全的要求越来越高，严格要求操作的规范性，同时也应该加强对自我的保护，对一些常见的故障的处理方法进行掌握，并采取及时可行的方法对故障进行处理解决，在问题发生的第一时间能够对设备进行第一时间的检测和处理，对问题及时进行判断，对能解决的问题以最快的速度进行解决，对不能解决的问题能快速精确故障发生的定位，及时反映上级部门，由专业的人员进行维修抢救，这样以确保电力变压器能够平稳、持续的运行，有效的确保了变压器设备的使用正常。 参考文献： [1]陈延福.变压器日常维护中的问题与故障处理 [J].河南科技，2014. [2]孟涛.浅议变压器的故障分析与处理[J].甘肃农业，2014. [3]李春晓.变压器的常见故障及处理[J].盐业与化工，2015.

电力工程变压器故障诊断中人工智能技术的应用研究电力工程变压器故障诊断中人工智能技术的应用研究1 变压器故障以及诊断方法变压器的故障有多种形式,造成故障的原因也较为复杂多样,根据实际情况来看,变压器制造上的问题占据了事故发生总量的80%左右,运行维护中的问题占据了20%左右。

制造方面包括套管质量差、绝缘缺陷、短路强度差以及分解开关质量等问题,在运行方面主要是进水受潮,运行、安装以及检修不当造成的各种状况,其他还有一些诸如雷击、绝缘老化、过电压、污闪等问题。

按照发生部位可分为外在故障以及内在故障,这些故障的发生严重影响着变压器的正常运行,造成了电力系统故障。

针对这些故障进行诊断,首先就是要根据变压器故障征兆进行判断,定位故障发生的位置和性质。

故障检测主要是通过继电保护、有种气体分析、绝缘试验、电气试验等综合进行诊断,主要有神经网络方法、模糊集理论方法以及专家系统方法等。

人工智能技术的应用不仅能够克服传统故障诊断的不足,提升诊断准确性更好的设计解决方案,同时在此系统的基础上实现混合智能诊断系统的开发,这对于拓展人工智能技术的应用前景具有积极意义。

2 人工智能技术在变压器故障诊断中的应用人工智能技术集成神经网络系统、范例推理、模糊数学的综合应用,对于故障诊断过程中的模糊性问题既能在已有的经验知识基础之上进行故障诊断,提升准确性和可靠性,同时还能够通过输入与输出状态间"映射"关系的训练学习提升各神经元之间的结合程度,使其加强映射的质量。

因此,作为最有前景的故障诊断技术,人工智能技术能够不断通过对已知范例的学习,逐步增强对未知故障的诊断能力。

目前,人工智能技术的故障诊断主要是基于神经网络方法、模糊集理论、专家系统、遗传算法与粗糙集理论五种方法进行故障诊断,下面我们以其中几项方法的应用为例略作分析。

2.1 人工神经网络的变压器故障诊断作为典型的模拟人类神经系统进行信息传输与数据处理的人工智能技术,神经网络方法最大的特点就在于对于神经元网络的应用。