引言

油浸式電力變壓器是電力系統(tǒng)的重要設備,為了避免因為變壓器故障而導致的停電損失,監(jiān)測變壓器運行工況、及早發(fā)現(xiàn)潛伏性故障至關重要。近年來,隨著分布式發(fā)電和新型電力電子設備等新元素的大量接入,電力系統(tǒng)運行的不確定性日益增大。文獻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:文獻提出了采用實時定價來協(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:文獻提出了基于改進蟻群算法的微電網(wǎng)多目標優(yōu)化調(diào)度:文獻提出了一種兩階段熱電聯(lián)產(chǎn)經(jīng)濟排放調(diào)度模型:文獻考慮經(jīng)濟性和環(huán)境因素,提出了含VSC-HVDC系統(tǒng)的多目標最優(yōu)潮流(MoPF）:文獻采用NSGA-Ⅱ優(yōu)化含VSC-HVDC系統(tǒng)的MoPF:文獻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:文獻提出了含VSC-HVDC系統(tǒng)的控制孤島方法:文獻對VSC-HVDC向無源網(wǎng)絡供電進行了仿真研究。電力系統(tǒng)的這些變化使得其運行工況更加復雜多變,進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,機器學習技術已被廣泛用于解決電力系統(tǒng)復雜的分類和回歸問題。文獻、分別提出了基于改進最大相關最小冗余判據(jù)和Memetic算法的暫態(tài)穩(wěn)定評估(TSA）特征選擇方法:文獻提出了一種基于優(yōu)化局部學習機的TSA模型:文獻提出了一種基于貝葉斯多核學習的TSA評估方法:文獻提出了一種基于ELM的TSA模型:文獻提出了一種多特征融合的TSA方法:文獻提出了一種基于優(yōu)化ELM的TSA方法:文獻研究了基于在線ELM的TSA在線學習問題:文獻研究了基于ELM和螞蟻礦工算法的TSA規(guī)則提取:文獻提出了基于在線支持向量回歸和最小二乘支持向量機(LS-SVM）的超短期負荷預測方法。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用前景。而且,BP神經(jīng)網(wǎng)絡(BPNN）和LS-SVM等機器學習技術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。隨機向量泛函連接(RVFL）網(wǎng)絡是一種單隱層前饋神經(jīng)網(wǎng)絡的學習算法,具有訓練速度快、泛化性能強的優(yōu)點。本文提出了基于RVFL網(wǎng)絡的變壓器故障診斷方法,并應用于變壓器故障診斷實例。

1RVFL網(wǎng)絡的基本原理

RVFL網(wǎng)絡是權值被隨機賦值的一種神經(jīng)網(wǎng)絡,可建模為L個隱含層節(jié)點輸出的加權和:

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）,再加上正常運行(N）,共有7種診斷狀態(tài)。變壓器各種運行狀態(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,通過分析特征氣體體積分數(shù)或其比值關系,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)絡的變壓器故障診斷流程圖如圖1所示。

3算例分析

3.1實驗設置

實驗中RVFL的隱層神經(jīng)元個數(shù)為50:BPNN選用LM算法訓練,隱層神經(jīng)元個數(shù)選為30:支持向量機(SVM）選用臺灣大學林智仁博士等開發(fā)的LHibSv,參數(shù)選取采用網(wǎng)格搜索法。

3.2實驗結(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進行了對比實驗,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)絡和SVM的識別率介于兩者之間。該結(jié)果驗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)絡的變壓器故障診斷新方法,并與三比值法、BP神經(jīng)網(wǎng)絡和支持向量機等方法進行了對比實驗。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。