曹军
国网湖南省电力有限公司桃江县供电分公司，湖南省益阳市，413000
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。
.png)
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。
2.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
.png)
从表1可知，变压器故障后变压器油溶解气体核心为：H2、CH4、C2H6、C2H4、C2H2五种气体。因此将它们作为变压器故障特征提取量，通过比较C2H2/C2H4、CH4/H2、C2H4/C2H6三项值的大小来判断故障。
3.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。
4.仿真实例
文章收集了实际故障数据如表2所示。
.png)
对比表2表3可知，将实际数据输入神经网络得到的诊断结果与实际故障一致，具有较高的诊断准确度，经工程实际证明，该方法具有一定实用性。
文章小结
文章通过分析常见变压器故障情况，提取故障气体特征量，构建了故障特征气体与不同故障之间的关联，运用实际数据训练神经网络模型，并对历史故障使用训练后模型进行诊断，得到较高准确的诊断结果。工程实际证明文章所示方法具有较高可行性，但是考虑到神经网络算法训练时间较长、需要历史数据较多，今后需要对该局限性进行进一步研究。
参考文献
[1]房艳军.基于灰色神经网络模型的电力变压器故障诊断研究[D].吉林:长春工业大学,2018. [2]孟卫东,刘杨,张伟, 等.基于BP神经网络的变压器故障诊断[J].通信电源技术,2020,37(2):84-86.
[3]赵文清,严海,周震东, 等.基于残差BP神经网络的变压器故障诊断[J].电力自动化设备,2020,40(2):143-148.