应用于油中溶解气体分析的深度信念 络与典型神经 络对比研究

应用于油中溶解气体分析的深度信念 络与典型神经 络对比研究

DOI：10.13296/j.1001-1609.hva.2020.09.006

应用于油中溶解气体分析的深度信念 络与典型神经 络对比研究

任双赞 1 ，徐尧宇 2 ，李　元 2 ，王怡静 2 ，张冠军 2

0

1

摘要

0

2

油浸式电力变压器的油中溶解气体分析(dissolved gas analysis，DGA)是诊断设备绝缘系统故障最有效的方法之一，具有在线监测、应用灵活、响应速度快等优点。DGA主要检测变压器油中溶解的特征气体含量，包括变压器油裂解产生的氢气H 2 、甲烷CH 4 、乙炔C 2 H 2 、乙烯C 2 H 4 和乙烷C 2 H 6 以及绝缘纸(板)纤维素裂解产生的一氧化碳CO和二氧化碳CO 2 。近年来，CIGRE、IEC 60599：2015、DL/T 722—2014等也都提出了油中溶解气体分析的诊断标准，然而，这些分析和判断依据大多是建立在现场经验基础上，实际应用时往往会出现较大的诊断误差。此外，由于变压器绝缘结构复杂，油中溶解气体的产生和发展较为复杂并且有很大的不确定性，因此如何更有效的采用油中溶解气体分析精确诊断或预测变压器故障一直是当前研究的热点和难题。

近些年来，随着人工智能技术(artificial intelligence，AI)的改进和发展，研究人员引入智能学习方法实现变压器油中溶解气体分析，一定程度上提高了变压器故障诊断效率和精度。苗长新等人通过构成混沌粒子群算法优化神经 络参数，克服了BP神经 络训练收敛速度慢的缺点，提高了变压器DGA的诊断效率。袁海满等人构建了一种基于粒子群优化极限学习机的变压器故障诊断方法，以特征气体作为输入参量，提高变压器故障诊断的精度。

此外，随着大数据分析技术的飞速发展，在线监测设备的普及和增多，油中溶解气体分析的样本数据也不断增加，传统智能方法无法从大量的样本数据中高效的提取数据特征并实现变压器的故障诊断。因此，研究人员开始结合深度学习方法实现变压器油中溶解气体分析建模，提高模型的训练效率和诊断精度。代杰杰等人提出采用深度信念 络实现变压器油中溶解气体分析于气体含量预测，并通过改变特征气体输入结构，如特征气体含量作为输入参量、气体比值作为输入参量，对比分析了DBN模型的故障诊断精度。曹渝昆等人提出了一种基于深层神经 络的变压器故障分类方法，利用无编码的DGA数据，对比分析了不同激活函数和 络训练算法的性能，提高了模型的收敛速度和鲁棒性，促进了变压器故障诊断效率的提升。

1 基于DBN的油中溶解气体分析建模

1.1 DBN的原理及结构

1.2 基于DBN的油中溶解气体分析模型

2 基于BP和RBF神经 络的油中溶解气体分析模型

2.1 基于BP神经 络的油中溶解气体分析模型

2.2 基于RBF神经 络的油中溶解气体分析模型

3 实例验证及对比分析

3.1 络结构对油中溶解气体分析精度的影响

3.2 DBN模型与BP&RBF模型性能的对比分析

0

3

结论

中研究结果可为变压器油中溶解气体分析建模的优选提供理论参考，为实现变压器故障的精确诊断提供了新的思路。

0

4

徐尧宇(1993—)，男，博士研究生，主要研究变压器绝缘状态评估。

李　元(1984—)，男，副教授，主要研究变压器故障预警与健康管理。

王怡静(1995—)，女，硕士研究生，主要研究智能学习算法与电力设备故障诊断技术。

张冠军(1970—)，男，教授，主要研究电力设备的故障诊断和状态评估技术。

0

5

任双赞，徐尧宇，李　元，等. 应用于油中溶解气体分析的深度信念 络与典型神经

络对比研究[J]. 高压电器，2020，56(9)：39- 45.

REN Shuangzan，XU Yaoyu，LI Yuan，et al. Comparison studies of deep belief network and typical neural network applied to analysis of dissolved gas in oil[J]. High Voltage Apparatus，2020，56(9)：39- 45.