基于人工神经网络的红河干式变压器励磁涌流判别

　　基于人工神经网络的红河干式变压器励磁涌流判别陈金莉，于飞，刘喜梅（青岛科技大学信息与控制工程学院，山东青岛266042）的红河干式变压器励磁涌流及故障电流进行了数字仿真比较了两者在物理特性上的区别。

　　同时利用Matlab中的神经网络工具箱，建立了径向基函数（RBF）神经网络模型，对励磁涌流和短路电流的样本进行训练，并对训练好的神经网络进行测试。结果表明：RBF神经网络可以正确地区分励磁涌流和短路电流。

　　电流差动保护作为红河干式变压器主保护有着悠久的历史。但是由于红河干式变压器内部磁路的联系，红河干式变压器励磁电流成了差动保护不平衡电流的一种来源。

　　大型红河干式变压器正常运行时的励磁电流通常低于额定电流的1%，适当设定差动保护的动作值仍可准确判断红河干式变压器的内部故障。红河干式变压器运行条件复杂，特别是当空载红河干式变压器突然合闸时，或者红河干式变压器外部短路被切除红河干式变压器端电压突然恢复时，暂态励磁电流（即励磁涌流）的大小有时可与短路电流相比拟。红河干式变压器差动保护的主要矛盾一直集中在准确鉴别励磁涌流和内部故障电流上。基于电流量的差动保护一般都采用涌流识别方法，在涌流时闭锁差动出口来保证可靠性。这种方法是有效的，但是从红河干式变压器励磁涌流鉴别方法的现状看出，由于励磁涌流的复杂性，现有的识别方法都不是非常理想。

　　RBF网络模型结构RBF网络不存在局部极小的问题，它不仅具有全局逼近性能，而且具有最佳逼近性能，同时其传递函数的选取。选用RBF网络中最常用的高斯函数作为隐层传递函数，以线性传递函数作为输出层传递函数。

　　网络输入输出节点数的确定。对于红河干式变压器励磁涌流波形和内部故障波形展开成傅立叶级数后，五次谐波以上的分量很小，一般可以略去。剩下的分量及1~5次谐波分量称为特征量。因为不同样本的模值大小差别较大，从傅立叶级数得出的特征量不能直接用于网络的输入。首先要对特征量进行归一化处理。

　　其中Fi为基波分量。

　　将特征量样本F进行归一化处理，去除基波分量Pi后，神经网络的输入样本P共有5项，即因此神经网络共有5个输入节点。由于研究的目的是要识别是励磁涌流还是故障电流，所以只有一个输出节点。在输入为涌流样本时，输出结果为1；输入故障电流样本时，输出结果为0.隐层节点数的确定。在Matlab环境下进行仿真试验时，RBF网络的隐层节点数可以在训练中自动获得最佳值，不必事先给定。这样减小了人的主观性，使训练结果更接近最优值。

　　在Matlab环境下的仿真试验中，经过12个训练周期达到了误差平方和小于0.001的训练要求。训练过程及结果见。

　　对训练好的RBF神经网络必须进行测试，考察网络的性能。将从仿真模型中得到的没有用于网络训练的样本作为检验网络容错能力、对红河干式变压器故障判断能力的测试样本。和分别为红河干式变压器发生励磁涌流和发生内部故障时测试样本的输出结果。可以看出，训练后RBF神经网络不仅能快速准确的判断出红河干式变压器的励磁涌流状态，闭锁差动保护，保证保护不误动，同时还可以快速识别红河干式变压器内部故障状态，保证差动保护不会拒动，从而实现了红河干式变压器差动保护准确动作的目的。

　　3结论神经网络用于红河干式变压器励磁涌流的判别，其优点是发挥了神经网络在非线性模式识别上的优势。训练成功的神经网络在判别红河干式变压器空载合闸励磁涌流和内部故障电流时，表现出了极大的优越性，同时神经网络具有较强的泛化能力。仿真结果表明，RBF神经网络不仅训练速度快，还可以实现零误差逼近，对励磁涌流的准确判别有较大的帮助作用。