基于人工神經網絡的電力變壓器勵磁涌流判別陳金莉，于飛，劉喜梅（青島科技大學信息與控制工程學院，山東青島266042）的電力變壓器勵磁涌流及故障電流進行了數字仿真比較了兩者在物理特性上的區別。

　　同時利用Matlab中的神經網絡工具箱，建立了徑向基函數（RBF）神經網絡模型，對勵磁涌流和短路電流的樣本進行訓練，并對訓練好的神經網絡進行測試。結果表明：RBF神經網絡可以正確地區分勵磁涌流和短路電流。

　　電流差動保護作為變壓器主保護有著悠久的歷史。但是由于變壓器內部磁路的聯系，變壓器勵磁電流成了差動保護不平衡電流的一種來源。

　　大型電力變壓器正常運行時的勵磁電流通常低于額定電流的1%，適當設定差動保護的動作值仍可準確判斷變壓器的內部故障。電力變壓器運行條件復雜，特別是當空載變壓器突然合閘時，或者變壓器外部短路被切除變壓器端電壓突然恢復時，暫態勵磁電流（即勵磁涌流）的大小有時可與短路電流相比擬。變壓器差動保護的主要矛盾一直集中在準確鑒別勵磁涌流和內部故障電流上。基于電流量的差動保護一般都采用涌流識別方法，在涌流時閉鎖差動出口來保證可靠性。這種方法是有效的，但是從變壓器勵磁涌流鑒別方法的現狀看出，由于勵磁涌流的復雜性，現有的識別方法都不是非常理想。

　　RBF網絡模型結構RBF網絡不存在局部極小的問題，它不僅具有全局逼近性能，而且具有比較佳逼近性能，同時其傳遞函數的選取。選用RBF網絡中比較常用的高斯函數作為隱層傳遞函數，以線性傳遞函數作為輸出層傳遞函數。

　　網絡輸入輸出節點數的確定。對于變壓器勵磁涌流波形和內部故障波形展開成傅立葉級數后，五次諧波以上的分量很小，一般可以略去。剩下的直流分量及1~5次諧波分量稱為特征量。因為不同樣本的模值大小差別較大，從傅立葉級數得出的特征量不能直接用于網絡的輸入。首先要對特征量進行歸一化處理。

　　其中Fi為基波分量。

　　將特征量樣本F進行歸一化處理，去除基波分量Pi后，神經網絡的輸入樣本P共有5項，即因此神經網絡共有5個輸入節點。由于研究的目的是要識別是勵磁涌流還是故障電流，所以只有一個輸出節點。在輸入為涌流樣本時，輸出結果為1；輸入故障電流樣本時，輸出結果為0.隱層節點數的確定。在Matlab環境下進行仿真試驗時，RBF網絡的隱層節點數可以在訓練中自動獲得比較佳值，不必事先給定。這樣減小了人的主觀性，使訓練結果更接近比較優值。

　　在Matlab環境下的仿真試驗中，經過12個訓練周期達到了誤差平方和小于0.001的訓練要求。訓練過程及結果見。

　　對訓練好的RBF神經網絡必須進行測試，考察網絡的性能。將從仿真模型中得到的沒有用于網絡訓練的樣本作為檢驗網絡容錯能力、對變壓器故障判斷能力的測試樣本。和分別為變壓器發生勵磁涌流和發生內部故障時測試樣本的輸出結果。可以看出，訓練后RBF神經網絡不僅能快速準確的判斷出變壓器的勵磁涌流狀態，閉鎖差動保護，保證保護不誤動，同時還可以快速識別變壓器內部故障狀態，保證差動保護不會拒動，從而實現了變壓器差動保護準確動作的目的。

　　3結論神經網絡用于電力變壓器勵磁涌流的判別，其優點是發揮了神經網絡在非線性模式識別上的優勢。訓練成功的神經網絡在判別變壓器空載合閘勵磁涌流和內部故障電流時，表現出了極大的優越性，同時神經網絡具有較強的泛化能力。仿真結果表明，RBF神經網絡不僅訓練速度快，還可以實現零誤差逼近，對勵磁涌流的準確判別有較大的幫助作用。