基于神經(jīng)網(wǎng)絡(luò)的變壓器故障檢測(cè)畢業(yè)論文（含外文翻譯）

1、<p>　　畢 業(yè) 論 文（設(shè) 計(jì)）</p><p>　　題 目 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障檢測(cè) </p><p>　　姓 名 學(xué)號(hào) </p><p>　　所在院(系) 電氣工程學(xué)院 </p>

2、;<p>　　專業(yè)班級(jí) 自控081班 </p><p>　　指導(dǎo)教師 </p><p>　　完成地點(diǎn) </p><p>　　2012年 5 月20日</p>

3、<p>　　基于神經(jīng)網(wǎng)絡(luò)的變壓器故障檢測(cè)</p><p>　　[摘要]:電力變壓器作為電力系統(tǒng)中最為重要的設(shè)備之一，對(duì)電力系統(tǒng)安全、可靠、優(yōu)質(zhì)、經(jīng)濟(jì)的運(yùn)行起著決定性作用，因而，必須盡量減少變壓器故障的產(chǎn)生。電力變壓器故障檢測(cè)對(duì)電力系統(tǒng)的經(jīng)濟(jì)安全運(yùn)行有著重要的意義。油中溶解氣體法，是最有效的發(fā)現(xiàn)和檢測(cè)變壓器故障的方法之一。神經(jīng)網(wǎng)絡(luò)對(duì)外界具有很強(qiáng)的模式識(shí)別分類能力和聯(lián)想記憶能力，因此神經(jīng)網(wǎng)絡(luò)可以用于變壓

4、器故障檢測(cè)。基于神經(jīng)網(wǎng)絡(luò)的以變壓器油中溶解氣體為特征量的故障檢測(cè)方法為變壓器故障檢測(cè)提供了新的途徑。</p><p>　　本文將采用三種不同的神經(jīng)網(wǎng)絡(luò)（BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、支持向量機(jī)）應(yīng)用于變壓器故障檢測(cè)中，分別介紹這幾種網(wǎng)絡(luò)的基本結(jié)構(gòu)和原理，并進(jìn)行模型設(shè)計(jì)和仿真。</p><p>　　[關(guān)鍵詞]:變壓器 故障檢測(cè) 神經(jīng)網(wǎng)絡(luò) BP算法 RBF算法 支持向量機(jī)</p>

5、<p>　　Based on neural network of transformer fault detection</p><p>　　Abstract : as the most important part of the power system equipment,the power transformer to the safety of the electricity system,

6、reliable and high quality, and the operation of the economy plays a decisive role, therefore, we must try to reduce the of transformer faults. Power transformer of electric power system fault detection of the economic se

7、curity has important significances. The dissolved gas method, is one the most effective and found that one of the ways to detect transformer faults.</p><p>　　This article will use three different neural net

8、work (BP network, RBF network, support vector machine) used in transformer fault detection, are introduced the basic structure of the network and the principle and design and simulation model.</p><p>　　key w

9、ords : transformer ,fault detection ,neural network ,BP algorithm ,RBF algorithm ,support vector machine.</p><p><b>　　目錄</b></p><p><b>　　1 緒論1</b></p><p>　　

10、1.1課題研究的目的和意義1</p><p>　　1.2國(guó)內(nèi)外發(fā)展?fàn)顩r1</p><p>　　1.3變壓器故障種類1</p><p>　　1.4目前變壓器故障診斷的主要方法3</p><p>　　1.5本文研究的主要內(nèi)容4</p><p>　　2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障檢測(cè)機(jī)理和基本理論5</p&g

11、t;<p>　　2.1 故障診斷技術(shù)5</p><p><b>　　2.2神經(jīng)網(wǎng)絡(luò)5</b></p><p>　　2.3 變壓器故障與油中溶解氣體的關(guān)系7</p><p>　　3 基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障檢測(cè)模型9</p><p>　　3.1 BP網(wǎng)絡(luò)9</p><p>

12、;　　3.2 BP網(wǎng)絡(luò)模型設(shè)計(jì)13</p><p>　　3.2.1 BP網(wǎng)絡(luò)參數(shù)的確定13</p><p>　　3.2.2基于BP神經(jīng)網(wǎng)絡(luò)變壓器故障檢測(cè)模型15</p><p>　　3.2.3數(shù)據(jù)歸一化處理15</p><p>　　3.3 系統(tǒng)仿真，訓(xùn)練與測(cè)試16</p><p>　　3.3.1網(wǎng)絡(luò)訓(xùn)練16

13、</p><p>　　3.3.2網(wǎng)絡(luò)測(cè)試18</p><p>　　4 基于RBF神經(jīng)網(wǎng)絡(luò)的變壓器故障檢測(cè)模型20</p><p>　　4.1 RBF網(wǎng)絡(luò)20</p><p>　　4.1.1 RBF網(wǎng)絡(luò)概述20</p><p>　　4.1.2 RBF網(wǎng)絡(luò)原理20</p><p>　　4.

14、2 RBF網(wǎng)絡(luò)模型設(shè)計(jì)21</p><p>　　4.2.1 RBF網(wǎng)絡(luò)模型21</p><p>　　4.2.2 RBF網(wǎng)絡(luò)參數(shù)的選取22</p><p>　　4.2.3 RBF網(wǎng)絡(luò)訓(xùn)練方法的確定22</p><p>　　4.3 仿真結(jié)果22</p><p>　　5 基于支持向量機(jī)的變壓器故障檢測(cè)模型24&l

15、t;/p><p>　　5 .1 支持向量機(jī)（SVM）24</p><p>　　5 .1.1 支持向量機(jī)（SVM）基本理論24</p><p>　　5.1.2 支持向量機(jī)在故障診斷中的應(yīng)用現(xiàn)狀28</p><p>　　5.1.3 基于支持向量機(jī)變壓器故障多分類算法28</p><p>　　5.2 變壓器故障特征診斷模

16、型設(shè)計(jì)29</p><p>　　5.2.1 變壓器故障特征診斷參數(shù)選取29</p><p>　　5.2.2 故障診斷流程29</p><p>　　5.3系統(tǒng)仿真29</p><p>　　5.3.1 故障模型訓(xùn)練和參數(shù)尋優(yōu)29</p><p>　　5.3.2 測(cè)試結(jié)果與分析33</p><

17、p>　　6 結(jié)論與展望35</p><p><b>　　致謝36</b></p><p><b>　　參考文獻(xiàn)37</b></p><p><b>　　英文文獻(xiàn)39</b></p><p><b>　　1 緒論</b></p>

18、<p>　　1 .1課題研究的目的和意義</p><p>　　現(xiàn)代設(shè)備技術(shù)水平不斷提高，生產(chǎn)率、自動(dòng)化要求越來越高，相應(yīng)地，故障也隨之增加。變壓器作為電力系統(tǒng)中非常復(fù)雜而且非常重要的設(shè)備，其工作狀態(tài)對(duì)電力系統(tǒng)、企事業(yè)單位及居民生活具有十分重要的影響。由于種種原因，變壓器故障時(shí)有發(fā)生，事故率仍相當(dāng)?shù)母摺Ｒ晕覈?guó)的110kV及以上變壓器事故來看，1994年110-SOOkV變壓器事故率為0.76次/百臺(tái).年，

19、95年為0.65次/百臺(tái).年，96年為0.56次/百臺(tái).年[1], 2001年國(guó)家電網(wǎng)的變壓器共發(fā)生非計(jì)劃停運(yùn)達(dá)216次[2]，其故障最大的部位是變壓器的內(nèi)絕緣，主要的故障點(diǎn)是絕緣老化嚴(yán)重、運(yùn)行環(huán)境惡劣、變壓器質(zhì)量有問題[3]。只有正確地評(píng)估、準(zhǔn)確地診斷、可靠地預(yù)測(cè)變壓器的運(yùn)行狀態(tài)，才能指導(dǎo)現(xiàn)場(chǎng)對(duì)缺陷變壓器開展?fàn)顟B(tài)檢修，提高檢修質(zhì)量，避免檢修人力、物力和財(cái)力的浪費(fèi)。如何提前對(duì)變壓器故障進(jìn)行預(yù)測(cè)和在故障發(fā)生后迅速判斷故障原因是提高工作效率

20、、減少經(jīng)濟(jì)損失的一個(gè)重要途徑。所以采用智能方法建立相應(yīng)模型，研究變壓器狀態(tài)與運(yùn)行工況、歷史運(yùn)行記錄的關(guān)系及其規(guī)律，利用變壓器的信息準(zhǔn)確地診斷、預(yù)測(cè)和評(píng)估變壓器運(yùn)行狀態(tài)對(duì)實(shí)施變壓器狀態(tài)維修，對(duì)保證系統(tǒng)安全、可靠、經(jīng)濟(jì)運(yùn)</p><p>　　1.2國(guó)內(nèi)外發(fā)展?fàn)顩r</p><p>　　診斷理論作為狀態(tài)識(shí)別方法的基礎(chǔ)，在工程與技術(shù)、生物與醫(yī)學(xué)及經(jīng)濟(jì)與社會(huì)領(lǐng)域里都有著廣泛的應(yīng)用。從各個(gè)診斷技術(shù)的分支

21、來看，美國(guó)有著領(lǐng)先的地位。美國(guó)的很多權(quán)威機(jī)構(gòu)，如美國(guó)機(jī)械工程師協(xié)會(huì)，美國(guó)宇航局等都參與了在這一領(lǐng)域的研究，也有很多高校和企業(yè)都設(shè)立了診斷技術(shù)的研究中心。美國(guó)一些公司研制的檢測(cè)產(chǎn)品不僅能檢測(cè)還具有很好的診斷功能，在宇航、化工、醫(yī)藥、軍事等方面都具有廣泛的應(yīng)用。其他的國(guó)家診斷技術(shù)也各有特色，如英國(guó)在摩擦診斷，丹麥在振聲診斷，日本在應(yīng)用方面都具有優(yōu)勢(shì)[5]。 我國(guó)的診斷技術(shù)發(fā)展于70 年代末，起步比較晚，但經(jīng)過不懈努力，特別是最近幾年的追趕，

22、已經(jīng)基本跟上了國(guó)外的步伐，在有的理論研究方面已和國(guó)外不相上下。目前我國(guó)在一些特定的診斷研究領(lǐng)域很有特色，形成了自己的檢測(cè)故障產(chǎn)品，如西安交通大學(xué)的“大型旋轉(zhuǎn)機(jī)械計(jì)算機(jī)狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)”，哈爾濱工業(yè)大學(xué)的“機(jī)組振動(dòng)微機(jī)監(jiān)測(cè)和故障診斷系統(tǒng)”等?？v觀我國(guó)的設(shè)備故障檢測(cè)診斷技術(shù)現(xiàn)狀，其應(yīng)用范圍集中在化工、冶金、電力等方面，科研則主要集中在高校和研究所。</p><p>　　1.3變壓器故障種類</p>

23、<p>　　變壓器通常由許多部件構(gòu)成，其復(fù)雜的結(jié)構(gòu)會(huì)導(dǎo)致各種各樣的故障發(fā)生。變壓器的故障按變壓器本體劃分可分為內(nèi)部故障和外部故障。內(nèi)部故障主要有各相繞組間的相間短路、繞組的線匝之間的匝間短路、繞組或引出線與油箱外殼接地等故障。外部故障主要有油箱外部發(fā)生的絕緣套管短絡(luò)、絕緣套管損壞或破碎引起的外殼接地、引出線間的相間短路故障。若按變壓器的部位劃分，變壓器故障可分為鐵芯故障、分接開關(guān)故障、繞組故障和套管故障[6-8]等。 <

24、;/p><p>　　變壓器故障主要有以下幾種[9]:</p><p><b>　?。?）鐵芯故障</b></p><p>　　鐵芯是變壓器實(shí)現(xiàn)能量傳遞和電壓變換的主要部件。統(tǒng)計(jì)資料表明鐵芯故障是變壓器事故發(fā)生比較多的故障之一。變壓器鐵芯故障的原因主要包括兩個(gè)方面，一方面是由于鐵芯本身的夾件松動(dòng)或損傷而與接地鐵芯碰接使鐵芯發(fā)熱。另一方面主要是因?yàn)槭┕?/p>

25、工藝不良造成短路以及鐵芯多點(diǎn)接地、鐵芯接地不良等。變壓器正常運(yùn)行時(shí)，變壓器鐵芯只有一點(diǎn)接地才是正確可靠的正常接地。</p><p><b>　?。?）繞組故障</b></p><p>　　繞組是電力變壓器的中心部件，它也是變壓器涉及電氣量的主要部件。變壓器的繞組故障約占整個(gè)變壓器故障總數(shù)的百分之六十左右。繞組故障發(fā)生的原因主要是繞組絕緣老化、繞組受潮、各相繞組之間發(fā)生

26、的相間短路、單相繞組部分線匝之間發(fā)生的匝間短路、單相繞組通過外殼發(fā)生的單相接地、繞組斷裂、繞組擊穿、繞組過熱燒壞、系統(tǒng)短路和沖擊電流造成繞組機(jī)械損傷以及電磁力引起的繞組變形等。</p><p><b>　?。?）分接開關(guān)故障</b></p><p>　　分接開關(guān)是變壓器的重要部分，其可靠性直接影響著變壓器的可靠性。分接開關(guān)是變壓器高壓回路中的運(yùn)動(dòng)部件，其故障相對(duì)較高。

27、分接開關(guān)故障的種類主要有：無載分接開關(guān)故障和有載分接開關(guān)故障。無載分接開關(guān)常見的故障有：變壓器滲油是無載分接開關(guān)裸露在空氣中受潮，導(dǎo)致絕緣性能下降，產(chǎn)生放電短路，損壞變壓器；無載分接開關(guān)的設(shè)計(jì)和制造質(zhì)量差，結(jié)構(gòu)不合理，引起動(dòng)靜觸頭絕緣擊穿，使兩抽頭間短路或?qū)Φ囟搪贩烹?，燒壞抽頭線圈；變壓器油的老化引起分接開關(guān)觸頭出現(xiàn)碳化膜和油垢，使導(dǎo)電部位接觸不良，接觸電阻增大，產(chǎn)生發(fā)熱和電弧而燒壞開關(guān)。有載開關(guān)的故障主要有：過渡電阻串連接螺栓松脫：輔

28、助觸頭中的過渡電阻在切換過程中被擊穿或燒壞；分接開關(guān)由于密封不嚴(yán)而進(jìn)水，導(dǎo)致絕緣性能降低造成相間短路；由于觸頭滾輪卡死使分接開關(guān)停在過渡位置，造成匝間短路而燒壞；選擇開關(guān)承受不了變壓器線圈分接引線的長(zhǎng)期荷載而發(fā)生形變等。</p><p>　?。?）變壓器油絕緣故障</p><p>　　在變壓器運(yùn)行過程中，由于高溫、強(qiáng)電場(chǎng)以及光合作用的共同作用下，絕緣油會(huì)不斷地進(jìn)行氧化。由于油中氣體、雜質(zhì)和

29、金屬會(huì)加速油的氧化過程，會(huì)使油中水分、過氧化物、酸價(jià)、灰分、油泥等組分含量增加，從而使油質(zhì)逐步地發(fā)生污染和劣化，使變壓器油生成油泥，粘附在變壓器箱殼內(nèi)固體表面妨礙了散熱，并導(dǎo)致絕緣電阻降低和絕緣水平下降，加速了絕緣材料的老化。</p><p><b>　　（5）固體絕緣故障</b></p><p>　　油浸式變壓器采用的固體絕緣材料主要包含絕緣紙、絕緣板、絕緣墊、木塊

30、等。這些絕緣材料的主要成分為纖維素，其在變壓器長(zhǎng)期運(yùn)行中會(huì)因發(fā)生分解而老化，甚至喪失絕緣強(qiáng)度，造成絕緣故障。當(dāng)故障點(diǎn)涉及固體絕緣時(shí)，在故障點(diǎn)釋放能量的作用下，油紙絕緣將發(fā)生裂解，纖維素要發(fā)生解環(huán)、斷鏈，水分從纖維素中脫離后將加速纖維材料脆裂，釋放出CO和CO2和糠醛，使油紙絕緣的擊穿電壓和體積電阻率降低，介質(zhì)損耗增大，聚合度和抗張強(qiáng)度都將逐步降低。而故障必然因絕緣油的分解產(chǎn)生各種低分子烴和氫氣，同時(shí)會(huì)引起一氧化碳和二氧化碳含量的明顯增長(zhǎng)

31、。所以可通過分析各種特征氣體與CO和CO2間的伴生增長(zhǎng)情況，來判斷固體絕緣故障的原因。</p><p><b>　?。?）放電故障</b></p><p>　　通常根據(jù)放電的能量密度的大小將變壓器的放電故障分為局部放電、火花放電和電弧放電三種類型。放電對(duì)絕緣有很強(qiáng)的破壞作用。電弧放電產(chǎn)生的熱使變壓器油發(fā)生分解，產(chǎn)生甲烷、乙炔、氫氣、一氧化碳、二氧化碳、乙烯、乙烷等多種

32、特征氣體，并使介質(zhì)損耗增大，使局部絕緣受熱損壞。放電時(shí)產(chǎn)生的高壓氣體引起絕緣體開裂并形成新的放電點(diǎn)，產(chǎn)生惡性循環(huán)；同時(shí)放電產(chǎn)生的雜質(zhì)堆積和沉積在固體絕緣上使散熱困難，使放電增強(qiáng)和出現(xiàn)過熱。促使固體局部絕緣損壞，引發(fā)新的變壓器故障。對(duì)于局部放電、火花放電和電弧放電三種放電形式，它們相互之間不是獨(dú)立的，而是相互聯(lián)系和交織在一起的。通常局部放電是其他兩種放電的最初形式。隨著故障的發(fā)展和擴(kuò)大，常常會(huì)變成火花放電和電弧放電。 </p&g

33、t;<p>　?。?）油流帶靜電故障 在強(qiáng)迫油循環(huán)冷卻的大型電力變壓器中，由于變壓器油流過絕緣紙及絕緣紙板的表面時(shí)，會(huì)發(fā)生油流帶靜電的現(xiàn)象，簡(jiǎn)稱油流帶電。變壓器的絕緣紙和紙板的組成成分主要是纖維素和木質(zhì)素，對(duì)于強(qiáng)迫油循環(huán)冷卻的大型變壓器，變壓器油經(jīng)油泵加速傳到繞組內(nèi)的冷卻油道時(shí)，油與絕緣紙板發(fā)生摩擦，在油與絕緣紙和絕緣紙板界面上產(chǎn)生靜電電荷的分離。纖維素和木質(zhì)素分子就被正極性的氫原子所覆蓋，并吸附油中負(fù)離子，使負(fù)電

34、荷附在紙板表面，而油中的正電荷隨油流動(dòng)。這樣油就帶正電而紙板表面帶負(fù)電。隨著油的循環(huán)流動(dòng)油中正電荷越積越多，場(chǎng)強(qiáng)增強(qiáng)。當(dāng)某處電荷積累超過某一程度時(shí)，就有可能向絕緣紙板放電，使絕緣紙板絕緣受損傷，并最終導(dǎo)致絕緣故障。</p><p>　　1.4目前變壓器故障診斷的主要方法</p><p>　　現(xiàn)在變壓器故障診斷的常用方法有如下幾種[10]：</p><p>　　（1）

35、基于神經(jīng)網(wǎng)絡(luò)技術(shù)的電力設(shè)備故障診斷</p><p>　　人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，簡(jiǎn)稱ANN)是一種模仿人腦行為及其活動(dòng)過程的推理分析方法。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，信息的存儲(chǔ)和處理是合為一體的，能從不完全的，不精確的信息聯(lián)想出完整的信息，神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)能力、信息處理能力和學(xué)習(xí)過程中的完善性能。它能從一系列的數(shù)據(jù)中綜合出規(guī)律性的知識(shí)。其應(yīng)用已滲透到各個(gè)領(lǐng)域，并在智能控制、模

36、式識(shí)別、計(jì)算機(jī)視覺、自適應(yīng)信號(hào)處理、知識(shí)處理、傳感技術(shù)與機(jī)器人等方面得到廣泛的應(yīng)用。其在電氣設(shè)備在線監(jiān)測(cè)、故障診斷、負(fù)荷預(yù)報(bào)、智能控制等方面也取得很好的成就 [11]。近年來很多國(guó)內(nèi)外研究學(xué)者都致力于運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行變壓器故障診斷的研究。</p><p>　?。?）基于模糊理論CFuzzy Theory)的故障診斷</p><p>　　1965年美國(guó)加州大學(xué)L. A. zadeh教授首次提

37、出了表達(dá)事物模糊性的重要概念:隸屬函數(shù)，從而奠定模糊理論的基礎(chǔ)。1974年，英國(guó)的E .H. Mamdani首次用模糊規(guī)則和模糊邏輯實(shí)現(xiàn)了蒸汽機(jī)的運(yùn)行過程控制，取得了比傳統(tǒng)控制算法更好的效果，從而宣告模糊控制的誕生。模糊理論是以模糊集為基礎(chǔ)，以處理模糊事物為目標(biāo)，并將其嚴(yán)格數(shù)字量化后進(jìn)行計(jì)算機(jī)處理的應(yīng)用研究。模糊理論作為一種精確描述不確定性關(guān)系的方法，在解決變壓器故障診斷的問題具有著獨(dú)特的優(yōu)勢(shì)。它為變壓器的絕緣故障診斷提供了一種新的途徑

38、[12]。 </p><p>　　(3)專家系統(tǒng)診斷法</p><p>　　專家系統(tǒng)(Expert System ES)是一種具有大量專門知識(shí)的程序系統(tǒng)，它根據(jù)多個(gè)專家提供的專業(yè)知識(shí)進(jìn)行推理，解決通常需要專家才一能解決的復(fù)雜問題。變壓器故障診斷專家系統(tǒng)是一個(gè)基于規(guī)則的專家系統(tǒng)，它通常由知識(shí)庫(kù)、數(shù)據(jù)庫(kù)、推理機(jī)、知識(shí)獲取系統(tǒng)、解釋系統(tǒng)和人機(jī)接口等6部分組成。專家系統(tǒng)在解決難以建立數(shù)學(xué)模型

39、，較多依賴人類專家經(jīng)驗(yàn)知識(shí)的問題上有獨(dú)特的優(yōu)勢(shì)，在信息不完整或不確定的情況下仍能給出較為合理的結(jié)論，因此國(guó)內(nèi)外有不少學(xué)者從專家系統(tǒng)的角度去研究變壓器故障診斷[13-14]，與此同時(shí)，很多學(xué)者將專家系統(tǒng)與其它智能方法結(jié)合，進(jìn)行變壓器的故障診斷研究[15-17]。這些研究成果推動(dòng)了專家系統(tǒng)的實(shí)用化，但同時(shí)也應(yīng)看到專家系統(tǒng)存在著兩個(gè)主要問題:①知識(shí)獲取的“瓶頸”問題。一方面由于專家知識(shí)的不完備，另一方面由于專家知識(shí)表述規(guī)則化有相當(dāng)?shù)碾y度，兩者

40、造成了診斷系統(tǒng)知識(shí)庫(kù)的不完備，表現(xiàn)為當(dāng)遇到一個(gè)沒有相應(yīng)規(guī)則與之對(duì)應(yīng)的新故障現(xiàn)象時(shí)，系統(tǒng)顯得無能為力。②診斷推理不確定性問題。對(duì)于一些數(shù)學(xué)相關(guān)性不確定的故障現(xiàn)象的診斷，其準(zhǔn)確性難以保證。這些問題大大影響了其故障診斷的準(zhǔn)確性。</p><p>　　（4）基于遺傳算法的故障診斷</p><p>　　遺傳算法簡(jiǎn)稱GA(Genetic Algorithm)，是由生物進(jìn)化思想啟發(fā)而得出的一種具有全局搜

41、索能力的算法。它通過選擇、交叉和變異等操作，產(chǎn)生新一代適應(yīng)力更強(qiáng)的群體。1967年Bagley J. D最早提出遺傳算法的概念。1975年Michigan大學(xué)的J. H. Holland開始了遺傳算法的理論和方法的系統(tǒng)性研究。目前遺傳算法在模式識(shí)別、神經(jīng)網(wǎng)絡(luò)、圖像處理、機(jī)器學(xué)習(xí)、工業(yè)優(yōu)化控制、自適應(yīng)控制、生物科學(xué)、社會(huì)科學(xué)等方面都得到了廣泛的應(yīng)用。</p><p>　　另外還有灰色理論、支持向量機(jī)((SVM)算法

42、、Bayes推理法、證據(jù)組合法以及粒子群優(yōu)化算法(PSO)等多種人工智能方法，亦各有其自身的特性和優(yōu)點(diǎn)。隨著各種智能方法的應(yīng)用研究，將多種智能方法融合起來進(jìn)行故障診斷也成為智能診斷方法新興發(fā)展起來的一個(gè)方向。</p><p>　　1.5本文研究的主要內(nèi)容</p><p>　　神經(jīng)網(wǎng)絡(luò)方法可以從變壓器油中溶解氣體數(shù)據(jù)中獲取隱含的故障診斷規(guī)律，而不用深入了解變壓器故障檢測(cè)的相關(guān)知識(shí)，便可以進(jìn)行

43、變壓器故障檢測(cè)診斷。同時(shí)能根據(jù)實(shí)際變壓器油中溶解氣體的數(shù)據(jù)進(jìn)行自適應(yīng)調(diào)整。所以，本文的內(nèi)容就是運(yùn)用神經(jīng)網(wǎng)絡(luò)對(duì)變壓器狀態(tài)監(jiān)測(cè)所得的數(shù)據(jù)進(jìn)行分析處理，從而對(duì)變壓器狀態(tài)進(jìn)行監(jiān)測(cè)，故障進(jìn)行檢測(cè)診斷。</p><p><b>　　具體內(nèi)容包括：</b></p><p>　　1)選擇合適的神經(jīng)網(wǎng)絡(luò)算法，本文采用BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。</p>&l

44、t;p>　　2）對(duì)于故障油浸變壓器，其主要表現(xiàn)形式為變壓器導(dǎo)熱油發(fā)生一定的溶解，導(dǎo)致變壓器腔內(nèi)存在不同的氣體，CH4、C2H6、C2H4、C2H2、H2、CO 和 CO2等。同時(shí)，實(shí)踐表明不同氣體含量能夠從一定程度上說明變壓器的故障類型。為此，課題的故障數(shù)據(jù)為上述氣體數(shù)據(jù)。 3）分析故障數(shù)據(jù)的分布情況，對(duì)故障樣本和故障數(shù)據(jù)進(jìn)行分析歸類，確定輸入向量和輸出向量，建立故障模型。 4）利用matlab 神經(jīng)網(wǎng)絡(luò)軟

45、件包，建立網(wǎng)絡(luò)模型。用新的故障數(shù)據(jù)，檢驗(yàn)故障模型的準(zhǔn)確性和可靠性，得出相應(yīng)的指標(biāo)數(shù)據(jù)。</p><p>　　2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障檢測(cè)機(jī)理和基本理論</p><p>　　本文的主要特點(diǎn)是將神經(jīng)網(wǎng)絡(luò)用于變壓器故障檢測(cè)。所以，故障診斷技術(shù)和神經(jīng)網(wǎng)絡(luò)的基本理論是研究的基礎(chǔ)和重點(diǎn)。</p><p>　　2.1 故障診斷技術(shù)</p><p>　　

46、故障診斷是研究設(shè)備狀態(tài)運(yùn)行的變化，進(jìn)而識(shí)別設(shè)備狀態(tài)運(yùn)行的一門科學(xué)。本質(zhì)而言，故障診斷是個(gè)模式識(shí)別與分類的問題，通常把機(jī)器的運(yùn)行分為正常與異常。異常又屬于哪種故障，又是一個(gè)模式識(shí)別與分類的問題。其運(yùn)作流程如圖2.1所示: </p><p>　　圖2.1 故障診斷運(yùn)作流程</p><p>　　由圖2.1可知，設(shè)備診斷過程主要有信號(hào)采集，信號(hào)分析處理，故障診斷三個(gè)過程階段。具體如下：</p

47、><p>　　信號(hào)采集技術(shù)。設(shè)備的診斷技術(shù)從設(shè)備的癥狀入手進(jìn)行研究分析。設(shè)備的癥狀主要是指設(shè)備運(yùn)行時(shí)所產(chǎn)生的能體現(xiàn)其狀態(tài)的信號(hào)。因而，信號(hào)采集是設(shè)備故障診斷的前提。</p><p>　　信號(hào)分析處理階段是故障診斷的關(guān)鍵，該階段實(shí)際上就是診斷技術(shù)的特征因子提取技術(shù)。原始信號(hào)為傳感器采集的信號(hào)，像溫度、位移等部分信號(hào)可以直接利用，但有的信號(hào)則不能，如振動(dòng)信號(hào)，雖然經(jīng)過放大，但含有噪聲，所以不能準(zhǔn)確

48、地反映問題，必須利用信號(hào)分析處理技術(shù)，才能得到敏感的能夠反映設(shè)備狀態(tài)的特征因子。 傳統(tǒng)的信號(hào)分析處理技術(shù)有濾波技術(shù)、頻譜分析技術(shù)。新興的數(shù)字濾波技術(shù)、自適應(yīng)濾波技術(shù)、小波分析技術(shù)等大大提高了信號(hào)處理技術(shù)。</p><p>　　故障診斷是設(shè)備故障診斷技術(shù)的核心，識(shí)別設(shè)備狀態(tài)異常與否，異常后再分析原因，此為診斷的實(shí)質(zhì)。目前，診斷技術(shù)按信號(hào)類型的不同分為振聲診斷、溫度診斷、油液診斷、光譜分析等。在診斷技術(shù)發(fā)展初期，由于

49、技術(shù)條件不夠成熟，占主導(dǎo)地位的是人，儀器處理后的信號(hào)主要由人去分析。隨著人工智能的發(fā)展，診斷的自動(dòng)化，智能化逐漸成為現(xiàn)實(shí)。</p><p><b>　　2.2神經(jīng)網(wǎng)絡(luò)</b></p><p>　　人工神經(jīng)網(wǎng)絡(luò)是由簡(jiǎn)單的處理單元所組成的大量并行分布的處理機(jī)，這種處理機(jī)具有存儲(chǔ)和應(yīng)用經(jīng)驗(yàn)知識(shí)的自然特性，它與人腦的相似之處概括為兩個(gè)方面：一是通過學(xué)習(xí)過程，利用神經(jīng)網(wǎng)絡(luò)從外部

50、環(huán)境中獲取知識(shí)；二是內(nèi)部神經(jīng)元可以用來存儲(chǔ)獲取的知識(shí)信息。</p><p>　　人工神經(jīng)網(wǎng)絡(luò)又被稱為連接機(jī)制模型或者稱為并行分布處理模型，是由大量神經(jīng)元廣泛連接而成的，它是在現(xiàn)代神經(jīng)科學(xué)研究的基礎(chǔ)上提出來的，反映了人腦的基本特征。但它并不是人腦的真實(shí)描寫，而只是它的某種抽象、簡(jiǎn)化和模擬。網(wǎng)絡(luò)的信息處理是由神經(jīng)元之間的相互合作來實(shí)現(xiàn)，知識(shí)和信息的存儲(chǔ)表現(xiàn)為網(wǎng)絡(luò)元件互連，網(wǎng)絡(luò)的學(xué)習(xí)和識(shí)別取決于各神經(jīng)元連接權(quán)值的動(dòng)態(tài)演

51、化過程。</p><p>　　一般而言，神經(jīng)元模型應(yīng)具備三個(gè)要素：</p><p>　　1、具有一組突觸或連接常用wij表示神經(jīng)元i和神經(jīng)元j之間的連接強(qiáng)度，或稱之為權(quán)值。與人腦的神經(jīng)元不同，人工神經(jīng)元的權(quán)值的取值可在正值和負(fù)值之間；</p><p>　　2、具有反映生物神經(jīng)時(shí)空整合功能的輸入信號(hào)累加器。</p><p>　　3、具有一個(gè)激勵(lì)

52、函數(shù)用于限制神經(jīng)元輸出。激勵(lì)函數(shù)將輸出信號(hào)限制在一個(gè)允許范圍內(nèi)，將其成為有限值，通常神經(jīng)元輸出的擴(kuò)充范圍在(0,1)或（-1,1）閉區(qū)間。</p><p>　　一個(gè)典型的人工神經(jīng)元模型如圖2.2所示</p><p>　　圖2.2人工神經(jīng)元模型圖 </p><p>　　人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本單元，從圖2.2中可以看出，它相當(dāng)于一個(gè)多輸入單輸出的非線性閾值器件。

53、定義表示其他神經(jīng)元的輸出，亦即該神經(jīng)元的輸入向量；表示其他神經(jīng)元與該神經(jīng)元 R個(gè)突觸地連接強(qiáng)度，亦即權(quán)值向量；其每個(gè)元素的值可正可負(fù)，分別表示為興奮性突觸和抑制性突觸；θ 為神經(jīng)元的閾值，如果神經(jīng)元輸入向量的加權(quán)和大于θ ，則該神經(jīng)元被激活，所以輸入向量的加權(quán)和也稱為激活值；f 表示神經(jīng)元的輸入輸出關(guān)系函數(shù)，亦即傳輸函數(shù)。</p><p>　　傳輸函數(shù)一般為單調(diào)升函數(shù)，但它又是一個(gè)有限值函數(shù)，神經(jīng)元的輸出可以表示

54、為</p><p><b>　　（2.1） </b></p><p>　　神經(jīng)網(wǎng)絡(luò)具有高速并行處理、分布存儲(chǔ)信息等特性，它符合人類視覺系統(tǒng)的工作原則具有很強(qiáng)的學(xué)習(xí)能力、自組織能力、容錯(cuò)性、非線性映射、高魯棒性、聯(lián)想記憶功能、分類和識(shí)別、知識(shí)處理、推理意識(shí)功能強(qiáng)等特點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)研究領(lǐng)域成果的基礎(chǔ)上提出來的，信息的分布存儲(chǔ)和并行協(xié)同能力是其特點(diǎn)，

55、很適用于像故障診斷類的多變量非線性問題。</p><p>　　神經(jīng)網(wǎng)絡(luò)是一種具有學(xué)習(xí)功能的非線性映射器。其學(xué)習(xí)過程如圖2.3。</p><p>　　圖2.3 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程</p><p>　　一般而言，訓(xùn)練集只占到整個(gè)知識(shí)空間的一極少部分，訓(xùn)練完成以后，通過對(duì)測(cè)試集的測(cè)試來評(píng)價(jià)其學(xué)習(xí)效果，從而來考察神經(jīng)網(wǎng)絡(luò)對(duì)未知的知識(shí)的推廣學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)還具有在線學(xué)習(xí)的能力

56、，這種通過對(duì)少數(shù)已知樣本的學(xué)習(xí)來獲取未知的知識(shí)能力，也叫做泛化能力。而且在學(xué)習(xí)之前它無需在事先獲取系統(tǒng)的任何相關(guān)參數(shù)。這種泛化能力就其本質(zhì)而言相當(dāng)于是對(duì)函數(shù)的一種外推和內(nèi)插。</p><p>　　這些學(xué)習(xí)之后具有外推和內(nèi)插的能力使得神經(jīng)網(wǎng)絡(luò)有著非常廣泛的應(yīng)用，包括函數(shù)逼近（高維曲面擬合、自適應(yīng)控制）、模式識(shí)別與分類、預(yù)測(cè)和預(yù)報(bào)等。其中對(duì)模式識(shí)別與分類能力使神經(jīng)網(wǎng)絡(luò)可用于故障的檢測(cè)診斷。神經(jīng)網(wǎng)絡(luò)用于故障診斷時(shí)，相當(dāng)

57、于把每一類型的故障視為一個(gè)模式類，通過網(wǎng)絡(luò)的學(xué)習(xí)，找出該模式類的內(nèi)在規(guī)律與特點(diǎn)并區(qū)別于其他類型，以實(shí)現(xiàn)故障診斷。網(wǎng)絡(luò)的每一個(gè)訓(xùn)練樣本和測(cè)試樣本都是由“癥狀”與“原因”構(gòu)成。“癥狀”為輸入，“原因”為輸出[18-19]。</p><p>　　2.3 變壓器故障與油中溶解氣體的關(guān)系</p><p>　　對(duì)于大型電力變壓器，目前幾乎都是用油來絕緣和散熱，變壓器油與油中的固體有機(jī)絕緣材料在運(yùn)行電

58、壓下隨運(yùn)行時(shí)間的增加，因放電和熱的作用會(huì)逐漸老化和分解，產(chǎn)生少量的各種低分子烴類及CO,CO2氣體，而變壓器的內(nèi)部絕緣故障卻伴隨著局部過熱和局部放電現(xiàn)象，使油或紙或油和紙分解產(chǎn)生CH4、C2H6、C2H4、C2H2、H2、CO 和 CO2等氣體。當(dāng)故障不太嚴(yán)重，產(chǎn)氣量較少時(shí)，所產(chǎn)生的氣體形成的氣泡在油里經(jīng)對(duì)流、擴(kuò)散，不斷地溶解于絕緣油中。當(dāng)設(shè)備內(nèi)部存在潛伏性過熱，或放電故障時(shí)，就會(huì)加快這些氣體的產(chǎn)生。當(dāng)產(chǎn)生速率大于溶解速率時(shí)，在變壓器里

59、會(huì)有一部分氣體進(jìn)入氣體繼電器。此外，發(fā)熱和放電的產(chǎn)生程度不同，所產(chǎn)生的氣體種類、油中溶解氣體的濃度、各種氣體的比例關(guān)系也不相同。因而，油中溶解氣體的成分和含量在一定程度上反映了變壓器故障的程度，通過對(duì)油中溶解氣體進(jìn)行分析，便可發(fā)現(xiàn)變壓器內(nèi)部的發(fā)熱和放電性故障種類[20]。</p><p>　　新投運(yùn)的變壓器，特別是國(guó)產(chǎn)的充油電力變壓器，由于制造工藝以及所使用的絕緣材料等原因，運(yùn)行初期往往有氫氣、一氧化碳和二氧化碳

60、氣體組分增加較快的現(xiàn)象，但達(dá)到一定極限含量后會(huì)逐漸降低。絕緣油在精煉過程中會(huì)形成少量氣體，脫氣時(shí)不可能完全去除。如果變壓器以前發(fā)生過故障，那么故障產(chǎn)生的氣體即使經(jīng)過脫氣處理后，仍然會(huì)有少量被纖維材料吸附，再慢慢釋放于油中，因而變壓器在投運(yùn)前就可能含有少量故障特征氣體，正常運(yùn)行中的變壓器油中也會(huì)含有某些故障特征氣體。</p><p>　　我國(guó)現(xiàn)行的《變壓器油中溶解氣體分析和判斷導(dǎo)則》中對(duì)新變壓器的氣體含量極限值給出

61、了明確規(guī)定[21]，如表2.1所示，對(duì)于新投運(yùn)的變壓器還要求出廠試驗(yàn)前后的兩次分析結(jié)果，以及投運(yùn)前后的兩次分析結(jié)果不能有明顯區(qū)別。正常運(yùn)行中的變壓器其注意值如表2.2所示，當(dāng)氣體濃度達(dá)到注意值時(shí)，應(yīng)該對(duì)變壓器進(jìn)行追蹤分析，查明原因。</p><p>　　表2.1 出廠和投運(yùn)前電氣設(shè)備氣體含量的極限值</p><p>　　表2.2 運(yùn)行中電氣設(shè)備氣體含量的注意值</p><

62、;p>　　當(dāng)變壓器發(fā)生故障時(shí)不同故障類型所產(chǎn)生的主要特征氣體有所差異，將其歸納為表2.3.</p><p>　　表2.3 不同故障產(chǎn)生的氣體差異</p><p>　　3 基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障檢測(cè)模型</p><p><b>　　3.1 BP網(wǎng)絡(luò)</b></p><p><b>　?。?）BP網(wǎng)絡(luò)機(jī)

63、理</b></p><p>　　圖3.1 BP網(wǎng)絡(luò)結(jié)構(gòu)</p><p>　　BP（反向傳播算法）是多層感知器的一種有效學(xué)習(xí)算法，它把一組樣本的輸入輸出問題變成非線性優(yōu)化問題，使用了最優(yōu)化問題和其中最普遍的梯度下降算法，用迭代算法求解權(quán)值，加入隱節(jié)點(diǎn)使優(yōu)化問題的可調(diào)參數(shù)增加，從而可得到精確解。典型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，是由輸入層、隱含層和輸出層構(gòu)成的,如圖3.1。</p>

64、;<p><b>　?。?）BP網(wǎng)絡(luò)算法</b></p><p>　　BP算法模型為前向多層網(wǎng)絡(luò)，網(wǎng)絡(luò)不僅有輸入、輸出層節(jié)點(diǎn)，還有隱含層節(jié)點(diǎn)，經(jīng)過作用函數(shù)后，再把隱節(jié)點(diǎn)的輸出信息傳播到輸出節(jié)點(diǎn)，最后給出結(jié)果。</p><p>　　此算法的學(xué)習(xí)過程可以描述如下：</p><p>　　工作信號(hào)正向傳播：輸入信號(hào)從輸入層經(jīng)過隱含層單元，

65、傳向輸出層，在輸出端產(chǎn)生輸出信號(hào)，這就是工作信號(hào)的正向傳播。在信號(hào)的前向傳遞過程中網(wǎng)絡(luò)的權(quán)值是固定不變的，每一層神經(jīng)元的狀態(tài)只影響到下一層神經(jīng)元的狀態(tài)。如果在輸出層得到的輸出信號(hào)不是理想的輸出信號(hào)，則轉(zhuǎn)入誤差信號(hào)反向傳播。</p><p>　　誤差信號(hào)反向傳播：網(wǎng)絡(luò)的實(shí)際輸出與理想輸出之間的差值即為誤差信號(hào)，誤差信號(hào)由輸出端開始逐層向前傳播，這是誤差信號(hào)的反向傳播。在這一過程中，網(wǎng)絡(luò)的權(quán)值和閾值由誤差反饋進(jìn)行調(diào)節(jié)

66、，使輸出接近期望。</p><p>　　系統(tǒng)不斷地循環(huán)這兩個(gè)過程，重復(fù)學(xué)習(xí)，一直到輸出值和期待值的誤差減小到規(guī)定范圍內(nèi)，系統(tǒng)停止學(xué)習(xí)。此刻將新樣本輸入到已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，就可以得到相應(yīng)的輸出值。</p><p>　　在三層前饋網(wǎng)絡(luò)中，假設(shè)輸入向量為X=（x1,x2,…xn）T，如加入b1=1 ，可為隱層神經(jīng)元引入閥值；隱層輸出向量為Y=(y1,y2, …ym) T，如加入b2=1,可為輸出

67、神經(jīng)元引入閥值；輸出層向量為O=(o1,o2,…ol)T，期望輸出向量為D=(d1,d2,…dl) T，輸入層到隱層之間的權(quán)值矩陣用V來表示，V=(v1,v2, …vm) T ，列向量vj表示隱層第j個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量；隱層到輸出層間的權(quán)矩陣用W來表示，W=(w1,w2,…w)T ，列向量wk表示輸出層第k個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量。</p><p>　　下面為各層信號(hào)之間的數(shù)學(xué)關(guān)系[22]：</p>

68、<p>　　對(duì)于輸入層，輸入輸出均為X：</p><p><b>　　對(duì)于隱層有</b></p><p>　　輸入： ，j=1，2， …,m； (3.1)</p><p>　　輸出： ，j=1，2， …,m；

69、 (3.2)</p><p><b>　　對(duì)于輸出層有：</b></p><p>　　輸入： ，k=1，2，…,l； (3.3)</p><p>　　輸出： ，k=1，2，…,l； (3.4)<

70、/p><p>　　在上式中，f(*)為激勵(lì)函數(shù)，在此采用S型函數(shù)：</p><p><b>　　(3.5)</b></p><p>　　f(a)具有連續(xù)性、可導(dǎo)性，且</p><p>　　在網(wǎng)絡(luò)的實(shí)際應(yīng)用中，其實(shí)際輸出往往與期望輸出有一定的差距，二者之間存在誤差，用E來表示，定義如下：</p><p>

71、;<b>　　(3.6)</b></p><p>　　將上述誤差公式展開至隱層，有</p><p><b>　　(3.7)</b></p><p>　　進(jìn)一步展開至輸入層，有 (3.8)</p>&l

72、t;p>　　由此可見，網(wǎng)絡(luò)的輸入誤差是各權(quán)值的函數(shù)。因而調(diào)節(jié)各權(quán)值便可改變誤差E。</p><p>　　而調(diào)節(jié)權(quán)值的目的是使誤差減小，所以應(yīng)該使權(quán)值的調(diào)節(jié)量與誤差的負(fù)梯度成正比，亦即</p><p>　　，j=1，2， …,m；k=1，2， …,l； (3.9)</p><p>　　，i=1，2， …,n；j=1，2， …,m； (3.10)<

73、/p><p>　　負(fù)號(hào)表示梯度在下降，常數(shù))表示比例系數(shù)，也稱學(xué)習(xí)率。</p><p>　　為了進(jìn)一步得出明確的權(quán)值調(diào)整公式，我們做以下推導(dǎo)，在此過程中始終有j=0,1,2,…,m;k=1,2 ,…l;對(duì)隱含層始終有i=0,1,2 ,…n;j=1,2,…,m。</p><p><b>　　(3.11)</b></p><p>

74、;　　若令，稱為輸出層誤差信號(hào)，則</p><p><b>　　(3.12)</b></p><p><b>　　同樣可推導(dǎo)得</b></p><p><b>　　(3.13)</b></p><p>　　若令 ，稱為隱層的誤差信號(hào)，則</p><p>

75、<b>　　(3.14)</b></p><p>　　容易看出，輸出層的誤差信號(hào)與網(wǎng)絡(luò)的期望輸出同實(shí)際輸出之差有關(guān)，而且反映了輸出誤差，而各隱層的誤差信號(hào)與前面各層的誤差信號(hào)都有關(guān)，是從輸出層開始逐層反傳過來的。</p><p>　　由上可推導(dǎo)出整，各層權(quán)值的調(diào)整公式：</p><p><b>　　(3.15)</b>&l

76、t;/p><p>　　以此為依據(jù)可對(duì)權(quán)值進(jìn)行調(diào)，完成對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。</p><p>　?。?）BP網(wǎng)絡(luò)程序?qū)崿F(xiàn)[23]</p><p>　　神經(jīng)網(wǎng)絡(luò)的具體實(shí)現(xiàn)需要計(jì)算機(jī)編程來完成。具體編程步驟如下：</p><p>　　1）、初始化 對(duì)權(quán)值W、V隨機(jī)賦值，樣本模式計(jì)數(shù)器p和訓(xùn)練次數(shù)計(jì)數(shù)器q置1，誤差E置0.學(xué)習(xí)率和網(wǎng)絡(luò)訓(xùn)練誤差精度Emin設(shè)為

77、（0,1）的小數(shù)；</p><p>　　2）輸入訓(xùn)練樣本，計(jì)算隱層、輸出層的輸出；</p><p>　　3）計(jì)算網(wǎng)絡(luò)輸出誤差 設(shè)共有P對(duì)訓(xùn)練樣本，對(duì)應(yīng)不同的樣本具有不同的誤差Ep，總誤差為/P2；</p><p>　　4）計(jì)算各層誤差信號(hào) 即；</p><p>　　5）調(diào)整各權(quán)值 用公式調(diào)整；</p><p>　　6

78、）檢查是否對(duì)所有樣本完成了一次輪訓(xùn)，若 p<P，p、q加1，,返回（2），否則繼續(xù)步驟（7）；</p><p>　　7）檢查網(wǎng)絡(luò)總誤差是否達(dá)到要求，是，訓(xùn)練結(jié)束；否則E置0，P置1，返回（2）</p><p>　　其流程圖如圖3.2。</p><p>　　圖3.2 BP算法流程圖</p><p>　　3.2 BP網(wǎng)絡(luò)模型設(shè)計(jì)</p

79、><p>　　3.2.1 BP網(wǎng)絡(luò)參數(shù)的確定</p><p>　　本試驗(yàn)是通過檢測(cè)變壓器內(nèi)部的氣體濃度來確定變壓器是否發(fā)生故障，以及發(fā)生那一類型的故障。檢測(cè)的氣體濃度為CH4、H2、[C1+C2]、C2H2四種，故障分5級(jí)：一般過熱、嚴(yán)重過熱、局部放電、火花放電、電弧放電，分別用1～5表示。給定訓(xùn)練集和測(cè)試集如表3.1和表3.2所示。</p><p><b>

80、　　表3.1 訓(xùn)練集</b></p><p>　　表3.2 測(cè)試集 </p><p><b>　　1）輸入向量的確定</b></p><p>　　網(wǎng)絡(luò)中輸入節(jié)點(diǎn)等于模式的維數(shù)。這里我們利用CH4、H2、[C1+C2]、C2H2的含量的數(shù)據(jù)作為輸入向量來判定變壓器發(fā)生故障的類型。網(wǎng)絡(luò)對(duì)較小的數(shù)據(jù)不敏感，在選擇輸入向量時(shí)，輸入模式選

81、擇太少的特征向量不能足夠的分類變壓器故障；而太多不相關(guān)的特征向量又會(huì)使網(wǎng)絡(luò)的收斂性變差。而且不能直接將各類氣體的含量作為輸入，因?yàn)槿绻紨?shù)據(jù)數(shù)量級(jí)差別較大的話，一些重要的信息會(huì)無法獲得，判別精度會(huì)不高，同時(shí)輸入空間還會(huì)過大，網(wǎng)絡(luò)規(guī)模進(jìn)而增大。影響正常的訓(xùn)練和診斷。因此需要將樣本歸一化處理。</p><p><b>　　2）輸出向量的確定</b></p><p>　　

82、網(wǎng)絡(luò)的輸出節(jié)點(diǎn)數(shù)等于故障類型數(shù)。輸出向量采用一般過熱、嚴(yán)重過熱、局部放電、火花放電、電弧放電五個(gè)輸出神經(jīng)元。輸出量為0或1的五位故障編碼，對(duì)應(yīng)于上述五類故障類型，故障編碼如表3.3所示。</p><p>　　表3.3 故障編碼 </p><p><b>　　3）網(wǎng)絡(luò)層的設(shè)計(jì)</b></p><p>

83、　　三層的BP網(wǎng)絡(luò)就可以任意精度逼近任何非線性物理對(duì)象。增加層數(shù)的目的在于進(jìn)一步的降低誤差，同時(shí)也使網(wǎng)絡(luò)更為復(fù)雜，增加了網(wǎng)絡(luò)的權(quán)閥值訓(xùn)練時(shí)間。而增加隱含層的神經(jīng)元數(shù)目亦可以使誤差精度得到提高，其訓(xùn)練效果也比增加層數(shù)更容易觀察和調(diào)整。因此一般情況下，我們都用最少的網(wǎng)絡(luò)層來構(gòu)建神經(jīng)網(wǎng)絡(luò)。本文BP網(wǎng)絡(luò)采用三層。</p><p>　　4）隱層節(jié)點(diǎn)數(shù)的設(shè)計(jì)</p><p>　　一個(gè)具有無限隱層節(jié)點(diǎn)數(shù)

84、的兩層BP神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)任意輸入到輸出的非線性映射。但對(duì)于有限個(gè)輸入模式到輸出模式的映射，并不需要無限個(gè)隱層節(jié)點(diǎn)，輸入層、輸出層數(shù)目一般根據(jù)實(shí)際問題來確定，但是隱層的設(shè)計(jì)卻至今都沒有確定的指導(dǎo)思想和解析解，只能依經(jīng)驗(yàn)設(shè)制。而隱層的結(jié)構(gòu)（包括隱層層數(shù)，隱層單元數(shù)）極大地影響網(wǎng)絡(luò)的性能，過少無法達(dá)到需要的誤差，過多則又可能造成過渡擬合，訓(xùn)練效果會(huì)不好。一般可以按照下面的一些經(jīng)驗(yàn)公式選取，再根據(jù)實(shí)際訓(xùn)練效果進(jìn)行調(diào)整（設(shè)輸入n個(gè)，輸出m個(gè)）。

85、</p><p>　?、?單層隱層，隱層單元數(shù)為。</p><p>　?、?單層隱層，隱層單元數(shù)為。</p><p>　?、?單層隱層，隱層單元數(shù)為，a是一個(gè)0～10之間的數(shù)。</p><p><b>　　5）激活函數(shù)的確定</b></p><p>　　在本設(shè)計(jì)中要用到MATLAB神經(jīng)網(wǎng)絡(luò)工具箱函

86、數(shù)，現(xiàn)主要介紹其中的激勵(lì)函數(shù)，如表3.4所示。通過激活函數(shù)對(duì)輸入和輸出進(jìn)行函數(shù)轉(zhuǎn)換，可以將無限域的輸入變成指定的有限范圍內(nèi)的輸入。</p><p>　　表3.4 BP神經(jīng)網(wǎng)絡(luò)工具箱中的激活函數(shù)</p><p>　　為了提高輸入向量的范圍，并使得輸出向量的范圍在（0，1）內(nèi)，故本設(shè)計(jì)選取tansig為隱含層的激活函數(shù)，logsig為輸出層的激活函數(shù)。</p><p>

87、　　3.2.2基于BP神經(jīng)網(wǎng)絡(luò)變壓器故障檢測(cè)模型</p><p>　　圖3.3 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu) </p><p>　　3.2.3數(shù)據(jù)歸一化處理</p><p>　　歸一化方法主要是為了消除不同量綱造成的虛假變異的影響，方法如下：</p><p>　　把數(shù)據(jù)轉(zhuǎn)換為之間，采用如下公式：</p><p&g

88、t;<b>　　(3.16)</b></p><p>　　max和min分別表示該變量x的最大最小值。</p><p>　　數(shù)據(jù)歸一化的語句的語法格式為：</p><p>　　net=newff(minmax(n1),[NodeNum TypeNum],{TF1 TF2},'trainlm');</p><p

89、>　　注意，使用預(yù)處理方法時(shí)，應(yīng)該使用相同的處理參數(shù)對(duì)后面的測(cè)試樣本以及觀測(cè)樣本進(jìn)行處理。 </p><p>　　3.3 系統(tǒng)仿真，訓(xùn)練與測(cè)試</p><p>　　輸入層根據(jù)輸入元的個(gè)數(shù)選取，因?yàn)檫x取主元數(shù)為4，所以輸入層神經(jīng)元個(gè)數(shù)選為n=4。因?yàn)楸緦?shí)驗(yàn)中故障是互斥的，所以選用5個(gè)神經(jīng)元輸出構(gòu)成輸出向量。BP網(wǎng)絡(luò)采用單隱層，由經(jīng)驗(yàn)公式有，隱層單元數(shù)暫選為9個(gè)。</p>

90、<p><b>　　3.3.1網(wǎng)絡(luò)訓(xùn)練</b></p><p>　　本設(shè)計(jì)采用MATLAB軟件進(jìn)行的系統(tǒng)仿真，網(wǎng)絡(luò)中間層的傳遞函數(shù)為tansig；輸出層傳遞函數(shù)為logsig。訓(xùn)練函數(shù)取默認(rèn)函數(shù)trainlm。最大訓(xùn)練次數(shù)為1000，最小均方誤差為1e-3。網(wǎng)絡(luò)訓(xùn)練性能如圖所示。 </p><p>　　下圖3.4-3.8分別為NodeNum=9，Node

91、Num=7，NodeNum=5，NodeNum=11，NodeNum=13的網(wǎng)絡(luò)性能圖。表3.5為不同隱層節(jié)點(diǎn)數(shù)達(dá)到要求誤差小于10-3所需步數(shù)。</p><p>　　圖3.4 NodeNum=9 圖3.5 NodeNum=7</p><p>　　圖3.6 NodeNum=5

92、 圖3.7 NodeNum=11</p><p>　　圖3.8 NodeNum=13</p><p>　　表3.5 不同隱層節(jié)點(diǎn)數(shù)達(dá)到要求誤差小于10-3所需步數(shù)</p><p>　　綜上，選擇Node Num=7最合適。</p><p>　　輸入層與隱含層的權(quán)值如下：</p><p><b>　　

93、iw1 =</b></p><p>　　0.0003 -0.0951 0.0101 0.0326</p><p>　　0.0023 -0.0543 0.0008 -0.0196</p><p>　　1.3724 0.5489 0.0208 -0.2639</p><p>　　-0.06

94、22 0.7230 0.0854 0.0833</p><p>　　-0.1036 -0.0318 0.0118 0.0701</p><p>　　0.0328 0.0838 -0.0677 -0.0849</p><p>　　0.2911 -0.3395 0.0433 -0.0844</p>

95、<p><b>　　隱含層神經(jīng)元閾值：</b></p><p><b>　　b1 =</b></p><p><b>　　-0.4774</b></p><p><b>　　0.4871</b></p><p><b>　　-0.4

96、505</b></p><p><b>　　-2.1630</b></p><p><b>　　-2.6329</b></p><p><b>　　-3.0621</b></p><p><b>　　-1.4569</b></p>

97、<p>　　隱含層與輸出層的權(quán)值如下：</p><p><b>　　iw2 =</b></p><p>　　-1.6455 1.9003 -1.8892 -0.0927 -0.2249 1.8802 1.0265</p><p>　　1.5637 0.9935 0.4136 1.637

98、5 0.3654 1.2185 -0.2088</p><p>　　-0.5861 1.9613 -1.9843 1.2778 0.6004 -0.7740 1.4079</p><p>　　-1.7977 1.6443 0.3638 0.9328 -1.2514 0.9156 -1.7688</p>

99、;<p>　　-0.2086 -1.5662 -3.9866 0.3084 1.8040 -0.1066 0.3997</p><p><b>　　輸出層神經(jīng)元閾值：</b></p><p><b>　　b2 =</b></p><p><b>　　2.2853<

100、/b></p><p><b>　　-1.8355</b></p><p><b>　　-1.0890</b></p><p><b>　　-1.3472</b></p><p><b>　　1.4607</b></p><p&g

101、t;<b>　　3.3.2網(wǎng)絡(luò)測(cè)試</b></p><p>　　為了檢驗(yàn)網(wǎng)絡(luò)的故障診斷能力和準(zhǔn)確性，把測(cè)試數(shù)據(jù)輸入到訓(xùn)練好的BP網(wǎng)絡(luò)中去并運(yùn)行程序。</p><p><b>　　輸出為：</b></p><p><b>　　X =</b></p><p>　　0 0

102、 0</p><p>　　1 0 0</p><p>　　0 0 0</p><p>　　0 1 0</p><p>　　0 0 1</p><p><b>　　Result =</b></p><p>　

103、　1 1 1</p><p><b>　　Percent =</b></p><p><b>　　1</b></p><p>　　輸出結(jié)果表明：采用BP神經(jīng)網(wǎng)絡(luò)方法診斷變壓器故障，故障診斷率為100%，說明了本文診斷模型的可行性。</p><p>　　4 基于RBF神經(jīng)網(wǎng)絡(luò)的變壓器故

104、障檢測(cè)模型</p><p><b>　　4.1 RBF網(wǎng)絡(luò)</b></p><p>　　4.1.1 RBF網(wǎng)絡(luò)概述 </p><p>　　RBF神經(jīng)網(wǎng)絡(luò)即徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial Basis Function Neural Networks）是一種三層前饋式神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層、輸出層三層節(jié)點(diǎn)組成，其結(jié)構(gòu)圖如圖4.1所示。<

105、/p><p>　　圖4.1 RBF神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)</p><p>　　RBF神經(jīng)網(wǎng)絡(luò)是一種前向神經(jīng)網(wǎng)絡(luò)，其隱含層激活函數(shù)通常為有著局部接受域的函數(shù)，即只有當(dāng)輸入在某一范圍的時(shí)候才會(huì)才會(huì)有輸出。因而，RBF網(wǎng)絡(luò)也叫做局部接受域網(wǎng)絡(luò)。它的局部接受特性使得其避免了BP網(wǎng)絡(luò)超平面內(nèi)分割帶來的隨意劃分的特性。在RBF神經(jīng)網(wǎng)絡(luò)中，隱含層單元的中心及半徑也是提前設(shè)定好的，僅隱含層和輸出層之間的權(quán)值是可調(diào)的

106、。隱含層執(zhí)行一種固定不變的非線性變換，將輸入空間映射到一個(gè)新的隱含層空間中，進(jìn)而輸出層再在此新空間中完成線性組合。因?yàn)檩敵鰧訂卧男蕴匦裕鋮?shù)調(diào)節(jié)會(huì)很簡(jiǎn)單。此外，研究發(fā)現(xiàn)，RBF網(wǎng)絡(luò)用的非線性激活函數(shù)的形式對(duì)網(wǎng)絡(luò)的性能影響并不是很重要，關(guān)鍵因素是基函數(shù)。</p><p>　　RBF與BP神經(jīng)網(wǎng)絡(luò)的區(qū)別可以總結(jié)如下[24]：</p><p>　　１.RBF神經(jīng)網(wǎng)絡(luò)為固定的兩層結(jié)構(gòu)（不包括輸

107、入層），而ＢＰ網(wǎng)絡(luò)則是三層或多層；</p><p>　　2. RBF對(duì)輸入空間具有局部接受特性，而ＢＰ網(wǎng)絡(luò)在較大的輸入范圍內(nèi)都會(huì)有非零響應(yīng)；</p><p>　　3. RBF的輸出一定是線性的，而ＢＰ網(wǎng)絡(luò)的輸出則可以是線性也可以是非線性的；</p><p>　　4. RB神經(jīng)元是對(duì)輸入和中心之間的距離進(jìn)行某種線性變換，而ＢＰ網(wǎng)絡(luò)則是對(duì)輸入加權(quán)和進(jìn)行某種非線性變換。&

108、lt;/p><p>　　4.1.2 RBF網(wǎng)絡(luò)原理</p><p>　　以單個(gè)輸出神經(jīng)元為例，RB網(wǎng)絡(luò)由輸入層，隱含層，輸出層構(gòu)成的三層前向網(wǎng)絡(luò)。隱含層采用徑向基函數(shù)作為激勵(lì)函數(shù)。徑向基函數(shù)就是一種沿徑向?qū)ΨQ的標(biāo)量函數(shù)，通常我們將其定義為空間中任意一點(diǎn)Ｘ到某一中心之間的歐氏距離的單調(diào)函數(shù)，記為Ｋ（||Ｘ－XC||），它的作用是局部的，也就是說如果X離很遠(yuǎn)，那么其值就會(huì)很小。我們最經(jīng)常用的徑向基

109、函數(shù)是高斯核函數(shù)，形式為。其中是核函數(shù)的中心，為函數(shù)的寬度參數(shù)，控制著函數(shù)的徑向作用范圍。</p><p>　　隱含層的每個(gè)神經(jīng)元和輸入層相連的權(quán)向量Ｗｌｉ和輸入矢量Xq(地q個(gè)輸入向量)之間的距離乘上閾值bli作為本身的輸入，如圖4.2所示[25]。</p><p>　　圖4.2 RBF網(wǎng)絡(luò)隱含層神經(jīng)元的輸入與輸出</p><p>　　由此可得[26]隱含層 的第

110、i個(gè)神經(jīng)元的輸入為：</p><p><b>　　(4.1)</b></p><p><b>　　輸出為：</b></p><p><b>　　(4.2)</b></p><p>　　徑向基函數(shù)的閾值bl 可以函數(shù)的靈敏度，但實(shí)際工作中我們經(jīng)常用C(擴(kuò)展常數(shù))。Bl和C的關(guān)系在

111、MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中為</p><p><b>　　(4.3)</b></p><p>　　將4.3代入4.2中，就會(huì)發(fā)現(xiàn)實(shí)際上C值的大小反應(yīng)了輸出對(duì)輸入的響應(yīng)寬度。C越大，隱含層對(duì)輸入矢量的響應(yīng)范圍就會(huì)越大，而且神經(jīng)元間的平滑度也較好。</p><p>　　輸出層的輸入為各隱含層神經(jīng)元的輸出的加權(quán)和。輸出為：</p>&

112、lt;p><b>　　(4.4)</b></p><p>　　4.2 RBF網(wǎng)絡(luò)模型設(shè)計(jì)</p><p>　　4.2.1 RBF網(wǎng)絡(luò)模型</p><p><b>　　1.神經(jīng)網(wǎng)絡(luò)層數(shù)</b></p><p>　　選取由輸一個(gè)入層、一個(gè)非線性隱含層、一線性個(gè)輸出層組成的三層節(jié)點(diǎn)RBF神經(jīng)網(wǎng)絡(luò)。&

113、lt;/p><p><b>　　2.傳遞函數(shù)</b></p><p>　　隱含層選擇常用的高斯核函數(shù)作為傳遞函數(shù)，輸出層選用線性傳遞函數(shù)。</p><p>　　3.網(wǎng)絡(luò)輸入輸出節(jié)點(diǎn)</p><p>　　由于RBF網(wǎng)絡(luò)的訓(xùn)練目的和BP網(wǎng)絡(luò)是一樣的，都是為了判斷出變壓器的故障類型，因而我們采用相同的輸入輸出節(jié)點(diǎn)，即網(wǎng)絡(luò)有個(gè)輸入節(jié)