【正文】 25]。 輸出層的輸入為各隱含層神經(jīng)元的輸出的加權(quán)和。 隱含層節(jié)點數(shù)的確定 在 RBF 網(wǎng)絡(luò)的訓(xùn)練過程中至關(guān)重要，傳統(tǒng)的選法是使其與輸入向量的元素個數(shù)一樣。 RBF網(wǎng)絡(luò) 參數(shù)的選取 在 RBF 網(wǎng)絡(luò)中可調(diào)的參數(shù)為：隱函數(shù)基函數(shù)中心、方差及輸出單元的權(quán)值這些參數(shù)的選擇方法如下： 1. 依據(jù)經(jīng)驗選擇函數(shù)中心。在選定了隱含層基函數(shù)的參數(shù)后，因為其輸出單元式線性的，所以其權(quán)值可以簡單地用最小二乘法來 計算； 3．三組可調(diào)參數(shù)都通過訓(xùn)練樣本用誤差糾正法得到。此法運算速度快，簡單可行，但是不適合遞推運算，而且基函數(shù)的確定 仍然需要進(jìn)一步的研究。 RBF網(wǎng)絡(luò) 訓(xùn)練方法的確定 該網(wǎng)絡(luò)的學(xué)習(xí)步驟分為兩步：一、確定高斯核函數(shù)的中心和寬度；二、調(diào)節(jié)輸出層和隱含層的權(quán)值，用線性優(yōu)化技術(shù)，比如最小二乘法。 。 陜西理工學(xué)院畢業(yè)設(shè) 計 第 22頁 共 46頁 在 MATLAB 環(huán)境下進(jìn)行仿真時隱含層節(jié)點數(shù)可以在訓(xùn)練過程中獲得最佳，不必事前設(shè)定。 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) 。 Bl 和 C的關(guān)系在 MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱中為 1 /iibC? () 將 代入 中，就會發(fā)現(xiàn)實際上 C 值的大小反應(yīng)了輸出對輸入的響應(yīng)寬度。我們最經(jīng)常用的徑向基函數(shù)是高斯核函數(shù)，形式為 ( | | | | ) e x p { | | | | 2 / ( 2 * ) 2 ) }k x X c x X c ?? ? ? ? ? ?。 RBF 與 BP 神經(jīng)網(wǎng)絡(luò)的區(qū)別可以總結(jié)如下 [24]： １ .RBF 神經(jīng)網(wǎng)絡(luò)為固定的兩層結(jié)構(gòu)（不包括輸入層），而ＢＰ網(wǎng)絡(luò)則是三層或多層； 2. RBF 對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)都會有非零響應(yīng)； 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； 4. RB 神經(jīng)元是對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)則是對輸入加權(quán)和進(jìn)行某種非線性變換。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。 陜西理工學(xué)院畢業(yè)設(shè) 計 第 20頁 共 46頁 4 基于 RBF 神經(jīng)網(wǎng)絡(luò)的變壓器故障檢測模型 RBF 網(wǎng)絡(luò) RBF網(wǎng)絡(luò)概述 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)點組成，其結(jié)構(gòu)圖如圖 所示。表 為不同隱層節(jié)點數(shù)達(dá)到要求誤差小于 103所需步數(shù)。訓(xùn)練函數(shù)取默認(rèn)函數(shù) trainlm。 系統(tǒng)仿真，訓(xùn)練與測試 輸入層根據(jù)輸入元的個數(shù)選取，因為選取主元數(shù)為 4，所以輸入層神經(jīng)元個數(shù)選為 n=4。 數(shù)據(jù)歸一化的語句的語法格式為： =newff(minmax(n1),[NodeNum TypeNum],{TF1 TF2},39。通過激活函數(shù)對輸入和輸出進(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。 ① 單層隱層，隱層單元數(shù)為 (2 )nm? 。 4）隱層節(jié)點數(shù)的設(shè)計 一個具有無限隱層節(jié)點數(shù)的兩層 BP 神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)任意輸入到輸出的非線性映射。增加層數(shù)的目的在于進(jìn)一步的降低誤差，同時也使網(wǎng)絡(luò)更為復(fù)雜，增加了網(wǎng)絡(luò)的權(quán)閥值訓(xùn)練時間。 2）輸出向量的確定 網(wǎng)絡(luò)的輸出節(jié)點數(shù)等于故障類型數(shù)。網(wǎng)絡(luò)對較小的數(shù)據(jù)不敏感，在選擇輸入向量時，輸入模式選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)的特征向量又會使網(wǎng)絡(luò)的收斂性變差。檢測 的氣體濃度為 CH H [C1+C2]、 C2H2四種，故障分 5 級：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。 由上可推導(dǎo)出整，各層權(quán)值的調(diào)整公式： ojk jk k iyij ij j iw w yv v x????? ? ? ??? () 以此為依據(jù)可對權(quán)值進(jìn)行調(diào)，完成對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。39。對隱含層始終有 i=0,1,2 ,?n。因而調(diào)節(jié)各權(quán)值便可改變誤差 E。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。如果在輸出層得到的輸出信號不是理想的輸出信號，則轉(zhuǎn)入誤差信號反向傳播。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 。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，因而變壓器在投運前就可能含有少量故障特征氣體，正常運行中的變壓器油中也會含有某些故障特征氣體。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。 變壓器故障與油中溶解氣體的關(guān)系 對于大型電力變壓器，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絕緣材料在運行電壓下隨運行時間的增加，因放電和熱的作用會逐漸老化和分解，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 CH C2H C2H C2H H CO 和 CO2等氣體。其中對模式識別與分類能力使神經(jīng)網(wǎng)絡(luò) 陜西理工學(xué)院畢業(yè)設(shè) 計 第 7頁 共 46 頁 可用于故障的檢測診斷。神經(jīng)網(wǎng)絡(luò)還具有在線學(xué)習(xí)的能力，這種通過對少數(shù)已知樣本的學(xué)習(xí)來獲取未知的知識能力，也叫做泛化能力。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，信息的分布存儲和并行協(xié)同能力是其特點，很適用于像故障診斷類的多變量非線性問題。激勵函數(shù)將輸出信號限制在一個允許范圍內(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。網(wǎng)絡(luò)的信息處理是由神經(jīng)元之間 的相互合作來實現(xiàn)，知識和信息的存儲表現(xiàn)為網(wǎng)絡(luò)元件互連，網(wǎng)絡(luò)的學(xué)習(xí)和識別取決于各神經(jīng)元連接權(quán)值的動態(tài)演化過程。隨著人工智能的發(fā)展，診斷的自動 化，智能化逐漸成為現(xiàn)實。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)等大大提高了信號處理技術(shù)。因而，信號采集是設(shè)備故障診斷的前提。 其運作流程如圖 所示 : 設(shè) 備 運 行 特 征 信 號 信 息 處 理 征 兆 診 斷 故 障決 策 圖 故障診斷運作流程 由圖 可知，設(shè)備診斷過程主要有信號采集，信號分析處理，故障診斷三個過程階段。 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。 3）分析故障數(shù)據(jù)的分布情況，對故障樣本和故障數(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。 具體內(nèi)容包括： 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 。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)展起來的一個方向。 1967 年 Bagley J. D最早提出遺傳算法的概念。對于一些數(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。專家系統(tǒng)在解決難以建立數(shù)學(xué)模型，較多依賴人類專家經(jīng)驗知識的問題上有獨特的優(yōu)勢，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 [1314]，與此同時，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 [1517]。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特的優(yōu)勢。近年來很多國內(nèi)外研究學(xué)者都致力于運用神經(jīng)網(wǎng)絡(luò)進(jìn)行變壓器故障診斷的研究。在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，信息的存儲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。這樣油就 帶正電而紙板表面帶負(fù)電。隨著故 障的發(fā)展和擴(kuò)大，常常會變成火花放電和電弧放電。放電時產(chǎn)生的高壓氣體引起絕緣體開裂并形成新的放電點，產(chǎn)生惡性循環(huán)；同時放電產(chǎn)生的雜質(zhì)堆積和沉積在固體絕緣上使散熱困難，使放電增強和出現(xiàn)過熱。所以可通過分析各種特征氣體與 CO 和 CO2間的伴生增長情況，來判斷固體絕緣故障的原因。 （ 5）固體絕緣故障 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、木塊等。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)計和制造質(zhì)量差，結(jié)構(gòu)不合理，引起動靜觸頭絕緣擊穿，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)。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械損傷以及電磁力引起的繞組變形等。另一方面主要是因為施工工藝不良造成短路以及鐵芯多點接地、鐵芯接地不良等。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 [68]等。 變壓器故障種類 變壓器通常由許多部件構(gòu)成，其復(fù)雜的結(jié)構(gòu)會導(dǎo)致各種各樣的故障發(fā)生。其他的國 家診斷技術(shù)也各有特色，如英國在摩擦診斷，丹麥在振聲診斷，日本在應(yīng)用方面都具有優(yōu)勢 [5]。 國內(nèi)外發(fā)展?fàn)顩r 診斷理論作為狀態(tài)識別方法的基礎(chǔ)，在工程與技術(shù)、生物與醫(yī)學(xué)及經(jīng)濟(jì)與社會領(lǐng)域里都有著廣泛的應(yīng)用。只有正確地評估、準(zhǔn)確地診斷、可靠地預(yù)測變壓器的運行狀態(tài)，才能指導(dǎo)現(xiàn)場對缺陷變壓器開展?fàn)顟B(tài)檢修，提高檢修質(zhì)量，避免檢修人力、物力和財力的浪費。 [關(guān)鍵詞 ]:變壓器 故障檢測 神經(jīng)網(wǎng)絡(luò) BP 算法 RBF 算法 支持向量機 陜西理工學(xué)院畢業(yè)設(shè) 計 Based on neural work of transformer fault detection Author： Yang wen (Grade 08， Class 01， Major Automation， Department of Electrical Engineering ， Shaanxi University of Technology ， Hanzhong ， 723003， Shaanxi ) Tutor :Hou Bo Abstract : as the most important part of the power system equipment,the power transformer to the safety of the electricity system, 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 security has important significances. The dissolved gas method, is one the most effective and found that one of the ways to detect transformer faults. Neural work has a strong pattern recognition classification ability and associative memory ability to the outside world, so neural work can be used for the transformer fault detection. Based on neural work to gases dissolved in transformer oil for the characteristic features of fault detection method f