【正文】 25]。 輸出層的輸入為各隱含層神經元的輸出的加權和。 隱含層節(jié)點數(shù)的確定 在 RBF 網絡的訓練過程中至關重要，傳統(tǒng)的選法是使其與輸入向量的元素個數(shù)一樣。 RBF網絡 參數(shù)的選取 在 RBF 網絡中可調的參數(shù)為：隱函數(shù)基函數(shù)中心、方差及輸出單元的權值這些參數(shù)的選擇方法如下： 1. 依據(jù)經驗選擇函數(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，所以其權值可以簡單地用最小二乘法來 計算； 3．三組可調參數(shù)都通過訓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 仍然需要進一步的研究。 RBF網絡 訓練方法的確定 該網絡的學習步驟分為兩步：一、確定高斯核函數(shù)的中心和寬度；二、調節(jié)輸出層和隱含層的權值，用線性優(yōu)化技術，比如最小二乘法。 。 陜西理工學院畢業(yè)設 計 第 22頁 共 46頁 在 MATLAB 環(huán)境下進行仿真時隱含層節(jié)點數(shù)可以在訓練過程中獲得最佳，不必事前設定。 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的關系在 MATLAB 神經網絡工具箱中為 1 /iibC? () 將 代入 中，就會發(fā)現(xiàn)實際上 C 值的大小反應了輸出對輸入的響應寬度。我們最經常用的徑向基函數(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 神經網絡的區(qū)別可以總結如下 [24]： １ .RBF 神經網絡為固定的兩層結構（不包括輸入層），而ＢＰ網絡則是三層或多層； 2. RBF 對輸入空間具有局部接受特性，而ＢＰ網絡在較大的輸入范圍內都會有非零響應； 3. RBF 的輸出一定是線性的，而ＢＰ網絡的輸出則可以是線性也可以是非線性的； 4. RB 神經元是對輸入和中心之間的距離進行某種線性變換，而ＢＰ網絡則是對輸入加權和進行某種非線性變換。在 RBF 神經網絡中，隱含層單元的中心及半徑也是提前設定好的，僅隱含層和輸出層之間的權值是可調的。 陜西理工學院畢業(yè)設 計 第 20頁 共 46頁 4 基于 RBF 神經網絡的變壓器故障檢測模型 RBF 網絡 RBF網絡概述 RBF 神經網絡即徑向基函數(shù)神經網絡（ Radial Basis Function Neural Networks） 是 一種三層前饋式神經網絡， 由 輸入層、隱含層、輸出層 三層節(jié)點組成，其結構圖如圖 所示。表 為不同隱層節(jié)點數(shù)達到要求誤差小于 103所需步數(shù)。訓練函數(shù)取默認函數(shù) trainlm。 系統(tǒng)仿真，訓練與測試 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)對輸入和輸出進行函數(shù)轉換，可以將無限域的輸入變成指定的有限范圍內的輸入。 ① 單層隱層，隱層單元數(shù)為 (2 )nm? 。 4）隱層節(jié)點數(shù)的設計 一個具有無限隱層節(jié)點數(shù)的兩層 BP 神經網絡可以實現(xiàn)任意輸入到輸出的非線性映射。增加層數(shù)的目的在于進一步的降低誤差，同時也使網絡更為復雜，增加了網絡的權閥值訓練時間。 2）輸出向量的確定 網絡的輸出節(jié)點數(shù)等于故障類型數(shù)。網絡對較小的數(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；而太多不相關的特征向量又會使網絡的收斂性變差。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。 由上可推導出整，各層權值的調整公式： ojk jk k iyij ij j iw w yv v x????? ? ? ??? () 以此為依據(jù)可對權值進行調，完成對神經網絡的訓練。39。對隱含層始終有 i=0,1,2 ,?n。因而調節(jié)各權值便可改變誤差 E。此刻將新樣本輸入到已經訓練好的網絡，就可以得到相應的輸出值。如果在輸出層得到的輸出信號不是理想的輸出信號，則轉入誤差信號反向傳播。典型的 BP 神經網絡結構，是由輸入層、隱含層和輸出層構成的 ,如圖 。如果變壓器以前發(fā)生過故障，那么故障產生的氣體即使經過脫氣處理后，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)熱和放電的產生程度不同，所產生的氣體種類、油中溶解氣體的濃度、各種氣體的比例關系也不相同。 變壓器故障與油中溶解氣體的關系 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，產生少量的各種低分子烴類及 CO,CO2氣體，而變壓器的內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網絡 陜西理工學院畢業(yè)設 計 第 7頁 共 46 頁 可用于故障的檢測診斷。神經網絡還具有在線學習的能力，這種通過對少數(shù)已知樣本的學習來獲取未知的知識能力，也叫做泛化能力。人工神經網絡是在現(xiàn)代神經科學研究領域成果的基礎上提出來的，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，將其成為有限值，通常神經元輸出的擴充范圍在 (0,1)或（ 1,1）閉區(qū)間。網絡的信息處理是由神經元之間 的相互合作來實現(xiàn)，知識和信息的存儲表現(xiàn)為網絡元件互連，網絡的學習和識別取決于各神經元連接權值的動態(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、自適應濾波技術、小波分析技術等大大提高了信號處理技術。因而，信號采集是設備故障診斷的前提。 其運作流程如圖 所示 : 設 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，故障診斷技術和神經網絡的基本理論是研究的基礎和重點。 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。 具體內容包括： 1)選擇合適的神 經網絡算法，本文采用 BP 神經網絡 、 RBF 神經網絡和支持向量機 。隨著各種智能方法的應用研究，將多種智能方法融合起來進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)學相關性不確定的故障現(xiàn)象的診斷，其準確性難以保證。專家系統(tǒng)在解決難以建立數(shù)學模型，較多依賴人類專家經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論，因此國內外有不少學者從專家系統(tǒng)的角度去研究變壓器故障診斷 [1314]，與此同時，很多學者將專家系統(tǒng)與其它智能方法結合，進行變壓器的故障 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。近年來很多國內外研究學者都致力于運用神經網絡進行變壓器故障診斷的研究。在神經網絡系統(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，神經網絡具有很強的學習能力、信息處理能力和學習過程中的完善性能。這樣油就 帶正電而紙板表面帶負電。隨著故 障的發(fā)展和擴大，常常會變成火花放電和電弧放電。放電時產生的高壓氣體引起絕緣體開裂并形成新的放電點，產生惡性循環(huán)；同時放電產生的雜質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。無載分接開關常見的故障有：變壓器滲油是無載分接開關裸露在空氣中受潮，導致絕緣性能下降，產生放電短路，損壞變壓器；無載分接開 關的設計和制造質量差，結構不合理，引起動靜觸頭絕緣擊穿，使兩抽頭間短路或對地短路放電，燒壞抽頭線圈；變壓器油的老化引起分接開關觸頭出現(xiàn)碳化膜和油垢，使導電部位接觸不良，接觸電阻增大，產生發(fā)熱和電弧而燒壞開關。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成，其復雜的結構會導致各種各樣的故障發(fā)生。其他的國 家診斷技術也各有特色，如英國在摩擦診斷，丹麥在振聲診斷，日本在應用方面都具有優(yōu)勢 [5]。 國內外發(fā)展狀況 診斷理論作為狀態(tài)識別方法的基礎，在工程與技術、生物與醫(yī)學及經濟與社會領域里都有著廣泛的應用。只有正確地評估、準確地診斷、可靠地預測變壓器的運行狀態(tài)，才能指導現(xiàn)場對缺陷變壓器開展狀態(tài)檢修，提高檢修質量，避免檢修人力、物力和財力的浪費。 [關鍵詞 ]:變壓器 故障檢測 神經網絡 BP 算法 RBF 算法 支持向量機 陜西理工學院畢業(yè)設 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