【正文】 類型，故障編碼如表 所示。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，過少無法達到需要的誤差，過多則又可能造成過渡擬合，訓練效果會不好。 基于 BP 神經(jīng)網(wǎng)絡(luò)變壓器故障檢測模型 Vi jWi jd1d2d3O1O2O3輸入隱 含 層 輸 出 層+++信 號 流++故 障 1期望輸出向量故 障 2故 障 3故 障 4故 障 5O4O5d4d5C H4H2C 1 + C 2C 2 H 2誤 差 圖 BP 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu) 數(shù)據(jù)歸一化處理 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： 把數(shù)據(jù)轉(zhuǎn)換為 ? ?0,1 之間，采用如下公式： 陜西理工學院畢業(yè)設(shè) 計 第 16頁 共 46頁 min39。 BP 網(wǎng)絡(luò)采用單隱層，由經(jīng)驗公式 (2 1)n?有，隱層單元數(shù)暫選為 9 個。 輸入層與隱含層的權(quán)值如下： iw1 = 隱含層神經(jīng)元閾值： b1 = 陜西理工學院畢業(yè)設(shè) 計 第 18頁 共 46頁 隱含層與輸出層的權(quán)值如下： iw2 = 輸出層神經(jīng)元閾值： b2 = 網(wǎng)絡(luò)測試 為了檢驗網(wǎng)絡(luò)的故障診斷能力和準確性，把測試數(shù)據(jù)輸入到訓練好的 BP 網(wǎng)絡(luò)中去并運行程序。 因為輸出層單元的性特性，其參數(shù)調(diào)節(jié)會很簡單。 陜西理工學院畢業(yè)設(shè) 計 第 21頁 共 46頁 隱含層的每個神經(jīng)元和輸入層相連的權(quán)向量Ｗｌ ｉ 和輸入矢量 Xq(地 q個輸入向量 )之間的距離乘上閾值 bli作為本身的輸入，如圖 所示 [25]。 隱含層節(jié)點數(shù)的確定 在 RBF 網(wǎng)絡(luò)的訓練過程中至關(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。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)都通過訓練樣本用誤差糾正法得到。 RBF網(wǎng)絡(luò) 訓練方法的確定 該網(wǎng)絡(luò)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(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。 陜西理工學院畢業(yè)設(shè) 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(shè)定。 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 值的大小反應了輸出對輸入的響應寬度。 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； 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行某種線性變換，而ＢＰ網(wǎng)絡(luò)則是對輸入加權(quán)和進行某種非線性變換。 陜西理工學院畢業(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。訓練函數(shù)取默認函數(shù) trainlm。 數(shù)據(jù)歸一化的語句的語法格式為： =newff(minmax(n1),[NodeNum TypeNum],{TF1 TF2},39。 ① 單層隱層，隱層單元數(shù)為 (2 )nm? 。增加層數(shù)的目的在于進一步的降低誤差，同時也使網(wǎng)絡(luò)更為復雜，增加了網(wǎng)絡(luò)的權(quán)閥值訓練時間。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。 由上可推導出整，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)值進行調(diào)，完成對神經(jīng)網(wǎng)絡(luò)的訓練。對隱含層始終有 i=0,1,2 ,?n。此刻將新樣本輸入到已經(jīng)訓練好的網(wǎng)絡(luò)，就可以得到相應的輸出值。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 。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。其中對模式識別與分類能力使神經(jīng)網(wǎng)絡(luò) 陜西理工學院畢業(yè)設(shè) 計 第 7頁 共 46 頁 可用于故障的檢測診斷。人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學研究領(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。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)的學習和識別取決于各神經(jīng)元連接權(quán)值的動態(tài)演化過程。新興的數(shù)字濾波技術(shù)、自適應濾波技術(shù)、小波分析技術(shù)等大大提高了信號處理技術(shù)。 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。 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。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。對于一些數(shù)學相關(guān)性不確定的故障現(xiàn)象的診斷，其準確性難以保證。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。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)具有很強的學習能力、信息處理能力和學習過程中的完善性能。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。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。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)。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。 變壓器故障種類 變壓器通常由許多部件構(gòu)成，其復雜的結(jié)構(gòu)會導致各種各樣的故障發(fā)生。 國內(nèi)外發(fā)展狀況 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)學及經(jīng)濟與社會領(lǐng)域里都有著廣泛的應用。 [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 for transformer fault detection offers a new way. Therefore. This article will use three different neural work (BP work, RBF work, support vector machine) used in transformer fault detection, are introduced the basic structure of the work and the principle and design and simulation model. key words : transformer ,fault detection ,neural work ,BP algorithm ,RBF algorithm ,support vector machine. 陜西理工學院畢業(yè)設(shè) 計 目錄 1 緒論