【文章內(nèi)容簡介】 分析技術(shù)等大大提高了信號處理技術(shù)。 故障診斷是設(shè)備故障診斷技術(shù)的核心，識別設(shè)備狀態(tài)異常與否，異常后再分析原因，此為診斷的實質(zhì)。目前，診斷技術(shù)按信號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，儀器處理后的信號主要由人去分析。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。 神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)是由簡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)具有存儲和應(yīng)用經(jīng)驗知識的自然特性，它與人腦的相似之處概括為兩個方面：一是通過學(xué)習(xí)過程，利用神經(jīng)網(wǎng)絡(luò)從外部環(huán)境中獲取知識；二是內(nèi)部神經(jīng)元可以用來存儲獲取的知識信息。 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描寫，而只是它的某種抽象、簡化和模擬。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。 一般而言，神經(jīng)元模型應(yīng)具備三個要素： 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； 具有反映生物神經(jīng)時空整合功能的輸入信號累加器。 陜西理工學(xué)院畢業(yè)設(shè) 計 第 6頁 共 46 頁 具有一個激勵函數(shù)用于限制神經(jīng)元輸出。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。 一個典型的人工神經(jīng)元模型如圖 所示 ∑P1P2P3W1W2W3nf( * )by 圖 人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本單元，從圖 中可以看出，它相當(dāng)于一個多輸入單輸出的非線性閾值器件。定義 12[ , , , ]Trp p p l p? 表示其他神經(jīng)元的輸出，亦即該神經(jīng)元的輸入向量；12[ , , , ]rw w w l w? 表示其他神經(jīng)元與該神經(jīng)元 R 個突觸地連接強(qiáng)度，亦即權(quán)值向量；其每個元素的值可正可負(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 iiwp? 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)。 傳輸函數(shù)一般為單調(diào)升函數(shù)，但它又是一個有限值函數(shù)，神經(jīng)元的輸出可以表示為 1()riiia f w p ????? （ ） 神經(jīng)網(wǎng)絡(luò)具有高速并行處理、分布存儲信息等特性，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、容錯性、非線性映射、高魯棒性、聯(lián)想記憶功能、分類和識別、知識處理、推理意識功能強(qiáng)等特點。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。 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 。 訓(xùn) 練 集 測 試 集訓(xùn) 練 測 試達(dá) 到目 標(biāo)投入工作調(diào) 整 學(xué) 習(xí) 參數(shù) ， 再 次 學(xué) 習(xí)NY 圖 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程 一般而言，訓(xùn)練集只占到整個知識空間的一極少部分，訓(xùn)練完成以后，通過對測試集的 測試來評價其學(xué)習(xí)效果，從而來考察神經(jīng)網(wǎng)絡(luò)對未知的知識的推廣學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)還具有在線學(xué)習(xí)的能力，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。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)于是對函數(shù)的一種外推和內(nèi)插。 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）、模式識別與分類、預(yù)測和預(yù)報等。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)用于故障診斷時，相當(dāng)于把每一類型的故障視 為一個模式類，通過網(wǎng)絡(luò)的學(xué)習(xí)，找出該模式類的內(nèi)在規(guī)律與特點并區(qū)別于其他類型，以實現(xiàn)故障診斷。網(wǎng)絡(luò)的每一個訓(xùn)練樣本和測試樣本都是由 “ 癥狀 ” 與 “ 原因 ” 構(gòu)成。 “ 癥狀 ” 為輸入， “ 原因 ” 為輸出 [1819]。 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(jī)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。當(dāng)故障不太嚴(yán)重，產(chǎn)氣量較少時，所產(chǎn)生的氣體形成的氣泡在油里經(jīng)對流、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，就會加快這些氣體的產(chǎn)生。當(dāng)產(chǎn)生速率大于溶解速率時，在變壓器里會有一部分氣體進(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]。 新投運的變壓器，特別是國產(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，運行初期往往有氫氣、一氧化碳和二氧化碳?xì)怏w組分增加較快的現(xiàn)象，但達(dá)到一定極限含量后會逐漸降低。絕緣油在精煉過程中會形成少量氣體，脫氣時不可能完全去除。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。 我國現(xiàn)行的《變壓器油中溶解氣體分析和判斷導(dǎo)則 》中對新變壓器的氣體含量極限值給出了明確規(guī)定 [21]，如表 所示，對于新投運的變壓器還要求出廠試驗前后的兩次分析結(jié)果，以及投運前后的兩次分析結(jié)果不能有明顯區(qū)別。正常運行中的變壓器其注意值如表 所示，當(dāng)氣體濃度達(dá)到注意值時，應(yīng)該對變壓器進(jìn)行追蹤分析，查明原因 。 表 出廠和投運前電氣設(shè)備氣體含量的極限值 氣體 變壓器和電抗器 互感器 套管 氫氣 ＜ 30 ＜ 50 ＜ 150 乙炔 0 0 0 總烴 ＜ 20 ＜ 10 ＜ 10 陜西理工學(xué)院畢業(yè)設(shè) 計 第 8頁 共 46 頁 表 運行中電氣設(shè)備氣體含量的注意值 設(shè)備氣體組分含量 330kV 及以上 220kV 及以下 乙炔 1 5 變壓器和電抗器 總烴 150 150 氫氣 150 150 甲烷 100 100 套管 乙炔 1 2 氫氣 500 500 當(dāng)變壓器發(fā)生故障時不同故障類型所產(chǎn)生的主要特征氣體有所差異，將其歸納為表 . 表 不同故障產(chǎn)生的氣體差異 故障類型 主要氣體成分 次要氣體成分 油過熱 甲烷、乙烯 氫氣、乙烷 油和紙過熱 甲烷、乙烯、一氧化碳 、二氧化碳 氫氣、乙烷 油紙絕緣中局部放電 氫氣、甲烷、一氧化碳 乙炔、乙烷、二氧化碳 油中火花放電 氫氣、乙炔 油中電弧放電 氫氣、乙炔 甲烷、乙烯、乙烷 油和紙中電弧放電 氫氣、乙炔、一氧化碳、 _氧化碳 甲烷、乙烯、乙烷 陜西理工學(xué)院畢業(yè)設(shè) 計 第 9頁 共 46 頁 3 基于 BP神經(jīng)網(wǎng)絡(luò)的變壓器故障檢測模型 BP 網(wǎng)絡(luò) （ 1） BP 網(wǎng)絡(luò)機(jī)理 Vi jWi jd1d2dlO1O2OlX1X2Xl輸入期望輸出向量隱 含 層 輸 出 層+++信 號 流誤 差 圖 BP 網(wǎng)絡(luò)結(jié)構(gòu) 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 。 （ 2） BP 網(wǎng)絡(luò)算法 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，還有隱含層節(jié)點，經(jīng)過作用函數(shù)后，再把隱節(jié)點的輸出信息傳播到輸出節(jié)點，最后給出結(jié)果。 此算法的學(xué)習(xí)過程可以描述如下： 工作信號正向傳播：輸入信號從輸入層經(jīng)過隱含層單元，傳向輸出層，在輸出端產(chǎn)生輸出信號，這就是工作信號的正向傳播。在信號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不是理想的輸出信號，則轉(zhuǎn)入誤差信號反向傳播。 誤差信號反向傳播：網(wǎng)絡(luò)的實際輸出與理想輸出之間的差值即為誤差信號，誤差信號由輸出端開始逐層向前傳播， 這是誤差信號的反向傳播。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)，使輸出接近期望。 系統(tǒng)不斷地循環(huán)這兩個過程，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。 在三層前饋網(wǎng)絡(luò)中，假設(shè)輸入向量為 X=（ x1,x2,?x n） 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, ?y m) T，如加入 b2=1,可為輸出神經(jīng)元引入閥值；輸出層向量為O=(o1,o2,?o l)T，期望輸出向量為 D=(d1,d2,?d l) T，輸入層到隱層之間的權(quán)值矩陣用 V 來表示， 陜西理工學(xué)院畢業(yè)設(shè) 計 第 10頁 共 46頁 V=(v1,v2, ?v m) T ，列向量 vj表示隱層第 j 個神經(jīng)元對應(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 個神經(jīng)元對應(yīng)的權(quán)向量。 下面為各層信號之間的數(shù)學(xué)關(guān)系 [22]： 對于輸入層，輸入輸出均為 X： 對于隱層有 輸入： 10nj ij ii v x b???? ， j=1， 2， ?,m ； () 輸出： ()jjy f ? ， j=1， 2， ?,m ； () 對于輸出層有： 輸入： 20mk jk j