【正文】 此法運(yùn)算速度快，簡單可行，但是不適合遞推運(yùn)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。在選定了隱含層基函數(shù)的參數(shù)后，因?yàn)槠漭敵鰡卧骄€性的，所以其權(quán)值可以簡單地用最小二乘法來 計(jì)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。 。 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(yàn)選擇函數(shù)中心。 陜西理工學(xué)院畢業(yè)設(shè) 計(jì) 第 22頁 共 46頁 在 MATLAB 環(huán)境下進(jìn)行仿真時隱含層節(jié)點(diǎn)數(shù)可以在訓(xùn)練過程中獲得最佳，不必事前設(shè)定。 隱含層節(jié)點(diǎn)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。 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) 。 輸出層的輸入為各隱含層神經(jīng)元的輸出的加權(quán)和。 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(shí)際上 C 值的大小反應(yīng)了輸出對輸入的響應(yīng)寬度。 陜西理工學(xué)院畢業(yè)設(shè) 計(jì) 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]。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 ?? ? ? ? ? ?。隱含層采用徑向基函數(shù)作為激勵函數(shù)。 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。 因?yàn)檩敵鰧訂卧男蕴匦?，其參?shù)調(diào)節(jié)會很簡單。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。因而， RBF 網(wǎng)絡(luò)也叫做局部接受域網(wǎng)絡(luò)。 陜西理工學(xué)院畢業(yè)設(shè) 計(jì) 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(diǎn)組成，其結(jié)構(gòu)圖如圖 所示。 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(xué)院畢業(yè)設(shè) 計(jì) 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(yàn)網(wǎng)絡(luò)的故障診斷能力和準(zhǔn)確性，把測試數(shù)據(jù)輸入到訓(xùn)練好的 BP 網(wǎng)絡(luò)中去并運(yùn)行程序。表 為不同隱層節(jié)點(diǎn)數(shù)達(dá)到要求誤差小于 103所需步數(shù)。網(wǎng)絡(luò)訓(xùn)練性能如圖所示。訓(xùn)練函數(shù)取默認(rèn)函數(shù) trainlm。 BP 網(wǎng)絡(luò)采用單隱層，由經(jīng)驗(yàn)公式 (2 1)n?有，隱層單元數(shù)暫選為 9 個。 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?yàn)檫x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。 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(xué)院畢業(yè)設(shè) 計(jì) 第 16頁 共 46頁 min39。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。 ③ 單層隱層，隱層單元數(shù)為 n m a??， a 是一個 0～ 10 之間的數(shù)。 ① 單層隱層，隱層單元數(shù)為 (2 )nm? 。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)練效果會不好。 4）隱層節(jié)點(diǎn)數(shù)的設(shè)計(jì) 一個具有無限隱層節(jié)點(diǎn)數(shù)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。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)。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。輸出量為 0 或 1 的五位故障編碼，對應(yīng)于上述五類故障類型，故障編碼如表 所示。 2）輸出向量的確定 網(wǎng)絡(luò)的輸出節(jié)點(diǎn)數(shù)等于故障類型數(shù)。影響正常的訓(xùn)練和診斷。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。 表 訓(xùn)練集 CH4 H2 [C1+C2] C2H2 故障等級 42 123 8 3 15 7 2 87 9 2 26 85 108 47 4 10 10 4 15 10 2 18 180 0 1 76 16 1 19 51 91 44 4 67 0 48 2 125 243 0 2 107 127 496 224 5 表 測試集 CH4 H2 [C1+C2] C2H2 故障等級 10 2 4 5 陜西理工學(xué)院畢業(yè)設(shè) 計(jì) 第 14頁 共 46頁 1）輸入向量的確定 網(wǎng)絡(luò)中輸入節(jié)點(diǎn)等于模式的維數(shù)。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。具體編程步驟如下： 1）、初始化 對權(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（ 0,1）的小數(shù)； 2）輸入訓(xùn)練樣本，計(jì)算隱層、輸出層的輸出； 3）計(jì)算網(wǎng)絡(luò)輸出誤差 設(shè)共有 P 對訓(xùn)練樣本，對應(yīng)不同的樣本具有不同的誤差 Ep，總誤差為E Ep?? /P2； 4）計(jì)算各層誤差信號 即 ? ； 5）調(diào)整各權(quán)值 用公式調(diào)整； 6）檢查是否對所有樣本完成了一次輪訓(xùn)，若 pP， p、 q 加 1， ,返回（ 2），否則繼續(xù)步驟（ 7）； 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） 其流程圖如圖 。 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。39。 39。對隱含層始終有 i=0,1,2 ,?n。 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。因而調(diào)節(jié)各權(quán)值便可改變誤差 E。 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 jj w y b???? ， k=1， 2， ?,l ； () 輸出： ()kko f ? ， k=1， 2， ?,l ； () 在上式中， f(*)為激勵函數(shù)，在此采用 S 型函數(shù)： 1() 1 afa e?? ? () f(a)具有連續(xù)性、可導(dǎo)性，且 39。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。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。 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。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 。正常運(yùn)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 。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(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含有某些故障特征氣體。 新投運(yùn)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(yùn)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。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。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。 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(yùn)行電壓下隨運(yùn)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