（电力系统及其自动化专业论文）基于ebf神经网络的变压器内部故障诊断方法研究.pdf

硕士论文 a b s t r a c t p o w e rt r a n s f o r m e ri so n eo ft h em o s ti m p o r t a n te q u i p m e n to ft h ep o w e rs y s t e m i t s f a i l u r ew i l ls e r i o u s l ya f f e c tt h es e c u r i t y , s t a b i l i t ya n de c o n o m i co ft h ep o w e rs y s t e m ，t h e r e f o r e ， i tw i l lh a v eg r e a tp r a c t i c a ls i g n i f i c a n c et os t r e n g t h e nt h es t u d yo ft h ei n t e r n a lf a u l td i a g n o s i s m e t h o do fp o w e rt r a n s f o r m e r ，a n dt h e np r o p o s eam o r ee f f e c t i v ed e t e c t i o na n dd i a g n o s i st o a v o i df a i l u r eo rl a t e n td e f e e t i nt h i sp a p e r , t h em e t h o df o rt r a n s f o r m e rf a u l td i a g n o s i sb a s e do ne l l i p s o i d a lb a s i s f u n c t i o nn e u r a ln e t w o r k ( e b f h a sb e e ne x p l o r e da n ds t u d i e d a f t e rl e a r n i n gt h ec u r r e n t s i t u a t i o na n dd e v e l o p m e n td i r e c t i o no ft r a n s f o r m e rf a u l td i a g n o s i sm e t h o dh o m ea n d a b r o a d ，t h ee b f n n h a sb e e nf o c u s e ds t u d i e di nt h i sp a p e r b a s e do ns a m p l ed a t a , s t r u c t u r eo f t h en e t w o r kh a sb e e nd e s i g n e d ，a n dt h em e t h o df o rt h et r a n s f o r m e rf a u l td i a g n o s i sb a s e do n t h es t r u c t u r eh a sb e e np r o p o s e d t h ea c t u a ln u m e r i c a le x a m p l es h o w st h a tt h i sk i n do fm e t h o d f o rf a u l td i a g n o s i so w n sh i g hr a t eo fd i a g n o s t i ca c c u r a c y ，a n dn o ts u b j e c tt on o i s e t h e nr b f n e u r a ln e t w o r k - b a s e dt r a n s f o r m e rf a u l td i a g n o s i sm e t h o da n df u z z yn e u r a ln e t w o r k - b a s e d t r a n s f o r m e rf a u l td i a g n o s i sm e t h o dw e r ec o m p a r e dw i t ht h ee b f n n - b a s e dt r a n s f o r m e rf a u l t d i a g n o s i sm e t h o d ，s i m u l a t i o nr e s u l t ss h o wt h a tt h r e ek i n d so ft r a n s f o r m e rf a u l td i a g n o s i s m e t h o d sa l lh a v eh i 曲a c c u r a c yo ff a u l td i a g n o s i s ，b u tf o rr b f n n ，s i n c ee l l i p s o i db a s i s f u n c t i o ni ne b f n nm a k e st h ei n p u ts p a c ed i v i d e dm o r ec l e a r l y , t h u se b f n n - b a s e d t r a n s f o r m e rf a u l td i a g n o s i sm e t h o do w n sah i g h e rr a t eo fc o r r e c td i a g n o s i s ；f o rf u z z yn e u r a l n e t w o r k ，t h ee b f n nh a sh i g h e rr a t eo fc o r r e c td i a g n o s i s ，a n dt h ec o n v e r g e n c es p e e di sm o r e f a s t f o l l o w e db yt e s t i n gc a p a c i t yo fas i n g l ee b f n nt od i a g n o s et h ed o u b l ef a u l to f t r a n s f o r m e r , i nv i e wo ft h eu n s a t i s f a c t o r yn a t u r eo fd i a g n o s t i cr e s u l t s ，o n em o d u l a re b f n n a n dt w om o d u l a re b f n nw e r ed e s i g n e d ，n u m e r i c a le x a m p l es h o w st h a t ：o n em o d u l a r e b f n na n ds i n g l ee b f n nn e a r l yh a v et h es a m ef a u l t d i a g n o s i sr e s u l t s ，i t i sn o t s a t i s f a c t o r y ；b u tt h et w om o d u l a re b fn e u r a ln e t w o r kc a na c c u r a t e l yd i a g n o s ead o u b l ef a u l t a n dd o e sn o ta f f e c tt h eh i g l la c c u r a c yr a t eo fs i n g l ef a u l td i a g n o s i s ，c o m p a r e dw i n lt h e p r e v i o u st w ok i n d so ff o r m s ，i to w n sb e t t e rd i a g n o s t i cp e r f o r m a n c e k e yw o r d ：t r a n s f o r m e r ，f a u l td i a g n o s i s ，e b f ，c o m b i n e dn e u r a ln e t w o r k , ，f u z z y ， r b f 声明 本学位论文是我在导师的指导下取得的研究成果，尽我所知，在本学 位论文中，除了加以标注和致谢的部分外，不包含其他人已经发表或公布 过的研究成果，也不包含我为获得任何教育机构的学位或学历而使用过的 材料。与我一同工作的同事对本学位论文做出的贡献均已在论文中作了明 确的说明。 研究生签名： 垒z 鱼盘 o oh , 年多月；je t 学位论文使用授权声明 南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅或上 网公布本学位论文的部分或全部内容，可以向有关部门或机构送交并授权 其保存、借阅或上网公布本学位论文的部分或全部内容。对于保密论文， 按保密的有关规定和程序处理。 研究生签名：蕉王玺走 厶矿年朗习日 硕士论文基于e b f 神经网络的变压器内部故障诊断方法研究 1 绪论 1 1 选题的背景和意义 电力变压器是非常昂贵的高压电气设备，也是电力输电系统的重要组成部分。近几 年来，随着国民经济的迅速发展和电力技术的不断提高，电力工业逐步向超高压、大容 量发展。在电压等级不断提高的情况下，电力变压器的故障率也呈现了上升趋势，其故 障特点主要体现在变压器绝缘老化严重，变压器局部放电、变压器局部过热等等。由于 变压器故障通常伴随有电弧、放电以及剧烈燃烧等发生，因此一旦变压器发生故障，轻 则要停电检修，直接影响社会生产，人民生活，重则将可能进一步导致电力设备短路、 贯通性击穿、局部损坏、爆炸等事故，从而严重影响电力系统供电的安全性、稳定性、 可靠性及经济性【1 3 】。因此如何在电力行业发展的进程中进一步保障变压器的安全可靠 经济运行成为国内外学者关心的问题。 设备的故障诊断技术是指在设备不拆分的情况下，根据人类经验和积累的数据，借 助现代测控和计算机分析等手段对设备所处的状态进行判断、对设备故障的性质和原因 进行诊断，对故障的发展趋势进行预测，进而确定对策的技术【4 卅。国内外资料显示， 故障诊断技术的发展和应用能产生巨大的经济效益。日本在采用诊断技术后，故障率减 少了7 5 ，维修费降低了2 5 一5 0 ，英国采用故障诊断技术后每年节省维修费3 亿英镑， 除去诊断成本净获利达2 5 亿英镑。可见，电力变压器故障诊断技术的应用，将有利于及 时有效的判断变压器的工作状态，使变压器长期安全可靠运行成为可能，对电力系统的 安全可靠运行产生积极而有益的作用。 目前，随着传感器技术、微电子技术、d s p 技术、模糊集理论、神经网络等智能概 念的引入和应用，设备诊断技术的研究得到不断发展，本文着重研究了基于e b f n n 的变 压器故障诊断方法，旨在加强对变压器的日常维护以及提高变压器制造质量的同时，不 断探索、研究和完善变压器的故障诊断方法，以此提高对变压器各种潜伏性故障的即时 监测和预报能力，具有十分重要的现实意义。 1 2 国内外研究现状和发展方向 变压器故障诊断方法的研究一直以来受到国内外学者的重视，对于变压器的故障诊 断已经获得了大量经验，并由此形成了多种诊断方法。 d g a ，即油中溶解气体分析法，是目前电力系统中用于充油电力变压器故障诊断的 重要方法之一，在变压器的故障诊断过程中起到了很好的监测作用。该方法主要是根据 电力变压器油中溶解的氢气( h 2 ) 、甲烷( c h 4 ) 、乙炔( c 2 h 2 ) 、乙烯( c 2 h 4 ) 、乙烷 1 绪论硕士论文 ( c 2 h 6 ) 等气体的组成及含量，来判断变压器是否发生故障的有效方法。实践证明采 用油中溶解气体分析法进行变压器潜伏性故障诊断具有诸多优点，它不受外界电场的干 扰，不需要断电，能很好地检测到设备的内部绝缘缺陷，兼有分析速度快、分离效率高、 检测灵敏度高等特点，从而能将故障消灭在萌芽阶段【7 - 1 7 】。 1 2 1 传统诊断方法 基于d g a 数据的变压器故障诊断的传统方法主要有特征气体法、三比值法、四比 值法、电协研法、无编码比值法等等【1 8 埘】。 1 ) 特征气体法 实验表明，变压器油中溶解的特征气体组分特征随着故障能量、故障类型以及绝缘 材料的不同而不同，而故障点所产生的烃类气体的不饱和度也随着故障源能量密度的变 化而变化。因此国内外通常把色谱分析得到的总烃和一氧化碳、二氧化碳作为特征气体 来诊断变压器是否发生故障。例如：当乙炔和氢气的含量较低甚至为零时认为变压器发 生过热性故障，当乙炔和氢气含量较高时认为发生放电性故障，而当有较多一氧化碳和二 氧化碳气体产生时则可能发生了绝缘局部过热或散热不良等等。 总之，特征气体法可以较好的反映故障点引起的纸绝缘、周围油的热分解本质，利 用该方法进行变压器内部故障性质诊断具有较强的针对性，直观性和方便性，但是该方 法没有明确量的概念。 2 ) 三比值法 鉴于特征气体法的不足，经过不断的试验和总结，相继出现了国际电工委员会( i e c ) 三比值法和改良的三比值法。其主要原理是根据充油变压器内部纸绝缘和油在故障情况 下裂解所产生的气体组分含量的相对浓度和温度的对应关系，从甲烷、乙烷，乙炔、氢 气、乙烯五种特征气体中分别选择两种在扩散系和溶解度上相近的气体组成三对比值， 并表示成不同的编码，再根据编码规则和对应的故障类型判断法来进行故障性质的诊 断。 该方法不易受油体积效应的影响，可以对故障性质作出较为可靠的诊断。但也存在 编码不齐全，故障信息反应不全面等问题，并且气体继电器里所收集到的气体不适用于 该方法。 3 ) 四比值法 常见的四比值法有得能堡比值法和劳杰士比值法，它们均由英国中央电力局于1 9 7 0 年后相继提出，其多被看作充油电力设备的一种辅助诊断方法，常与三比值法联合使用。 其基本原理是在三比值法，即：c 2 h 2 c 2 h 4 、c 2 h 4 c 2 h 6 、c h 4 h 2 的基础上添加新 的比值c 2 h 6 c h 4 ，形成四组比值，再对每组比值进行编码，规则为：比值小于l ，编 码为0 ，比值大于1 ，编码为1 ，比值越大则表示故障越明显。编码值可视情况调整。 2 硕士论文 基于e b f 神经网络的变压器内部故障诊断方法研究 4 ) 电协研法 电协研法是日本电协研究会在i e c 三比值法和劳杰士比值法的基础上提出的。它对 比值的上下限范围做了更为明确的规定，并简化了故障分类，但却忽略了叠加故障的编 码组合，即也存在编码不齐全的问题，通常也只作为一种辅助诊断方法。 5 ) 无编码比值法 该方法省去了三比值法中的编码环节，直接利用特征气体的组分含量和相对比值来 诊断变压器的各种故障，简化了计算和判断的过程，较三比值法拥有更高的准确率，也 解决了- - - t # , 值法、四比值法等编码不齐全的问题，但是利用该方法对变压器进行故障诊 断对经验因素的依赖程度依然较高。 综上所述，传统的故障诊断方法虽然在某种意义上具有较好的故障诊断能力，但是 它们过于依赖于运行人员的经验总结，并且很难在故障与气体之间明确建立物理模型， 存在编码不齐全、准确率不够高、量不明确等问题，无法满足当今时代电力系统网不断 扩大，变压器数目不断增加的要求。 1 2 2 智能化诊断方法 为了克服变压器传统故障诊断方法的不足，经过不断的研究和探索，人们逐渐将人 工智能的方法应用到变压器的故障诊断当中，并在一定程度上获得了较好的效果 2 5 。3 0 】。 其中人工神经网络的应用就是智能化方法的一个重要体现。 基于人工神经网络( 简称a n n ) 的变压器故障诊断方法从8 0 年代起得到了广泛的研 究。人工神经网络具有自组织，自学习、自适应及并行处理等特点，容错能力强，联想 记忆功能齐全，它主要以分布的方式进行信息存储，通过层与层间的权值分布和网络的 拓扑结构来实现信息的非线性映射和传递，为电力变压器的故障诊断方法引入了一种新 的思路体系，形成了一套较为严密的系统理论，在电力系统故障诊断中有很大的潜力， 有着不可替代的作用 3 1 - 4 1 】。 目前，将d g a 数据与人工神经网络结合进行变压器故障诊断也已成为研究的热点。 迄今人工神经网络已经提出了诸如b p 神经网络、线性神经网络、径向基函数神经网络、 概率神经网络、h o p f i e l d 神经网络等多种模型，并将其应用于不同的领域。其中，b p 网络是一种多层前馈型神经网络，它可以实现输入到输出的任意非线性映射，模式逼近 能力良好，较适合应用于变压器内部故障诊断，因而受到了国内外学者的深入研究。但 是大量研究发现b p 网络虽然简单可塑，但是它的网络结构确定具有不规则性，且对输 入向量空间不能进行有效的划分和映射，因而出现收敛速度较慢，易出现局部极小等问 题，从而降低了变压器故障诊断的正确率【4 2 舶】。鉴于以上问题，1 9 8 8 年，m o o d y 等人 提出了径向基函数神经网络，该网络也是种前向神经网络，拥有较好的解决分类能力， 较b p 网络而言学习速度更快，避免了局部极小问题，故障诊断正确率也有所提高，但 3 1 绪论 硕士论文 可以进一步考虑其空间划分问题，使准确率更甜4 5 1 。目前，基于b p 神经网络和基于r b f 神经网络的变压器故障诊断方法不断从算法和网络结构上得到改进，而模糊、小波等理 论也不段应用到神经网络中以获得更好的应用诊断效果，可见，神经网络在变压器故障 诊断中将拥有很好的研究和发展应用前景。 1 3 论文主要工作 本文着重研究基于椭球基函数神经网络( e b f n n ) 的变压器故障诊断方法，旨在从 进一步明确划分输入空间的网络模型着手，提高故障诊断的准确率，具有重要的实用价值 和现实意义。主要工作如下： 1 ) 了解了国内外变压器故障诊断技术的研究现状和发展方向，着重研究了基于神 经网络的变压器故障诊断方法； 2 ) 研究了国内外研究较少的e b f n n ，广泛搜集了d g a 数据样本，在此基础上设 计了e b f n n 模型，并提出了基于此模型进行变压器内部故障诊断的方法，进一步进行 了编程和仿真验证； 3 ) 样本中引入高斯噪声检验了基于e b f n n 的变压器故障诊断方法的抗噪声能力。 4 ) 在只有单一故障发生的情况下，将该方法分别与基于r b f 神经网络的变压器故 障诊断方法和基于模糊神经网络的变压器故障诊断方法进行了故障诊断编程仿真比较， 比较了三种方法的故障诊断正确率，收敛速度等，并分析了原因； 5 ) 在有双重故障发生的情况下，为了提高基于e b f n n 的变压器故障诊断方法对双 重故障的模式识别能力，进一步进行了一级组合式e b f n n 和二级组合式e b f n n 的设 计，并分别进行了仿真测试。 4 硕士论文基于e b f 神经网络的变压器内部故障诊断方法研究 2 e b f n n 模型及学习算法研究 近年来，国内外学者对基于b p 神经网络和r b f i 中经网络的模式识别方法进行了多方 面的研究，取得了较为成熟的理论依据和相应的应用成果。从具体的神经网络模型结构 来看，两种神经网络的主要区别在于在隐节点采用了不同的激活函数，其中，b p 神经网 络的隐层节点主要采用 s i g m o i d 激活函数，在输入空间中的无限大范围内该函数的函数 值均为非零值；而在p 0 3 f * 经网络中，通常采用高斯函数等作为隐层节点的激活函数， 此类函数的作用是局部的，只有当输入空间中的样本数据靠近中心值时其函数值才输出 非零值，即样本才被激活。这样一来，r b f 神经网络较b p 神经网络在收敛速度，逼近能 力等方面有明显优势，且不容易陷入局部极小的问题。可见隐层节点所采用的激活函数 是影响网络映射能力的一个重要方面。 鉴于上述特点，1 9 9 3 年，k a v u r i 等人提出了带有椭球基函数的网络，椭球基神经网 络也是一种前馈型网络，其在网络结构上与b p 神经网络和r b f 神经网络的区别主要在于 其隐层节点采用了椭球单元函数，即通过超椭球来划分输入空间，根据输入样本数据距 椭球中心的距离和与椭球的相对位置得到相出相应的函数输出值，从而形成了封闭而有 界的决策区域，进一步明确划分了输入空间【钓】。因而，就这点而论，椭球基函数神经网 络( e b f n n ) 理论上应该较无界的r b f 神经网络拥有更强的模式识别能力。下面将对 e b f n n 的网络模型及学习算法分别进行研究。 2 1 e b f n n 网络模型的研究 人工神经网络是对生物神经网络处理信息过程进行模拟的一种数学模型，其中，人 工神经元是神经网络进行信息处理的基本单元，也是进行人工神经网络设计的基础。只 要将大量的神经元按照一定的拓扑结构进行组织连接，形成并行计算结构，就构成了神 经网络模型。相同的神经元采取不同的连接方式其构成的神经网络性质也就不同。 经典的椭球基函数神经网络是一种由神经元构成的前馈型神经网络，其网络模型中 的神经元按照功能划分可以分为三层，即：输入层、中间层( 隐含层) 和输出层。每一 层均由多个神经元构成，各层依次连接，同层神经元之间无连接【4 6 。其中，输入层主要 用于连接外部输入信息，并将输入信号传送给相连接的中间层神经元；而中间层是神经 网络重要的处理层，诸如模式分类、特征抽取等模式变换能力均通过隐含层来实现，在 经典e b f n n 中隐含层采用椭球函数作为激活函数，每个输入节点到隐含层节点有两个连 接权值，分别反映了中间层每个椭球单元在输入空间各维上的椭球中心和相应的椭球半 轴长，而隐含层的数目及其神经元的个数应该根据网络所实现的具体功能而定；隐含层 与输出层非全连接，而只与对应模式类别的输出神经元连接，具有隐含层节点等于输出 5 2e b f 神经网络模型及学习算法研究硕士论文 节点的特点，人工神经元模型如图2 1 所示，经典椭球基函数神经网络模型如图2 2 所示： 输入信号 连接权值 x 1 图2 1 人工神经元模型图 输入层 隐含层输出层 信号 y m y 1 y 3 图2 2 经典椭球基函数神经网络模型结构图 图2 2 中x 1 ，x 2 ，x r 为r 维输入向量，w j 。和w j b 为输入节点娌连接到隐层节点j 的两个权值，反映了椭球单元j 在输入向量第r 维上的基中心和半轴长，y 1 ，y 2 ， y s 为s 维输出向量。 进一步分析经典椭球基函数神经网络可以发现：其输出神经元数量刚好等于样本模 式分类数，对这样的网络而言，只有在每个超椭球都刚好包围了自己的样本时，网络的 实际输出才会和期望输出致。然而实际中，样本可能会存在较大的噪声，因而对于某 6 硕士论文 基于e b f 神经网络的变压器内部故障诊断方法研究 种模式下分布范围较广的样本，就无法保证训练过程中在输入空间形成的超椭球始终包 含该模式样本的全部，这有可能导致权值调整不稳定，网络不收敛，模式识别能力严重 下降【4 弼o l 。鉴于上述情况，本文对经典椭球基函数神经网络稍作改进，隐层神经元与输 出神经元进行全连接，最后通过对隐含层输出数据的线性加权求和得到网络的最终输 出。改进的椭球基函数神经网络模型结构图如图2 3 所示： 输入层 隐含层输出层 y l y 2 y 3 图2 3 中w s j 为第s 个输出神经元与莉个隐层单元之间的连接权值，以椭球基单元j 为 例，则其相应净输入，l p 可以表示为式( 2 1 ) ： n g t 肋= 一喜 ( 三【一+ 2 ) t 十w 2 + c 2 ， 隐层神经元j 的输出可以表示为式( 2 2 ) ： 肥t j 2 蕞翱 g 2 其中，巧为超椭球各维上的初始半轴长。 可见，椭球单元的输入范围为：- - o o ，l 】，输出范围为：【o ，p p + 1 ) ) 。 n e t j i 。= 0 1 3 03 7 ( i - i ，2 ，3 ，4 ，5 ) ，即认为变压器发生了该o u t i 对应的故障类型，其中o u t i 0 3 7 表示发生 了高温过热故障，o u t 2 03 7 表示发生了中低温过热故障，o u t 3 03 7 表示发生了高能 放电故障，o u t 4 03 7 表示发生了低能放电故障，因此，结台表33 和表3 6 可以得出； 基于e b f n n 的变压器故障诊断正确率达9 1 ，1 1 组测试样本中，只有第7 组这一组样 硕士论文基于e b f 神经网络的变压器内部故障诊断方法研究 本故障判断不清楚，将高能放电故障判别成了高能放电与低能放电的综合故障，或者说 没有分清究竟发生了高能放电故障还是低能放电故障。 从图3 2 可以看出，e b f n n 的收敛速度较快，训练6 0 0 次后网络已经基本稳定，误 差最终稳定在9 9 左右。对于只有一个输出神经元的网络而言，s s e 计算网络误差得到 的收敛误差通常为o 0 5 左右，而本文利用s s e 的计算对象是5 个输出神经元，4 6 组训 练样本对应的实际输出矩阵，所以收敛误差相对大一些。 3 5e b f n n 抗噪声能力测试 我们知道，实际中收集到的样本数据常常会因为环境因素或人为因素而不准确，因 此为进一步监测该e b f n n 抗干扰的能力，本文在上述样本数据中加入1 0 的高斯噪声， 即有： p = p + n o i s e v a t * r a n d ( r ，q )( 3 4 ) 其中，p 为输入样本组成的矩阵，r 为输入样本向量的维数，q 为样本组数，n o i s e v a r 为噪声标准差。 将新得到的含有噪声的样本对e b f n n 进行训练和测试后，得到的变压器故障诊断 结果如表3 7 所示，相应的误差变化曲线如图3 3 所示： 表3 7 基于噪声样本的变压器故障诊断结果 3 基fe b f 经月络的坐g 瞌障谚* 方*碗论文 l l # l l i i l i i 图33 基于噪声样本训练的误莘变化幽 同样的我们规定，o u t i 03 7 ( i - 1 ，2 ，3 ，4 ，5 ) ，即认为变压器发生了0 u t i 对应的故障类 型，则根据表37 和表33 可以得到看出，基于e b f n n 的变压器故障诊断方法抗干扰能力 较强，其诊断结果的正确率几乎不受样本噪声的影响，仍然可以达 9 1 。最终的收敛 误差为98 8 左右。 3 6 本章小结 本章采用实例对基于e b f n n 的变压器故障诊断方法进行了具体研究，首先介绍了建 模和编程的开发平台，随后选取了大量有代表性的数据样本，并对其对应的变压器故障 状态作了说明和划分。在此基础上进行了e b f n n 建模和训练，对虽后得到的变压器故障 诊断结果进行了分析，得出了结论，并进一步测试了e b f n n 的抗干扰能力。实例表明： 基于e b f n n 的变压器故障诊断正确率较高，网络的耐噪声能力较强，有较高的实用价值。 下一章本文将进一步比较基于e b f n n f l 目变压器故障诊断方法和基于其他神经网络的变 压器故障诊断方法的诊断效果。 硕士论文 基于e b f 神经网络的变压器内部故障诊断方法研究 4 其他神经网络与e b f n n 在变压器故障诊断中的应用比较 4 1 r b f 神经网络与e b f n n 在变压器故障诊断中的应用比较 r b f 神经网络( 径向基函数神经网络) 是一种局部逼近的神经网络，它是由l o w e 和b r o o m h e a d 于1 9 8 8 年构造而成。实践证明，r b f 神经网络可以以任意精度逼近任一连 续函数，能有效的处理训练向量较多的情况，其在逼近能力、学习速度和分类能力等方 面都较b p 网络有明显的优势。近几年，r b f 神经网络在故障诊断、模式识别、非线性系 统的建模分析等方面得到了较为广泛的研究和应用，将其应用于变压器内部故障诊断也 获得了较高的故障诊断正确率，诊断效果明显优于基于b p 神经网络的变压器内部故障诊 断方法，因此，本文首先进行r b f * * 经网络与e b f n n 在变压器内部故障诊断中的比较研 究。 4 1 1r b f 神经网络的建模 r b f 丰 经网络也是一种前向网络，由输入层、隐含层和输出层三层构成。基于前述 样本数据，仍然根据样本气体种类及对应的变压器内部故障状态确定r b f 神经网络的输 入输出层神经元个数，可以得到：输入输出层神经元个数均为5 ，为满足与r b f 神经网 络进行同一基准的比较，我们设定i m f 神经网络中隐含层神经元个数为5 ，则i m f 神经网 络的模型结构图如图4 1 所示： x 4 x 5 输入层 隐含层输出层 y 1 y 2 y 3 卜y 4 y 5 图4 1r b f 神经网络结构模型图 由图4 1 可以看出，与e b f n n 类似，l 国f 神经网络的输入层节点直接与信号源节点 4 其他神经网络与e b f n n 在变压器故障诊断中的应用比较硕士论文 相连接收输入信号，然后通过输入层到隐含层的非线性变换将信息传到中间层，利用隐 含层激活函数得到隐含层输出，再通过隐含层与输出层直接的连接权值进行信息的线性 变换，最终在输出层得到对输入信息的响应，且只有当输入信号接近径向基函数中央区 域时，隐含层单元才会产生较大输出值，即也具有局部响应特性。与e b f n n 的不同之处 在于：r b f 神经网络的输入层的每个神经元与隐含层的每个神经元只有单一连接，反映 了径向基函数在输入向量各维上的中心，且隐含层单元采用径向基函数作为激活函数， 与e b f n n 相比，i m f 神经网络没有对输入空间形成有界的划分。 隐含层激活函数的选取对于r b f * * 经网络的性能至关重要。本文采用高斯核函数作 为r b f 神经网络的隐含层单元作用函数，其优点表现在：径向对称的同时，光滑性较好， 形式简单且解析性较好，有利于进行理论分析和理解。高斯函数的一般表达式为： g ( x ) = c x p ( 一( x - - c ) 2 2 0 2 )( 4 1 ) 其中，c 为高斯函数中心，仃为函数的宽度参数。 以第i 个隐含层神经元为例，则其输入输出分别可以表示为式( 4 2 ) 和式( 4 3 ) ： r b f i n f = 1 c e n t e r s f e l l o 8 3 2 5 8 】 ( 4 2 ) r b f o u t f = e x p ( - r b f i n j 2 ) ( 4 3 ) 其中，i | | l 为范数，表示两点间的欧氏距离，c e n t e r s ，为隐含层第i 个神经元的中心向量， p 为输入向量，最为隐含层第i 个神经元的扩展常数，它反映了隐含层神经元对输入向 量响应范围的大小。 根据隐含层神经元的输出可以得到输出层神经元的输出，以第j 个输出神经元为例， 则其输出为： 上 y = r b f o u t j w v ( 4 4 ) i = 1 4 1 2r b f 神经网络的训练 本文研究的r b f 神经网络的训练样本与e b 孙烈训练采用的变压器故障样本保持一 致，整个学习过程包括两个阶段。第一个阶段为无导师学习阶段，与e b n 一样采用k 均值聚类算法利用样本数据求得隐含层各节点的高斯核函数在输入空间各维上的中心 值，该方法的实现步骤与第二章中求取椭球基函数中心的步骤基本一致，中心值求取后， 进一步计算径向基神经元的扩展常数，其值主要根据隐层节点之间的距离计算确定；第 二阶段中，根据第一阶段确定的中心和扩展常数可以得到隐节点的输出，在此基础上， 利用输入样本和期望输出值，采用b p 算法对隐含层与输出层之间的连接权值进行调整， 直到误差满足要求或达到训练次数为止，其步骤流程也与e b f n n 相关训练过程一致，这 里不再累述，详情请见第二章。 2 6 硕士论文 基于e b f 神经网络的变压器内部故障诊断方法研究 基于i m f 神经网络的变压器故障诊断整体流程图如图4 2 所示： 图4 2 基于r b f 神经网络的变压器故障诊断整体流程图 4 1 3 基于r b f 神经网络的变压器故障诊断结果 r b f 神经网络对变压器故障的识别结果如表4 1 所示，r b f 神经网络训练过程的误差 变化图如图4 3 所示： 4 其他神经月络与f i b f n n 在变压罄故障诊断中的应用比较 硕士论文 图4 3 基于r b f 神经网络的变压器故障诊断训练过程误差变化图 同样的，从便于故障识别的角度出发根据r b f 神经网络的输出向量，我们规定， o u t i o 4 ( i 1 1 , 2 ，3 ，4 ，5 ) ，即认为变压器发生了该o u t i 所对应的故障状态，其 o u t i 04 表示发生了高温过热故障，o u t 2 0 4 表示发生了中低温过热故障，o u t 3 0 4 表示发生 了高能放电故障，o u t 4 0 4 表示发生了低能放电故障因此，结合表33 和表4 1 可以得 出：基于r b f 神经网络的变压器故障诊断正确率为7 3 ，也拥有较高的故障诊断正确率。 2 8 硕士论文基于e b f 神经网络的变压器内部故障诊断方法研究 将r b f 神经网络与e b f n n 的诊断结果作一比较可以发现：在故障诊断的正确率方 面，e b f n n 的故障诊断正确率为9 1 ，高于i 强f 神经网络的故障诊断正确率7 3 ；在网 络的收敛速度方面e b f n n 较r b f 神经网络拥有更快地收敛速度。出现以上结果的主要原 因是e b f n n 隐含层采用了椭球单元，对输入空间形成了有界而更加明确的划分，因而提 高了网络的故障诊断正确率和网络的收敛速度。 经过训练，r b f 神经网络的收敛误差s s e 最终稳定在9 8 左右，因为是五个输出神经 元，4 6 组输出结果，所以总体s s e 较大。 4 2 模糊神经网络与e b f n n 在变压器故障诊断中的应用比较 神经网络和模糊系统都是非线性系统，且都非常适用于处理不确定性问题，但二者 又存在明显的差异，其中模糊系统的推理方式更加接近人的思维模式，对于模糊或定性 知识的抽取和表达也更加方便，且对样本的依赖性小，但是模糊系统没有自学习能力， 想实现其系统的自适应控制也较为困难，人工干预比较多，推力速度比较慢；而神经网 络却具有模糊系统所没有的自适应等能力，且具有并行处理，分布式存储，容错性强， 人工干预少等诸多优点，因而目前神经网络已经被广泛应用于故障诊断、自适应控制、 故障预测等诸多领域。但是，实践表明，神经网络对样本的要求较高，且其学习和问题 的求解具有黑箱特性。 鉴于上述问题，模糊神经网络应运而生，该网络融合了模糊理论和神经网络的诸多 优点，形成了一种独特的神经网络系统，目前已经广泛应用于控制、检测、故障诊断等 领域，拥有较好的研究和应用前景。本节将对模糊神经网络和e b f n n 在变压器内部故障 诊断中的应用效果作一比较。 4 2 1 模糊神经网络的建模 本文主要基于m a m d a n i 模型进行多输入多输出的模糊神经网络模型结构设计【5 2 1 。 本文设计的模糊神经网络为5 层结构，下面对每层结构作一具体介绍： 第一层即输入层，神经元数目为5 ( 数据样本中特征气体种类为5 ) ，该层神经元与 信号源直接相连，起着信息的传递作用； 第二层用于计算输入量对各语言变量值模糊集合的隶属程度，本文设定每个输入量 的模糊分割数为3 ，则该层总的神经元个数为1 5 ( 3 5 = 1 5 ) ，隶属度函数采用高斯函数 进行表示： u 矿= e x p ( - ( x , 一c o ) 2 o r l f ( 4 5 ) 其中，u 0 表示第i 个输入量对第j 个模糊集合的隶属度，c 豇为高斯函数中心，为高斯 函数宽度，且i = l ，2 ，3 ，4 ，5 ；j = l ，2 ，3 。 第三层的每个神经元分别代表一条模糊规则，因为第二层的模糊分割规定为3 ，所 2 9 4 其他神经网络与e b f n n 在变压器故障诊断中的应用比较 硕士论文 以该层神经元总共有2 4 3 ( 3 5 = 2 4 3 ) 个神经元，其中每个神经元都将按照取最小值原则 计算出相应规则的适用度a 。( m = 1 ，2 ，2 4 3 ) ； 第四层的神经元个数也为2 4 3 个，其每个神经元只与第三层对应神经元唯一连接， 用于实现第三层神经元输出的归一化计算，计算公式为： a g 。= l ，n _ 1 2 2 4 3 ( 4 6 ) 口朋 i = l 其中昭。即为归一化后的值。 第五层用于实现清晰化计算，称为输出层，由于样本数据对应的故障状态为无故障、 高温过热、中低温过热、高能放电、低能放电五类，所以输出层神经元数目为5 ，每个 神经元的输出反映一种故障的发生情况，神经元输出计算公式为： 2 4 3 y ，= a g 峋，j = 1 2 a g i 5 ( 4 7 ) ，5 己峋，j 2 l ，_ ， 一，j i = l 所以得到本文最终设计的模糊神经网络结构图如图4 4 所示： 第二层第三层第四层 u l l a l a g l x 5 u 5 3 y 1 y 2 y 5 图4 4 模糊神经网络模型结构图 4 2 2 模糊神经网络的训练 本文利用b p 算法进行模糊神经网络的训练，待调整参数主要有三个：隶属度函数 的中心值、隶属度函数的宽度以及第四层与第五层间的连接权值。 令误差函数为s s e ，则有： 15 跚= 去y ( - y t - - , i ) 2 ( 4 8 ) ， 、i7 lf ，l 3 0 硕士论文 基于e b f 神经网络的变压器内部故障诊断方法研究 兵中，t f 为第i 个输出孑甲经兀的期望输出值，y i 为弟1 个獭出柙经兀阴买际獭出值。 基于式( 4 8 ) ，误差函数对连接权值求导有： o ：s s e = ( f f y i ) 昭，( i ：1 ，2 ，5 ；j = 1 ，2 ，2 4 3 ) ( 4 9 ) o w 镕 式中，嘞为第i 个输出神经元与第j 个归一化神经元之间的连接权值，a g ，为第j 个归 一化神经元的输出值。 进一步进行计算： y ，( 4 ) 一一可o s s e = 酗5 咄如 ( 4 1 0 ) 驴( s ) 一两o s s e = y 曙叫( 归而o s s e ：骱k = l 驴等 ( 4 2 ) 其中， ；，为第p 层第j 个神经元的输入，当u u 为最小值时，相应的岛= 1 ，否则，g u = 0 。 所以误差函数对隶属度函数中心和宽度的导数分别可以表示为： 筹叫动掣 筹吲掣 伟柳 所以根据式( 4 1 2 ) 、 ( 4 1 3 ) 、 ( 4 1 4 ) 得到三个参数的调整算法如下： 咖+ 1 ) 叫卅州一筹) ( i = 1 ，2 ，5 ；j = 1 ，2 ， 2 4 3 ) c l ( 以+ 1 ) ：c 盯( 玎) + f c 幸( 一_ o s - s e ) _ ( i ：l ，2 ，5 ；j ：1 ，2 ，3 ) ( 4 1 6 ) o c “ 蹦川印小) + f 一( 一筹) ( i = 1 ，2 5 j = 1 , 2 , 3 ) 其中，w 、c 、l o - 分别为权值、中心值和宽度的学习率。 模糊神经网络的初始化过程中，样本数据与e b f n n 一致，令每个输入分量的模糊 分割数为3 ，且其对应的隶属度函数中心值分别为0 3 、0 6 、0 9 ，且隶属度函数宽度均 为0 4 ，第四层与输出层问的连接权值的初始值为随机数，则模糊神经网络训练的整体 流程图如图4 5 所示： 4 其他神经网络与e b f n n 在变压器故障诊断中的应用比较硕士论文 图4 5 模糊神经网络训练流程图 4 2 3 基于模糊神经网络的变压器故障诊断结果 模糊神经网络对变压器故障的诊断结果如表4 2 所示： 表4 2 基于模糊神经网络的变压器故障诊断结果 样本号期望输出o u t lo u t 2o u t 3o u t 4o u t 5 l0 0 0 0 0- 0 0 3 0 00 2 8 6 0 0 0 1 2 20 2 5 3 2 0 0 2 81 20 0 0 0 0- 0 0 0 3 60 4 1 6 2 0 0 6 0 40 0 5 3 0 0 0 6 2 5 3 10000 0 8 5 9 20 0 5 4 30 1 3 7 8旬0 4 4 14 2 0 1 9 8 4 10000 0 6 6 7 50 0 0 2 40 2 2 4 90 0 5 2 0- 0 0 0 5 3 50l0000 1 6 5 4 0 4 5 0 7- 0 0 3 2 0- 0 0 2 4 50 0 1 9 5 6010000 1 5 3 70 5 8 0 3 0 0 3 4 5旬0 8 1 40 0 0 3 0 70 0l00- 0 0 8 4 00 0 6 4 10 4 5 2 8 0 4 8 7 1 0 0 0 6 2 8 00l000 1 7 9 00 0 6 1 50 6 4 4 50 2 5 7 10 0 3 4 0 3 2 颂士论文基于e b f 神经月络的变e 器内部故障诊断方法研究 基于同样的原则，从便于故障诊断的角度出发，根据模糊神经网络的输出向量，本 章规定，o u t i o4 3 ( 忙l 二3 ，4 ，5 ) ，即认为变压器发生了该o u t i 所对应的故障类型，其中 o u t i 0 4 3 表示发生了高温过热故障o u t 2 o4 3 表示发生了中低温过热故障， o u t 3 0 4 3 表示发生了高能放电故障，o u