RBF网络用于变压器油击穿电压的多参数关联预测.pdf

6 8 工业仪表与自动化装置 2 0 1 1年第 5期 RB F 网络 用 于变 压器 油 击穿电压的多参数 关联预测 李纯刚 。 胡家元 ( 1 浙江广厦建设职业技术 学院 建筑工程学院， 浙江 东阳 3 2 2 1 0 0 ； 2 武汉大学 动力与机械 学院， 武汉 4 3 0 0 7 2 ) 摘要 ： 基 于变压 器油性 能参数 之 间 的关联 性， 在 Ma t la b平 台下研 究建 立 变压 器油关键 参 数击 穿电压的多参数关联预测方法。利用 R B F网络 建立击 穿电压与 4个强关联性指标的 关 系模型， 并与 B P网络模型进行对 比； 采用模糊 C聚类方法处理 大量的训练样本 ， 以聚类结果来训 练网络， 从 而解决大样本训练 网络 时网络结构复杂、 性能不佳等 问题 ； 仿真结果表 明， R B F网络较 B P网络的建模性能大为改善 ， 预 测值 与 实际值 的相对误 差均在 1 0 以 内， 能够满足 实际应 用要 求， 具有重要的理论意义及应用价值 。 关键词 ： 变压器油； R B F神经网络 ； 模糊聚类 ； 去穿电压 ； 预测 中图分类号 ： T M7 6 2 文献标志码 ： A 文章编号 ： 1 0 0 0 0 6 8 2 ( 2 0 1 1 ) 0 5 0 0 6 8 0 3 The pr e dict io n me t ho d o f t r a ns f o r me r o il b r e a k do wn v o lt a g e v ia m ult i- p a r a m e t e r c o r r e la t io n b a s e d o n RBF n e ur a l n e t wo r k L I C h u n g a n g ，HU J i a y u a n 。 ( 1 A r ch i t e ct u r a l E n g e n e e r i n g I nst i t u t e ， Z h ej i a n g G u a n g s h a C o l l e g e o fA p p li e d C o n s t r u c t i o n T e ch n o l o g y ， Z h ej i a n g D o n g y a n g 3 2 2 1 0 0 ，C h i n a； 2 C o l l e g e of P o w e r a n d Me ch a n i ca l E n g i n e e r i n g，Wu h a n U n i v e r s i t y ，Wu h a n 4 3 0 0 7 2，C h i n a ) Abs t r a ct： Ba s e d o n t h e f a ct t h a t p e r f o r ma n ce p a r a me t e r s o f t r a n s f o r me r o i l co r r e la t i o n，t h is pa p e r s t ud i e d t o e s t a b lis h a p r e dict io n me t h o d o f b r e a k d o wn v o l t a g e wh ich is t h e mo s t impo r t a n t p a r a me t e r o f t r a n s f o r me r o il v ia mult i p a r a me t e r co r r e la t io n u n d e r t h e d e v e lo p me n t e n v ir o n me n t o f Ma t la b Th e r e la t io n a l mo d e l o f b r e a k d o wn v o lt a g e a n d s o me p a r a me t e r s whi ch h a v e s t r o n g co rre la t io n wit h b r e a k d o wn v o lt a g e wa s co n s t r uct e d u s in g RBF n e u r a l n e t wo r kT he clus t e ri n g ce n t e r s u s e d t o t r a i n n e t wo r k we r e a c q u ir e d t h r o u g h clu s t e r in g t h e o r ig in a l mo n it o r in g d a t a s a mpl e s wit h f u z z y C me a n s clu s t e ri n g a lg o r i t h m T hi s me t h o d ca n r e s o l v e n a t u r a l p r o b le ms o f ne u r a l n e t wo r ks ca u s e d b y la r g e s a mp le ca p a ci t y，s u ch a s co mp lica t io n o f n e t co n s t r u ct i o n，in f e r io r a s t ri n g e n cy，po o r g e n e r a li z a t io n a b ili t y，a n d S O o nTe s t r e s u lt s s h o w t h a t t h e p r e di ct io n p e r f o r ma n ce s o f t h e RBF ne t wo r k a r e b e t t e r a n d t h a t t h e r e la t i v e e rro r s b e t we e n p r e d ict e d v a lu e s a n d r e a l v a lue s a r e a ll le s s t h a n 1 0 ，wh ich ca n me e t t h e r e qu i r e me n t s o f p r a ct ica l a p p li ca t i o n a nd in d ica t e s t h e s ig n i f i ca n t p r a ct ica l v a lu e o f t he s e mo de ls Ke y wo r d s： t r a n s f o r me r o il；RBF n e ur a l ne t wo r k；f uz z y clus t e r in g；b r e a k d o wn v o ha g e；p r e d ict io n 0 引言 变压器是 电力系统的主要设备之一 ， 其安全运 行对保证供电可靠性有着重要的意义。变压器油作 收稿 日期 ： 2 0 1 1 0 3 0 7 作者简 介： 李纯 刚( 1 9 8 6 ) ， 男 ， 浙江广夏建设 职业技术学 院建筑 T程学院助教 ， 助理工程师 ， 研究 方向为电力 系统 自动化。 为变压器的主要绝缘介质 ， 其绝缘性能是最为重要 的； 击穿 电压是检验变压器油耐受极限电应力状况 的主要指标 ， 因此 ， 及时准确的了解变压器油的击穿 电压值对维护变压器的安全高效运行意义重大。 变压器油的各项监测指标是变压器油 固有特性 的客 观 反 映， 研 究 表 明指 标 之 间存 在 着 内在 联 系 J 。在前期的工作中已经利用改进的 B P神经网 2 0 1 1年第 5期 工业仪表与自动化装置 6 9 络建立了变压器油与 主要 相关 因素之 间的预测模 型， 取得 了一定的成果 J 。该文借鉴 R B F神经网络 的优越性 ， 拟建立基 于 R B F神经 网络 的预测模型 ， 并与传统 B P网络预测模型 的结果 进行对 比， 达 到 合理预测变压器油击穿电压的 目的。 仿真结果表明， 基于 R B F网络的变压器油击穿 电压多参数预测模型具有更好的建模性 能， 且预测 值与实际值 的相对误差均在 1 0 以内， 能很好满足 实际预测需要。 1 神经网络多参数关联模型的构建 该文利用 R B F网络 建立击穿电压 预测模型 ， 并将其预测结果与 B P网络模型预测结果进行对 比， 网络结构及具体学习过程可以参考文献 4 6 。 1 1 神经网络输入参数的确定 在文献 2 中， 通过对 1 7台变压器的变压器油 历史数据进行灰色关联分析 ， 挖掘 出了与击穿 电压 关联性最为密切 的4个指标。在建立神经网络模型 时 ， 采用的输人参数即为这 4个指标 ， 分别 为闪点 、 水分、 氢气 以及二氧化碳 ， 以保证建立的模型与现场 实际情况相符。 1 2 样本划分及预处理 采用 的数据是广东省 电力试验研究 院提供 的 1 5 1 组击穿 电压在 4 56 5 k V之间的变压器油历史 数据。任选其中的 1 0组为网络泛化误差检验样本 ， 1 1 组为网络性能验证样本 ， 其余 为网络训练数据 。 为便于 网络训 练 ， 将 所有 训练 样本 用归 一化 函数 p r e mn m x处理 ， 最后用反归一化 函数 p o s t m n mx 将 网 络输 出数据还原 。 归一化 函数表达式为 ： = 2 一1 ( 1 ) A m“一 A min 反归一化函数表达式为 ： Xi= 0 5( +1 )( X i 一 X i i )+ i ( 2 ) 式中 ： 置为归一化前的数值 ； X 、 X 为归一化前 数据中最小值和最大值。 网络学习能力 由网络结构复杂程度决定 l_ ， 因 训练样本数较大 ， 直接进行 网络训练时 ， 易造成网络 规模剧增 ， 从而降低网络收敛性和泛化能力 ， 故采用 模糊 c 聚类方法对训练样本进行信息浓缩。 1 3 训练样本的模糊 C聚类处理 模糊 C均值算法 的基本思路是对 目标 函数 的 优化 ， 通过对平方误差函数求最优值 ： E( U， ) = ( ) ( d ) ( 3 ) 式 中： 为初始隶属度矩阵 ； m为权重指数 ， m 1 ， + ； V为聚类中心， ( ， ， ， V c) ； d 为样本与 中心矢量之间的距离 ， d = l l s j I 1 V i为等 个 聚类中心矢量 ； S 为第 个样本 ； 为第 个样 本隶 属于第 i个聚类的隶属度。 可见 ， 模糊 c 聚类算法 的实质就是寻找一组 中 心矢量 ， 使各样本到 中心矢量的加权距离平方和最 小 。利用模糊 c 均值聚类法 ， 可 以将特征数据聚成 几类 ， 使数据聚集在聚类中心附近 。 预先对 1 3 0组训 练样本按 击穿 电压值 进行 归 类， 之后对其进行聚类 ， 某一击穿电压值的聚类中心 数根据其原始数据量决定 ， 为 2 5个 。共取得聚类 中心 4 2组 ， 作为网络训练样本。 1 4 R B F网络拓扑结构的确定 、 R B F网络 由三层组成 ， 输入层节点传递输入信 号到隐层 ， 隐层传递函数有多种形式 ， 最常用的是高 斯函数 ( r a d b a s ) ， 输 出层节点通常是线性 函数。隐 层神经元采用高斯函数 ， 选用 函数 n e w r b ( ) 设 计径 向基 网络。在 构 建 径 向 基 网络 时， 其 散 布 常数 s p r e a d的设置是一个关键问题 ， s p r e a d的值较大 ， 网 络的输出就较平滑 ， 网络的泛化能力也越强 ， 但如果 s p r e a d值太大 ， 则每个神经元 的响应 区域又会 交叉 过多 ， 反 而 带来 精 度 问题_ 9 J ， 所 以可 以用 不 同的 s p r e a d值调用 n e w r b ( ) ， 以找到 s p r e a d最佳值。 网络 的学习目标为 0 0 1 ， 综合考察神经 网络的 训练速度和泛化能力来确定最佳 s p r e a d值。s p r e a d 取不 同值时网络训练结果见表 1 。 表 1 不 同 s p r e a d值时网络训练结果 由表 1 可见 ， 随着 s p r e a d值 的改变 网络训 练速 度和泛化误差都在变化 ， 综合考虑 网络的训 练性能 和泛化性能 ， 文中选取 的最佳 s p r e a d 值为 1 1 。 1 5 仿真结果 神经网络经过训练以后 ， 可 以反映出击穿电压 7 0 工业仪表与自动化装置 2 0 1 1 年第 5期 与闪点、 水分、 氢气以及二氧化碳之间的映射关系。 分别将 1 1组验证样本 ( 见表 2 ) 输入不同的网络模 型 ， 神经网络将按照学习得到的映射关 系预测 出击 穿 电压值。预测结果见 表 4 。同时 ， 按 照参 考文献 2 中 B P网络的训练方法 ， 构建传统 B P网络模型， 对表 2中数据进行预测 ， 结果见表 5 。 表 2 神 经网络检验样本 1 0 0 1 0 1 0 10 1 5 l02 0 Pe r f o r m a n ce is 40 0 7 3 8 e - 0 2 9 ，Go a l is 00l 一 - T r a i n i n g Go a l O 5 l0 l5 2 O 2 5 3 0 3 0 Ep o ch s 图 1 R B F网络的误差曲线 表3 神经网络训练性能 表 4 R B F网络击穿电压预测结果 表 5 传统 B P网络击穿 电压预 测结果 对 比表 3中网络训练性能 ， 并结合表 4 、 表 5中 预测结果可知 ， 要达到相 同的学习 目标 ， 传统 B P网 络需要 7 1 8 3 7步 ， 而 R B F神经 网络只需 3 0步。传 统 B P 网络 预 测 值 与 实 际 值 最 大 相 对 误 差 为 1 3 1 4 0 ， 最小相对误差为 0 1 8 9 ， 平 均相 对误差 为 5 5 5 7 ； R B F 网 络 预 测 值 最 大 相 对 误 差 为 9 2 2 0 ， 最小相 对误差 为 1 5 7 3 ， 平均 相对误差 为 4 4 7 4 。综上所述 ， R B F神经网络较传统 B P网 络而言具有较快的训 练速度 ， 并且样本相对误差均 在 1 0 以内， 能够满足 实际需要 ， 可有效 的进行 变 压器油击穿电压值 的预测。 2 结论 1 ) 该文结合模糊c均值聚类以及神经网络等 ( 下转第 8 4页) 8 4 工业仪表与 自动化装置 2 0 1 1 年第 5期 2 3知识库的获取和更新 知识库 区别于静态数据存储的最大优点就是 ， 知识库具有智能的学习功能 ， 知识库 可以根据环境 的变化进行知识的获取 ， 并且更新知识库 。 典型的知识获取过程是环境 向系统的学 习部分 提供某些信息， 学习部分利用这些信息修改知识库， 以增进系统执行部分完成任务的效能。 知识库学习的基本结构如图 3所示 。 圃 图 3 知识库学习 的基本结构 系统的知识学习主要 以机械学 习的方法为主 ， 根据学习规则获取新知识并更新知识库。 A T O在运行过程 中， 实时地监测 环境 的变化 ， 并执行知识学习功能模块 ， 根据外部环境 条件 的变 化更新知识库。 仍以牵引响应延时为例进行说 明。系统运行初 期 ， 以设备的静态默认牵引响应延时为数据源 ， 进行 知识库的建立和更新 。在设 备运行 的过程 中， 根据 牵引指令输 出与实际获得牵引变化的时间差获得动 态的牵引响应延时 ， 如果获得的牵引响应延时稳定 可信 ， 则更新知识库。 3 结论 该文 以具体 的实例介绍 了 A T O控制方 法中关 于知识 库的实现原理和方 式。使用知 识库 的 A T O 系统 ， 具有一定的人工智能性 ， 能够根据环境条件 自 动调整系统控制参数 ， 适应不 同的控制条件 的变化 ， 具有适应性强 、 控制精度准确的优势 ， 成功克服 了由 于设备 的离散 型引 起 的不 同车 辆性 能 差 别 对 于 A T O控制精度的影响。 参考文献 ： 1 蔡 自兴 ， 徐光 右 人工智能及其应用 M 2版 北京： 清华大学出版社， 1 9 9 6 2 姚 玉川 知识系 统 M 大连 ： 大连理工 大学 出版 社 ， 1 9 9 8 3 I E E E 1 4 7 4 1 2 0 0 4 I E E E S t a n d a r d f o r C o m mu n ica t io n s B a s e d T r a i n C o n t r o l ( C B T C )p e r f o r ma n ce a n d f u n ct io n a l r e q u ir e m e n t s S 4 刘贺文， 赵海东 ， 贾利民 列车运行 自动控制( A T O) 算 法的研究 J 中国铁道科学， 2 0 0 0 ( 1 2 ) ： 3 8 4 3 ( 上 接 第 7 0页) 方法的优点 ， 以变压器油 日常监督项 目中的闪点 、 水 分 、 氢气和二氧化碳为关联性变量 ， 建立了一个适用 性广泛 的变压器油击穿 电压预测模型 ， 预测效果 良 好 ， 能 为变 压 器 的故 障 诊 断、日常维 护 提供 重要 依据。 2 ) 采用模糊 c 均值 聚类方法对初始训 练样本 进行聚类处理 ， 利用生成 的聚类 中心训练网络 ， 以少 量具有浓缩信息的新样本取代原始样本 ， 解决 了大 样本训练时网络性 能的不足 ， 并且 能够去除一些远 离聚类 中心的异常样本数据 ， 消除人为操作 的误差 影响。 3 ) 对 比传统 B P算法模型及 R B F网络模型的训 练结果表 明， R B F网络具有更快的训练速度及更好 的预测精度 ， 更适于进行变压器油耐压值 的多参数 预测建模 。 参考文献 ： 1 钱旭耀 变压器油及相关故障诊断处理技术 M 北 京 ： 中国电力出版社 ， 2 0 0 6 2 胡家元， 曹顺安 基于灰色理论及 B P神经网络的变压 器油击穿 电压预测 方法 J 计算机 与应用 化学， 2 0 1 1 ， 2 8 ( 2)： 14 3 干能强， 杜宏明， 谢晖 基于 R B F网络的滚动轴承故障 诊断 J 陕 西科 技 大学学 报， 2 0 0 8 ， 2 6( 2 ) ： 9 0 9 2 96 4D ia z C ，C o n d e J E ，E s t e v e z D，e t a 1 A p p l ica t i o n o f mu lt iv a r ia t e a n al y s is a n d a r t ifi cia l n e u r a l n e t wo r k s f o r t h e d if f e r e n