【《基于BP算法对变压器故障的诊断分析案例》1400字】

基于BP算法对变压器故障的诊断分析案例目录TOC\o"1-3"\h\u12868基于BP算法对变压器故障的诊断分析案例 1205121.1BP神经网络算法故障诊断步骤 119511.2BP算法的网络仿真测试训练 2248581.3数据分析 5BP神经网络算法故障诊断步骤利用BP神经网络算法进行故障诊断的过程概括如下:将数据样本输入到输入层各节点，同时作为该层神经元的输出。本文选择的5种油中气体成分分别是H2、CH4、C2H6、C2H4和C2H2，把它们作为整个网络的输入节点，则M=5。求出隐层神经元的输出，并把它作为输出层的输入。这里确定隐层神经元节点数为20。求输出层神经元的输出。我们设定变压器故障类型分别为无故障W1、低温过热W2、中温过热W3、高温过热W4、低能放电W5和高能放电W6六种故障模式作为输出信号，则输出信号节点m=6。由阈值函数判定输出层神经元的最终输出结果。本文先从待诊断的故障信号中收集样本数据进行归一化预处理，然后再将待诊断的故障数据输入到训练成功的神经网络中判定故障类型。利用神经网络进行故障诊断的步骤框图如下4-1所示。图4-1神经网络故障诊断步骤图BP算法的网络仿真测试训练我们设定输出为W1[100000]代表变压器是无故障状态；若输出为W2[010000]则代表变压器是低温过热状态；输出为W3[001000]代表中温过热状态。以此类推，其他故障类型和输出向量值的关系可以得到。表4-2故障值与输出向量值的关系序号 输出向量故障类型1W1100000无故障2W2010000低温过热3W3001000中温过热4W4000100高温过热5W5000010低能放电6W6000001高能放电以下是收集到的36组具有代表性的油中气体含量数据样本，根据表4-1可得，训练样本数据表4-2中，样本序号1-6为故障状态W1，7-12为故障状态W2，13-18为故障状态W3，19-24为故障状态W4，25-30为故障状态W5，31-36为故障状态W6。表4-336组变压器油中气体含量的样本数据样本序号Ø（H2）Ø（CH2）Ø（C2H6）Ø（C2H4）Ø（C2H2）实际故障类型114.73.810.52.70.2W1221.584.813.3320.570300.03300046.71011713.951051180111615022.44.5270240879807358120W28565933447096505334200101565983548011345112.227.551.558.751255053342001312710711154224W31420048141171311532.45.51.412.613.2163356718143170171678652.980.71005.9419.1181500865.299.71421.3662.819279042630.2W420160130339602112012433840.59224.321931181250231802293781543324197251140322518126241280W5265678182102766201.522099.8028677457410124529137251140323065150540453142981566100W63256286969287337669901156600342743765510021735220340424801436170320535203.2然后再次选择12组数据作为测试样本数据，如下表4-4所示。表4-412组变压器油中气体含量的样本数据样本序号Ø（H2）Ø（CH2）Ø（C2H6）Ø（C2H4）Ø（C2H2）故障类型1238871893430W321820363489145527W33521107177114902W24196614610350818W2527003760472083790W66207416134511347W57981232961633W687352012006140W6970.469.524110.428.9W510164224497803103W61177.61893292481.2W61211697.73804.9109W6根据收集到的样本数据和输出、输入、隐形层节点数，建立BP网络模型：图4-5MATLAB建立BP神经网络模型流程图图4-6MATLAB建立BP神经网络模型训练参数数据分析图4-7BP神经网络的故障检测结果图图4-8模型训练过程图4-9误差迭代曲线图4-10数据拟合曲线图4-12测试数据网络输出与诊断结果从以上图片所反映的MATLAB仿真模拟结果来看，变压器故障诊断的正确判断率在80%左右，证明该算法模型可以被用来在线检测变压器故障类型，也可以被应用于实际工程中。但如上图4-12