基于PNN的变压器故障诊断研究

《基于PNN的变压器故障诊断研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2016年7月25日第33卷第4期通镌电潦技术TelecomPowerTechnologyJuly25，2016，V01．33No．4文章编号：1009—3664(2016)04—0062—02中图分类号：TM407文献标识码：A溯嗣麟基于PNN的变压器故障诊断研究韩世榕，邹红波(三峡大学电气与新能源学院，湖北宜昌443000)摘要：变压器油中溶解气体分析是变压器内部故障诊断的重要手段。当前我国大部分应用的是改良三比值法对油中溶解气体进行分析。但利用三比值法作为变压器故障诊断的判据存在两方面的不足，即所谓编码缺损和临界值判据缺

2、损。针对概率神经网络(PNN)强大的模式识别和能很好地对变压器故障进行分类的特性，文章在对概率神经网络结构和原理介绍的基础上，利用概率神经网络对变压器故障进行诊断。仿真实例表明，该方法具有较高的故障诊断正确率。关键词：PNN神经网络；变压器；故障诊断ResearchonTransformerFaultDiagnosisBasedonPNNHANShi—rong，ZOUHong-bo(SchoolofElectricalandNewEnergy，ChinaThreeGorgesUniversity，Yichang443000，C

3、hina)Abstract：Atpresent，theanalysisofdissolvedgasintransforrfleroiliSanimportantmeaylstodiagnosetheinternalfaultoftransformer．Andnowmostoftheapplicationofthemodifiedthreeratiomethodofdissolvedgasinoilanalysis．ButthethreeratiomethodiSusedasthecriterionoftransformerfa

4、ultdiagnosis，therearetWOdeficiencies，namely，thedefectofthecodingandthecriticalvalue．Aimingattheprobabilisticneuralnetwork(PNN)strongpatternrecognitionandtheverygoodtransformerfaultclassificationcharacteristics，onthebasisofintroducingthestructureandprincipleofprobabi

5、—listicneuralnetwork，thispapermakesuseofprobabilisticneuralnetworktodiagnosethefaultoftransform．er．Thesimula—tionexampleshowsthatthemethodhashigherfaultdiagnosisaccuracy．Keywords：PNNneuralnetwork；transforrner；faultdiagnosis0引言变压器是电力系统中最重要最昂贵的设备之一，它承担着电压变换，电能分配与传输的重任

6、，是电力系统的枢纽设备，其运行状态直接关系到整个电力系统的安全与稳定。通过变压器故障诊断，及早发现潜在的故障隐患，提高变压器的运行维护水平，对电力系统的安全运行具有重要的现实意义。目前，变压器故障诊断和检测的方法很有多，传统的方法包括：直观检查、预防性试验、绝缘油试验。随着人工智能技术的发展，模糊理论、专家系统、人工神经网络开始应用于故障诊断，在变压器故障诊断中应用最广泛的则是基于变压器油中溶解气体分析(DGA)的各种诊断技术。直观检查是发现故障最开始和必经的步骤，但要进一步分析原因，必须运用有效的检测手段来诊断。文献将专家系

7、统应用于变压器故障诊断系统中，但专家系统存在的一个瓶颈问题是领域专家知识获取困难。为克服这一问题，文献引入了人工神经网络，其能够处理复杂的分类问题，并且因具有自学习、自组织的能力而弥补了专家系统的不足。但人工神经网络收敛慢、网络结构和参数须由经验设定，因而难以获取一个基于特定问题的最优网络结构。针对专家系统和人工神经网络的不足，文献将专家系统与神经网络技术结合，将模糊推理方法、进化算法、模拟退火算法等一些优秀的算法应用于变压器的故障诊断中。收稿日期：2016—03—21作者简介：韩世榕(1992一)，男，湖北十堰人，硕士研究生

8、，研究方向：电气工程。变压器油中溶解气体分析是变压器内部故障诊断的重要手段。本文以改良三比值法为基础，建立基于概率神经网络的变压器故障诊断模型。概率神经网络结构简单、训练简洁，常被用于解决分类问题，而且网络不需要进行大量样本训练，用于变压器故障诊断能有效提高故障诊断的正确率。