电力变压器故障诊断神经网络拓扑结构探究

《电力变压器故障诊断神经网络拓扑结构探究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、电力变压器故障诊断神经网络拓扑结构探究摘要：该文主要论述了神经网络在电力变压器故障诊断中的应用，首先介绍了一种单隐层、固定激活函数的变压器故障诊断神经网络，以及一种寻找优化隐节点数的方法。在此基础上提出了另一种基于神经网络的优化方法和基于遗传算法的网络拓扑结构进化算法，该方法可以在多隐层、可变激活函数、可变网络连接等广泛的拓扑结构空间中，自动地搜索适合于变压器诊断的神经网络,实验结果表明该算法的性能良好。关键词：故障诊断；进化神经网络；激活函数中图分类号：TP18文献标识码：A文章编号：1009-3044(2012)36-8765-041概述电

2、力变压器是电力系统中的重要设备，其当前的工作状态直接影响着整个电力系统的运行。为了使变压器始终处于良好的状态，严密监视并尽早发现变压器的任何异常就显得非常重要。变压器的故障诊断就是根据变压器故障的征兆，确定故障的性质或部位。近年来，人工智能理论的不断完善及其在故障诊断中的成功应用，为变压器故障诊断技术的发展开拓了新的途径。该文介绍了一个我们研制的电力智能变压器诊断系统，这是一个功能完善并实用的系统，结合了基于专家系统和神经网络的多种诊断方法。结合该系统的神经网络诊断部分的研制，该文将着重论述诊断神经网络的拓扑结构优化设计问题。2基于经验的诊断网

3、络拓扑结构优化设计2.1系统设计思想在目前变压器故障诊断的研究中采用最多的是BP网络,系统采样的数据集可以分为训练集和测试集两部分，前者用于网络的训练，后者用于测试训练好的网络。通常两者独立釆样以保证数据的无关性，使测试结果更能反映网络的泛化能力。我们运用两种准则来比较测试集的目标集与仿真输出集的接近程度以评价网络性能：均方误差准则和误判率准则。该文采用经典的k子集交叉检验法来评价网络的性能，数据集划分为训练集和测试集以兼顾网络的分类精度和网络的推广能力。另外，测试集和训练集的划分带有随机性，再加上k次评价，这样的结果比较稳定，网络训练好坏的影

4、响大大降低，可以充分反映神经网络在这个数据集上的性能。该文在借鉴前人经验的基础上，结合具体应用，通过实际试验，用上述方法设计了一个性能良好的变压器诊断网络，该网络具有分类精度高并且推广能力强的特点。2.2基于经验的神经网络拓扑结构的设计我们选择的是标准的单隐层前馈网络结构，对单隐层的前馈神经网络来说，其VC维为MN+NP,其中M,N,P分别为输入层、隐层、输出层的神经元数。由于M,P和例子数都是已知的，因此设置误差上限e后就可以估算出N。激活函数的选择方面，该文选择了tanh作为函数隐层激活函数。而输出层激活函数则选择sigmoid函数。训练算

5、法的选择方面，由于标准BP算法训练速度很慢，选择带动量与学习率调整的改进BP算法作为我们对网络进行评价时的训练算法。在此基础上，通过隶属函数求出实验数据相对于注意值的隶属度，以其作为神经网络的输入。我们使用的隶属函数如下所示的Sigmoid函数，其中x表示属性的原始值，xa表示注意值。2.3实验方法和结果分析实验使用的数据是“智能化变压器诊断系统”所带的一个在线诊断数据集。此数据集共107个实例，输入属性10项，输出属性12项。因此有：M=10,P=12,m=107由ln（m/d）>0m/d>lm>（M+P）*N107>22*NN<5O但这个数

6、据集的输入数据需要进行预处理。这些属性都是变压器的检测数据，依次为：氢气（H2）、甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）、乙烘（C2H2）、一氧化碳（C0）、二氧化碳（C02）、超声测量、异常声音检测、铁心接地电流（EC）。这些输入属性之间的数值在数量级上有一定的差距，如二氧化碳的数值通常在103以上，而乙烘的数值一般在101左右，如果将原始数据直接作为网络的输入，由于数量级差别太大，网络对较小的数值将不敏感，一些重要的特征将难以被网络获取，使得判别的精度无法达到较高的水平。因此，我们用把各输入属性数据的值映射到［0,1］之间的方法

7、来提高精度。3基于进化神经网络的优化方法3.1进化神经网络的算法流程进化算法的思想来源于自然界的物种进化规则，它是一种基于群体的随机搜索算法。该文采用C++和Matlab混合编程的方法实现了该算法，其算法流程如图3所示。我们用面向对象的开发方法实现遗传算法，程序的主体是两个类：CGA和CChromosomeo前者实现遗传算法的运行流程，后者实现染色体（个体）的编码和遗传操作细节，并通过统一的接口把功能提供给前者。这种设计把遗传算法的操作流程抽象出来，独立于遗传算法的编码和算子的具体实现。诊断的精度是很高的，20个诊断实例中失误2个，正确率达到了

8、90%,并且是在网络的训练数据还有缺陷的情况下。这个诊断精度已经接近于变压器专家的水平，可见，经过针对变压器故障诊断特点进行优化设计的神经网络的应用价