相关模糊模块化网络的电力变压器故障诊断

《相关模糊模块化网络的电力变压器故障诊断》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、第44卷第8期到澎VO144NO.82007年8月2况J月色梦石姗汤丛资August2007基于模糊模块化网络的电才变王E署导故障愁知断此体刚‘，吕佳“(1.江汉水电厂，湖北潜江433122;2.重庆师范大学数学与计算机科学学院，重庆400030)摘要:建立了变压器故障诊断的模糊模块化网络模型，实现对电力变压器的故障诊断。关键词:电力变压器;网络;故障;诊断中图分类号:TM406文献标识码:B文章编号:1001一8425(20()7)08一0043一04FaultDiagnosisforPowerTransfor

2、merBasedonFuzzyModularNetworkSHENTi一gangl，LUJiaZ(1.JianghanwaterandPowerPlant，Qianiiang433122，China;2.ChongqingNormalUniversity，Chongqing400030，China)AbstraCt:Afuzzymodujarnetw0rkmodeIfortransformerfaUItdiagnosisisestabIished.ThetransformerfaultdiagnosisisfuI

3、filled.Keywords:PowerTransformer;Network;Fault;Diagnosis断的模糊模块化网络诊断模型。应用笔者所建立的1引言模糊模块化网络模型进行了电力变压器故障诊断的电力变压器是电力系统中输、配电的重要设备仿真试验，将其结果与单个三层BP网络诊断模型之一，掌握快速、有效的故障诊断方法是实现变压器的仿真结果进行了比较。状态维修，提高设备的可靠性的先决条件。目前常用2网络结构的方法有神经网络、专家系统等。这些方法在实际使用时，由于实际故障样本获取困难，难以覆盖整个故模块化模糊网

4、络是由规则模块和控制模块组障空间，是一个小样本数据分析问题11刊。成。所建立的电力变压器故障诊断的模糊模块化网笔者采用的是神经网络与模糊逻辑技术结合的络模型如图1所示。模糊模块化网络，它具有很强的自学习、非线性映射能力以及处理不确定信息的能力。该网络是利用“分而治之”的思想，按系统结构和层次划分，采用可能Lr-l!l性聚类方法pCM(PossibilisticC一MeansClustering!

5、.

6、控!规PCM)将样本分类，在实现样本空间的细分的同时消

7、制!则除噪声数据对聚类的影响。每类样本构成一个故障模1模块

8、

9、I块类型模块，对其用三层BP网络构成的模块进行训1t1

10、

11、练，以提高BP网络学习速度和故障诊断精度。I

12、LJ在本文中所介绍的主要内容是在大量收集大型电力变压器的油中溶解气体(DissolvedGasAnaly-sisDGA)的故障数据建立了故障样本的基础上，先应用可能性聚类方法对故障样本进行聚类，然后以图1模糊模块化网络模型三层BP网络为基本结构建立了电力变压器故障诊Fig.1陇tworkmode】允r加Zzymodularity万方数据第44卷网络的输人龙二{xi;，xl=，xia，知，耘}，xi.~x巧分别

13、为声因此也被赋予了较大的隶属度，从而加大了聚类油中H:、CH4、CZH4、CZH6、CZH:五种气体成分含量比的误差。例规格化后的值。PCM算法是通过最小化规则函数禹的迭代优X‘l.，一-化来实现划分的。其最小化准则函数大:X‘1二华下﹁，xj=一鑫-、卜名X.艺二，厂Jj二1“‘U，V，=手菩‘一，嘴+手。*冬“一，爪(‘，，1=1妇..j=2，3，4，5式中，n为训练样本个数，。为聚类中心数，2蕊。毛n，网络输出Y二}yl，yZ，为，⋯⋯，yn}为变压器的故“‘二u(x、)表示第k个样本属于第1类的隶属度，m

14、为障类型。如:低能放电、高能放电、中低温过热和高模糊加权指数，表征模糊化程度，一般取〔1.530]的温过热等，模型的输出n由聚类分析后得到的聚类值，嵘为第k组数据对于第1个聚类中心的距离，嵘的类型决定。=Ifxk一尸，刀‘为一合适的正数，其推荐取值为:网络中的规则模块是模糊规则的拟合函数。它是对每个分类子空间分别进行逼近，以获取各个不艺。减同子空间从测量输入到故障输出的非线形动力特刀‘=K粤厂es一-(2)性。这就解决了用一个神经网络对多种故障同时进冬U:行训练时，网络结构复杂、收敛速度慢、易陷人全局式中K为一正

15、整数。最小、并导致故障诊断的精度不高等缺点。为使目标函数值达到最小，聚类中心和隶属度网络中的控制模块的输出U={ul，uZ，⋯⋯，u。}的更新如下:表征每条规则对输人样本的适用程度，u越大表示该样本以较大的隶属度属于某个规则。它是由一个华三层神经网络对聚类后的样本进行训练来确定的，(3)训练时网络的输出样本为聚类得到的输人属于某类的程度。这样就简化输人空间到输出空间的映射