基于bp神经网络的电力变压器内部故障诊断方法研究

《基于bp神经网络的电力变压器内部故障诊断方法研究》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、中文摘要变压器是电力系统的重要元件之一，其工作状态对电力系统能否正常安全可靠地运行具有十分重要的影响。本文首先分析了变压器故障诊断的理论基础，提出了神经网络对于变压器故障诊断系统的适用性，提出了基于BP网络的诊断模型，并通过对误差仿真结果的比较，说明了BP网络的可行性与优越性，确定了采用BP网络进行训练。在此基础上，讨论了基于BP神经网络的故障模式识别，结合实例讨论了如何对训练样本进行预处理，并比较不同算法在收敛速度和训练精度方面的优缺点，最终采用L．M算法对混合气体进行了对比识别，由此给出了仿真结果。该结

2、果表明，L．M算法显著提高了网络的收敛速度及训练精度。最后，以气体组分百分比为输入，以故障性质为输出，给出了利用神经网络进行变压器故障诊断的实例。并对不同隐含层神经元个数下的学习收敛情况及采用BP人工神经网络诊断结果与三比值法诊断结果和实际故障结果进行了分析比较，该比较结果表明，采用神经网络诊断法比采用其他判断准则对同一故障性质进行判断的准确率有显著的提高。关键词：故障诊断神经网络BP算法油中气体分析变压器ABSTRACTPowertransformer,oneofthemostimportantdevic

3、es，hasaverysignificantinfluencetothesecurityandstabilityofpowersystem．Inthispaper,presentstheprincipleandsolutionoffaultdiagnosissystemwitheigenvalueofgassolvedinoil，presentsthatANNissuitablefortransformerfaultdiagnosis．SuchasstandardBPalgorithm，additional

4、momentum·method，adaptlearnratemethodandL—MruleareusedtotrainthesameNeuralnet，andaconclusionthatL-Mruleareisbetter．Onthisfoundation，discussedtheconsistencyofthemixedgasesbasedonneuralnetmodeidentify．Andcombinedanrealexample，andaimedateveryalgorithm’Sshortag

5、esoftherestrainspeedandthetrainaccuracy,usedL—Mruletoidentifythemixedgases，atthesametime，givedtheresultsofthetraining．TheresultexpressedthattheI广Malgorithmgreatlyimprovedthenet'srefrainspeedandtrainaccuracy．Atlast，takedtheair’Scomponentastheimportation，tak

6、ethefault'snatureastheexportation，givearealexampleoftransferfaultdiagnosis．Underdifferentnumbersofneuralunits，combinedthestudyrefrainspeedandthediagnosisresultsofartificialneuralnetworks．Theresultexpressedthataimingatthesamefault，usingneuralnetdiagnosismet

7、hodispuperiortootherjudgemethod．Neuralnethasaverybigpotentialintransferfaultdiagnosis，selectfitnetmodle，continuouslyrenewstudysample，canacquiretheincreasinglyperfectResult．KEYWORDS：artificialneuralnetworksBPalgorithm，DissolvedGasAnalysis(DGA)，faultdiagnosi

8、s，transformer独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得墨壅盘堂或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。学位论文作者签名：廖霄签字日期：厶纠年彳月易p日学位论文版权使用授权书本学位论文作