基于DGA的改进BP神经网络的变压器故障诊断方法.pdf

《基于DGA的改进BP神经网络的变压器故障诊断方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第47卷第12期Vol.47No.122010年12月TRANSFORMERDecember2010基于DGA的改进BP神经网络的变压器故障诊断方法1123李霜，王朗珠，张为，张琢（1.重庆电力高等专科学校，重庆400053；2.重庆电网检修分公司重庆400015；3.重庆南岸供电局重庆400060）摘要：介绍了基于DGA的改进BP神经网络电力变压器故障诊断方法，并进行了仿真。关键词：电力变压器；油中溶解气体分析；BP神经网络；故障诊断中图分类号：TM406文献标识码：B文章编号：1001－8425（2010）12－0061－05FaultDiagnosisMethodofTransforme

2、rBasedonImprovedBPNeuralNetworkofDGA1123LIShuang,WANGLang-zhu,ZHANGWei,ZHANGZhuo（1.ChongqingElectricPowerCollege,Chongqing400053,China;2.ChongqingGridMaintenanceBranchCompany,Chongqing400015,China;3.ChongqingNan'anPowerSupplyBureau,Chongqing400060,China）Abstract：Thefaultdiagnosismethodofpowertransfo

3、rmerbasedonDGAandimprovedBPneuralnetworkisintroducedandsimulated.Keywords：Powertransformer；DGA；BPneuralnetwork；Faultdiagnasis针对常见的BP神经网络的方法进行电力变压1引言器绝缘故障诊断方法，笔者就其网络的选定、学习样油中溶解气体分析（DissolvedGassesAnalysis，本的建立、输入方式选择、学习过程的收敛性及算法简称DGA）作为目前电力系统对油浸电力设备常规改进等问题展开了比较研究，建立了基于带动量项使用的故障分析手段之一，在诊断变压器内部潜伏和变学习率的

4、改进BP神经网络电力变压器故障诊性故障及其发展程度上效果显著。并且由于这一技断方法。术有可能在现场对运行设备随时进行在线检测，有2BP神经网络结构及学习流程助于促进从定期检修制到状态检修制的转变，因此国内外电力部门对此十分重视。BP神经网络理论算法转化为实际的学习过程，由于电力变压器在实际运行过程中存在着大量其原理如图1所示。的不确定因素，目前常用的基于DGA的三比值判断在只考虑一个隐含层的图1中，先给LA层单规程都存在着一定的不足。人工神经网络（Artifi-元与LB层单元之间和LB层单元与LC层单元之间cialNeuralNetwork，ANN）是模拟人脑神经元的结的连接权以及LB层单元的

5、阈值θi、LC层单元阈值构而采用的一种信息处理方法，无需进行人工干预，γi赋[-ε，+ε]区间的随机值（ε≤1）。对每个模式对而是由神经元建立起输入输出状态间的“映射”关（Ak，Tk），这里k=1，2，…，m，结合图2所示的学习流系，在变压器故障诊断中取得了较好的应用。BP神程框图来学习。经网络（Back-propagationNeuralNetwork，BPNN）（1）将输入模式Ak送到LA层，LA层单元的激是人工神经网络的常用方法之一。活值ah通过连接权矩阵V送到LB层，产生LB层62第47卷n反向调整权ei=bi（1-bi）Σwijdj（5）j=1Vb1W这里，i=1，2，…，p，式（5

6、）相当于将LC层单元的aka1c1T11误差反向传播到LB层。（5）调整LC层单元到LB层单元的连接权和阈akabcEnnijTj值：akahcqTΔwij=ηbidj；Δγj=ηdj（6）hq这里，i=1，2，…，p，j=1，2，…，q，η∈（0，1）为学bp习率。输入层（LA层）隐含层（LB层）输出层（LC层）（6）调整LB层单元到LA层单元的连接权和阈图1BP神经网络学习原理值：Fig.1StudyprincipleofBPneuralnetworkΔvhi=ηahei；Δθi=ηei（7）这里，h=1，2，…，n，j=1，2，…，q。重复上述6个步骤，直至总体误差平方和初始化mp1kk

7、2ΣΣ（Tj-cj）达到要求为止。给定学习样本2k=1j=13BP神经网络算法的不足及其改进计算隐含层、输出层各单元的输出值3.1BP神经网络算法的不足对整个样本计算出总体误差值E（1）从本质上讲，BP算法可以看作是LMS算法在多层前馈神经网络中的应用，它是一个非线性优是E是否满足要求?结束化问题，这就不可避免地存在局部极小。在用它解决一些稍微复杂的问题时，往往不能保证达到全局最否小，致使学习过程