资源描述：
《基于MATLAB的BPANN油浸电力变压器故障诊断仿真.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44卷第9期Vol.44No.92007年9月TRANSFORMERSeptember2007基于MATLAB的BPANN油浸电力变压器故障诊断仿真112王伟,李清泉,王向东(1.山东大学电气工程学院,山东济南250061;2.济南市产品质量监督检验所山东济南250022)摘要:利用MATLAB的神经网络工具箱对BPANN油浸电力变压器故障诊断进行了仿真。关键词:变压器;故障;仿真中图分类号:TM406文献标识码:B文章编号:1001-8425(2007)09-0047-05FaultDiagnosisSimulationofBPANNOil-I
2、mmersedPowerTransformerBasedonMATLAB112WANGWei,LIQing-quan,WANGXiang-dong(1.ShandongUniversity,Jinan250061,China92.JinanProductQualitySupervisonTestingInstitute,Jinan250022,China)Abstract:ThefaultdiagnosisofBPANNoil-immersedpowertransformerissimulatedwithMATLABNeuralNetworkToo
3、lsBox.Keywords:Transformer;Fault;Simulation1引言2BPANN的模型油中溶解气体分析(DGA)是对油浸变压器进行2.1BP神经元故障诊断的方法之一,该方法能比较准确和可靠地人工神经元是人工神经网络的基本单元,它相[1-3]发现变压器内部的潜伏性故障,并利用测量的特当于一个多输入单输出的非线性阈值器件。图1中性气体对油浸式变压器进行故障诊断,实际上是完给出了神经元的一般模型。如果当神经元输入向量成油中气体组分到故障类型的一个复杂非线性映的加权和大于其阈值,则该神经元被激活,神经元的射。目前基于DGA的变压器故
4、障诊断技术主要有关输出可以表示为:[4-7]R键气体法、比值法和人工智能法。a=f(!w1ipi-b)(1)人工神经网络具有良好的学习、泛化、自适应能i=1力和容错特性,在一定程度上克服了比值法“缺编式中f表示神经元的输入输出关系函数,即传码”和编码边界过于绝对的不足,有效地改善了输入神经元[8-9]DGA分析方法的适用性和准确性,而BP神经网络由于其很强的非线性逼近能力,是目前应用最为P1w11广泛的神经网络模型之一[10]。但在选择学习样本、确naP2w12!f定输入输出模式、学习过程的速度与收敛性、BP网··络参数的选择等问题上尚处于探索阶段
5、[11]。笔者利·w1RbPR用MATLAB对上述问题做了仿真分析,并通过仿真结果与实际故障的比较检验了设计网络的性能,并图1人工神经元的一般模型得到了较好的结果。Fig.1Modelofartificialneuralunit48第44卷输函数。BP神经元的传输函数为非线性函数,最常数取决于输入矢量的维数。考虑到CO和CO2分散用的函数是S型函数(如logsig),其输出值将会被性较强、来源较多以及现场获得的数据中常有缺失限制在(0,1)范围内。等因素,选取五种气体组分H2、CH4、C2H6、C2H4和2.2BP神经网络模型C2H2,并以各个组分
6、占5种气体总和的相对含量作BP网络一般为多层前馈神经网络,它的节点为网络的归一化输入向量,即M=5。经归一化处理(神经元)可分为输入层、输出层和隐层。图2中给后,所有输入量的取值均处在0和1之间。出了三层BP网络的结构示意图。当BP网络用于模式分类时,以二进制形式来表示不同模式的输出结果,则输出层的节点数可根输入层隐层输出层教师信号据待分类模型数来确定。把变压器的故障性质分为H1高温过热(HH)、中低温过热(LH)、高能量放电P1IO1T11y1(HD)、低能量放电(LD)四种类型,即N=4。对应于PmynImHkOnETn第二种故障(LH)待分类
7、模式的输出是[0010]T。PMyN3.2学习样本的选择IMONTNHK学习样本选择的恰当与否,直接影响BP网络MKN的性能。理论上,学习样本既要使网络的学习过程快图2BP神经网络结构图速收敛,又要对检验样本有很好的泛化能力,避免“过适配”现象的发生。对于实际选取变压器故障数Fig.2StructuraldiagramofBPneuralnetwork据,文献[12]研究了选取“典型样本”的算法;文献BP网络的学习过程由正向传播输出过程和反[13]提出了一种定性选择方法;文献[14]把粗糙集应向传播调整过程两个阶段组成。第一阶段是根据输用在学习样本
8、的选取上,减小了选择的主观性和盲入已知学习样本,通过设置的网络结构和前一次迭目性。在此基础上,本着代表性、广泛性和紧凑性的
