一種由多個神經(jīng)網(wǎng)疥模塊構(gòu)成的智能電力變壓器故障診斷系統(tǒng)，該系統(tǒng)采用VC++語言開發(fā)，系統(tǒng)除了診斷精確度較高，具有一定的自學習功能外，還具有良好的人機界面，在工程實際中值得推廣。

　　學習由正向傳擂和反播縣成。！傳1播過程式。經(jīng)M10配次的訓練后，其平方型為0h00004.bookmark2前言一些無法預計的外界原因和使用、運行、維護等方法不正確，常使電力變壓器引發(fā)許多意想不到的故障，給整個電力系統(tǒng)甚至國家?guī)砭薮蟮慕?jīng)濟損失和不便，如2003年9月在美國發(fā)生的震驚全球全國大面積的停電事故。因此，開發(fā)一種能盡快找到故障原因，降低危害程度，減少經(jīng)濟損失的變壓器故障診斷系統(tǒng)是十分必要的。

　　本文介紹一種智能電力變壓器故障診斷系統(tǒng)，該系統(tǒng)開發(fā)的理論依據(jù)是BP神經(jīng)網(wǎng)絡理論，對新的故障具有不斷的學習能力。為了提高診斷的精確度，系統(tǒng)采用了多個子神經(jīng)網(wǎng)絡模塊同時進行診斷，比較終得到一個綜合診斷結(jié)果。因此，系統(tǒng)不僅能及時有效精確地診斷出變壓器的故障類型，且具有良好的人機界面和功能可擴展性。

　　2系統(tǒng)結(jié)構(gòu)簡介本系統(tǒng)主要有四個模塊組成：三個神經(jīng)網(wǎng)絡診斷子模塊ANN1、ANN2、ANN3和一個綜合診斷模塊，如系統(tǒng)結(jié)構(gòu)圖。其中ANN1模塊是基于特征氣體法的BP神經(jīng)網(wǎng)絡模塊；ANN2為基于四比值法的BP神經(jīng)網(wǎng)絡模塊；ANN3為基于改良三比值法的BP神經(jīng)網(wǎng)絡模塊。

　　ANN1模塊診斷對話框ANN1模塊訓練對話框3神經(jīng)網(wǎng)絡原理BP神經(jīng)網(wǎng)絡是一種多映射網(wǎng)絡，采用均方學習方式，它把一組樣本的輸入、輸出問題變成一個非線性優(yōu)化問題，使用了優(yōu)化算法中的梯度下降法，用迭代運算求解權(quán)值，增加隱層能使可調(diào)參數(shù)增加，從而可得到更精確的輸出。為一典型的三層BP網(wǎng)絡模型，包括輸入層、隱層和輸出層。隱層與輸入層、輸出層是充分連接的，同層之間節(jié)點互不相連。BP算法的41基于特征氣體法ANN1模塊理論和實踐證明，變壓器油中的特征氣體能夠反映變壓器內(nèi)部的運行狀況。基于特征氣體法的ANN1模塊是將故障樣本中的六種可燃性氣體（、出、4、2氏、壓、出）分別占它們總和的百分比值作為輸入量、故障類型作為輸出量來訓練ANN1神經(jīng)網(wǎng)絡，再根據(jù)訓練完后的神經(jīng)網(wǎng)絡來對新故障進行診斷，從而確定出故障類型。此方法可以判斷故障是否涉及固體絕緣，因為特征氣體CO的含量直接關(guān)系到變壓器被破壞的程度。本神經(jīng)網(wǎng)絡有6個輸入節(jié)點，4個隱層節(jié)點，9個輸出節(jié)點（分別表示正常狀態(tài)和8種故障類型），隱層、輸出層神經(jīng)元節(jié)點激活函數(shù)取的是Sigmoid函數(shù)形式，見（1）式，（X）=+exP（-x）⑴會更準確。這說明網(wǎng)絡在訓練迭代計算過程中沒有發(fā)生常見的目標函數(shù)陷入局部比較小的情況，網(wǎng)絡的結(jié)構(gòu)設(shè)計和各參數(shù)的選取都較為合理。

　　由于網(wǎng)絡有一定的自學習功能，經(jīng)過對一些新故障類型樣本進行訓練后，它所能診斷的故障類型數(shù)目會不斷地增加，輸出節(jié)點數(shù)也會隨之增加，同樣，整個系統(tǒng)的故障診斷能力也因此得到提高。

　　42基于四比值法ANN2模塊C2H2/C2H4）的大小范圍來判定故障類型的方法。它的比較大特點就是對故障分類較詳細。有了這一優(yōu)勢再加上神經(jīng)網(wǎng)絡自學習功能，通過對新故障樣本的訓練和學習，本模塊可診斷的故障類型數(shù)目會得到更大地增加。據(jù)以上分析，基于四比值法神經(jīng)網(wǎng)絡模塊（ANN2）輸入節(jié)點數(shù)取為4，隱層節(jié)點數(shù)取為10，輸出節(jié)點數(shù)比較初選為11（代表11種故障類型），學習率取0.3，沖量系數(shù)取為0……隱層、輸出層神經(jīng)元節(jié)點激活函數(shù)形式仍該模塊通過對新故障樣本的訓練后，目前輸出節(jié)點數(shù)已增加為21個，即可診斷的故障類型已達21種。

　　4.基于改良三比值法ANN2模塊為體現(xiàn)變壓器故障診斷中的不確定因素，我們用模糊數(shù)學理論對數(shù)據(jù)進行預處理，即通過分別建立關(guān)于和三個比值的隸屬函數(shù)，來求取神經(jīng)網(wǎng)絡的實際輸入量。

　　考慮到檢測有噪聲，測量有誤差且存在受外界環(huán)境因素的干擾等，該模塊選取的隸屬函數(shù)具有以下特點：對于影響較小的數(shù)據(jù)考慮較少，而對影響較大數(shù)據(jù)重點考慮。本模糊神經(jīng)網(wǎng)絡的有3個輸入節(jié)點（即輸入量為~I3）12個隱層節(jié)點，8個輸出節(jié)點；網(wǎng)絡的學習函數(shù)如式（1）學習率n取為0.5沖量系數(shù)a取為0.25診斷實例分析1996年4月份以前，變壓器油色譜分析各組分含量均正常，5月27日定期色譜分析時發(fā)現(xiàn)，乙炔突然出現(xiàn)且數(shù)值很大，其它組分也全面上升，5月28日取油樣進行分析，各氣體含量還在上升。具體數(shù)值見表1表1定期色譜分析結(jié)果（單位：L/L）曰期總烴用本系統(tǒng)對27日和28日的各氣體含量進行診斷：ANN1模塊診斷出該故障中存在纖維過熱；ANN2模塊診斷為電弧放電??貫穿性放電，ANN1模塊的診斷結(jié)果為過熱兼電弧放電，經(jīng)綜合診斷模塊處理得比較終診斷結(jié)果為變壓器電弧貫穿性高能放電并導致纖維過熱分解。

　　經(jīng)器身檢查發(fā)現(xiàn)，該變壓器的B相均壓球在導管的螺扣上已松動，僅剩不足一扣，且均壓球內(nèi)有大量的碳黑，并可看出導管與均壓球間有明顯的放電痕跡，與上述診斷結(jié)果一致。

　　系統(tǒng)診斷結(jié)果為：IMFICG法模塊診斷為高溫過熱；ANN1模塊診斷為油過熱；ANN2模塊診斷為接頭過負荷，ANN3模塊診斷為高溫過熱，綜合診斷結(jié)論為裸金屬或絕緣油高溫過熱。

　　吊心檢查的結(jié)果為分接頭開關(guān)嚴重燒壞，屬于裸金屬高溫過熱。此結(jié)果與上述診斷結(jié)論基本一致，但ANN1模塊的診斷結(jié)果不夠準確，將該組故障數(shù)據(jù)加入到ANN1模塊中的樣本數(shù)據(jù)庫進行重新訓練。

　　通過以上分析，可見將BP神經(jīng)網(wǎng)絡應用于變壓器故障診斷，確實能提高系統(tǒng)的診斷正確性，是較為理想的變壓器故障診斷方法。

　　4結(jié)論本文介紹的三個ANN模塊結(jié)構(gòu)設(shè)計合理，故障識別率較高（各神經(jīng)網(wǎng)絡的平方型誤差都可小于0.00005）是變壓器故障智能診斷系統(tǒng)中重要組成部分；在實際應用中，隨著神經(jīng)網(wǎng)絡訓練的故障樣本的積累，變壓器故障智能診斷系統(tǒng)可以越來越細致、準確地診斷出故障。

　　該系統(tǒng)具有較強的工程實用性，值得推廣。