可拓神经网络在变压器故障诊断中的应用
基于改进的神经网络在变压器故障诊断应用的研究
基于改进的神经网络在变压器故障诊断应用的研究近年来，人工智能技术在电力系统领域得到了广泛的应用，特别是神经网络在变压器故障诊断中展现出强大的能力。
本文将重点研究基于改进的神经网络在变压器故障诊断应用中的方法及实现。
一、研究背景及意义现代工业生产中，变压器作为重要的电力设备扮演着不可替代的角色。
然而，变压器故障的发生可能导致生产中断、设备损坏甚至事故发生。
准确快速地诊断变压器故障对于提高生产效率、防止设备损坏具有重要意义。
传统的变压器故障诊断方法主要依靠技术人员的经验判断，存在着主观性强、诊断准确率低等问题。
而基于神经网络的方法能够通过大量的样本数据进行训练，具有自动学习的能力，能够更客观准确地识别故障类型和位置。
二、基于改进的神经网络方法1.数据预处理在使用神经网络进行变压器故障诊断之前，需要进行数据预处理。
常见的数据预处理方法包括数据采集、特征提取和数据标准化等。
通过对原始数据进行预处理，可以提高神经网络的训练效果和诊断准确率。
2.改进的神经网络模型为了提升神经网络在变压器故障诊断中的性能，研究者们通过改进神经网络模型来提高其学习能力和泛化能力。
例如，引入卷积神经网络（CNN）用于图像识别任务中，可以有效地提取变压器故障图像的特征信息。
3.特征选择与降维在训练神经网络之前，需要选择合适的特征作为输入。
传统的特征选择方法主要依赖于人工经验，存在着主观性强的问题。
因此，研究者们提出了各种自动特征选择和降维方法，如主成分分析（PCA）和线性判别分析（LDA），以提高变压器故障诊断的准确率。
三、实验与结果分析本文通过实验验证了基于改进的神经网络在变压器故障诊断中的应用效果。
实验采用了包含多种故障类型的变压器故障数据集，并与传统的故障诊断方法进行对比。
实验结果表明，基于改进的神经网络方法在变压器故障诊断中具有显著的优势。
相比传统方法，改进的神经网络在准确率和速度上都取得了明显的提升。
这表明在变压器故障诊断领域，基于神经网络的方法具有更好的应用前景。
改进的神经网络在变压器故障诊断中的应用的开题报告
改进的神经网络在变压器故障诊断中的应用的开题报告一、选题背景随着电力工业的不断发展，变压器在电力系统中的作用越来越重要。
然而，由于其工作环境和使用时间的限制，变压器故障率相对较高。
因此，快速准确地诊断变压器故障显得至关重要。
在此背景下，使用神经网络进行变压器故障诊断成为了一种越来越受重视的方法。
在已有的研究成果中，神经网络已经在变压器故障诊断中取得了不俗的成果，但是这些方法还存在一些不足之处，如分类精度低、模型训练复杂等问题。
因此，如何进一步提升神经网络在变压器故障诊断中的应用效果也成为了当前研究的热点。
二、研究意义传统的变压器故障诊断方法存在着局限性，易受到人为因素或主观因素的影响，且需要大量的专业知识和经验支持。
而神经网络具有自适应性、强大的学习能力和丰富的表达能力等特点，能够从大量的数据中学习变压器正常和故障状态下的特征，实现自动化的诊断过程，因此在变压器故障诊断中具有广泛的应用前景。
三、研究内容本研究旨在继承并发展已有的研究成果，通过改进神经网络模型的结构和参数，提高其在变压器故障诊断中的精度和鲁棒性。
具体研究内容包括：1. 改进传统的神经网络结构，如卷积神经网络、残差网络等，以提高模型的表达能力和学习能力。
2. 优化神经网络参数，如学习率、正则化系数等，以提高神经网络训练的收敛速度和模型的泛化能力。
3. 寻找更优的变压器故障诊断数据集，并对数据集进行预处理和特征工程，以提高模型的诊断精度和鲁棒性。
4. 对改进后的神经网络模型进行实验验证，并与已有的方法进行比较，评估改进方法的优劣。
四、拟采用的研究方法1. 主要采用文献调研和实验验证相结合的方法，对当前变压器故障诊断方法和神经网络模型进行深入研究，提出改进的思路和方案。
2. 通过实验验证，对改进的神经网络模型进行性能测试和分析，评估改进效果。
五、预期研究成果本研究旨在通过改进神经网络模型，提高其在变压器故障诊断中的精度和鲁棒性，在此基础上为实际应用提供技术支持。
BP神经网络在变压器故障诊断中的应用.kdh
BP神经网络在变压器故障诊断中的应用杨海马1，刘瑾2，张菁2（1．上海理工大学光学与电子信息工程学院，上海200093；2．上海工程技术大学电子电气工程学院，上海201620）摘要：基于BP神经网络理论设计了以气体浓度为输入、故障类型为输出的变压器故障诊断系统，并进行了计算机仿真。
关键词：变压器；气体分析；BP神经网络中图分类号：TM406文献标识码：B文章编号：1001－8425（2009）01－0067－04 Application of BP Neural Network to Transformer Fault DiagnosisYANG Hai－ma1,LIU Jin2,ZHANG Jing2（1．University of Shanghai for Science and Technology,Shanghai200093,China;2．Shanghai University of Engineering and Science,Shanghai201620,China）Abstract：The transformer fault diagnosis system is designed based on the theory of BP neutral netnwork．In the system,the input is the gas concentration and the output is the kind of fault．The simulation is presented by computer．Key words：Transformer；Gas Analysis；BP neutral network１引言电力系统的安全运行具有十分重要的意义，当高压变压器或其他类似设备在运行中出现局部过热、不完全放电或电弧放电等故障时，其内部绝缘油、绝缘纸等绝缘材料将分解产生多种气体，包括短链烃类气体（C2H2、CH4等）和H2、CO2等，这些气体称作特征气体。
基于神经网络算法的变压器诊断
基于神经网络算法的变压器诊断摘要：电力变压器诊断是根据变压器故障特征，定故障的性质或者类别，为变压器的检修决策提供依据。
文章对变压器油溶解气体的来源、特点及产生原因进行分析，通过构建变压器油中溶解气体与变压器故障之间的对应关系的专家系统，运用神经网络算法对变压器进行全面诊断，仿真结果表面文章所示方法具有可行性。
1.神经网络算法基本原理神经网络算法（BP神经网络）是一种前向网络，利用反向传播学习算法进化学习。
目前神经网络算法已广泛应用于故障诊断、寿命预测、数据归类等方面。
典型神经网络算法包括：输入层、隐含层、输出层。
其拓扑如图1所示。
图1 神经网络拓扑图图1所示拓扑结构可知，当选取一组学习样本作为输入时，通过映射条件至隐含层，然后再经激活函数处理，反向输出到输出传播层，并在输出层获得神经元的网络输入响应；以降低实际输出和目标输出之差为优化条件，反向修正映射和激活函数连接权值，最后返回输入层。
如此过程反复交替，从而实现误差的减少。
1.变压器诊断模型文章通过对变压器常见故障进行诊断分析，得出变压器故障类型与特征气体之间关系如表1所示。
表1 变压器故障类型与特征气体之间关系表从表1可知，变压器故障后变压器油溶解气体核心为：、、、、五种气体。
因此将它们作为变压器故障特征提取量，通过比较、、三项值的大小来判断故障。
1.基于神经网络的变压器诊断过程从文章第二节可知，气体之间比值的不同对应不同的故障类型，因此可以构建三项值与故障类型对应关系，并将该关系作为神经网络的输入和输出进行训练。
由于变压器进行故障的诊断时，因为其内部油中的特性气体和自身问题件并不是线性的关系，所以选择非线性的Sigmoid函数来对其进行计算。
通过上述反向传播训练，得到适用于变压器诊断特点的神经网络权值模型。
运用得到的神经网络权值模型，输入实际数据，得到神经网络传播后的输出结果，该结果即为对应的变压器故障类型。
1.仿真实例文章收集了实际故障数据如表2所示。
基于神经网络的变压器故障检测毕业论文
毕业论文（设计）题目基于神经网络的变压器故障检测姓名文学号 0817014004所在院(系)电气工程学院专业班级自控081班指导教师侯波完成地点理工学院（北区）501楼2012年 5 月20日基于神经网络的变压器故障检测文（理工学院电气工程学院自动化专业081班， 723003）指导教师：侯波[摘要]:电力变压器作为电力系统中最为重要的设备之一，对电力系统安全、可靠、优质、经济的运行起着决定性作用，因而，必须尽量减少变压器故障的产生。
电力变压器故障检测对电力系统的经济安全运行有着重要的意义。
油中溶解气体法，是最有效的发现和检测变压器故障的方法之一。
神经网络对外界具有很强的模式识别分类能力和联想记忆能力，因此神经网络可以用于变压器故障检测。
基于神经网络的以变压器油中溶解气体为特征量的故障检测方法为变压器故障检测提供了新的途径。
本文将采用三种不同的神经网络（BP网络、RBF网络、支持向量机）应用于变压器故障检测中，分别介绍这几种网络的基本结构和原理，并进行模型设计和仿真。
[关键词]:变压器故障检测神经网络 BP算法 RBF算法支持向量机Based on neural network of transformer fault detectionAuthor：Yang wen(Grade 08， Class 01，Major Automation，Department of Electrical Engineering ，Shaanxi University of Technology ，Hanzhong ，723003，Shaanxi )Tutor :Hou BoAbstract :as the most important part of the power system equipment,the power transformer to the safety of the electricity system, reliable and high quality, and the operation of the economy plays a decisive role, therefore, we must try to reduce the of transformer faults. Power transformer of electric power system fault detection of the economic security has important significances. The dissolved gas method, is one the most effective and found that one of the ways to detect transformer faults. Neural network has a strong pattern recognition classification ability and associative memory ability to the outside world, so neural network can be used for the transformer fault detection. Based on neural network to gases dissolved in transformer oil for the characteristic features of fault detection method for transformer fault detection offers a new way. Therefore.This article will use three different neural network (BP network, RBF network, support vector machine) used in transformer fault detection, are introduced the basic structure of the network and the principle and design and simulation model.key words : transformer ,fault detection ,neural network ,BP algorithm ,RBF algorithm ,support vector machine.目录1 绪论 (1)1.1课题研究的目的和意义 (1)1.2国外发展状况 (1)1.3变压器故障种类 (1)1.4目前变压器故障诊断的主要方法 (3)1.5本文研究的主要容 (4)2 基于神经网络的变压器故障检测机理和基本理论 (5)2.1 故障诊断技术 (5)2.2神经网络 (5)2.3 变压器故障与油中溶解气体的关系 (7)3 基于BP神经网络的变压器故障检测模型 (9)3.1 BP网络 (9)3.2 BP网络模型设计 (13)3.2.1 BP网络参数的确定 (13)3.2.2基于BP神经网络变压器故障检测模型 (15)3.2.3数据归一化处理 (15)3.3 系统仿真，训练与测试 (16)3.3.1网络训练 (16)3.3.2网络测试 (18)4 基于RBF神经网络的变压器故障检测模型 (20)4.1 RBF网络 (20)4.1.1 RBF网络概述 (20)4.1.2 RBF网络原理 (20)4.2 RBF网络模型设计 (21)4.2.1 RBF网络模型 (21)4.2.2 RBF网络参数的选取 (22)4.2.3 RBF网络训练方法的确定 (22)4.3 仿真结果 (22)5 基于支持向量机的变压器故障检测模型 (24)5 .1 支持向量机（SVM） (24)5 .1.1 支持向量机（SVM）基本理论 (24)5.1.2 支持向量机在故障诊断中的应用现状 (28)5.1.3 基于支持向量机变压器故障多分类算法 (28)5.2 变压器故障特征诊断模型设计 (29)5.2.1 变压器故障特征诊断参数选取 (29)5.2.2 故障诊断流程 (29)5.3系统仿真 (29)5.3.1 故障模型训练和参数寻优 (29)5.3.2 测试结果与分析 (33)6 结论与展望 (35)致 (36)参考文献 (37)英文文献 (39)1 绪论1 .1课题研究的目的和意义现代设备技术水平不断提高，生产率、自动化要求越来越高，相应地，故障也随之增加。
基于神经网络的电力设备故障检测与诊断
基于神经网络的电力设备故障检测与诊断随着电力系统的规模不断扩大和设备的复杂性不断增加，电力设备故障不可避免地会发生。
及时准确地检测和诊断电力设备的故障对于保障电网的安全稳定运行至关重要。
近年来，基于神经网络的故障检测与诊断技术逐渐受到研究者的关注并取得了一定的进展。
一、神经网络在电力设备故障检测与诊断中的应用神经网络是一种模拟人脑神经元网络结构和信号传递机制的数学模型，它具有自适应性、并行处理能力和非线性映射能力等特点，适用于处理复杂的非线性问题。
在电力设备故障检测与诊断中，神经网络可以利用其优势来实现高效准确的故障检测和诊断。
1. 神经网络在电力设备故障类型识别方面的应用故障类型识别是电力设备故障检测与诊断的基础环节，其目的是通过分析设备的工作状态来确定故障的类型。
传统的故障类型识别方法通常使用规则或模型匹配的方式，需要依赖专家经验和大量的先验知识。
而基于神经网络的故障类型识别方法则能够自动地从数据中学习特征，并根据这些特征进行分类。
通过使用神经网络，可以大大提高故障类型识别的准确性和效率。
2. 神经网络在电力设备故障定位方面的应用故障定位是电力设备故障检测与诊断中的另一个重要环节，其目的是确定设备故障的具体位置。
传统的故障定位方法通常使用等效电路模型或电磁波反射法进行推断，需要对电力设备的拓扑结构和工作特性有较深入的了解。
而基于神经网络的故障定位方法则能够通过分析设备的输入-输出关系来推断故障位置，无需对设备的拓扑结构和工作特性进行详细分析。
神经网络具有强大的非线性映射能力，能够从输入数据中学习到设备工作状态与故障位置之间的关系，从而实现准确的故障定位。
二、基于神经网络的电力设备故障检测与诊断的关键技术神经网络在电力设备故障检测与诊断中的应用需要解决一些关键技术问题，以下是其中的几个关键技术。
1. 数据采集与预处理神经网络需要大量的输入数据来进行训练和推断，在电力设备故障检测与诊断中，这些数据可以来自传感器或监测设备。
神经网络应用于电力变压器故障诊断
神经网络应用于电力变压器故障诊断摘要：电力变压器在长期的运行中，故障是不可避免的。
变压器一旦损坏会造成大面积停电且故障修复耗时长，因此变压器故障的及早发现和处理具有非常重要的意义。
因此，探讨神经网络应用于电力变压器故障诊断具有重要的意义。
本文首先对人工神经网络进行了概述，详细探讨了神经网络应用于电力变压器故障诊断，旨在提高电力变压器故障诊断的准确性，可靠性和诊断效率。
关键词：神经网络；电力变压；器故障诊断随着国民经济的持续、高效、健康的发展，电力工业进入了智能电网发展阶段。
在电力系统向超高压、大电网、大容量、自动化方向发展的同时，提高电气设备的运行可靠性显得尤为重要。
电力变压器是电力系统中最重要的电气设备之一，其运行状态直接影响到系统的安全性水平。
因此，研究变压器故障诊断技术，提高变压器的运行维护水平，具有重要的现实意义。
1 人工神经网络概述人工神经网络（ANNs）是对人脑或生物神经网络若干基本特性的抽象和模拟。
依靠系统的复杂程度，ANNs可通过调整内部大量节点之间相互连接的关系，进而对有效信息进行可靠处理。
而BP神经网络通常是指基于误差反向传播（Back Propagation）算法的多层前向神经网络，不仅能对输入-输出模式映射关系进行学习和存储，而且对描述此种映射关系的数学方程不需要事前揭示。
最速下降法为BP神经网络的学习规则，通过反向传播来持续调整网络的权值和阈值，使其误差平方和最小。
BP神经网络的训练首先对每一层的权值和偏差进行初始化（用小的随机数），以免被大的加权输入饱和，并且需对一些参数进行设定及初始化（期望的误差最小值、最大循环次数、修正权值的学习效率）；第二步需要对网络各层输出矢量及网络误差进行计算；第三步需要对各层反向传播的误差变化、各层权层的修正值及新的权值进行计算，最后需要对权值修正后的误差平方和进行计算，若符合要求则训练完成，若不符合要求则继续。
2 神经网络应用于电力变压器故障诊断2.1系统设计思想在目前变压器故障诊断的研究中采用最多的是BP网络，系统采样的数据集可以分为训练集和测试集两部分，前者用于网络的训练，后者用于测试训练好的网络。
可拓神经网络在变压器故障诊断中的应用
基金项目： 教育部科技重点项目 （the Key Science Foundation of Ministry of Education of China under Grant No.107021） 。 作者简介： 张俊彩 （1972—） ， 男， 博士研究生， 工程师， 主要研究领域为智能信息技术、 数据融合、 数据挖掘； 钱旭 （1962—） ， 男， 博士， 教授， 博士生 导师， 主要研究领域为信息融合技术、 智能控制与决策、 知识工程、 计算机支持的协同工作技术； 周玉 （1979—） ， 男， 博士研究生， 主要研 究领域为智能信息技术、 智能控制与决策。E-mail： zhangjuncai_bj@ 收稿日期： 2010-11-04； 修回日期： 2011-01-14
[1] 经网络 （Extension Neural Network） 的变压器故障诊断方
2
变压器故障诊断方法
变压器故障诊断的方法很多， 其中油中溶解气体分析法
（DGA 法） 利用不同类型的变压器故障 （高温过热、 中低温过 热、 电弧放电、 局部放电等） 对应不同的变压器油中溶解气体 浓度这一性质， 通过分析故障特征气体 （H2、 CH4、 C2H2、 C2H4、 C2H6、 O2、 CO、 CO2 等） 的浓度来发现变压器的潜伏故障。由于 DGA 法能够在不停电的情况下进行故障检测， 不受外界电磁 场的影响， 可以定期在变压器运行过程中对其内部故障进行 诊断， 该方法目前研究成为电气设备进行故障诊断的常规检 测手段， 得到广泛的应用[3]。 现在常用的分析油中溶解气体浓度的方法有色谱分析 法、 IEC 三比值法、 日本的改良电协研法以及智能信息处理方 法， 如粗糙集[4]、 可拓理论[5]、 模糊逻辑[6]、 聚类技术[7]、 神经网络 技术 [8-9] 等， 并取得了不错的效果。但这些方法均具有其自身
改进的神经网络在变压器故障诊断中的应用
般过 热 总 烃 较 高 ， ２ ２＜ Ｌ Ｌ ＣＨ ５ ／
总烃高 ， ｚ ２＞５ ／ Ｃ Ｈ ＣＨ Ｉ Ｌ， ２ ２未构 成 总烃 主 要成 严重过热 份 Ｈ２ 高 较
实验证 明， 生境遗传 算法优化 的 Ｂ 小 Ｐ神经 网络有 效改 善 了
了深入 的研究 ， 提出 了各 种诊 断方法 ， 主要有油 溶解 气体分
析法 （ ｉ ｏ ｅ ａｅ ｎ ｙｉ， Ｇ 、 Ｄｓ ｌ ｄＧ ｓｓＡ ａ ｓ Ｄ Ａ） 电气试验法 、 ｓｖ ｌ ｓ 局部放 电
网络初值不合理 的问题 ， 稳定性好 ， 收敛速度快 ， 收敛成 功率 达 ９％ ， ７ 故障诊断正确 率达 到 ９ ％ ， ６ 较其它传统算 法有 很大
ＫＥＹＷ ＯＲＤＳ： ａ ｈ ｄ ａ ｎ ｓｓ Ｆ ｎ ｉ ｇ ｏ ｉ ；Ｎｅ ｒ ｅｗ ｒ ｕ ａ ｎ ｔ ｏ ｋ；Ｎｉｈ ｅ ｅ ｉ ｇ ｒ ｈ ；Ｂ ｃ ｒ ｐ ｇ ｔ ｎ ａｇ ｒ ｈ ｌ ｃ ｅ ｇ ｎ ｔ ａ ｏ ｔ ｍｓ ａ ｋ ｐ ｏ ａ ａ ｉ ｏ ｉ ｍ ｃｌ ｉ ｏ ｌ ｔ
ＡＢＳ ＴＲＡＣＴ： ｅ ｅ ｒ ｈ ｔｅ ｐ ｏ ｌ ｍ ｆｔ ｓｏ ｍｅ ｕｔｄａ ｎ ｓｓ ｈ ａｅ ｔ ａ ｌ ｒｎ ｆｒ ｒｃ ｎ ｂ ０ ｎ ｍｅ Ｒ ｓ ａ ｃ ｈ ｒ ｂ ｅ ｏ ａ ｆ ｒ ｒ ａ ｌ ｉｇ ｏ ｉ．Ｔ ｅｌｔ ｎ ｕ ｔ ｉ ｔａ ｓ ｍｅ ａ ｅ ｆｕ ｄ ｔ — ｒ ｎ ｆ ｆ ｓｎ ｏ ｉ ｌ ｈ ｏ ｇ ｅ ｑ ａ ｉ ｔ ｅ ａ ｄ ｑ ａ ｔ ａｉ ｅ ａ ａｙ ｉ ｏ ｈ ａ ｉ ｏｖ ｄ ｉ ｒ ｓ ｒ ｅ ｉ． ｕ ｈ ｒ ｂ ｅ ｆｓｏ ｙ ｔｒ ｕ ｈ ｔ ｕ ｌ ａｉ ｕ ｎ ｉ ｔ ｌ ｓｓ ｆｔ ｅ ｇ ｓ ｄ ｓ ｌｅ ｎ ｔ ｈ ｔ ｖ ｎ ｔ ｖ ｎ ｓ ｎ ｏ ａ ｆｍ ｒ ｏｌ Ｂ ｔｔｅ ｐ ｏ ｌ ｍｓ ｏ ｌｗ ｃ ｎ ｅ ｇ ｎ ｅ ｓ ｅ ｄ ａ ｄ ｉ ｓａ ｉ ｔ ｘ ｓ ｉ ｈ ｉｇ ｏ ｉ ｔ ｏ ａ ｅ ｎ ｎ ｕ ａ ｅｗｏｋ ａ ｒｓ ｎ ，ｗｈｃ ｅ ｄ ｏ ｏ ｖ ｒ ｅ ｃ ｐ ｅ ｎ ｎ ｔｂ ｌ ｙ ｅ ｉｔ ｎ ｔ ｅ ｄ ａ ｎ ｓｓ ｍｅｈ ｄ ｂ ｓ ｄ ｏ ｅ ｒ ｌｎ ｔ ｒ ｔｐ ｅ ｅ ｔ ｉ ｉｈ ｌ ａ ｓ ｔ ｌｗ ｃ ｕ ａ ｙ ｒ ｔ． Ｉ ｒ ｅ ｏｖ ｅ ｐ ｏ ｌ ｍｓ ｌ ｉ ｒ ｖ ｄ ｎ ｕ ａ ｅ ｗ ｒ ｄ ｌ ｆ ｉｈ ｅ ｅ ｉ ａｇ ｒ ｈ ｗａ ｏ ａ ｃ ｒ ｃ ａｅ ｎ ｏ ｄ ｒｔ ｓ ｌｅ ｔ ｒ ｂ ｅ ，ａ ｍｐ ｏ ｅ ｅ ｒ ｎ ｔ ｏ ｋ ｍｏ ｅ ｃ ｅ ｇ ｎ ｔ ｌｏ ｔ ｍ ｓ ｏ ｈ ｌ ｌ ｏｎ ｃ ｉ ｐ ｅ ｅ ｔ ｄ ｔｍａ ｅ ０ ｄ ｕ ｅ ｏ ｅ ｒ ｈ ｎ ｉ ｔ ｆ ｉ ｈ ｅ ｅｉ ｌ ｏ ｉ ｍ ｎ ｈ ｏ ｌ ｅ ｒｒ ｆ ｃｉｎ ａ ｄ ａ ｓ ｃａ ｒ ｓ ｎ ｅ ．Ｉ ｋ ｓｇ ｏ ｓ ｆｓ ａｃ ｉ ｇａ ｌ ｙ ｏ ｃ ｅ ｇ ｎ ｔ ａｇ ｒ ｈ ａ ｄ ｔ ｅ ｎ ｎ ｉ ａ ｅ ｅ ｔ ｎ ｓ ｏ ｉ— ｂ ｉ ｎ ｃ ｔ ｎ ｌ ｏ ｔ ｎ ｌａ ｎｎ ｉ ｔ ｆ ｈ ｅ ｒｌｎ ｔ ｏ ｋ，ａ ｄ ｏ ｔ ｚ ｓ ｔ ｅ ｉ ｉ ａ ｏ ｎ ｃｉ ｎ ｗｅｇ ｔ ｎ ｈ ｅ ｈ ｌ ｓ ｏ ｈ ｅ ｒ ｌ ｉ ｅ ｒ ｉ ｇ ａ ｌ ｙ ｏ ｅ ｎ ｕ ａ ｅｗ ｒ ｏ ｂ ｉ ｔ ｎ ｐ ｉ ｅ ｈ ｎｔ ｌｃ ｎ ｅ ｔ ｉｈ ｓ ａ ｄ ｔ ｒ ｓ ｏｄ ｆｔ ｅ ｎ ｕ ａ ｍｉ ｉ ｏ ｎ ｔ ｒ ｈ ｏ ｇ ｅ ｎ ｃ ｅ ｇ ｎ ｔ ｌｏ ｔ ｍ ，ｔ ｅ ｒ ｉ ｓ ａ ｄ ｔｓｓ ｔ ｅ ｎ ｔ ｏ ｋ ｅ ｗｏ ｋ ｔｒ ｕ ｈ ｔ ｉｈ ｅ ｅｉ ａｇ ｒ ｈ ｈ ｃ ｉ ｈ ｎ ｔ ｎ ｎ ｅ ｔ ｈ ｅ ｗ ｒ ．Ｔ ｅ ｒ ｓ ｌ ｏ ｈ ｘ ｅ ｍｅ ｔｓ ｏ ａ ｈ ｅ ｕ ｔ ｆ ｔｅ ｅ ｐ ｒ ｎ ｈ ｗｓ ｉ ｔ ａ ，ｃ ｍｐ ｒｄ ｗ ｔ ｈ ｒ ｄｔ ｎ ｔ ｏ ｈ ｔ ｏ ａ ｅ ｉ ｔ ｅ ｔ ｉ ｏ ａ ｍｅ ｄ，ｔ ｅｉ ｒ ｖ ｄ ｍｏ ｅ ｓｅ ｅ ｔ ｅ ｔ ｍｐ ｏ ｅ ｃ ｎ ｅｇ ｎ ｅ ｒ ｔ ，ｓａ ｉ ｔ ｆ ｈ ａ ｉ ｌ ｈ ｈ ｍｐ ｅ ｄ ｌ ｆ ｃ ｉ ｏ ｉ ｒ ｖ ｏ ｖ ｒ ｅ ｃ ａｅ ｔｂ ｌ ｙ ｏ ｏ ｉ ｖ ｉ
PNN神经网络模型在变压器故障诊断建模中的应用
变压器 油 中溶 解气体分 析 （ ＤＧＡ） 技术是诊 断 电力 变压器早期 故 障较为有 效的手段 。它能够 及早发现变压 器 内部存在 的潜伏性故 障 ， 对 定期维修方 式过渡到状态 维修方 式的进程起 到促进 作用 ， 从而被广 泛应用于变压
Ｆ ａｕ ｌ ｔ Ｄｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ Ｏ ｆ Ｔｒ ａ ｎ Ｓ ｆ Ｏ ｒ ｍｅ ｒ
ＹＵＥ Ｊ ｕ ｎ ， ＨＵＡＮＧ Ｃｈ ｅ ｎ ｇ ， ＲＥＮ Ｒｕ ｉ － ｙ ｕ ｎ
（ Ｕ ｌ ａ ｎ ｑ ａ ｂ Ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ Ｐ ｏ ｗｅ ｒ Ｂ ｕ ｒ ｅ ａ ｕ ， Ｕ ｌ ａ ｎ ｑ ａ ｂ ０ １ ２ ０ ０ ０ Ｃ ｈ ｉ ｎ ａ ） Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｏ ｂ ｊ ｅ ｃ ｔ ｃ ｌ ａ ｓ ｓ ｉ ｉ ｆ ｃ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｄ ｉ ｓ ｃ ｉ ｒ ｍｉ ｎ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｐ ｒ ａ ｃ ｔ ｉ ｃ ｅ ｎ ｅ ｅ ｄ ｓ ｔ ｏ ｂ ｅ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄ ｔ ｏ ｉ ｄ ｅ ｎ ｔ ｉ ｆ ｙ ｔ ｈ ｅ ｎ ｅ ｔ ｗｏ ｒ ｋ ｍ ｏ ｄ ｅ ｌ ｉ ｓ ｖ ｅ ｒ ｙ ｉ ｍ ｐ ｏ ｒ ｔ ａ ｎ ｔ
自 动 化 技 术 与 应 用 》 ２ ０ １ ６ 年 第３ ５ 卷 第ｌ Ｏ 期
电气 传 动
Ｅ ｌ ｅ ｃ ｔ ｒｉ ｃ ａ ｌ Ｄ ｒｉ ｖ ｅ
Ｐ Ｎ Ｎ神经 网络模型在 变压器故 障诊断建模 中的应用
岳 军 ， 黄 诚 ， 任瑞云
（ 乌 兰察布 电业局 ， 内蒙古 乌 兰察布 ０ １ ２ ０ ０ ０ ）
基于遗传算法的ENN的变压器故障诊断
第２ 期
河北联合大学学报 （ 自然科学版）
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｈ ｅ ｂ ｅ ｉ Ｕｎ ｉ ｔ ｅ ｄ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ（ Ｎ ａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅ ｄ ｉ ｔ ｉ ｏ ｎ ）
Ｖｏ １ ． ３ ５ Ｎ ｏ ． ２
法。
神经网络 以其分布式并行处理、 自适应以及非线性映射等优点， 在变压器故障诊断中得到广泛应用。基 于可拓神经网络的变压器故障诊断方法与传统神经网络相 比有如下优势 ： （ １ ） 对样本数据要求不严格 ； （ ２ ） 初始权值是确定 的， 可以通过训练样本特征值的上界和下界直接获取 ； （ ３ ） 适合处理特征值是基于 区间的分
首先利用可拓理论的物元模型确定连接输入输 出的初始权值 ， 计算每一类的初始中心点， 输入第 ｉ 个训 练样本以及该样本所对应的类别 ｐ， 利用可拓距离去计算训练样本 和第 ｋ 类的距离 ， 如式 （ １ ） ：
ＥＤ ＝
＝１ ｉ
壹 【 兰 量 一 ＝ － 皂
＋ ・ 】 ， 后 ＝ ， ２ ， … ， ｎ
关键词 ： 变压器故障诊断； 可拓神经网络； 遗传算法 摘 要： 可拓神经网络结合 了可拓学理论和人 工神经网络技术。针对变压器故障诊 断的特点， 提 出一种基 于遗传算法和可拓神经网络的电力变压器故障诊断方法。介绍 了双权可拓神经网 络的结构 ； 构造 了基于遗传算法和可拓神经网络的故障诊断模型和算法设计， 并将其应用到电 力变压 器的诊 断识别 ； 通过仿 真 实验验 证 了该方 法 简单 易行 、 训 练误 差 小、 收敛 时间快 等优 点。 中图分类 号 ： １ ］ Ｐ ２ ７ ７ ． ３ 文献标 志码 ： Ａ
神经网络在电路故障诊断方面的应用
神经网络在电路故障诊断方面的应用【摘要】神经网络是一种具有优越的联想、推测、记忆功能，并且反应速度较快的网络技术，它能够通过调整电路内部大量节点之间相互连接的关系，达到诊断故障的目的，因此受到越来越多的人的关注，现已成为故障诊断的一种有效方法和手段。
本文介绍了神经网络的相关知识，并且通过对于神经网络在电路故障诊断方面的具体应用，证明了神经网络在电路故障诊断方面的可行性与精确性。
【关键词】神经网络；电路故障诊断；应用1.神经网络在电路故障诊断方面的应用1.1 神经网络概述神经网络是由大量的神经元连接而形成的复杂的非线性动态系统，是人脑各项功能的综合反映、简化和模拟，具有分布式存储、并行处理、高容错能力以及良好的自学习、自适应、联想、记忆等特点以及较强的故障分析与辨别的能力，因此广泛应用于电路故障的诊断。
模拟电路故障诊断的主要任务是在已知网络的拓扑结构，输入激励信号，在电路可触及的节点上测得故障下的响应，以确定故障元器件的位置及其参数值①。
1.2 神经网络在电路故障诊断的应用电路故障的征兆错综复杂，往往呈现出非线性和不确定性，因而很难用某一种固定的逻辑或算法和模式进行识别。
随着电路复杂性的提高，人们越来越倾向于运用新的技术来监测电路故障，以增加设备的安全性和可靠性。
神经网络是一种模拟人脑发现以及分析故障的较为实用的方法，具有多种模式及联想、推测、记忆功能，并且反应速度较快，因此特别适合应用于电路故障方面的诊断。
在设备的正常运行过程中，利用神经网路对于整个系统进行监测可以大大的减少人力物力，保证设备系统的运行。
神经网络在电路故障诊断方面的应用本质上是将不同的故障模式进行分类，然后通过分析进而定位故障元件。
电路故障诊断主要包含三方面的内容：智能电路故障检测、智能电路故障隔离、智能电路故障辨识以及对电路故障的智能分析。
1.2.1 智能电路故障诊断传统的电路故障的诊断方法主要有三种：故障字典法、故障参数识别法以及故障验证法，但是这三种诊断方法的抗干扰能力较差，实用性不强，已无法满足科技发展的要求，逐渐被时代所淘汰。
刍议基于神经网络的变压器故障诊断技术
刍议基于神经网络的变压器故障诊断技术变压器故障征兆和故障类型具有一定的非线性特征，需要结合一定的故障诊断技术进行判断。
而就目前来看，除了使用油中气体分析法，基于神经网络的变压器故障诊断技术也可以用于诊断变压器故障。
因此，文章对基于神经网络的故障诊断原理进行了阐述，并对基于BP神经网络和基于概率神经网络的两种故障诊断技术展开了分析和比较，以便为关注这一话题的人们提供参考。
标签：神经网络；变压器；故障诊断技术引言从国内外研究情况来看，变压器诊断系统的数学模型的获取问题一直是研究难题。
而现阶段研究变压器故障诊断的技术有多种，包含了模糊理论方法、人工智能技术、在线监测技术和神经网络技术等等。
相比较而言，神经网络具有非线性映射、自适应和并行处理等优点，更适用于研究变压器故障的非线性关系，所以在一定程度上得到了应用。
因此，有必要对基于神经网络的变压器故障诊断技术展开研究，以便更好地应用该技术开展相关工作。
1 基于神经网络的故障诊断原理在故障诊断方面，神经网络方法的运用可以完成变压器油中溶解气体数据中的隐含诊断规律的获取，所以不需要利用变压器故障诊断的相关知识。
同时，根据实际变压器的油中溶解气体数据，神经网络能够进行自适应调整。
因此，可以利用神经网络完成对变压器状态的监测，并对监测数据进行分析和处理，继而了解被监测对象的运行状态或故障原因。
而就目前来看，很多神经网络都可以在变压器故障诊断中应用[1]。
所以，只有通过分析和比较才能找到一种相对优秀的神经网络，继而使变压器故障诊断的准确率得到提高。
2 基于神经网络的变压器故障诊断技术分析2.1 基于概率神经网络的变压器故障诊断概率神经网络具有结构简单和训练简洁的特点，可以利用自身强大非线性分类能力完成故障样本空间的映射，继而得到故障模型空间。
而通过形成具有一定结构自适应能力和较强容错能力的诊断网络系统，则可以使故障诊断的准确率得到提高。
2.1.1 故障确定网络的输入和输出在建立概率神经网络模型时，想要正确地反映问题特征就要先准确选取输入的特征向量。
神经网络在电网故障诊断与定位中的应用
神经网络在电网故障诊断与定位中的应用电网是现代化社会中不可或缺的基础设施之一，但由于复杂的电力系统结构和各种外部环境因素的影响，电网故障时有发生。
快速、准确地诊断和定位电网故障，对于维护电力系统的稳定运行和提高电力供应质量至关重要。
近年来，神经网络在电网故障诊断与定位中得到了广泛应用，并取得了显著的成果。
本文将探讨神经网络在电网故障诊断与定位中的应用，并阐述其优势和挑战。
一、神经网络在电网故障诊断中的应用神经网络是一种模仿人脑神经元网络结构和功能的人工智能工具，具有自学习、自适应和泛化能力。
在电网故障诊断中，神经网络可以通过学习大量的电网故障数据，建立模型并进行预测分析，从而确定电网故障的类型和位置。
首先，神经网络可以用于故障类型诊断。
通过输入电网传感器采集的故障数据，如电流、电压等信息，神经网络可以学习不同故障模式的特征，从而能够准确地判断故障类型，如短路、接地故障等。
这种无监督学习的方式，使得神经网络能够对多种类型的故障进行有效识别。
其次，神经网络还可以用于故障位置定位。
通过输入多个测量点的电网数据，神经网络可以建立一个电网模型，实现对电网故障位置的定位。
神经网络通过学习传感器数据之间的关系，能够精确计算出电网各个节点的电测量值，从而确定故障发生的位置。
这种方法不仅能够提高故障定位的准确性，而且还能够降低故障定位所需的成本和时间。
二、神经网络在电网故障诊断与定位中的优势与传统的故障诊断方法相比，神经网络在电网故障诊断与定位中具有以下优势：1. 自适应性：神经网络能够根据输入数据的变化自动调整其内部权重和参数，从而适应不同的电网故障情况，提高故障诊断与定位的准确性和稳定性。
2. 并行计算：神经网络的并行计算能力使其能够快速处理大量的电网数据，实现快速的故障诊断与定位。
与传统的串行计算方式相比，节省了大量的计算时间。
3. 泛化能力：神经网络通过学习大量的电网故障数据，能够实现对未知故障模式的泛化，从而提高电网故障诊断与定位的适用性和可靠性。
神经网络在电气系统故障诊断中的应用研究
神经网络在电气系统故障诊断中的应用研究电气系统的故障诊断一直是电力工程领域中至关重要的任务之一。
随着科技的不断发展，传统的故障诊断方式往往需要大量的人力和时间，无法满足当今社会快速发展的需求。
神经网络技术作为一种先进的人工智能技术，正被越来越多的学者和工程师所应用于电力系统的故障诊断中。
一、神经网络技术简介神经网络技术是一种仿生计算技术，其运作方式类似于人脑神经系统。
神经网络由多个处理单元组成，每个处理单元可以接受多个外界输入信号，并进行相应的计算。
通过训练算法和大量的数据样本，神经网络可以学习到问题的特征和规律，并能够通过输入新的数据进行预测和诊断。
二、神经网络在电气系统故障诊断中的应用1. 变压器故障诊断变压器是电力系统中最重要的设备之一，也是最容易发生故障的设备。
采用传统方法诊断变压器故障需要大量的人力和时间，而且其准确率也相对较低。
通过利用神经网络技术，可以将变压器的历史数据、环境数据以及现场监控数据等信息进行预处理和分析，并将其输入到神经网络中进行训练和学习。
经过训练后的神经网络可以快速准确地诊断变压器故障类型和位置。
2. 输电线路故障诊断输电线路的故障可能导致电力系统中断，造成重大经济损失和人身伤亡。
传统的线路故障诊断方法需要对整个线路进行巡逻和检查，效率非常低下。
采用神经网络技术进行线路故障诊断，可以大大提高诊断效率和准确率。
神经网络可以通过线路的历史数据和现场监控数据，学习和识别不同种类的线路故障，并能够准确地确定故障的位置。
3. 设备预警诊断利用神经网络技术可以实现设备的预警诊断，早期发现设备的潜在故障，及时采取维修措施，避免事故的发生。
神经网络可以通过采集设备的历史数据、环境数据和工作数据等信息，学习和识别不同种类的故障预兆，预测设备故障发生的可能性和时间。
三、神经网络技术中的优缺点1. 优点（1）自适应能力强，能够适应不同种类的数据和环境；（2）学习和识别能力强，能够处理大量的复杂数据和变化的情况；（3）预测准确率高，能够根据历史数据和现场数据进行高精度预测和诊断；（4）学习速度快，能够快速地学习和识别。
神经网络算法在电力系统故障诊断中的应用研究
神经网络算法在电力系统故障诊断中的应用研究引言电力系统被广泛应用于各个领域，是现代社会不可或缺的重要基础设施之一。
然而，电力系统中存在许多可能导致故障发生的因素，故障的及时诊断和排查是维护电力系统安全稳定运行的关键。
近年来，神经网络算法在电力系统故障诊断中得到了广泛应用，并取得了显著的成果。
本文将探讨神经网络算法在电力系统故障诊断中的应用研究。
一、电力系统故障诊断的重要性电力系统故障可能导致电力设备的损坏、停电以及对用户的使用带来不便甚至危险。
因此，及时、准确地诊断电力系统故障非常重要。
传统的故障诊断方法通常依赖于人工专家经验和基于规则的算法，然而，这些方法受限于人工智能水平和规则的表达能力，无法满足复杂电力系统故障的准确诊断需求。
二、神经网络算法概述神经网络算法是一种基于人工智能的非线性统计模型，模拟了人类神经系统的工作方式，通过学习样本的特征，将输入与输出进行映射。
神经网络算法具有许多优点，如自适应学习、并行处理、容错性强等，适合于处理复杂、非线性问题。
因此，神经网络算法在电力系统故障诊断中被广泛应用并获得了良好的效果。
三、神经网络算法在电力系统故障诊断中的应用1. 故障类型识别与分类神经网络算法可以通过学习大量的故障样本，识别和分类电力系统中的不同故障类型。
通过输入电力系统的工作参数和实时监测数据，神经网络可以判断系统是否发生故障，并快速准确地判断故障类型。
这为电力系统的快速故障诊断提供了有效手段。
2. 故障定位与排查神经网络算法在电力系统故障定位与排查中也发挥着重要作用。
通过学习电力系统的特征数据，神经网络可以判断故障的位置，准确确定故障的起因和范围。
同时，神经网络可以根据故障特征数据对系统进行优化建议，帮助工程师快速排查故障。
3. 故障预测与预警除了故障诊断之外，神经网络算法还可以用于电力系统故障的预测和预警。
通过学习电力系统历史数据和环境变量，神经网络可以分析出电力系统存在潜在故障的风险，并预警工程师进行相应维护和修复。
神经网络在变压器故障诊断中的应用分析
神经网络在变压器故障诊断中的应用分析人工神经网络（ANN：Artificial Neural Network）是一种把对大脑的生理研究成果作为基础来达到模拟大脑的一些机制的数学模型，于上世纪40年代初被提出，并且得到了迅猛的发展，被广泛的应用在许多领域中。
近年来，神经网络已经广泛的应用在了变压器状态监测系统中。
BP神经网络在变压器状态监测中应用的最广泛，该方法的依据是利用特征气体法和IEC三比值法对油中溶解的气体进行分析。
文献[ ]提出的变压器故障方案是利用广义误差神经网络对故障进行正确的分类，从而克服BP神经网络的缺点；文献[ ]利用竞争学习理论的Kohonen 自组织网络模型，网络规模小、分类能力强，克服了BP网络的缺点，试算结果令人满意。
神经网络故障诊断方法应用分析神经网络输入向量为、、、、这五种气体，即该网络输入层的节点数目为5；对于隐含层的设计为两倍的输入层节点数加一，对于本文来说，就是11个节点；然后将所输入的气体数据和历史数据综合在一起来分析变压器的运行状况并给出诊断结论，给出的变压器故障诊断结论为：无故障、中低温过热、高温过热、低能量放电和高能量放电等五种类型，即规定了输出节点是5个，分别对应为、、、、，通过网络给出的输出值来判断故障类型，发生该类故障可能性最大的情况是输出为1，；如果不可能发生该类故障，则输出0。
下面本文用36组数据来对该BP神经网络进行训练，输入气体的数据是气体在总气体中的百分比，数据如表2-1所示：表2-1 神经网络模型训练数据训练的误差曲线如图2-6所示。
图2-6 BP神经网络训练误差曲线可以看出BP神经网络故障诊断模型能够较为精确地拟合输入样本数据，训练结果如下表2-2。
表2-2 训练后的网络输出结果对照表网络模型训练好后，可以对变压器进行故障诊断。
BP神经网络对来自某变电站变压器的20组数据进行分析与检验，其诊断结果如下表2-3。
表2-3 应用于BP神经网络的变压器故障诊断的诊断结果注：表中*表示诊断错误。
浅析深度学习神经网络在电力变压器故障诊断中的应用
从工程现场油色谱的在线数据监测工作中得到的数据特点来看，在深度学习神经网络诊断电力变压器的实际过程中是将H2、CH4、C2H6、C2H4、C2H2这五种类型的溶解在油质中的数据分为作为网络模型的具体输入量，但是在实际的油质溶解气体数据分析工作中会出现对应的差异，并且这个差异相对较大在这种情况下，为了做到最小化数据输入环节的差异，并最终将计算误差降至最低。通常都是采用xc i =xo-xmean/xstd这个公式将输入的各个气体含量数值进行标准化处理，来实现诊断正确率不断的提升。在公式中的xc i就是诸如H2、CH4、C2H6、C2H4、C2H2这等气体在标准化计算之后的数据，而xo则是代表着在未经标准处理之前的各个气体原始含量数据，其中的xmean指的就是训练集或者测试集中具体某一类气体的实际含量平均数值，而xst就是指在训练或者是测试集中的气体含量之间的标注差数值。
3.2样本数据的合理选取
在样本数据的选择过程中为了在样本数量足够的同时避免出现样本数据偏斜的问题，可以在多个工程中针对同一个型号的电力变压器发生故障前后的一段时间之内油色谱的在线监测数据进行详细的记录工作。但是需要注意的一点就是这些收集而来的数据全部都是无标签数据，其中包括了正常运行状态下的数据、故障发生时的数据以及类似故障发生时的数据样本，正因为这些数据的多样性，就完全可以用作预训练阶段的数据样本，而对于其中微调阶段所需的标签样本，则是可以通过对应型号电力变压器在故障测试环节而得到。现有的基于BP神经网络、SVM、ElM等方法的故障诊断方法无法利用这些无标签样本，而深度学习AE和RBM方法则可以充分利用这些无标签样本进行故障特征学习，大大提高了数据样本的利用效率。
深度学习对于机器学习来说。就是一种以数据表证为基础进行学习的方式，其中的观测值可以通过诸如区域形状等方式进行展示。通过使用这种深度学习的方式就可以更好的借助半监督或者是非监督性质中的特征学习及其分层特征将原有的手工获取特征予以代替。在机器学习领域中融入深度学习，其最终的目的就是建立一个基于人脑分析学习能力的神经网络，通过人脑独有的机制将图像、文字以及声音等文字进行合理的解释。同时在机械合理解释的基础上，帮助其实现自动化或者是半自动化的工作性质。
深度学习神经网络在电力变压器故障诊断中的应用
深度学习神经网络在电力变压器故障诊断中的应用摘要：电力变压器是电力系统中最为重要的核心电器之一，它担负着电压转换以及电能耦合的重要任务，甚至在一定程度上可以认为，整个电力传输系统的稳定水平直接取决于电力变压器的性能稳定水平。
因此，探讨深度学习神经网络在电力变压器故障诊断中的应用具有重要的意义。
本文首先对电力变压器进行了概述，详细探讨了深度学习神经网络在电力变压器故障诊断中的应用，旨在保证电力变压器的安全运行。
关键词：财务共享服务；管理会计信息化；实施策略电力变压器在长期的运行中，故障是不可避免的。
变压器一旦损坏会造成大面积停电且故障修复耗时长，因此变压器故障的及早发现和处理具有非常重要的意义。
电力变压器的故障一般有机械故障、热性故障和电性故障，由于机械故障一般都以热性故障和电性故障的形式体现，因此主要以热性故障和电性故障为主。
热性故障一般为中低温过热和高温过热，电性故障一般为低能放电和高能放电。
传统的变压器故障诊断方法存在着效率偏低以及诊断准确率不高的问题，因此我们可以利用人工神经网络的方法对电力变压器的故障进行自动诊断。
1 电力变压器概述电力变压器是电力系统中的重要设备，其当前的工作状态直接影响着整个电力系统的运行。
为了使变压器始终处于良好的状态，严密监视并尽早发现变压器的任何异常就显得非常重要。
变压器的故障诊断就是根据变压器故障的征兆，确定故障的性质或部位。
近年来，人工智能理论的不断完善及其在故障诊断中的成功应用，为变压器故障诊断技术的发展开拓了新的途径。
该文介绍了一个我们研制的电力智能变压器诊断系统，这是一个功能完善并实用的系统，结合了基于专家系统和神经网络的多种诊断方法。
结合该系统的神经网络诊断部分的研制，该文将着重论述诊断神经网络的拓扑结构优化设计问题。
2 变压器常见故障电力变压器的常见故障主要包括热故障和电故障两大类，其中热故障主要是指由于电流升高导致的温度升高的现象。
另外，热故障还包含了机械故障，原因是机械故障通常也会以温度上升的形式体现出来；电故障主要是指变压器内部绝缘出现问题或者由于内部进水或者受潮而间接导致绝缘问题，进而引起的局部或大范围放电现象。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｏ ｌ ｉ ｌｒ ｔ ａ ｐ ｉ ａｉ ｎ， ｕ ｌｏ ｈ ｓ ｏ ｒ ｔ ｉ ｉ ｇ ｅｒ ｒ ａ ｄ ｌｓ ｏ ｖ ｒ ｅ ｃ ｉ ． ｈ ｓ ｍｅ ｈ ｄ ｈ ｓ ｃ ｒａｎ ｖ ｌ ｅ ｏ ｐ ｎ ｙ ｓｍｐ ｅ ｏ ｐ ｌ ｔｏ ｂ ｔ ａｓ ａ ｌｗｅ ａ ｎ ｒｏ ｃ ｒｎ ｎ ｅ ｓ ｃ ｎ ｅｇ ｎ ｅ ｔ ｍｅＴ ｉ ｔ ｏ ａ ｅ ｔｉ ａ ｕ ｆ ａ －
ｐｌ ａｉ ｎ ａ ｄ ｅ ｐ ｓｏ ． ｉ ｔ ｃ ｏ ｎ ｘ ａ ｉｎ ｎ
Ｋｅ ｒ ｓ ｘｅ ｓ ｎ Ｎ ｕａ Ｎｅ ｏｋ Ｅ ｙ ｗｏｄ ：Ｅ ｔ ｉ ｅ ｌ ｔ ｒ（ ＮＮ）ｔ ｎｆｒ ｒｆ ｌ ｄａ ｏｉ；ｘｅ ｓ ｎ ｔｅｒ ｎｏ ｒ ｗ ａ ｓ ｍｅ；ａ ｔ ｉｇ ｓ ｅｔｎｉ ｈｏ ｒ ｏ ｕ ｎ ｓ ｏ ｙ
Ａ ｓｒｃ： Ｅ ｔｎｉｎ ＮｅｒｌＮｅ ｒ （ Ｎ ｂ ｔａｔ ｘｅ ｓ ｕａ ｏ ｔ ｋ Ｅ Ｎ） ｉ ａｎ ｗ ｋ ｄ ｏ ｒｆ ｉｌｎ ｕａ ｅ ｒ ， ｉ Ｓａ ｃｍｂｎｔ ｎ ｏ ｘｅ ｓ ｎ ｗｏ Ｓ ｅ ｉ ｆａｔ ｃ ｅｒｌｎｔ ｋ ｗｈｃ ｉ ｏ ｉ ｉ ｆｅｔｎｉ ｎ ｉ ａ ｉ ｗｏ ｈ ａｏ ｏ
Ｚ ＮＧ ｕ ｃ ｉＱＩ Ｎ ， ＨＯＵ Ｙ ． ｐ ｌ ａｉ ｎ ｏ ｘ ｅ ｓ ｎ ｎ ｕ ａ ｅｗｏ ｋ ｉ ｒ ｎ ｆｒ ｒ ｆｕ ｔ ｄａ ｎ ｓ ． ｍｐ ｔｒ ＨＡ Ｊ ｎ ａ ， Ａ Ｘｕ Ｚ ｕ Ａ ｐｉ ｔ ｆ ｅ ｔｎ ｉ ｅ ｒ ｌｎ ｔ ｒ ｎ ｔａ ｓｏ ｍｅ ａ ｌ ｉｇ ｏ ｉ Ｃｏ ｕ ｅ ｃ ｏ ｏ ｓ Ｅ ｇｎ ｅ ｉｇ ａ ｄ Ａ ｐｉａ ｉｎ ， ０ １ ４ （ ） ８ １ ． ｎ ｉ ｅ ｒ ｎ ｐ ｌ ｔ ｓ ２ １ ， ７ ７ ：－ １ ｎ ｃ ｏ
ｔ ｅ ｒ ａ ｄ ｎ ｕ ａ ｅｗｏ ｋ Ａｔ ｐ ｅ ｅ ｔ ｔ ｅ ｅ ａ ｅ ｍａ ｙ ｓ ｃ ｅ ｓ ｆ ａ ｐ ｉａｉ ｎ ｉ ｓ ｍｅ ｉ ｌ ｓ ｓ ｃ ｓ ｐ ｔ ｒ ｅ ｏ ｎ ｔ ｎ， ａ ｌ ｈ ｏ ｙ ｎ ｅ ｒ ｌ ｎ ｔ ｒ ． ｒ ｓ ｎ ，ｈ ｒ ｒ ｎ ｕ ｃ ｓ ｆ ｐ ｌ ｔ ｓ ｎ ｏ ｆ ｄ ， ｕ ｈ ａ ａｔ ｎ ｒ ｃ ｇ ｉ ｏ ｆ ｕ ｔ ｉ ｌ ｃ ｏ ｅ ｅ ｉ ｄ ａ ｎ ｓｓ ｃ ａ ｓ ｃ ｔ ｎ， ｌ ｓｅ ｎ ａｙ ｉ ｄ Ｓ ｎＢａ ｅ ｏ ｅ ｈ ｒ ｃｅ ｉｔ ｓ ｆ ｔａ ｓｏ ｍｅ ａ ｌ ｄ ａ ｏ ｉ ， ｅ ｉ ｇ ｏ ｉ ， ｌｓ ｉ ａｉ ｉ ｆ ｏ ｃｕ ｔ ｒ ｇ ａ ｌ ｓｓ ａ Ｏ ｏ ． ｓ ｄ ｎ ｔ ｃ ａ ａ ｔｒｓｉ ｏ ｒ ｆ ｒ ｒ ｆ ｕ ｔ ｉ ｇ ｓｓ ａ ｎ ｗ ｐ ｗｅ ｉ ｎ ｎ ｈ ｃ ｎ ｎ ｏ ｒ ｔａ ｓｏ ｅ ａ ｌ ｄ ａ ｏ ｉ ｔ ｏ ａ ｅ ｎ Ｅ ｒ ｎ ｆ ｒ ｒ ｆ ｕ ｔ ｉｇ ｓｓ ｍｅｈ ｄ ｂ ｓ ｄ ｏ ＮＮ ｓ ｄ ｓ ｕ ｓ ｄ ｉ ｈ ｓ ｐ ｐ ｒ ｈ ｏ ｔ ｎ ｆ Ｅ ｍ ｎ ｉ ｉｃ ｓ ｅ ｎ ｔ ｉ ａ ｅ ． ｅ ｕ ｌ ｅ ｏ ＮＮ ｓ ｉ ｔ ｄ ｃ ｄ， ｅ ｆｕ ｔ ｄ ａ － Ｔ ｉ ｉ ｎ ｒ ｕ ｅ ｔ ａ ｌ ｉ ｇ ｏ ｈ ｎ ｓｓ ｏｉ ｍｏ ｅ ｎ ｌｏ ｔ ｍ ａ ｅ ｎ Ｅ ｄ ｌ ａ ｄ ａ ｇ ｒ ｈ ｂ ｓ ｄ ｏ ＮＮ ｒ ｅ ｉ ｅ ａ ｄ ｉ ａ ｐ ｉ ａｉ ｎ ｏ ｈ ｅ ｉ ｇ ｏ ｉ ｎ ｄ ｅ ｏ ｉ ｏ ｆ ｐ ｗｅ ｒ ｎ － ｉ ａ ｅ ｄ ｓｇ ｄ， ｎ ｔ ｐ ｌ ｔ ｔ ｔ ｄ ａ ｎ ｓ ｃ ｏ ｎ ｓｓ ａ ｒ ｃ ｇ ｔ ｎ ｏ ｏ ｒ ｔ ｓ ｎ ｉ ａ ｆ ｒ ｅ Ｓ ｐ ｅ ｅ ｔ ｄ Ｓ ｍｕ ａｉ ｎ ｅ ｐ ｒ ｅ ｔ ｉ ｏ ｄ ｃｅ ｄ ｔ ｅ ｏ ａ ａ ｉ ｅ ｅ ｕ ｔ ｉｄ ｃ ｔ ｈ ｔ ｔ ｒ ｐ ｓ ｄ ｍ ｅ ｄ ｓ ｎ ｔ ｏ ｍ ｒ ｉ ｒ ｓ ｎ ｅ ．ｉ ｌｔ ｘ ｅ ｉ ｎ ｓ ｃ ｎ ｕ ｔ ｄ ａ ｃ ｍｐ ｔ ｒ ｓ ｌ ｎ ｉ ａｅ ｔ ａ ｈｅ ｐ ｏ ｏ ｅ ｔ ｉ ｏ ｏ ｍ ｎ ｈ ｒ ｖ ｓ ｈｏ
中国矿业大学 （ 京）机 电与信 息工 程学 院 ， 北 北京 １ ０ ８ ００３
Ｓ ｈ ｏ ｆＭｅｈ ｎｃｌＥｅｔ ｎｃ＆ Ｉｆｒ ｔ ｎ Ｅ ｇｎ ｅｉｇ Ｃ ｉａ Ｕ ｉｅｓｙ ｏ ｎｎ ｃ ｏ ｌｏ ｃａｉａ ｌｃ ｏ ｉ ｒ ｎｏｍａ ｏ ｎ ｉｅｒ ， ｈｎ ｎｖｒｉ ｆＭｉｉｇ＆ Ｔｃ ｎ ｌｇ ， ｅ ｉｇ １０ ８ ， ｈ ａ ｉ ｎ ｔ ｅｈ ｏｏ ｙ Ｂ ｉｎ ０ ０ ３ Ｃ ｉ ｊ ｎ
摘
要： 可拓神经 网络是一类新 的神经 网络 ， 它结合 了可拓 学理论和人 工神 经网络技 术。可拓 神经 网络 已经在模 式识别 、 故障诊
断、 分类 聚类等领域有 了成功 的应 用。针对 变压器故 障诊 断的特 点， 出一种基 于可拓 神经 网络的 电力变压 器故 障诊 断方法 。 提 介绍 了可拓神经 网络 ； 构造 了基 于可拓神 经网络 的故 障诊 断模型 和算法设 计 ， 并将其应用 到电力变压器的诊断识别 ； 过仿 真实 通 验验证 了该方法简单 易行、 训练误差 小、 收敛时间快等优点。该方法具有 一定的应 用及推 广能力。 关键词 ： 可拓神经 网络 ； 变压器； 故障诊断 ； 可拓理论 Ｄ ：０３７ ／ｉ ｎ１０ ．３ １ ０ １ ７０ ３ 文章编号 ：０ ２８ ３ （ ０ １０ ．０ ８０ 文献标识码 ： 中图分类号 ： Ｐ ９ ＯＩ１ ． ８ ．ｓ． ２８ ３ ． １． ．０ ７ ｊｓ ０ ２ ０ １ ０ ．３ １２ １） ７０ ０ ．４ Ａ Ｔ ３１
８
Ｃ ｍ ｕ ｒ ｎｉ ｅ ｎ ｄ ｐ ｌａ ｏｓ ｏ ｐ ｔ ｇ ｅｒ ｇ ｎ Ａｐｉ ｔｎ计算机 工程 与应用 ｅＥ ｎ ｉ ａ ｃｉ
可拓神经 网络在变压器故 障诊 断中的应用
张俊彩， 钱 旭 ， 玉 周
Ｚ Ａ Ｈ ＮＧ ｕ ｃｉＱＩ Ｎ ， ＨＯ Ｙ Ｊｎ ａ， Ａ Ｘｕ Ｚ Ｕ ｕ