基于模糊输入的BP-ART2混合神经网络在电力变压器故障综合
适应共振理论ART2具有快速的学习算法,且无需大量样本,在故障在线识别领域有很大的应用潜力。图3是典型的单ART2神经网络结构,适用于模拟向量输入。网络可分为注意子系统和调整子系统两部分,前者完成输入向量的相似度匹配及竞争选择,后者检验输入模式与长期记忆模式之间的相似度是否达到满意的程度,并根据检验结果作出相应处理,成功或重置。提取的特征向量Ii输入F1层(比较层)。在F1层通过向量归一化和非线性变换经迭代得到稳定的中层模式u,并经p送入F2层(识别层),由F2层经竞争选择激活F2层候选模式(本文中对应故障类型),得到系统的短期记忆。F2层的输出经长期记忆加权后反馈回F1层,反馈信息与u一起送入调整子系统,检验系统长期记忆模式与输入模式的相似程度,若通过相似程度检验,则可确定输入模式属于F2层的候选模式,并按快速学习算法,一步完成权值的学习;若未通过检验,则强迫F2层重置并选择下一输出节点,若所有的输出节点都不能通过匹配检验,则增加一个新的输出节点即另一新类。
在应用ART2时必须注意的是ρ(相似测度警戒限,为0到1之间的正数)的选择。ρ值决定了网络对输入模式进行分类的间隔大小,直接影响分类性能。若ρ选得太小,分类粗糙,不能把不同故障类型区分开;若ρ选得太大,分类又太纫,则同一故障类型可能被划分到不同输出模式中,引起错分。ρ的选样没有一定的规则,需要在具体应用中调整。本文中ρ取0.5即可达到较满意的分类效果。ART2网络参考了文献10所述的学习算法。
变压器故障诊断过程属于一个非平稳、非线性的随机过程。在学习阶段,通过对足够量的样本训练,逐层调整接点权重和阈值,直至误差达到精度要求。在工作期间,投入不同的测试样本,进行故障诊断模式识别,最终实时判别故障类型和故障可能发生的位置。
4.知识处理
4.1特征气体的模糊知识表示
4.2三比值法模糊知识表示
参照表2,采用升半正态分布函数,可以具有对较弱数值持不敏感态度,而对足以淹没噪声的较大数值,持较敏感态度。分布函数如上公式所示。
4.3电气试验数据的模糊处理
4.3.1直流电阻
测量直流电阻一般可用于分析断线,导线断股或脱焊,匝简短路,分接头接触不良等故障。GB规定,一般各相测得值(要换算到20℃时的对应值)相互差值应小于平均值的4%,线间测得的相互差值应小于平均值的2%。实际的差值应与出厂试验记录的记录实测值相比较。
4.3.2绝缘电阻、吸收比及极化指数
测量绕组绝缘电阻、吸收比及极化指数可以作为发现变压器的绝缘击穿、大范围受潮的故障的一个手段。按GB规定,绝缘电阻不应低于出厂试验值的70%。吸收比k=R60/R15≥1.3,认为变压器没有受潮现象。极化指数的状态见表3。
4.3.3 介质损耗tg
测量介质损耗tgδ对于判断变压器绝缘老化,受潮等整体状况有一定作用。一般情下tgδ(要换算到20℃时的对应值)小于3%为良好,大于3%小于6%为要注意,大于6%说明不良。
4.3.4 水分
测量水分主要用来判断变压器受潮情况。一般情况下水分小于35ppm为良好,大于35ppm小于50ppm为要注意,大于50ppm说明不良。
5.仿真
在对历年电力变压器有关技术刊物及相应资料上公布的故障实例进行统计后,选取了经实际检验验证证明结论较明确的811台次故障变压器的数据,经随机选取后组成的训练样本集及检验样本集内各故障类型的分布情况见表4。
根据本文所述的模型,判断结果如表5所示。
由表5可见,基于模糊输入的BP-ART2混合神经网络用于电力变压器故障诊断诊断正确率较高,对于诸如分接或引线等导电回路过热故障以及匝间短路或引线闪络等涉及固体绝缘的放电故障的诊断正确性方面有较明显的提高,这说明本方法用于变压器故障诊断确实能够取得较好的诊断效果。
6.结论
本文的目的是找到一种用于电力变压器故障诊断的新型有效方法,为此,采用BP-ART2混合神经网络用于此目的。该方法充分利用BP神经网络和ART2模型的优点,克服了各自的不足之处,对电力变压器故障诊断工作是一种新的尝试。仿真结果可以发现,应用此方法可以收到良好的效果。
- Windows CE 进程、线程和内存管理(11-09)
- RedHatLinux新手入门教程(5)(11-12)
- uClinux介绍(11-09)
- openwebmailV1.60安装教学(11-12)
- Linux嵌入式系统开发平台选型探讨(11-09)
- Windows CE 进程、线程和内存管理(二)(11-09)