基于神經(jīng)網(wǎng)絡的電器故障診斷研究.pdf

1、神經(jīng)網(wǎng)絡用于設備故障診斷起源于80年代末期。1989年美國柏杜大學的VenkatVenkatasubramanian和KingChan等人將人工神經(jīng)網(wǎng)絡用于故障診斷中，并與基于知識的專家系統(tǒng)進行了比較。他們確定了18種征兆(輸入節(jié)點)和13種故障類型(輸出節(jié)點)，隱層有5～27個節(jié)點。所用的算法是反向傳播算法，獲得了理想的結果：它能正確地確定94％～98％的故障原因。美中不足的是訓練時間太長；并且訓練時輸入的數(shù)據(jù)不是實時的：人工神經(jīng)網(wǎng)絡

2、映射連續(xù)變量比映射布爾量要困難得多。盡管如此，他們仍然是第一次將人工神經(jīng)網(wǎng)絡成功地應用于模式匹配和故障診斷中。 現(xiàn)代設備技術水平不斷提高，生產(chǎn)率、自動化要求越來越高，相應地，故障也隨之增加。變壓器作為電力系統(tǒng)中非常復雜而且非常重要的設備，其工作狀態(tài)對電力系統(tǒng)、企事業(yè)單位生產(chǎn)及居民生活具有十分重要的影響。如何提前對變壓器故障進行預測和在故障發(fā)生后迅速判斷故障原因是提高工作效率、減小經(jīng)濟損失的一個重要途徑。因此研究變壓器故障診斷對保

3、證系統(tǒng)安全、可靠、經(jīng)濟運行，提高經(jīng)濟效益具有重要意義。 本文針對傳統(tǒng)故障診斷的若干弊病，提出了將神經(jīng)網(wǎng)絡用于變壓器故障診斷系統(tǒng)的方法。傳統(tǒng)的故障診斷方法大多是以領域專家和操作者的啟發(fā)性經(jīng)驗知識為核心，知識獲取困難、推理效率低下、自適應能力差，并且常見的診斷方法通常由于其單一性而存在一定的誤差。同時由于故障征兆和故障類型之間常常存在復雜的非線性關系，使得診斷系統(tǒng)的數(shù)學模型很難獲取。而人工神經(jīng)網(wǎng)絡以其分布式并行處理、自適應、自學習、

4、聯(lián)想記憶以及非線性映射等優(yōu)點，為解決這一問題開辟了新途徑。鑒于此，在開發(fā)變壓器故障診斷系統(tǒng)時，將神經(jīng)網(wǎng)絡作為故障分類器進行設計。 本文首先分析了故障診斷和神經(jīng)網(wǎng)絡的基本理論，并在此基礎上提出了神經(jīng)網(wǎng)絡對于變壓器故障診斷系統(tǒng)的適用性：文中將BP神經(jīng)網(wǎng)絡算法用計算機實現(xiàn)：并針對其本身存在的一些缺點提出了一系列改進措施，通過在修正權值的時候增加動量項，并且限制輸入值范圍來減小誤差、提高系統(tǒng)的診斷正確率：在對輸入數(shù)據(jù)進行歸一化處理的時候

5、，采取按類逐項歸一化的方法，在避免了輸入數(shù)據(jù)出現(xiàn)0或者1而使訓練進入平坦區(qū)。這樣可以大大提高系統(tǒng)的診斷效率和診斷正確率。將變壓器診斷中典型的油中氣體分析法和神經(jīng)網(wǎng)絡方法相結合，采用Matlab自帶的GUI系統(tǒng)開發(fā)出界面友好、使用方便的變壓器故障診斷系統(tǒng)：此外，文中還詳細探討了網(wǎng)絡各結構參數(shù)的選擇方法，并且就變壓器這一實際診斷系統(tǒng)，分析了不同結構參數(shù)對系統(tǒng)誤差的影響。在文章的最后，總結了神經(jīng)網(wǎng)絡故障診斷系統(tǒng)的優(yōu)點以及不足之處，并且探討了未