摘 要：針對變壓器故障的復雜性和不確定性，結合油中氣體分析方法，提出應用B樣條模糊神經(jīng)網(wǎng)絡對變壓器故障進行診斷。模糊神經(jīng)網(wǎng)絡的基函數(shù)采用B樣條函數(shù)，可以使網(wǎng)絡的權值調整在局部范圍內，從而可以加快網(wǎng)絡的學習速度，仿真結果證明了該方法可以有效地檢測出變壓器故障類型。

　　關鍵詞：模糊神經(jīng)網(wǎng)絡;變壓器;故障診斷

　　電力變壓器是電網(wǎng)運行的主要設備，及時有效地監(jiān)測和診斷變壓器故障對電力系統(tǒng)的可靠運行具有重要意義[1]。考慮到電力設備故障的復雜性和不確定性，傳統(tǒng)的監(jiān)測方法得到的故障診斷率很低。神經(jīng)網(wǎng)絡具有并行處理，學習和記憶以及自適應調節(jié)能力，所以非常適合用于變壓器故障診斷領域[2-3]。本文采用B樣條函數(shù)作為模糊神經(jīng)網(wǎng)絡的隸屬函數(shù)，由于B樣條函數(shù)具有歸一性、緊密性等優(yōu)點，可以加快網(wǎng)絡的學習速度。實驗表明，該方法能較準確地識別變壓器故障類型，且診斷精度較高。

　　1 B樣條模糊神經(jīng)網(wǎng)絡

　　模糊神經(jīng)網(wǎng)絡是由模糊邏輯推理和神經(jīng)網(wǎng)絡結合在一起，充分發(fā)揮模糊邏輯的知識表達能力和神經(jīng)網(wǎng)絡的自適應學習能力。這里引用B樣條基函數(shù)作為網(wǎng)絡的隸屬函數(shù)，B樣條基函數(shù)使用精確的多項式分段插值的形式，可對給定的輸入/輸出數(shù)據(jù)進行光滑的曲線擬合[4]。

　　根據(jù)B樣條基函數(shù)的歸一性，在模糊神經(jīng)網(wǎng)絡中用B樣條函數(shù)作為模糊子集的隸屬函數(shù)可以使得模糊神經(jīng)網(wǎng)絡的輸出變得簡單;同時由于它具有緊密性，可以把每次學習中權值的調整限制在局部的范圍內，從而加快學習過程[4]。B樣條模糊神經(jīng)網(wǎng)絡的結構如圖1所示。

　　該模糊神經(jīng)網(wǎng)絡采用B樣條函數(shù)作為隸屬函數(shù)，由輸入層、模糊化層、規(guī)則層以及輸出解模糊化層四層組成。

　　2 網(wǎng)絡節(jié)點的確定

　　變壓器故障診斷的方法中，油中溶解氣體分析法(DGA)是比較有效的一種方法[5]，通過分析不同的故障氣體(氫氣H2、甲烷CH4、乙烷C2H6、乙烯C2H4、乙炔C2H2)的濃度來監(jiān)測變壓器是否發(fā)生故障。同時根據(jù)變壓器故障類型，網(wǎng)絡的輸出可以分為：正常(y1)、中低溫過熱(y2)、高溫過熱(y3)、低能放電(y4)和高能放電(y5)五種類型，所以網(wǎng)絡采用5輸入5輸出結構。在網(wǎng)絡訓練過程中，變壓器故障類型對應的網(wǎng)絡的目標輸出如表1所示。

　　3 網(wǎng)絡訓練的學習算法

　　網(wǎng)絡訓練時，首先要構造網(wǎng)絡的誤差代價函數(shù)，則在網(wǎng)絡連接權調整過程中，就要使這個誤差代價函數(shù)最小化，本文采用監(jiān)督學習算法中的反向誤差傳播算法，設和分別為網(wǎng)絡的實際輸出和期望輸出，則在時刻t，網(wǎng)絡的學習誤差函數(shù)可表示為：

　　4 仿真實驗

　　在訓練樣本數(shù)據(jù)表的30個樣本中，選前22個樣本訓練網(wǎng)絡，后8個樣本用于檢驗。設置誤差精度為0.001。分別采用BP神經(jīng)網(wǎng)絡和B樣條模糊神經(jīng)網(wǎng)絡進行故障診斷，圖2為BP神經(jīng)網(wǎng)絡訓練誤差變化曲線，圖3為B樣條模糊神經(jīng)網(wǎng)絡訓練誤差變化曲線。對比圖2和圖3可以看出，采用BP網(wǎng)絡訓練時，網(wǎng)絡的收斂速度較慢;而B樣條網(wǎng)絡收斂較快。

　　兩種網(wǎng)絡對故障診斷的結果如表2和表3所示。

　　對比表2和表3可以看出，對于同樣的訓練測試數(shù)據(jù)，B樣條模糊神經(jīng)網(wǎng)絡比BP神經(jīng)網(wǎng)絡的診斷精度高。

　　5 結束語

　　本文根據(jù)變壓器故障的特點，結合氣體分析法，構建了B樣條模糊神經(jīng)網(wǎng)絡模型，很好地實現(xiàn)了對變壓器故障的診斷，通過不同診斷模型的對比，可以看出B樣條模糊神經(jīng)網(wǎng)絡收斂速度快，且診斷精度高。

　　參考文獻：

　　[1]黃鞠銘，朱子述，胡文華等.BP網(wǎng)絡在基于DGA變壓器故障診斷中的應用[J].高電壓技術，1996，22(02)：21-23.

　　[2]R Naresh， V Sharma， M Vashisth. An Integrated Neural FuzzyApproach for Fault Diagnosis of Transformers [J].IEEE Trans.PowerDeliv.(S0885-8977)，2008，23(04)：2017-2024.

　　[3]崔東軍，劉念，劉秀蘭.基于加權小波神經(jīng)網(wǎng)絡的油浸式電力變壓器故障檢測[J].電力系統(tǒng)保護與控制，2010，38(18)：19-23.

　　[4]Weiqing CAO， Pan FU， Genhou XU. Fault Diagnosis of Tool Wear Based on weak feature extraction and GA-B-spline Network. Sensors & Transducers journal，2013，152(05)：60-67.

　　[5]許慧君，王宗耀，蘇浩益.基于DGA的反饋云熵模型電力變壓器故障診斷方法研究[J].電力系統(tǒng)保護與控制，2013，41(23)：115-119.