4.8.1 神经网络的发展
神经网络以其独特的容错、联想、推测、记忆、自适应、自学习和处理复杂多模式等优点，在许多学科中掀起了研究的热潮。同样在故障诊断领域，其发展前景也是十分乐观的。人工神经网络是大量神经元广泛互连而成的复杂网络系统，它诞生于1943年。人类大脑神经细胞结构和功能，具有与人脑类似的记忆、学习、联想等能力。信息处理是通过神经元之间的相互作用来实现的，知识与信息的存储表现为分布式网络元件之间的关联，网络的学习和识别取决于各神经元连接权值的动态演化过程。大规模并行结构，信息可以分布式存储，并且具有良好的自适应性、自组织性和容错性，因此在故障诊断领域已经得到了广泛的应用。
神经网络从结构上主要分为两类，一类是前馈网络，另一类是反馈网络。解剖学的研究证明，神经节点间的连接大部分属于前馈连接。从现在的研究来看，前馈网络是一种研究比较完善的网络，达到了实用化的程度。人工神经网络在故障诊断中主要应用于特征提取和模式分类，其诊断系统包括3层（见图4－23）。
图4－23 神经网络模型
输入层：即接收的各种故障信息及现象；
中间层：是把输入层得到的故障信息，经内部处理，转化为针对性的解决方法；
输出层：是针对输入的故障形式，经过调整加权系数后，得到的处理故障方法。
4.8.2 基于神经网络的变压器故障诊断
变压器故障的发展过程与运行环境、负载状况有直接的关系，采用定期维修的方法往往难以发现这些故障，而且定期维修需要离线进行，停电时间长，会造成大量的电量损失。研究表明，变压器油中溶解气体的组成成分和含量与变压器内部的故障类型、严重程度有十分密切的关系。人工智能研究领域的新技术——人工神经网络，具有分布存储和容错性，大规模并行处理、自组织、自适应和自学习性等多种特征，可处理环境信息复杂、知识背景不清及推理规则不明确的问题。神经网络对变压器状态进行识别，为变压器的状态监控提供了一种新的方法［21］。
当油纸绝缘电气设备内部发生故障时，油分解而产生的气体中，总是有H2存在。在故障温度比较低时（300℃以下）就已产生H2，它在油中的含量随着故障部位温度的升高而迅速上升。通常认为故障部位的温度能够反映故障的严重程度。因此，油中溶解H2的含量随着内部潜伏性故障的发展而增加，油中溶解的H2能够作为反映变压器内部潜伏性故障严重程度的指标。当故障涉及到固体绝缘时会引起CO的明显增长。CO在固体绝缘物的温度比较低时（200℃以下）就已产生，它在油中的含量随着故障部位温度的升高而迅速上升，因此CO也能作为变压器早期故障的特征气体。由于固体绝缘物绝缘性能的劣化很可能发展成绝缘击穿事故，因此在故障诊断中，当故障涉及到固体绝缘时，应格外重视。通过监测CO的含量，判断故障是否涉及到固体绝缘，对判断故障的严重程度、发展趋势很有帮助。应用现代的计算机技术，就能分别测定H2和CO两种故障气体的含量，并能够进一步分别计算得到H2和CO的产气速率。因此，可以通过检测H2和CO的含量和产气速率，达到监控变压器运行状态的目的。
神经网络系统中，知识是以大量神经元的互连和各连接的权值来表示的。神经网络映射辩识方法主要通过大量的样本进行训练，经过网络内部自适应算法不断调整其权值，以达到目的。状态识别器就隐含在网络的互连形式与权值上。在网络的使用过程中，对于特定的输入模式，神经网络通过前向计算，产生一输出模式，通过对输出信号的比较和分析可以得出特定解。变压器运行状态监测通过检测溶解在变压器油中的气体含量并输入神经网络，再通过神经网络对变压器的运行状态进行识别。设网络输入层为1维，隐层为m维，输出层为n维，输入层各神经元的输出等于其输入，则网络的正向传播过程如下：
（1）网络初始化，即对各连接权值和阀值都设置一个随机初值。
（2）输入层至隐层的传播。
（3）隐层至输出层的传播。
（4）隐层至输出层的修正。
（5）输入层至隐层的修正。
（6）检查学习误差是否达到规定值，若未达到，返回（2），进行再一次学习；若已达到，则网络学习结束。
网络输入层节点数就是一个模式所包含的特征量数。在油色谱分析领域中，基于油中溶解气体类型与内部故障性质的对应关系，提出了以油中5种特征气体为依据的判断变压器故障的方法。其特征量为H2、CH4、C2H6、C2H2、C2H4等。这样节点数n为5的网络输入层被确定。在对变压器的故障识别时，变压器的故障类型选择为：中低温过热、高温过热、低能放电和高能放电。当考虑正常情况也作为一种类型时，一个m为5节点的网络输出层被确定。设定以0与1之间数值大小表示对应的故障程度，越接近数值1时表示对应的故障严重程度越大。
针对变压器故障特点，采用高斯函数。它的优点是：
（1）表示形式简单，即使对于多变量输入也不增加太多的复杂性。
（2）径向对称。
（3）光滑性好，任意阶导数均存在。
（4）便于进行理论分析。
由于反映变压器故障的5种特征气体含量的绝对值变化范围很大，直接用气体含量值作为网络输入会影响网络的收敛性。为保证学习信息的准确性和网络不出现饱和，以及网络规模不至于过大，特征气体数据先要进行归一化处理，使模式样本数据落入［0，1］区间［22］。
4.8.3 基于MATLAB仿真实验及结果分析
MATLAB是一种强大的数学工具软件，其TOOLBOX中包含神经网络工具箱，在MATLAB7.0Neural Network Toolbox中，涉及多种神经网络模型，为RBF神经网络的设计和实现提供了强大的支持。网络设计中，可按上述学习算法修改工具箱源代码、扩展算法和工具箱的功能以满足设计的需要，这样将缩短应用程序的开发周期，可靠性也能增强。在仿真实验中，收集了25组变压器样本，并随机取出20组样本用于神经网络训练，其余的5种样本作为测试样本（表4－30）［23］。
表4－30 测试样本对应的实际故障
图4－24 训练样本收敛曲线
利用MATLAB7.0中的newrb函数设计训练径向基神经网络，该函数的调用形式为：net＝newrb（P，T，GOAL，SPREAD，MN，DF），其中，P为输入样本矢量集构成的矩阵；T为输出目标矢量集构成的矩阵；GOAL为网络的均方误差性能指标；SPREAD为扩展常数，缺省值为25；MN为最大神经元个数，缺省值为输入样本矢量的个数；DF为迭代过程中的显示频率，缺省值为25。网络训练结果如图4－24所示。隐层神经元的最优数目在训练中自动获得20，网络训练步数为20步就完成了最佳逼近性能，实现了零误差输出。给训练后的神经网络输入待识别的故障样本集，使用Y＝sim（net，P＿text）获得网络诊断输出（如表4－31所示）。
表4－31 网络诊断结果
网络的5个输出点在变压器工作正常时，只有00端接近1（0.925 9）（其他点输出接近0），网络诊断结果为无故障；在变压器中温过热时，网络01端输出接近1（0.969 1）（其他点输出接近0），诊断结果为低温过热（略有差异）；在其他3种故障工作下，网络也基本将故障诊断出来。以上分析表明了神经网络可以达到较好的故障诊断效果。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
