径向基概率神经网络在油浸式变压器故障诊断中应用.doc

径向基概率神经网络在油浸式变压器故障诊断中应用 　　摘 要：油浸式变压器的故障诊断主要采用油中溶解气体分析法。针对其存在问题，在研究径向基概率神经网络（RBPNN）基础上，使用递推正交最小二乘法求解权值，构建故障诊断分析模型，应用于油浸式变压器故障诊断。使用国网公司某省某变电站变压器数据进行模型训练及故障诊断。仿真验证结果表明基于RBPNN的模型具有较低的误差率，适用于油浸式变压器故障诊断 关键词：径向基概率神经网络；变压器；故障诊断 中图分类号：TU7 文献标识码：A 文章编号：1671-2064（2017）01-0149-03 Abstract：Oil-immersed transformer fault diagnosis is mainly using gas chromatography analysis of modified three ratio method， but there are problems such as coding defects and critical value criterion defects. By constructing a radial basis probabilistic neural network （RBPNN） model， withits characteristics of distributed parallel processing， adaptive， self-learning， used in oil-immersed transformer fault diagnosis. Use a substation transformer data of the SGC province branch for model training and fault diagnosis. Simulation results show that the model based on RBPNN has higher accuracy， and can be used in oil-immersed transformer fault diagnosis. Key words： radial basis probabilistic neural networks；transformer；fault diagnosis 引言 电网系统中，变压器作为重要的组成设备，其安全运行状态对整个电网的安全运行起着关键作用，因此对其进行故障诊断具有重要意义。油中溶解气体分析法通过分析变压器中的溶解气体组成来判断故障类别。目前，我国对油浸式变压器进行故障诊断主要采用国际电工委员会（International Electrotechnical Commission，IEC）三比值法或改良三比值法[1]。在实际诊断过程中，该判据存在两方面的不足，即所谓编码缺损和临界值缺失[2]。随着人工智能技术的发展，其在变压器故障诊断方面也得到了应用。径向基概率神经网络（Radial Basis Probabilistic Neural Networks，RBPNN）是将径向基函数神将网络（Radial Basis Function Neural Networks，RBFNN）和概率神经网络（Probabilistic Neural Networks，PNN）组合而成的一种人工神经网络，既利用了RBFNN中样本集中模式的交错影响，又利用了PNN??时训练的优点[4] 本文将RBPNN模型应用与变压器故障诊断，首先建立变压器状态类型及编码对应关系，然后使用训练数据集RBPNN故障预测模型，最后利用该模型在测试数据集上进行故障预测。该方法结合国家电网某省某变电站变压器实际数据，利用该方法进行故障预测，结果表明其具有较低的预测误差率 1 径向基概率神经网络 径向基概率神经网络的构成是将径向基函数神将网络的输出层连接到概率神经网络的输入层，构成具有四层结构的人工神经网络，即第一输入层、第二隐藏层、第三隐藏层和第四输出层，其具体的模型结构如图1所示 RBPNN模型的第一输入层接收样本数据输入，并输出到第二隐藏层。设样本数据为 其中，xi是样本数据中第i个特征， RBPNN模型的第二隐藏层由样本空间中每个模式类别的隐中心矢量组成，其节点的激活函数是满足Parzen窗口函数的径向基函数K（ 其中，hi（x）是第二隐藏层第个输出，ci是径向基函数的中心矢量（代表了第一输入层与第二隐藏层的连接权重Wi（1），即ci=Wi（1），并且可以通过自适应学习来选择），S1是第二隐藏层的节点数 RBPNN模型的第三隐藏层对第二隐藏层的输出按照隐中心矢量的类