基于小波神经网络的电力变压器故障诊断研究.docVIP

精品论文 参考文献 基于小波神经网络的电力变压器故障诊断研究 （1.广西大学电气工程学院 广西南宁 530001；2.广西电网有限责任公司梧州供电局 广西梧州 543000） 摘要：电力系统的运行设计很多设备，不同设备在整个电力系统中所承担的角色和任务也不同。电力变压器作为连接输电线路和用户的中间环节，对电力系统的安全稳定运行具有重要意义。正是因为其在电力系统中的重要地位，所以我们需要对电力变压器故障进行及时处理，并对各种潜在故障进行研究。基于此，本文结合小波神经网络，分析该网络在电力变压器故障诊断中的应用。 关键词：小波神经；电力变压器；网络；故障 1.小波神经网络 小波基函数是小波神经网络的核心，根据需要研究的内容设定具体的基函数，譬如连续型或者权重型，两者在性质上存在着一定的差异。小波神经网络系统的输入为X，X=[X1，X2，…Xn]，设第二层激活函数为小波函数psi; a，b，伸缩系数为am，平移系数为bm，取小波函数为： 2.小波神经网络的实验仿真 （1）样本的选取及输入输出向量的确定 电力变压器内部充有变压器油，这些油在实际运行过程中会产生一些气体，我们可以通过检测所产生的气体来判断变压器是否出现故障。根据长期运行工作经验，我们这里以H2、CH4、C2H6、C2H4、C2H2五种气体的含量作为分析基准，将电力变压器其中这种五种气体含量作为BP网络分析的输入特征量。因为我们选择了五种气体，那么该网络在设计时需要设定5个网络神经元节点。不同运行温度下电力变压器内部电离出来的气体含量不同，可能出现的故障也不同。 （2）网络其他参数的设定 设定网络的初始阈值theta;为0.50，初始学习速率vt为0.25，伸缩平移因子a和b范围为[-5，5]，权值omega;范围[-1，1]，尺度参数a的学习率eta;a为0.40，尺度参数b的学习率eta;b为0.50，自适应动量系数mu;为0.09等，网络的最大训练次数为2000次，设目标平均误差为10-5。 3.变压器故障诊断实验结果 （1）不同隐藏层节点个数的诊断 从图1中可以明显看出，小波神经网络和BP神经网络在样本诊断正确率上基本保持一致，特别是随着隐藏层节点数的增加，对样本的诊断正确率不断提高。两种网络对于隐藏层节点的诊断极其相似说明了在很多分析过程中，我们所得到的结果不用刻意去分析是根据那种网络计算而得。 由此可见，识别样本中所选择的隐藏层节点数过少在很大程度上会影响网络的故障诊断正确率；但同时如果我们选择的隐藏层节点数过多的话，同样也会导致诊断正确率的下降。对于不同分析对象，我们选择的隐藏层节点数也不同，必须要通过不断地试验来选择最佳的隐藏层节点数，进而保证因初始值设置不合理而出现的网络震荡，这是我们采用小波神经网络对样本进行诊断的核心所在。 （2）不同干扰度对网络的影响 研究不同干扰度对网络的影响，我们选择400组样本训练网络，并用200组数据进行检验。小波神经网络和BP神经网络仿真的结果如图2所示，对200组数据进行检验时用随机比例的噪声进行了干扰，分析干扰出现后网络的诊断能力变化。 由图可见，当噪声分别为15％和20％时，由于小波变换的局部化特征，隐含层对输入样本进行特征提取，输出层对输入样本进行模式分类，结合神经网技术的优点，通过训练可自适应地调整网???参数，同时具有良好的函数逼近和模式分类能，提高了网络的诊断正确率；同时小波神经网络的有较好的鲁棒性。 参考文献： [1]崔东君，刘念，刘秀兰.基于加权小波神经网络的油浸式电力变压器故障检测[J].电力系统保护与控制，2010，18：19-23. [2]马桂雨，王雪丹，万丹.基于遗传小波神经网络的变压器故障诊断[J].吉首大学学报（自然科学版），2013，01：51-55+76.