改进型组合rbf神经网络的变压器故障诊断.docVIP

改进型组合RBF 神经网络的变压器故障诊断 梁永春1,2, 李彦明1 (1. 西安交通大学电气工程学院, 西安710049;2. 河北科技大学电气信息学院, 石家庄050054 摘　要:提出了一种在逼近能力、分类能力、学习速度等方面都优于BP 神经网络的径向基函数神经网络和组合诊断的概念, 并将其应用到变压器D GA 故障诊断中。在处理输入数据和改进训练方法后, 组合RBF 神经网络诊断变压器故障训练速度快、收敛精度高、诊断准确。关键词:RBF 神经网络; D GA ; 变压器; 故障诊断中图分类号:TM41文献标识码:A 文章编号:100326520(2005 0920031203 Application of Modif ied Combinatorial R adial B asis Function N eural N et work in F ault Diagnosis of Pow er T ransformer L IAN G Y ongchun 1,2, L I Yanming 1 (1. School of Elect rical Engineering , Xi ’an Jiao Tong University , Xi ’an 710049, China ; 2. School of Elect rical Engineering , Hebei U niversity of Science and Technology , , China Abstract :This paper proposes a RBF Neural Network and the of and applies them in fault diagnosis of power transformer. The RBF Neural to in the ability of approach , the ability of classification and the rate of the processed and the training method is modified , combinatorial radial basis f train rate , high convergence pre 2cision and high diagnosis veracity in K ey w ords :modified combinatorial network ; dissolved gas analysis ; transformer ; fault diagnosis 0　引　言 近年来, 人工神经网络(ANN 已广泛用于变压器故障诊断中, 其中B P 神经网络又是最常用的一种[1～5]。但BP 神经网络中调节权值采用的负梯度下降法存在收敛速度慢和容易陷入局部极小等缺点[6～9]。本文提出采用改进型径向基函数(RBF 神经网络诊断变压器故障的新方法, 同时引入组合诊断的概念。RBF 神经网络在逼近能力、分类能力和学习速度等方面均优于B P 神经网络[10]。1　RBF 神经网络 RB F 神经网络与B P 神经网络结构相同, 由输 入层、隐含层和输出层组成, 其结构见图1。RBF 与 B P 相比有以下特点: 1 输入层节点不对输入向量做任何操作, 直接传递到隐含层。 2 隐含层节点通常采用像高斯函数的辐射状作用函数对输入向量进行处理, 产生一定的输出。高斯函数的函数关系见式(1 。此函数具有较强的局部逼近能力, 当输入信号靠近基函数中央范围时, 隐含层节点产生较大的输出。 R i (x =exp (Ο i 2 2σ2 i ; 　i =1, 2, …, m , 图1　径向基函数神经网络 Fig 11　RBF neural netw ork 式中, R i (x 为第i 个隐层节点的输出; x 为n 维输入向量; t i 为第i 个基函数的中心, 与x 有相同维数 的向量; σi 为第i 个感知的变量, 它决定该基函数围绕中心的宽度, 即中心扩展; m 为隐层节点的个数。 3 隐含层到输出层采用R i (x →y k 的线性映 射, 即y k =∑m i =1 w i R i (x , 　k =1, 2, …, p , 式中, y k 为 第k 个输出层节点的输出; w i 为第i 个隐层节点到第k 个输出层节点的权值; p 为输出层节点个数。 4 RB F 神经网络隐含层的中心位置和中心扩展一般采用K —均值聚类法来确定, 隐含层到输出层的线性权值一般采用L MS 算法确定[11]。 ? 13?　　第31卷第9期 2005年　　9月 高　电　压　技　术 High Voltage Engineering Vo