基于神经网络的变压器故障诊断

学号：常州大学毕业设计〔论文〕〔2023届〕题目基于神经网络的变压器故障诊断学生学院专业班级校内指导教师专业技术职务校外指导老师专业技术职务二○一二年六月摘要现代设备技术水平不断提高，生产率、自动化要求越来越高，相应地，故障也随之增加。变压器作为电力系统中非常复杂而且非常重要的设备，其工作状态对电力系统、企事业单位生产及居民生活具有十分重要的影响。如何提前对变压器故障进行预测和在故障发生后迅速判断故障原因是提高工作效率、减少经济损失的一个重要途径。因此研究变压器故障诊断对保证系统平安、可靠、经济运行，提高经济效益具有重要意义。概率神经网络〔probabilisticneuralnetworks〕结构简单、训练简洁，利用概率神经网络模型的强大的非线性分类能力，将故障样本空间映射到故障模式空间中，可形成一个具有较强容错能力和结构自适应能力的诊断网络系统，从而提高故障诊断的准确率。本文在对油中溶解气体分析法进行深入分析后，以改进三比值法为根底，建立基于概率神经网络的故障诊断模型。然后，选取23组变压器故障原始样本数据对概率神经网络模型进行“学习〞训练，获得了具有预测诊断功能的网络模型；选取10组变压器在线监测数据作为测试数据，并查看了训练数据网络的分类效果图和预测数据网络的分类效果图，结果只有两个样本判断错误，即只有两种变压器的故障类型判断错误，验证了基于概率神经网络在变压器故障预测诊断处理中的有效性。关键词故障诊断概率神经网络变压器油中溶解气体分析THESTUDYOFPOWERTRANSFORMERFAULTDIAGNOSISBASEDONARTIFICIALNEURALNETWORKAbstractWiththetechnicallevelofmodernfacilityimprovescontinually,thefaultprobabilityincreasesgreatly.Powertransformerhasaverysignificantinfluencetopowersystem,enterprisesproductionandpeopleslife.Howtoforecasttransformersfaultaheadandfindthefaultreasonquicklyafterthefaultisagoodwaytoincreaseworkefficiencyandlightentheeconomylosing.Probabilisticneuralnetworkhastheadvantagesofsimplestructure,simpletraining,theuseofaprobabilisticneuralnetworkmodelforstrongnonlinearclassification,faultsamplespaceismappedtoafaultinthepatternspace,canformastrongfaulttolerantabilityandstructureofadaptivediagnosissystem,soastoimprovetheaccuracyoffaultdiagnosis.Basedonthedissolvedgasinoilanalysisin-depthanalysis,inordertoimprovetheratioofthreeasthebasis,establishthefaultdiagnosisbasedonprobabilisticneuralnetworkmodel.Then,select23groupoftransformerfaultoriginalsampledataontheprobabilisticneuralnetworkmodelof"learning"training,obtainthepredictivediagnosisoffunctionalnetworkmodel;select10groupoftransformeron-linemonitoringdataastestdata,andshowthetrainingdatanetworkclassificationeffectdiagramandthepredicteddatanetworkclassificationeffectchart,onlytheresultsofasampleoftwoerrorsofjudgment,thatonlytwotransformerfaulttypejudgementerror,verificationbasedonprobabilisticneuralnetworkintransformerfaultforecastanddiagnosistreatmenteffectiveness.Keywordsfaultdiagnosis,probabilityneuralnetworks〔PNN〕,powertransformer,DissolvedOasAnalysis〔DGA〕目录摘要1目录31绪论41.1国内外开展状况41.2研究目的和意义41.3论文工作介绍52变压器故障诊断62.1诊断工程概述62.2故障诊断运作机理研究62.3变压器故障诊断系统相关背景72.4变压器故障诊断方法83神经网络123.1神经网络概述123.2神经网络的应用123.3神经网络的开展方向133.4神经网络的结构143.5概率神经网络概述163.6概率神经网络与BP网络的比拟选择174基于概率神经网络的变压器故障诊断研究194.1仿真环境简介194.2故障诊断模型建立204.3基于概率神经网络的变压器故障诊断实现214.4仿真结果及讨论225总结25参考文献26致谢271绪论故障诊断〔FD，FaultDiagnosis〕始于机械设备故障诊断。现代设备技术水平和复杂度不断提高，设备故障对生产的影响也显著增加，因此要保证设备可靠、有效地运行，充分发挥其效益，必须开展故障诊断技术。故障诊断技术借助于现代测试、监控和计算机分析等手段研究设备在运行中或相对静止条件下的状态信息，分析设备的技术状态，诊断其故障的性质和起因，并预测故障趋势，进而确定必要的对策。利用故障诊断技术可以早发现故障征兆和原因，有利于及早排除故障和平安隐患，防止不必要的损失，因而具有很高的经济和社会效益[1]。1.1国内外开展状况诊断理论作为状态识别方法的根底，在工程与技术、生物与医学以及经济与社会领域内都得到了广泛的应用。从诊断技术的各分支技术来看，美国占有领先地位。美国的许多权威机构，如美国机械工程师协会〔ASME〕，美国宇航局〔NASA〕等都参与了这一领域的研究，投入了大量的资金，不少具有完善的监测功能，而且具有较强的诊断工程，在宇航、军事、化工等方面具有广泛的应用。其他的一些国家，诊断技术的开展也各有特色，如英国在摩擦诊断方面，丹麦在振声诊断方面，日本在诊断技术应用方面都具有优势[2]。我过诊断技术的开展始于70年代末，岁起步较晚，但经过追赶，特别是近几年的努力，已根本跟上了国外在此方面的步伐，在某些理论研究方面已和国外不相上下。目前，我国在一些特定设备的诊断研究方面很有特色，形成了一批自己的监测诊断产品。如西安交通大学的“大型旋转机械计算机状态监测与故障诊断系统〞，哈尔滨工业大学的“机组振动微机监测和故障诊断系统〞等。纵观我国的设备诊断技术现状，其应用范围集中在化工、电力、冶金等行业，科研那么主要集中在高校进行，许多高校都成立了颇具实力的诊断工程中心。目前，全国性的设备诊断会议仅中国振开工程学会故障诊断学会已举办过屡次，各国国际会议也举办过数次。这对我国诊断技术的开展起到巨大的推动作用。1.2研究目的和意义随着市场经济的开展，长期以来形成的定期检修已不能满足供电企业的生产目标〔用最低的本钱，建设具有足够可靠水平的输送电能的电力网络〕。面对剧烈的市场竞争，如何提高供电可靠性、有效控制检修本钱、合理延长设备使用寿命等都成为电力企业必须要解决的问题，因此开展状态监测和故障诊断就成为必然。众所周知，变压器是整个电力系统最关键的设备，它的运行状态直接关系到电力系统的平安运行。变压器也是最复杂的设备，必须顶起、实时地对变压器的几十种性能参数监测、分析、判断，使其工作在良好的状态。国内外对变压器故障诊断技术的研究一直十分重视，并已经取得了大量的经验、形成了各种诊断方法。电力设备故障诊断系统在国内的应用始于80年代末，众多专业院校和科研及后对此进行了大量的理论研究和开发设想，其中多数采用变压器油中气体色谱分析方法。十余年来，这些系统在声场实践中的试用取得了较好的效果，收到了电力行业用户的肯定；同时诊断理论也逐步完善，针对变压器不同故障类型的诊断开展处多种行之有效的诊断方式。但这些方法大都依赖于工程技术人员的分析经验，同时电力变压器的运行维护水平、容量、电压水平、绝缘结构及负荷情况等客观因素均会给诊断结果带来影响，甚至对于同一变压器、同一运行条件下会出现采用不同诊断法那么，获得不同诊断结果的现象[3]。由于气体的成分及含量收到多方面因素的影响，所以要建立一个反映气体与故障的数学模型是比拟困难的。近年来星期的人工神经网络理论为接军该问题提供了一个新途径。在国外，将神经网络技术用于电力系统平安检测已得到了广泛的应用，应用神经网络进行电力系统的静态和动态平安性分析、警报处理和故障诊断取得了很好的效果。然而，将神经网络技术用于变压器故障诊断在我国还处于起步阶段。1.3论文工作介绍不可否认，传统的故障诊断技术具有很多优点，产生了巨大的经济效益，但同时它也仍存在某些局限性，如专家的经验知识难以获得或精确描述；只是数据量大，难以维护管理；推理速度慢、效率低、能力弱；单一诊断方法误差较大；难以处理故障诊断中的不确定问题等。人工神经网络是新近兴起的由大量简单计算单元广泛相连而组成的具有高度并行处理能力的一个非线性动力学系统，它对于非线性映射具有较强的逼近，且具有自组织及自学习和联想记忆能力，在故障诊断领域中显示了极大的应用潜力。它为解决传统诊断系统中的知识获取、知识学习等问题提供了一条崭新的途径。本课题即在此背景下，对变压器故障诊断系统进行了研究。重点讲神经网络理论运用于其中，防止了直接建立故障征兆和故障类型之间的数学模型，同时与油中溶解气体分析法相结合，取得了良好的诊断效果。具体内容包括：〔1〕选择神经网络算法——概率神经网络，并对其进行改造，使之收敛速度和误差精度进一步提高；〔2〕收集故障样本，对故障征兆和故障类型进行分析，确定网络的输入和输出向量；〔3〕用油中溶解气体分析法的数据作为输入训练神经网络，调整权值和阀值，建立网络模型，实现对各项网络参数的比拟确定，使误差满足要求；本文第一章主要介绍了课题研究的背景，包括技术开展的现状，研究的目的及意义；第二章介绍了变压器故障诊断方面的相关知识，包括变压器故障的类型和诊断方法，其中着重介绍了目前流行的改进三比值法；第三章介绍了神经网络的相关知识，包括神经网络的结构、算法，还有对概率神经网络和BP神经网络进行了比拟；第四章是本文的重点，主要介绍了如何在MATLAB平台上利用概率神经网络完成变压器故障诊断研究。第五章那么是本文的总结，还有对未来的开展展望。2变压器故障诊断2.1诊断工程概述将神经网络用于变压器故障诊断系统，是本文的特点。因此，故障诊断技术和神经网络理论是根底也是重点。只有对相关理论有了深刻的理解，才能更好地进行系统设计和系统开发。设备诊断技术是近40年来开展起来的一门科学。设备诊断的历史和人类对设备的维修方式紧紧相连。在工业革命后相当长的时期内，由于当时的生产规模、设备的技术水平和复杂度都较低，设备的利用率和维修费用都没有引起人们的重视，人类对设备的维修方式根本上是事后维修。20世纪以后，由于大生产的开展，设备本身技术水平和复杂程度都大大提高，设备故障对生产影响显著增加，出于对经济利益的考虑出现了定期维修。60年代开始，人们开始采用主动维修方式，即在设备正常运行过程中就开始进行监护，发现潜在的故障因素，及早采取措施，这样不仅可以大大防止灾难性的设备故障，而且可以便面失修和过剩维修，经济效益十分显著。这种主动维修方式被许多大中型企业所采用，设备诊断技术很快开展起来[4]。从科学开展的大环境来看，设备诊断技术的产生也是各学科交叉开展的必然，生产实际的需要是它开展的根本原因。40年代以来，人类的生产方式日益向大工业方向开展。在这种宏伟的设备大背景下，系统论、混沌学等纷纷诞生，尤其是控制理论出现了重大突破，产生了一系列现代控制方法。生产系统的庞大化和复杂化同时也暴露了一些问题，即如何防止运行中故障的发生，这就要求有一门相应的诊断技术。同一时期，电子技术，尤其是计算机技术的开展，为设备诊断技术提供了必要的技术根底。60年代，快速Fourier变换的出现，使诊断技术的开展产生了飞跃。近年来，传感器技术的开展，信号处理的系列技术，如各种滤波技术，各种谱分析技术，人工智能的系列技术，如专家系统、神经网络等，以及其他技术在诊断中的应用，使设备诊断技术逐渐完善。2.2故障诊断运作机理研究故障诊断是研究设备运行状态信息的变化，进而识别设备运行状态的科学。其运作机理如图2.1所示。图2.1故障诊断运作流程从本质上讲，设备诊断技术是个模式分类问题，即把机器的运行状态分为正常和异常两类。进一步讲，异常的信号样本究竟属于哪种故障，这又属于一个模式识别问题。从图1开展设备诊断的流程来看，设备诊断过程主要分为信号采集，信号处理，故障诊断3个阶段。围绕这一问题，设备诊断技术在下述方面展开了理论研究。〔1〕信号采集技术的研究。设备诊断技术从设备的病症入手进行分析研究。设备病症指机器运行时产生的代表其状态的各种信号。因此，信号采集技术是设备诊断技术的前提。只有采集到反映设备实际状态的信号，诊断的后续工作才有意义。〔2〕信号分析和处理方法的研究是设备诊断技术的关键，也是理论研究的热点之一，这实际上就是诊断技术中的特征因子〔敏感因子〕提取技术。传感器采集的信号，称为原始信号，一局部可以直接利用，如温度、位移等，但火局部很难直接利用，如振动信号，虽然经过放大，由于含有噪声，一般从时域波形上很难反映问题，必须利用信号分析与处理技术取出噪声并把信号转化在不同的域内进行分析，才能得到更能敏感反映机器状态的特征因子。滤波技术、频谱分析技术是传统的信号处理方法[5]。近年来出现的数字滤波技术、自适应滤波技术、小波分析技术等，大大丰富了信号处理的内容。〔3〕诊断方法的研究是设备诊断技术的核心。识别设备的状态为正常或异常，判断为异常后再进行原因分析，这是诊断的实质。目前，诊断技术根据不同的信号类型，分为振声诊断、温度诊断、油液分析、光谱分析等。受技术条件的限制，在诊断技术开展初期，人的因素占绝对主导地位。仪器处理后的信号根本上靠人去分析。近年来，随着人工智能〔AI〕的开展，诊断自动化、智能化的要求逐渐变为现实。其中，基于知识的专家系统〔简称专家系统〕的研究起步最早，目前在诊断中已有成功的应用。〞模糊理论由于具有处理不确定信息的能力，因此通常和专家系统相结合，作为前处理和后处理。神经网络技术在诊断中的应用起步较晚，但由于它强大的并行计算能力和自学习功能及联想记忆能力，很适合做故障分类和模式识别，因而在诊断中很受欢送。限于篇幅，本文重点对诊断技术的核心局部即诊断方法进行研究。前面的两个环节——信号采集和信号处理暂不做详细讨论。故系统中用到的样本数据和仿真数据是已经经过处理可以直接作为诊断系统输入的数据。2.3变压器故障诊断系统相关背景故障诊断始于机械设备故障诊断。现代设备技术水平和复杂度不断提高，设备故障对生产的影响也显著增加，因此要保证设备可靠、有效地运行，充分发挥其效益，必须开展故障诊断技术。故障诊断技术借助于现代测试、监控和计算机分析等手段，研究设备在运行中或相对静止条件下的状态信息，分析设备的技术状态，诊断其故障的性质和起因，并预测故障趋势，进而确定必要的对策。利用故障诊断技术可以早发现故障征兆和原因，有利于及早排除故障和平安隐患，防止不必要的损失，因而具有很高的经济和社会效益[6]。运行中的变压器发生不同程度的故障时，会产生异常现象会信息。故障分析就是搜集变压器的异常现象或信息，根据这些现象或信息进行分析，从而判断故障的类型、严重程度和故障部位[7]。因此，变压器故障诊断的目的首先是准确判断运行设备当前处于正常状态还是异常状态。假设变压器处于异常状态有故障，那么判断故障的性质、类型和原因。例如是绝缘故障、过热故障还是机械故障；假设是绝缘故障，那么是绝缘老化、受潮，还是放电性故障；假设是放电性故障又是哪种类型的放点等。变压器故障诊断还要根据故障信息或根据信息处理结果，预测故障的可能开展即对故障的眼中程度，开展趋势做出诊断；提出控制故障的措施，防止和消除故障；提出设备维修的合理方法和响应的反事故措施；对设备的设计、制造、装配等提出改进意见，为设备现代化管理提供科学依据和建议。2.4变压器故障诊断方法变压器故障诊断就是根据变压器故障的征兆，确定故障的性质、部位和严重程度。由于变压器故障的复杂性，其诊断过程不可能只采用单一方法，而要综合多种方法。因此，必须从各学科中广泛探求有利于故障诊断的原理、方法和手段，这就使得故障诊断技术呈现多学科交叉的特点。变压器故障诊断的方法很多，根据《电力设备预防实验规程》规定，常用的方法有绝缘试验、局部放电试验、绝缘油电气试验、油中溶解气体分析法〔DissolvedGasesAanalysis，简称DGA，工程中还被称为色谱分析〕及其他预防性试验等。其中，油中溶解气体分析法是诊断变压器内部故障最主要的技术手段[8]。所以《电力设备预防性试验规程》把油中溶解气体分析法列在首位。油中溶解气体分析法作为目前电力系统中对油浸电力设备常规使用的重要监测手段，能够及时发现变压器内部存在的早期故障，在遗忘的运行维护中消除了不少事故隐患。据统计，我国电网中有50%以上的故障变压器是通过该试验结果检出的。由于这一检测技术能够在无需停电的情况下进行，不受外界电场和磁场因素的影响，因此可以定期在设备运行中对其内部绝缘状况进行诊断，确保设备的平安运行，该方法数据可靠性高，技术成熟，从定性到定量分析都积累了很多的经验，有利于促进由定期维修方式向状态维修方式的过渡，该方法对于发现变压器内部的潜伏性故障及其严重程度十分有效。根据《变压器油中溶解气体分析和判断导那么》，通过分析油中甲烷〔CH4〕、乙烷〔C2H6〕、乙烯〔C2H4〕、乙炔〔C2H2〕以及一氧化碳〔CO〕、二氧化碳〔CO2〕和氢气〔H2〕七种组分的含量来判断并分析故障。对于大型变压器，目前几乎都是用油来绝缘和散热，电力变压器油与油中的纸和纸板等固体有机绝缘材料在运行电压下因电、热、氧化和局部电弧等多种因素作用会逐渐老化、裂解，产生少量的CH4、C2H6、C2H4、C2H2低分子烃类以及CO、CO2和H2等气体，并多数溶解在油中，变压器内部存在的潜伏性过热或放点故障又会加快产气的速率[9]。随着故障的缓慢开展，裂解出来的气体形成气泡在油中经过对流和扩散作用，就会不断地溶解，并不断地增加，油中溶解气体的组分和含量在一定程度上反映出变压器绝缘老化或故障的程度，可以作为反映电力设备异常的特征量。通过对运行中的变压器定期分析溶解于油中的气体组分、含量及产气速率，就能够及早发现变压器内部存在的潜伏性故障，判断是否会危及变压器的平安运行。Halstead在1973年发表的报告中，对油中分解的碳氢气态化合物的产生过程进行了热动力学理论分析，认为对应于不同温度下的平衡压力，一种碳氢气体相对于另一种谈情提起的析出速率随温度而变化，没中气体在不同的温度下到达其最大析出速率，在特定温度下各种气体的相对析出速率是固定的[10]。根据这一假设，随着温度升高，析出速率最大值的次序依次为：H2、CH4、C2H6、C2H4和C2H2。Halstlead假说是应用油中溶解气体比值法诊断设备故障类型并估计热点温度的理论根底。根据这一假设，温度不同，故障点产生的各气体组份剑的相比照例也不同。Rogers由此选择五种特征气体的四个相比照例CH4/H2，C2H6/CH4，C2H4/C2H6和C2H2/C2H4来进行故障诊断。由于C2H6/CH4只能反映油纸分解的极有限的温度范围，所以在后来的国际电工委员会〔InternationalElectroTechnicalCommission，简称IEC〕将此比值删去，修改后的三比值法被普遍认为是最为简明的解释，伺候，IEC三比值法一直是利用DGA结果对充油电力设备进行故障诊断的最根本的方法。三比值法的原理是根据变压器内的油和绝缘物在故障下裂解产生气体组分含量的相对浓度与温度的相互依赖关系，从五种特征气体中选用溶解度和扩散系数相近的气体组分组成三比照值，以不同的编码表示。表1和表2是我国《变压器油中溶解气体分析和判断导那么》推荐的改进三比值法〔类似于IEC推荐的改进三比值法〕的编码规那么和故障类别判别方法。根据表2.1的编码规那么和表2.2的故障类型判断方法作为诊断故障性质的依据[11]。这种方法消除了油的体积效应影响，是判断变压器故障诊断的主要方法，可以得出对故障状态较可靠的诊断。表2.1三比值法的编码规那么特征气体的比值C2H2/C2H4CH4/H2C2H4/C2H6<0.10100.1～11001～3121>3222表2.2故障类型判断方法编码组合故障类型故障实例C2H2/C2H4CH4/H2C2H4/C2H6绝缘导线过热，注意CO和CO2的含量以及CO2/CO的值001低湿过热〔低于150℃〕分接开关接触不良，引线夹件螺丝松动或接头焊接不良，涡流引起铜过热，铁芯漏磁，局部短路，层间绝缘不良，铁芯多点接地等20低温过热〔150℃-300℃〕21中温过热〔300℃-700℃〕0，1，22高温过热〔高于700℃〕10局部放电高湿度、高含气量引起油中低能量密集的局部放电20，10，1，2低能放电引线对电位未固定的部件之间连续火花放电，分接抽头引线和油隙闪络。不同电位间的油中火花放电或悬浮电位间的电花放电20，1，2低能放电兼过热10，10，1，2电弧放电线圈匝间、层间短路、相间闪络，分接头引线间油隙闪络、引起对箱壳放电、线圈熔断、分接开关飞弧、因环路电流引起电弧、引线对其他接地体放电等20，1，2电弧放电兼过热大量实例及分析说明，三比值法存在以下缺乏：〔1〕三比值法推荐呃编码组合由典型事故统计分析获得，由于变压器内部故障非常复杂，在实际应用中常常出现不包括在表2.1范围内的标码组合所对应的故障类型，使判断无法进行。〔2〕只有油中气体各组分含量足够高或超过注意值，并且经综合分析确定变压器内部存在故障后，才能用三比值法判断其故障性质。而对油中各气体组分含量正常的变压器，其比值没有意义。如果不管变压器是否存在故障，一律使用三比值法，就有可能对正常的变压器造成错误的判断。〔3〕在实际应用中，当有多种故障联合作用时，可能在表中找不到相应的比值编码；同时，在三比值编码边界模糊的比值区间内的故障，往往容易误判。〔4〕三比值法不适用于气体继电器里收藏到的气体分析诊断故障类型。〔5〕当故障涉及固体绝缘的正常老化过程与劣化分解时，将引起CO和CO2含量的明显增长，表2.1这种无此编码组合，此时要利用CO2/CO比值配合诊断。〔6〕由于故障分类存在模糊性，一种故障状态可能引起多种故障特征，而一种故障特征也可在不同程度上反映多种故障状态，因此三比值法不能全面反映故障状态[12]。总之，虽然目前三比值法应用较为广泛，但是由于故障分类本身存在模糊性，每一组编码与故障类型之间也具有模糊性，三比值法还未能包括和反映变压器内部故障的所有形态，所以它还在不断开展和积累经验，并继续进行改进，以便全面地反映故障信息。近年来，人工神经网络、模糊理论、灰色系统理论和专家系统等多种智能信息处理技术被引入变压器故障诊断中，获得了巨大成功，并取得了较好的效果。3神经网络3.1神经网络概述神经网络是人们在模仿人脑处理问题的过程中开展起来的一种新型智能信息处理理论，它通过大量称为神经元的简单处理单元构成非线性动力学系统，对人脑的形象思维、联想记忆等进行模拟和抽象，实现与人脑相似的学习、识别、记忆等信息处理能力。神经网络在经历了几十年的曲折开展之后，在信息科学领域等许多应用方面已显示出了巨大潜力和广阔的应用前景。神经网络的高速并行处理、分布存储信息等特性符合人类视觉系统的根本工作原那么，具有很强的自学习性、自组织性、容错性、高度非线性、高鲁棒性、联想记忆功能和推理意识功能强等特点。人工神经网络是在现代神经科学研究成果的根底上提出来的，其特色在于信息的分布存储和并行协同处理，十分适用于像故障诊断这类多变量非线性问题。人们对神经网络的研究从20世纪40年代初就开始了，它的开展经历了三个时期。第一次研究高潮是在五十年代至六十年代，主要以1943年心理学家M.McCulIoeh和数学家W.H.PiGs提出M—P模型为代表，它迈出了人类研究神经网络的第一步。六十年代末至七十年代，由于受当时神经网络理论研究水平所限及应用前景不明朗，加之受冯·诺依曼计算机大开展的冲击等影响，使对神经网络的研究陷入低谷。直到八十年代，神经网络才出现了它的第二次研究高潮。其标志是1982年美国物理学家Hopfield教授发表了一篇突破性的学术论文，提出了一种新的神经网络模型，即Hopfield神经网络模型。这一成果使神经网络的研究取得了突破性进展[13]。近年来，神经网络理论的研究与实现引起了美国、日本、中国及西欧一些国家的科学家、研究机构和企业界的普遍关注。并且各个学科的研究人员都想利用人工神经网络的特殊功能来解决本学科的难题，很多的工程工程都采用和正准备采用人工神经网络的解决方案。同时不同学科的科学工作者正在积极联合起来进行各种学术交流。可以说，目前对人工神经网络的研究出现了更高的热潮。3.2神经网络的应用神经网络由于其独特的类似于人脑的学习和识别能力。在我们的社会生活中得到了广泛的应用，比方工业控制、科学研究、医学、商业等几个大类。神经网络的应用主要集中在模式的识别和预测上。下面有几个比拟典型的应用领域，通过例子能让我们更好的认识到神经网络在我们生活上的应用。〔1〕金融神经网络在金融行业已经得到了广泛的应用，并且通过神经网络的应用在金融行业中已经取得了相应的收益。人工神经网络技术在金融工程中的应用包括股票和证券的预测分析、资本收益的预测和分析，以及风险管理，信用评估等。在预测分析中，通过对过去时间段里已有数据〔比方对应时间的股票价格、走势等〕来训练神经网络，再利用学习好的神经网络对未来的数据走向进行预测，以此来减少风险和增加收益。〔2〕图像处理图像处理的各个分支——识别、去噪、增强、配准、融合等都有神经网络的影子。图像去噪的应用主要在于Hopfield网络的能量的最小化能力，它把有噪声的图像看作能量较大的状态，而图像经过Hopfield网络的进化后，能量最小的状况就是图像被去噪后的状态[14]。我们进行图像的分类和识别，如果只靠自身来识别，当图片数量很多时，我们会有一个疲劳的过程，识别效果也会下降，费时费力。而通过提取图像的特征，并利用学习后的神经网络进行识别，不但识别速度快、识别精度高，而且很节省人力。〔3〕医学在现代医学中，神经网络也是一个备受关注的技术。目前，神经网络在医学中的研究主要集中在对人体器官进行建模和利用已有的诊断信息〔MRI、CT、超声〕来对疾病进行辅助识别。在利用诊断信息的疾病识别里，神经网络需要对已确定的诊断信息和相应的病例进行学习，而不用提供怎样识别疾病的细节和相应的算法。在学习的过程中，为了保证神经网络识别疾病的可靠性和有效性，被选择用来学习的病例必须包括该疾病的所有变化。3.3神经网络的开展方向智能科学研究智能的本质和实现技术，是由脑科学、认知科学、人工智能等共同研究形成的交叉科学。智能科学不仅要进行功能仿真。而且要从机理上研究，探索智能的新概念、新理论、新方法。智能的研究不仅要运用推理，而且要通过学习，两者并存。智能科学运用综合集成的方法，对开放系统的智能性质和行为进行研究。智能科学是生命科学的精华、信息科学技术的核心，现代科学技术的前沿和制高点，涉及自然科学的深层奥秘，触及哲学的根本命题。因此，一旦取得突破，将会对国民经济、社会进步、国家平安带来巨大的影响。目前，智能科学正处在方法论的转变期、理论创新的高潮期和大规模应用的开创期，充满了机遇。智能科学的兴起和开展标志着对以人类为中心的认知和智能活动的研究已进入到新的阶段。智能科学的研究将使人类自我了解和自我控制，把人的知识和智能提高到空前的高度。生命错综复杂，很多问题还没有得到很好的说明，我们能从中学习的内容也是多方面的。如何从中提炼出关键问题和相应的技术，是许多科学家长期以来追求的目标。要解决人类在21世纪所面临的许多困难，比方能源需求、资源耗竭、人口膨胀、环境污染等，单靠现有的科学成就是不够的，必须向生物学习，寻找新的开展道路。智能是大量群集的神经元涌现的行为，用基于记忆的世界模式产生连续不断的对未来事件的一系列预测。探索脑的组织结构和工作原理，最终揭开人脑思维的奥秘，是全人类面临的一项重大挑战，是整个自热科学研究的前沿领域[15]。对人脑、对思维认识的根本变化，将深刻影响到对人类自身、对整个世界的根本看法。20世纪80年代以来，神经网络的研究取得了一定进展，构造了许多神经网络模型，并推出了一些神经计算机的实验系统。但是，整个领域的研究才刚刚起步。下面举出神经网络研究的一些开展方向：〔1〕脉冲耦合神经网络；〔2〕神经元集群网络模型；〔3〕非线性动力学理论；〔4〕记忆模式；〔5〕人工脑；〔6〕神经计算机。神经网络具有特有的信息处理能力，成功地完成了神经专家系统、智能控制、模式识别、求解组合优化问题等，显示出其不可限量的潜力。不断拓宽神经网络的应用领域，将会促进神经网络的开展。神经网络与传统人工智能、子波分析、模糊数学等的结合，将给智能科学和技术的开展提供新的方法和途径。人类在探索宇宙空间、生命起源、根本粒子等科学领域的进程中经历着艰辛的道路。从智能科学的高度，通过与认知神经科学、认知科学、计算神经科学等结合，将人脑神经网络与人工神经网络结合，探索智能的本质，神经网络的研究将取得突破性的进展，开创出研究神经网络的新纪元[16]。3.4神经网络的结构人工神经网络结构和工作机理根本上是以人脑的组织结构〔大脑神经元网络〕和活动规律为背景的，它反映了人脑的某些根本特征，但并不是要对人脑局部的真实再现，可以说它是某种抽象、简化或模仿。人工神经元模型是生物神经元的模拟与抽象。所谓的抽象是从数学角度而言，所谓模拟是从神经元的结构和功能而言的。神经元〔节点〕是神经网络的根本组成局部，其生物结构如图3.1所示。其中，轴突〔即神经纤维〕相当于细胞的输出电缆，用于传出神经冲动。树突相当于细胞的输入端，它接受外部神经冲动。突触是细胞之间轴突和树突的连接接口。在神经网络理论中，通常将神经元的生物结构形式化描述为如图3.2所示形式。图3.1生物神经元结构图3.2人工神经元模型人工神经元相当于一个多输入单输出的非线性阀值器件。Xo，X1，Xｎ。是神经元接收到的信息即输入；Wo，W1，Wn为连接强度，称之为权：Si是外部输入信号；Yi表示这个神经元的输出值；θi为阀值，如果输入信号的加权和超过θ，那么人工神经网络被激活〔∑WiXi称为激活值〕。这样人工神经元的输出可以描述为：Yi=f〔∑WiXi-θi〕。其中，f是表示神经元输入一输出关系的函数，称为鼓励函数。常用鼓励函数见图3.3。〔a〕Sigmoid函数〔b〕双曲正切函数图3.3常用鼓励函数由上可以看出，作为神经网络的最根本工作单元，神经元的结构是很简单的，它的处理能力也比拟单一。然而，由大量这种结构简单、功能单一的神经元所构成的神经元网络却有许多很优越的特性。神经元网络对信息的处理是由大量的神经元共同完成的，是一种集合的功能；与之相适应的是信息的分布式存储和联想记忆的存取方式。网络由这些不同层次的节点集合组成，每一层的节点输出送到下一层节点，这些输出值由于节点间连接权值的不同而被放大、衰减或抑制[17]。除了输入层外，每一层的输入为前一层所有节点输出值的加权和。在这个网络系统中，隐层起着决定性的作用。它把输入样本的特征形成更接近于输出模式的概念。因为如果没有隐层这个中间作用，输入到输出的变换就过于简单，当输入、输出样本特征相差较大时就无法满足要求[18]。3.5概率神经网络概述概率神经网络〔probabilisticneuralnetworks〕是D.F.Specht博士在1989年首先提出的，是一种基于Bayes分类规那么与Parzen窗的概率密度函数估计方法开展而来的并行算法。它是一类结构简单、训练简洁、应用广泛的人工神经网络。在实际应用中，尤其是在解决分类问题的应用中，它的优势在于用线性学习算法来完成非线性学习算法所做的工作，同时保持非线性算法的高精度等特性；这种网络对应的权值就是模式样本的分布，网络不需要训练，因而能够满足训练上实时处理的要求[19]。概率神经网络是由径向基函数网络开展而来的一种前馈型神经网络，其理论依据是贝叶斯最小风险准那么〔即贝叶斯决策理论〕，概率神经网络作为径向基网络的一种，适合于模式分类。当分布密度SPREAD的值接近于0时，它构成最邻分类器；当SPREAD的值较大时，它构成对几个训练样本的邻近分类器。概率神经网络的层次模型，由输入层、模式层、求和层、输出层共4层组成，其根本机构如图3.4所示。图3.4概率神经网络根本结构输入层接受来自训练样本的值，将特征向量传递给网络，其神经元书目和样本矢量的维数相等。模式层计算输入特征向量与训练集中各个模式的匹配关系，模式层神经元的个数等于各个类别训练样本之和，该层每个模式单元的输出为〔3.1〕式中，Wi为输入层到模式层连接的权值，δ为平滑因子，它对分类的起着至关重要的作用。第3层是求和层，是将属于某类的概率累计，按式3.1计算，从而得到故障模式的估计概率密度函数。每一类只有一个求和层单元，求和层单元与只属于自己类的模式层单元相连接，而与模式层中的其他单元没有连接。因此求和层单元简单地将属于自己类的模式层单元的输出相加，而与属于其他类别的模式层单元的输出无关。求和层单元的输出与各类基于内核的概率密度的估计成正比，通过输出层的归一化处理，就能得到各类的概率估计。网络的输出决策层由简单的阈值区分器组成，其作用是在各个故障模式的估计概率密度中选择一个具有最大后验概率密度的神经元作为整个系统的输出。输出层神经元是一种竞争神经元，每个神经元分别对应于一个数据类型即故障模式，输出层神经元个数等于训练样本数据的种类个数，它接收从求和层输出的各类概率魔都函数，概率密度函数最大的那个神经元输出为1，即所对应的那一类即为待识别的样本模式类别，其他神经元的输出全为0。基于概率神经网络的故障诊断方法是概率统计学中被广泛接受的一种决策方法，可描述为：假设有两种的故障模式θA、θB，对于要判断的故障特征样本X=〔x1，x2，…，xn〕：假设hAlAfA〔X〕>hBlBfB〔X〕，那么X∈θA；假设hAlAfA〔X〕<hBlBfB〔X〕，那么X∈θB；式中，hA、hB为故障模式的θA、θB先验概率〔hA=NA/N，hB=NB/N〕NA、NB为故障模式的θA、θB的训练样本数；N为训练样本总数；lA为将本属于θA的故障特征样本X错误地划分到模式θB的代价因子；lB为将本属于θB的故障特征样本错误地划分到模式θA的代价因子；fA、fB为故障模式θA、θB的概率密度函数〔PDF，ProbabilityDensityFunction〕，通常PDF不能精确地获得，只能根据现有的故障特征样本求其统计值。1962年Parzen提出了一种从随即样本中估计概率密度函数的方法，只要样本数目足够多，该方法所获得的函数可以连续平滑地逼近原概率密度函数。有Parzen方法得到的PDF估计式如下〔3.2〕式中，Xai为故障模式θA的第i个训练向量；m为故障模式θA的训练样本数目；δ为平滑参数，其取值确定了以样本点为中心的钟状曲线的宽度。3.6概率神经网络与BP网络的比拟选择概率神经网络与BP网络相比，在以下几方面具有明显的优势〔1〕概率神经网络过程简单，收敛速度快。BP网络的输入输出和概率神经网络相同，但其隐藏层单元的选取没有确定性法那么，需要根据经验反复试算得到。而概率神经网络需调节的参数少，不需确定隐藏层数，隐藏层中的神经元个数等网络结构，比拟容易得到。BP网络的学习算法收敛速度慢，而且易陷入局部最优值。概率神经网络的训练过程一步到位，训练样本可直接赋值给网络，其训练时间仅仅略大于数据读取的时间，且不存在局部最优值。〔2〕概率神经网络网络总收敛于Bayes优化解，稳定性高。BP网络的分类规那么是没有确定解释的，缺乏透明度。概率神经网络是基于贝叶斯最小风险准那么对对象进行分类的，可以最大限度地利用故障先验知识，无论分类问题多么复杂，只要有足够多的训练样本，概率神经网络能够保证获得贝叶斯准那么下的最优解，而BP神经网络却可能在一个局部最优值出中断，无法保证得到一个全局最优值[20]。〔3〕样本的追加能力强，且可以容忍个别错误的样本。如果在故障诊断过程中有新的训练样本参加或需要除去某些旧的训练样本，概率神经网络只需增加或减少响应的模式层单元，新增加的输入层至模式层的连接权值只需将新样本直接赋值，相当于重新建立整个网络。在实际应用中，需要建立变压器故障样本库，其内容会随着变压器故障的增加、变化而产生变化，此时概率神经网络网络的样本追加能力强的优越性就可得到充分的表达。综上所述，概率神经网络在变压器故障诊断系统在诊断速度、追加样本的能力以及在实际应用中的诊断准确率等几方面的性能都要优于BP变压器故障诊断系统。4基于概率神经网络的变压器故障诊断研究4.1仿真环境简介MATLAB是一种科学计算机软件，适用于工程应用各领域的分析设计与复杂计算。它使用方便、运算效率高且内容丰富，很容易被用户自行扩展。因此，当前已成为美国和其他兴旺国家大学教育和科学研究中最常用且必不可少的工具。MATLAB是由美国Mathworks公司于1984年正式推出的，并不断推出更新版本。随着版本的升级，内容不断扩充，功能更加强大。另一方面对使用环境也提出了更高的要求。近几年来，Mathworks公司将MATLAB语言运用于系统仿真和实时运行等方面，取得了很多成绩，更扩大了它的应用前景。MATLAB是矩阵实验室〔matrixlaboratory〕的缩写，它是一种以矩阵运算为根底的交互式程序语言，着重针对科学计算、工程计算和绘图的需求。与其他计算机语言相比，其特点是简介和智能化，适应科技专业人员的思维方式和书写习惯，使得变成和调试效率大大提高。它用解释方式工作，输入程序立即得出结果，人机交互性能好，通过它的演示〔demo〕和帮助〔help〕命令，人们可以方便地在线学习各种函数的用法及其内涵。目前，也已成为国内外大学电子信息类学科的学生都应掌握的工具，也为相关科技人员所乐于接受。MATLAN语言具有以下特点。〔1〕起点高每个变量代表一个矩阵，从MATLAB名字的来源可知，它以矩阵运算见长。当前的科学计算中，几乎无处不用矩阵运算，这使它的优势得到了充分的表达。在MATLAB中，每个变量代表一个矩阵，它可以有n×m个元素；每个元素都看做复数，这个特点在其他语言中是不多见的；所有的运算都对矩阵和复数有效，包括加、减、乘、除、函数等运算。〔2〕人机界面适合科技人员MATLAB的语言规那么与笔算式相似。MATLAB的程序与科技人员的书写习惯相近，因此，易写易读，易于在科技人员之间交流；矩阵的行数列数无需定义。要输入一个矩阵，用其他语言时必须先定义矩阵的阶数，而MATLAB那么不必有阶数定义语言。输入数据的行列数就决定了它的阶数；输入算式立即得到结果，无需编译。MATLAB是以解释方式工作的，即它对每条语句解释后立即执行，假设有错误也会立即反响，便于编程者随时改正。这些都大大恋情了编程和调试的工作量〔3〕强大而简易的作图功能能根据输入数据自动确定坐标绘图；能规定多种坐标系〔极坐标系、对数坐标系等〕；能绘制三维坐标中的曲线和曲面；可设置不同颜色、线型、视角等；如果数据齐全，通常只需一条命令即可出图。〔4〕智能化程度高绘图时自动选择最正确坐标，大大方便了用户；当数值积分时自动按精度选择步长；自动检测和显示程序出错的能力强，易于调试。〔5〕功能丰富，可扩展性强MATLAB软件包括根本局部和专业扩展两大局部。根本局部包括矩阵的运算和各种交换、代数和超越方程的求解、数据处理和傅里叶交换及数值积分等等。可以充分满足大学理工科学生的计算需要。扩展局部称为工具箱。它实际上使用MATLAB的根本语句编成的各种子程序集，用于解决某一方面的专门问题，或实现某一类的新算法。现在已经有控制系统、信号处理、图像处理、系统辨识、模糊集合、神经元网络及小波分析等工具箱，并且向公式推导、系统仿真和实时运行等领域开展。4.2故障诊断模型建立本文主要使用newpnn、sim函数，其中newpnn函数用于创立概率神经网络，具体格式为net=newpnn〔P，T，SPREAD〕；sim函数用于进行网络预测。任何神经网络建模中，选取的输入特征向量，必须能够正确地反映问题的特征。如果所基于的故障特征没有包括足够的待识别信息或未能提取反映故障特征的信息，那么诊断结果往往会受到很大的影响。本文在对油中溶解气体分析法进行深入分析后，以改进三比值法为根底，经过如下列图4.1所示的几个步骤，建立基于概率神经网络的故障诊断模型。图4.1概率神经网络设计流程4.3基于概率神经网络的变压器故障诊断实现程序运行之前，先去除工作空间〔workspace〕中的变量及命令窗口〔commandwindow〕中的命令。具体程序为：%%清空环境变量clc;clearallcloseallnntwarnoff;warningoff;选取数据是33×4维的矩阵，前3列为改进三比值法数值，第4列为分类的输出，也就是故障的类别。使用前23个样本作为概率神经网络训练样本，后10个样本作为验证样本。具体程序为：%%数据载入loaddata%%选取训练数据和测试数据Train=data〔1:23,:〕;Test=data〔24:end,:〕;p_train=Train〔:,1:3〕';t_train=Train〔:,4〕';p_test=Test〔:,1:3〕';t_test=Test〔:,4〕';%%将期望类别转换为向量t_train=ind2vec〔t_train〕;t_train_temp=Train〔:,4〕';%%使用newpnn函数建立概率神经网络SPREAD选取为1.5Spread=1.5;net=newpnn〔p_train,t_train,Spread〕%%训练数据回代查看网络的分类效果%Sim函数进行网络预测Y=sim〔net,p_train〕;%将网络输出向量转换为指针Yc=vec2ind〔Y〕;%%通过作图观察网络对训练数据分类效果figure〔1〕subplot〔1,2,1〕stem〔1:length〔Yc〕,Yc,'bo'〕holdonstem〔1:length〔Yc〕,t_train_temp,'r*'〕title〔'PNN网络训练后的效果'〕xlabel〔'样本编号'〕ylabel〔'分类结果'〕set〔gca,'Ytick',[1:5]〕subplot〔1,2,2〕H=Yc-t_train_temp;stem〔H〕title〔'PNN网络训练后的误差图'〕xlabel〔'样本编号'〕%%网络预测未知数据效果Y2=sim〔net,p_test〕;Y2c=vec2ind〔Y2〕figure〔2〕stem〔1:length〔Y2c〕,Y2c,'b^'〕holdonstem〔1:length〔Y2c〕,t_test,'r*'〕title〔'PNN网络的预测效果'〕xlabel〔'预测样本编号'〕ylabel〔'分类结果'〕set〔gca,'Ytick',[1:5]〕4.4仿真结果及讨论程序运行的结果，如图4.2及图4.3所示。图4.2训练后训练数据网络的分类效果图图4.3预测数据网络的分类效果图由图可见，在训练后，将训练数据作为输入带入已经训练好的概率神经网络中，只有两个样本判断错误，并且用测练样本进行验证时候，也只有两个样本即两种变压器的故障类型判断错误。最后得到的概率神经网络可以用来进行更多样本的预测。SPREAD为径向基函数的扩展系数，默认值为1.0。合理选择SPREAD是很重要的，其值应该足够大，使径向基神经元能够对输入向量所覆盖的区间都产生响应。但也不要求大到所有的径向基神经元都如此，只要局部径向基神经元能够对输入向量所覆盖的区