等会造成其性能逐渐劣化，而且这种劣化过程具有不可逆和不断加速的特性。大量资料表明，变压器绝缘性能的劣化是导致事故发生的主要原因。据年至年间我国及以上的电力变压器事故分析表明，由于绝缘劣化引起事故的台数占事故总台数的，事故容量为总事故容量的，而年的统计分别是和。变压器故障诊断技术的发展专家系统专家系统是个智能计算机程序系统，是人工智能中最活跃的个应用领域。它是个具有大量的专门知识与经验的程序系统，它根据领域多个专家提供的专业知识进行推理和判断，模拟人的决策过程去解决通常需要专家才能解决的复杂问题。在年公布的系统是最早用于电力变压器故障诊断的专家系统，不久就有许许多多相似的系统被应用到各种实际工程中。开发专家系统需要有丰富经验的专家共同参与，合作完成。考虑到变压器故障诊断的专业性经验性以及复杂性，尽管人们在电力变压器绝缘故障诊断专家系统的开发中取得了些研究成果，但同时也存在定的问题，主要表现在如图所示图专家系统的缺陷人工神经和整体性能具有非常重要的作用，本课题采用的基于油中溶解气体分析的网络。实际上，设计个网络涉及到网络输入和输出特征向量的选择以及输入层隐含层和输出层网络结构的确定。在此基础上建立个神经网络进行训练，达到要求后对网络进行测试。基于网络的诊断方法的设计输入层设计电力变压器故障诊断技术的关键是从故障征兆空间到故障类型空间的映射。当采用神经网络进行电力变压器故障诊断时应结合故障诊断的特点以气体各组分含量作为神经网络的输入量，本文从变压器油中溶解的七种气体中选取和作为故障的特征气体。输出层设计在故障诊断问题中，输出量代表可能的故障类型。考虑到变压器发生故障的实际情况，输出层设计为无故障中低温过热高温过热低能放电和高能放电五个输出神经元分别对应，如表所示。根据函数输出值在到之间的特点，这里设定以到之间的数值大小表示对应的故障程度，数值越接近表示发生此类故障的几率越大或说对应的故障程度越大设定输出值大于等于时认为有此类故障，小于时认为无此类故障。反映过热的高温过热中低温过热中只能有个输出大于，因为它们是相互制约的反映放电的高能量放电低能量放电中只能有个输出大于，但在过热类型和放电类型中可同时有大于的输出，因为它们可以伴随产生。表输出层设计故障类型各神经元的期望输出正常中低温过热高温过热低能量放电高能量放电样本的收集样本的收集直接关乎网络学习的成败，收集训练样本的原则主要是代表性广泛性和紧凑性，如下图所示图收集训练样本的原则收集到的样本数据差别很大，如果直接用于训练网络可能导致数据误差大，收敛性下降。所以，在训练网络以前，需要对输入数据作归化处理，使其范围限制在，之间，本文采取如下方法，即各组样本中单个特征气体含量占全部特征气体总含量的百分比。例如，单位，首先，将种特征气体含量相加求和然后，求各组分气体含量占全部特征气体总含量的百分比这样就得到归化处理后的数据。收集训练样本的原则代表性广泛性紧凑性样本应当尽可能体现输入输出关系，能起到“以点带面”的作用，样本中各故障的百分比应当和实际变压器故障发生的比率相当样本能提供神经网络各种情况下的输入，并绘出相应的期望输出，如此才能使训练出来的网络具有较好的适应能力。若含有大量多余成分的学习样本会导致网络学习过程收敛困难或不收敛，训练出来的网络会产生错误映射，使网络输出过多偏向多余成分所形成的输出方向样本中的输出数据不需要做归化处理，其值均为或者。表示无此类故障，表示有此类故障。神经网络模型训练样本如下表所示本文所需样本数据完全参考文献中的表。表神经网络模型训练样本数据组次故障性质输入学习样本的相对比值网络期望输出无故障无故障无故障无故障无故障中低温过热中低温过热中低温过热中低温过热中低温过热中低温过热中低温过热高温过热高温过热高温过热高温过热高温过热高温过热高温过热高温过热高温过热高温过热低能量放电低能量放电低能量放电低能量放电低能量放电低能量放电低能量放电续表高能量放电高能量放电高能量放电高能量放电高能量放电高能量放电高能量放电隐含层层数和节点数的确定隐含层层数般选取单层，由于网络的非线性，如果隐含层层数增加将直接引起网络的复杂程度及学习时间呈指数形式增长，大大提高了研究的难度复杂度，任务量过重。隐含层神经元数目的多少将直接关系到成败，如果隐含层神经元数目太少，虽然网络每次训练时间相对较短，但有可能因为映射容量达不到要求，网络从样本中获取信息的能力较差，不足以概括和体现样本规律，从而识别新样本困难，容错性下降如果隐含层神经元数目过多，学习能力得到增强，但网络每次所需的学习时间相对较长，难以在人们接受的时间内完成，训练网络所需要的存储空间也要相应的扩大，更重要的是若是隐节点数目过多将有可能导致“过适配”问题，即网络学习到训练样本里的些无关紧要的非本质东西，降低其泛化能力。在评估这用同个样本集对采用不同隐节点数的网络进行训练，选择网络误差最小时对应的值，初始隐节点数的确定采用常用的经验公式其中，为隐含层节点数，为输入层节点数，为输出层节点数，为之间的常数。本例中本文将直接参考文献中的表，将隐节点数定为，即选取结构。这里截取部分表格内容如下表所示表不同网络结构的测试结果网络结构误差训练次数网络结构中参数的确定传递函数的确定隐含层采用激活函数输出层选用激活函数训练函数采用学习率可变的目标误差的选取实际应用设计中，我们将其设定为学习效率的选取学习效率选取。权重的改变随学习效率增加愈加明显，学习速度也就越快，但也可能会引起过度修正，出现振荡导致不收敛小的学习率又需要较长的训练时间，但能保证网络的误差值不跳出误差表面的低谷而最终趋于最小误差值。结果分析网络对组检测数据的诊断结果如表所示。从表中可以看出基于此网络的诊断方法达到了较好的故障识别和分类，准确率达到。表网络诊断结果今后待研究的问题变压器故障诊断技术的研究有多种方式和许多侧重点，智能化的诊断方法正在发挥着越来越重要的作用。本文着重研究了基于神经网络的变压器故障诊断系统，提出的算法对提高网络的收敛速度和改善网络性能具有较好的作用。以下几个方面的工作还有待进行深入研究和完善神经网络训练样本集的选择对网络性能影响很大。不适当的变压器故障样本集有可能造成很大的训练误差，从而导致较差的诊断效果，因此应有效结合多种人工智能方法，优化变压器故障数据样本集，以减少油中溶解气体分析数据测量误差以及其他不确定因素导致的诊断误差。由于网络具有较强的局部搜索能力，但易陷入局部极小，而遗传算法能够同时处理搜索空间中的若干点，有助于搜索全局最优点。将遗传算法和算法有机结合起来，应用遗传算法优化神经网络权值阈值和网络结构，可以实现二者的优势互补。组次实际检查结果网络诊断结果组次实际检查结果网络诊断结果正常正常中低温过热中低温过热中低温过热高能量放电高能量放电高温过热高温过热低能量放电高能量放电高能量放电中低温过热中低温过热低能量放电低能量放电低能量放电正常正常高温过热高温过热高温过热高温过热高能量放电高能量放电正常正常参考文献乌聪敏电力变压器故障诊断及电力技术监督系统的研究天津大学,郭磊基于神经网络的变压器故障诊断技术的研究西华大学学位论文，王美刚基于模糊理论的电力变压器状态评估保定华北电力大学，王霞基于油中溶解气体分析的变压器故障诊断方法研究保定华北电力大学宋晓霞变压器故障综合诊断专家系统的研究与发展西安电子科技大学，乔俊玲人工神经网络在变压器油中溶解气体分析中的应用研究北京交通大学，陆云才基于分子模拟的油纸绝缘老化机理及气体扩散行为研究重庆大学，邹杰慧电力变压器故障诊断模糊专家系统研究开发湖南大学，李岩变压器在线状态监测系统研究华中科技大学，中华人民共和国电力部变压器油中溶解气体分析和判断导则北京中国电力出版社，殷震基于神经网络的电力变压器内部故障诊断方法研究天津大学，于婷婷基于神经网络的滚动轴承故障诊断方法大连理工大学硕士学位论文，万怡骎基于概率神经网络的变压器故障诊断南昌大学学,