维修费用，已经变成我国电力行业面临的主要研究课题。状态维修是以设备的实际工况为依据，通过状态监测可靠性评价及寿命预测等先进技术手段来判断设备的当前状态，对故障的部位危害水平以及发展趋势做出判断，识别故障的早期征兆，并依据分析和诊断结果，在设备性能条件下降到定程度或故障将要发生之前进行维修。通过对电力变压器进行定期预防性维护，实时监测高压设备的实际运行情况，检测与诊断其潜伏性故障或缺陷，提高诊断水平，努力做到具有针对性的检修及维护，以期达到早期识别并预报故障，避免恶性事故发生的目的。电力变压器是电力系统最重要也最昂贵的设备，其安全运行直接关系到电网的供电可靠性。变压器故障诊断技术研究是电力变压器状态维修的首要工作。鉴于电力变压器老化和故障机理繁杂难懂，电力变压器故障诊断技术的研究是项必要而且相当繁重的任务。电力变压器不同运行工况或不同历史运行记录，即便是同类电力变压器，其状态也有可能不同相同运行工况下，不同类型的变压器，其状态也有可能不同。研究电力变压器的状态与运行工况历史运行记录的关系，把握其规律，对变压器状态做出准确评估，这对变压器实施状态维修降低变压器维修费用和提高变压器可靠性具有重要的理论意义和实际应用价值。运行中的变压器发生的故障不同，产生的现象或信息也就不同。变压器的故障诊断就是根据变压器故障的征兆，对变压器故障的类型部位及危害做出判断。变压器绝缘状态监测与故障诊断的作用判断运行设备当前处于正常状态还是异常状态若有故障，则判断故障的性质种类和原因，例如是绝缘故障还是过热故障或机械故障，若是绝缘故障，则需分辨是绝缘老化受潮若是放电性故障，则需要判断是哪种类型的放电等等根据故障信息或根据其处理结果，预测故障的可能发展，即对故障的严重程度，发展趋势做出诊断提出控制故障的措施防止和消除故障的方法提出设备维修的合理方法和相应的反事故措施对设备的设计制造装配等提出改进意见，为设备的现代化管理提供科学依据和建议。国内外许多的资料表明，开展故障诊断的经济效益是明显的，据日本统计，在采用诊断技术后，事故率减少，维修费降低，英国对个国营工程的调查表明，采用诊断技术后每年节省维修费亿英镑，用于诊断技术的费用仅为亿英镑，净获利亿英镑。如果在在我国将故障诊断技术推广，每年可减少事故，节约维修费用，效益相当可观。电力变压器故障诊断背景最近几年，我国电力行业积极应用在线监测技术开展状态检修，加强设备的常规测试，及时消除了部分设备的安全隐患，避免了些重大事故的发生。根据国家电力监管委员会发布的电力可靠性指标，全国电网年供电可靠率为，年供电可靠率为，年供电可靠率为，这与发达国家的供电可靠率相比仍有非常大的差距。长期以来，我国电力系统的电力设备检修策略主要采用以时间为标准的定期维修。虽然定期维修般可在维修时发现设备存在的缺陷，对保证设备的安全和经济运行发挥重大作用，但是，定期维修存在过剩和不足的缺陷，导致了维修费用的浪费和设备可靠性的下降，因此，国内对从定期维修制到状态维修制的转变表现出了普遍的关注。从以停电进行预防性试验为基础的预防性维修逐步过渡到以在线监测为基础的状态维修，是电力系统发展的必然趋势，而能否对电力变压器的运行状态进行在线监测及故障诊断则是实现状态维修的关键。虽然在设计大型电力变压器时，要求它具有相当高的耐热等级足够的电气强度优良的机械性能及良好的工艺性，但制造过程中的偶然因素加上运行过程中的电磁力热应力湿热环境环境污染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