TOP22基于油中溶解气体分析的电力变压器故障诊断研究.doc文档免费在线阅读

利用已知样本对网络进行训练网络存储变量间呈非线性关系对未知样本进行分类或预测学习记忆联想人工神经网络的学习过程人工神经网络的拓扑结构网络即反馈网络简称。

之所以称为反向传播，是因为算法过程包含从输出节点开始，反向地向第隐含层传播由总误差引起的权值修正。

在故障诊断方面的模式识别问题上，反向传播网络因具有良好的联想和模式分类能力而更加适用。

在人工神经网络的实际应用中，的人工神经网络模型是采用网络的形式。

网络学习方法的主要思想是把网络学习分为两个过程，即正向传播输出过程和反向传播调整过程两部分。

在正向传播过程中，输入信号从输入层经隐含单元逐层处理，并传向输出层每层神经元的状态只影响下层神经元的状态如果在输出层得不到期望的输出，则输出信号的误差将沿着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。

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，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靠性的前提下降低维修费用，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大电网大容量和自动化的方向发展。

近些年，由于电网容量的与日俱增以及大部分用电用户对供电可靠性要求的提高，电力设施维修费用也在逐年增加。

如何采取合理的维修策略，制定科学的维修计划，以保证在较高可前言电力变压器故障诊断的重要意义随着国民经济的持续快速发展，各行各业对供电需求的不断增加，我国的电网建设已经从城市孤立电网发展成为大区电网西电东送南北互供全国联网的格局，电力系统正在向超高压前言电力变压器故障诊断的重要意义随着国民经济的持续快速发展，各行各业对供电需求的不断增加，我国的电网建设已经从城市孤立电网发展成为大区电网西电东送南北互供全国联网的格局，电力系统正在向超高压大电网大容量和自动化的方向发展。

近些年，由于电网容量的与日俱增以及大部分用电用户对供电可靠性要求的提高，电力设施维修费用也在逐年增加。

如何采取合理的维修策略，制定科学的维修计划，以保证在较高可靠性的前提下降低维修费用，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。

虽然定神经网络训练与人脑对应关系神经网络的分类神经网络的性质主要决于以下两个因素个是网络的拓扑结构另个是网络的学习工作规则二者结合起来就可以构成个网络的主要特征。

网络中的神经元都与其他神经元有连接。

其特点是任何两个神经元之间都有可能存在双向全互连型结构连接关系，所有的神经元即为输入节点，也为输出节点。

网络间的神经元构成个有序系列，每个神经按拓扑结构分类网孔型结构元只与其临近神经元相连。

特点是在前后相邻的两层之间相互连接，在各神经网络之间没有前馈网络反馈。

每个神经元可从上层接收多个输入，并产生个输出。

信层次型结构息从输入层逐层向前传递。

反馈网络特点是在输出层与隐含层，或隐含层与隐含层之间具有反馈连接。

利用已知样本对网络进行训练网络存储变量间呈非线性关系对未知样本进行分类或预测学习记忆联想人工神经网络的学习过程人工神经网络的拓扑结构网络即反馈网络简称。

之所以称为反向传播，是因为算法过程包含从输出节点开始，反向地向第隐含层传播由总误差引起的权值修正。

在故障诊断方面的模式识别问题上，反向传播网络因具有良好的联想和模式分类能力而更加适用。

在人工神经网络的实际应用中，的人工神经网络模型是采用网络的形式。

网络学习方法的主要思想是把网络学习分为两个过程，即正向传播输出过程和反向传播调整过程两部分。

在正向传播过程中，输入信号从输入层经隐含单元逐层处理，并传向输出层每层神经元的状态只影响下层神经元的状态如果在输出层得不到期望的输出，则输出信号的误差将沿着原来的连接通路反向传播，直到输入层通过沿途修改各层神经元间的连接权值，使得误差逐步达到最小。

神经网络是种有监督学习算法的无反馈前向网络。

它包含输入层隐含层和输出层，其中隐含层般为层。

其基本的拓扑结构如图所示神经网络的学习方法学习规则学习规则概率式学习规则竞争式学习规则学习可以归纳为当突触连接两端的神经元同步激活同为激活或同为抑制时，该连接的强度应加强，反之则减弱。

通过迭代计算逐步调整网络的权值，直到使误差达到最小。

具体过程可以采用梯度法等最优化算法来实现。

基于模拟退火算法的统计优化算法，又称模拟退火算法。

指在网络的各输出单元之间相互竞争，最后只有个最强者激活。

它是自组织神经网络中的基本学习规则图神经网络的拓扑结构网络的训练过程概述算法般以代价函数最小为逼近目标，利用梯度搜索技术进行网络参数的反复迭代而完成整个学习过程。

网络训练前，需要用不同的小随机数进行初始化各权值。

小随机数是用于保证网络不因权值过大进入饱和状态而导致训练失败不同则保证了网络正常地学习。

神经网络的学习过程如图所示，图神经网络的流程图定义误差函数输入层隐含层输出层初始化给定学习样本集求隐层输出层各单元输出对整个样本集求整体误差满足要求反向计算般化误差调整各层间的权值结束输入个学习样本，用，，„来表示，第个样本输入到网络后得到输出，。

采用误差函数得第个样本误差式中，为期望输出，输出层节点输出，