论文部分内容阅读
摘要：电力变压器是电力系统中的重要组成部件，它的性能是否优越直接影响着整个电力系统的可靠安全运行。特别是对于高压电气设备而言，如何能够快速、正确的寻找并解决电力变压器发生的以及潜在的故障非常重要。本文以神经网络原理为基础，结合小波分析方法，研究电力变压器的故障诊断问题。
关键词：电力变压器；故障诊断；小波神经网络
中图分类号：TM41
小波神经网络（wavelet neural net—work，WNN）是法国著名的信息科学研究机构IRISA的学者Zhang Qinghua和Benveniste在1992年首次明确提出的。所谓小波神经网络就是将前馈神经网络与小波变换理论相结合，把神经元的激活函数用小波基函数来替换，形成一个新的前馈神经网络。由于小波变换有着非常优秀的时频局部化、变焦等特性，加之神经网络的自我学习自我组织能力，所以运用小波神经网络进行分析时，具有强逼近以及强容错优势，这就为我们进行变压器故障诊断提供了更为优秀的研究方法。
运用小波神经网络对200组识别样本进行故障诊断，结果如圖2。从图中可以明显看出，小波神经网络可以保证90%左右的概率识别出“高温过热”以及“高能放电”两种故障，同时能够达到84%左右的概率识别出“低温过热”、“中温过热”、“局部放电或受潮”等故障。其中网络对于“低能放电”故障的识别率最低，只能够达到80%。之所以出现对有些故障（如“高温过热”、“高能放电”）识别率高，对有些故障（如“低能放电”）识别率较低的状况，主要是看故障发生时所形成的气体，是否与对应故障之间的关系明确。二者之间的关系越明确，网络就能越迅速的准确的识别故障类型。
在使用400组的学习样本进行网络检测后，再使用200组的数据对网络进行检验。同时分别进行小波神经网络以及BP网络两种试验，以观察不同网络所得到结果的区别。为了检测网络的性能，将检测用的200组数据分别加不同比例随机的噪声，对网络进行干扰，再对它的诊断能力进行检测。
当噪声分别为15%和20%时，WNN在电力变压器故障诊断时准确率比BP神经网络诊断率高；这是由于小波变换的局部化特征，隐含层对输入样本进行特征提取，输出层对输入样本进行模式分类，结合神经网技术的优点，通过训练可自适应地调整网络参数，同时具有良好的函数逼近和模式分类能，提高了网络的诊断正确率；同时小波神经网络的有较好的鲁棒性。
结果表明，用WNN对电力变压器进行故障诊断，在相同的输入输出情况下比BP神经网络在模式识别能力，且在收敛时间、稳定性等方面更优，有效的避免了BP算法在故障诊断中易出现不收敛、收敛速度慢、过拟合、易陷入局部极小值等缺点，但小波神经网络初值设置不合理，则极易进入局部极小的区域、以致网络振荡。
参考文献
[1]徐玉珍，曾界洲，蔡金锭.模糊神经网络在变压器故障诊断中的应用[J].电气电子教学学报，2003，（3）.
[2]徐玉珍，陈丽莉. 一种基于模糊神经网络的变压器故障诊断方法[J]. 福建脑，2003，（11）
[3]关杰林，徐国禹. 模糊神经网络在变压器故障诊断中的应用[J]. 重庆大学学报（自然科学版），1997，（6）.
关键词：电力变压器；故障诊断；小波神经网络
中图分类号：TM41
小波神经网络（wavelet neural net—work，WNN）是法国著名的信息科学研究机构IRISA的学者Zhang Qinghua和Benveniste在1992年首次明确提出的。所谓小波神经网络就是将前馈神经网络与小波变换理论相结合，把神经元的激活函数用小波基函数来替换，形成一个新的前馈神经网络。由于小波变换有着非常优秀的时频局部化、变焦等特性，加之神经网络的自我学习自我组织能力，所以运用小波神经网络进行分析时，具有强逼近以及强容错优势，这就为我们进行变压器故障诊断提供了更为优秀的研究方法。
运用小波神经网络对200组识别样本进行故障诊断，结果如圖2。从图中可以明显看出，小波神经网络可以保证90%左右的概率识别出“高温过热”以及“高能放电”两种故障，同时能够达到84%左右的概率识别出“低温过热”、“中温过热”、“局部放电或受潮”等故障。其中网络对于“低能放电”故障的识别率最低，只能够达到80%。之所以出现对有些故障（如“高温过热”、“高能放电”）识别率高，对有些故障（如“低能放电”）识别率较低的状况，主要是看故障发生时所形成的气体，是否与对应故障之间的关系明确。二者之间的关系越明确，网络就能越迅速的准确的识别故障类型。
在使用400组的学习样本进行网络检测后，再使用200组的数据对网络进行检验。同时分别进行小波神经网络以及BP网络两种试验，以观察不同网络所得到结果的区别。为了检测网络的性能，将检测用的200组数据分别加不同比例随机的噪声，对网络进行干扰，再对它的诊断能力进行检测。
当噪声分别为15%和20%时，WNN在电力变压器故障诊断时准确率比BP神经网络诊断率高；这是由于小波变换的局部化特征，隐含层对输入样本进行特征提取，输出层对输入样本进行模式分类，结合神经网技术的优点，通过训练可自适应地调整网络参数，同时具有良好的函数逼近和模式分类能，提高了网络的诊断正确率；同时小波神经网络的有较好的鲁棒性。
结果表明，用WNN对电力变压器进行故障诊断，在相同的输入输出情况下比BP神经网络在模式识别能力，且在收敛时间、稳定性等方面更优，有效的避免了BP算法在故障诊断中易出现不收敛、收敛速度慢、过拟合、易陷入局部极小值等缺点，但小波神经网络初值设置不合理，则极易进入局部极小的区域、以致网络振荡。
参考文献
[1]徐玉珍，曾界洲，蔡金锭.模糊神经网络在变压器故障诊断中的应用[J].电气电子教学学报，2003，（3）.
[2]徐玉珍，陈丽莉. 一种基于模糊神经网络的变压器故障诊断方法[J]. 福建脑，2003，（11）
[3]关杰林，徐国禹. 模糊神经网络在变压器故障诊断中的应用[J]. 重庆大学学报（自然科学版），1997，（6）.