中图分类号：TP18 文献标识码：A 文章编号：1009-3044(2012)36-8765-04
1 概述
电力变压器是电力系统中的重要设备，其当前的工作状态直接影响着整个电力系统的运行。为了使变压器始终处于良好的状态，严密监视并尽早发现变压器的任何异常就显得非常重要。变压器的故障诊断就是根据变压器故障的征兆，确定故障的性质或部位。近年来，人工智能理论的不断完善及其在故障诊断中的成功应用，为变压器故障诊断技术的发展开拓了新的途径。该文介绍了一个我们研制的电力智能变压器诊断系统，这是一个功能完善并实用的系统，结合了基于专家系统和神经网络的多种诊断方法。结合该系统的神经网络诊断部分的研制，该文将着重论述诊断神经网络的拓扑结构优化设计问题。
2 基于经验的诊断网络拓扑结构优化设计
2.1系统设计思想
在目前变压器故障诊断的研究中采用最多的是BP网络，系统采样的数据集可以分为训练集和测试集两部分，前者用于网络的训练，后者用于测试训练好的网络。通常两者独立采样以保证数据的无关性，使测试结果更能反映网络的泛化能力。我们运用两种准则来比较测试集的目标集与仿真输出集的接近程度以评价网络性能：均方误差准则和误判率准则。该文采用经典的k子集交叉检验法来评价网络的性能，数据集划分为训练集和测试集以兼顾网络的分类精度和网络的推广能力。另外，测试集和训练集的划分带有随机性，再加上k次评价，这样的结果比较稳定，网络训练好坏的影响大大降低，可以充分反映神经网络在这个数据集上的性能。该文在借鉴前人经验的基础上，结合具体应用，通过实际试验，用上述方法设计了一个性能良好的变压器诊断网络，该网络具有分类精度高并且推广能力强的特点。
2.2基于经验的神经网络拓扑结构的设计
我们选择的是标准的单隐层前馈网络结构，对单隐层的前馈神经网络来说，其VC维为MN+NP，其中M，N，P分别为输入层、隐层、输出层的神经元数。由于M，P和例子数都是已知的，因此设置误差上限e后就可以估算出N。
激活函数的选择方面，该文选择了tanh作为函数隐层激活函数。而输出层激活函数则选择sigmoid函数。训练算法的选择方面，由于标准BP算法训练速度很慢，选择带动量与学习率调整的改进BP算法作为我们对网络进行评价时的训练算法。
在此基础上，通过隶属函数求出实验数据相对于注意值的隶属度，以其作为神经网络的输入。我们使用的隶属函数如下所示的Sigmoid函数，其中x表示属性的原始值，xa表示注意值。
2.3实验方法和结果分析
实验使用的数据是“智能化变压器诊断系统”所带的一个在线诊断数据集。此数据集共107个实例，输入属性10项，输出属性12项。因此有： M=10， P=12，m=107由ln(m/d)>0 m/d>1 m>(M+P)*N 107>22*N N<5。但这个数据集的输入数据需要进行预处理。这些属性都是变压器的检测数据，依次为：氢气（H2）、甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）、乙炔（C2H2）、一氧化碳（CO）、二氧化碳（CO2）、超声测量、异常声音检测、铁心接地电流（EC）。这些输入属性之间的数值在数量级上有一定的差距，如二氧化碳的数值通常在103以上，而乙炔的数值一般在101左右，如果将原始数据直接作为网络的输入，由于数量级差别太大，网络对较小的数值将不敏感，一些重要的特征将难以被网络获取，使得判别的精度无法达到较高的水平。因此，我们用把各输入属性数据的值映射到[0,1]之间的方法来提高精度。
3 基于进化神经网络的优化方法
3.1进化神经网络的算法流程
进化算法的思想来源于自然界的物种进化规则，它是一种基于群体的随机搜索算法。该文采用C++和Matlab混合编程的方法实现了该算法，其算法流程如图3所示。我们用面向对象的开发方法实现遗传算法,程序的主体是两个类：CGA和CChromosome。前者实现遗传算法的运行流程,后者实现染色体（个体）的编码和遗传操作细节，并通过统一的接口把功能提供给前者。这种设计把遗传算法的操作流程抽象出来，独立于遗传算法的编码和算子的具体实现。
诊断的精度是很高的，20个诊断实例中失误2个，正确率达到了90％，并且是在网络的训练数据还有缺陷的情况下。这个诊断精度已经接近于变压器专家的水平，可见，经过针对变压器故障诊断特点进行优化设计的神经网络的应用价值是极具潜力的。
4 结论
该文研究了神经网络在电力变压器诊断中的应用，给出了变压器故障诊断的神经网络模型，根据诊断模型，在前人经验的基础上，设计了单隐层的变压器诊断网络，并给出了网络的评价方法。在matlab上建立了实验环境，通过实验给出了神经网络模块的最佳隐节点数。在此基础上，设计了基于遗传算法的网络结构进化算法，并用C++和matlab实现了这个算法。实验表明诊断效果良好，并与前面的实验的结果进行比较，表明了进化算法的良好性能。
参考文献:
[1] 架尚敏,戴国忠.利用结构信息的故障诊断方法[J].计算机学报,2005,28(5):801-808.
. Artificial Intelligence,2005(163):1-453.
[3] 李占山,姜云飞,王涛.基于模型的诊断问题分解及其算法[J].计算机学报 2003,26(9):1177-1182.
[4] 陈荣,姜云飞.含约束的基于模型的诊断系统[J].计算机学报,2001(24):127-135.
[5] 架尚敏,戴国忠.利用结构信息的故障诊断方法[J].计算机学报,2005,28(5):801-808.
. Applied Soft computing,2007,7(2):534-539.
. IEEE Trans. On Neural Networks, 2003,14(1):79-81.
. Measurements and Application on Eighth International Conference 2000(IEE Conf.Publ.No.473),2000:324-329.
[9] 郑蕊蕊.基于灰色理论的电力变压器故障诊断技术[D].长春:吉林大学,2007.
[10] 殷悦.基于BP神经网络的电力变压器故障诊断的研究[D]. 长春:吉林大学,2007.
