基于BP神经网络和Borda法则的油浸式变压器故障诊断.doc

基于BP神经网络和Borda法则的油浸式变压器故障诊断 　　摘要：针对油浸式变压器故障诊断数据样本量少，故障诊断率较低和可靠性差的缺点，为了提高油浸式变压器故障诊断的准确率，提出一种综合Borda法则和BP神经网络的油浸式变压器故障诊断方法。实验结果表明，Borda组合模型比Borda、SVM和BP具有更高的准确率，可以较好地实现油浸式变压器故障的诊断。 　　关键词：BP神经网络；Borda法则；油浸式变压器；故障编码；支持向量机 　　中图分类号：TM41 文献识别码：A 文章编号：1001-828X（2016）009-000-03 　　Abstract： in view of the oil immersed transformer fault diagnosis data sample size less， fault diagnosis rate is low and poor reliability of the shortcomings， in order to improve the oil immersed transformer fault diagnosis accurate rate，we proposed a comprehensive Borda rule and BP neural network for oil immersed transformer fault diagnosis method. The experimental results show that the combination model has higher accuracy than Borda， SVM and BP， can achieve oil immersed transformer fault diagnosis much better. 　　Key words： BP neural network； Borda Rule； Oil-immersed Transformer； Fault Encoding； Support Vector Machine 　　一、引言 　　在电力系统中，变压器作为一个主要的构成部分，其运行具有稳定的性能和可靠的性能，这样就保证这个电力系统达到安全、可靠的作用。变压器发生故障容易引发安全事故和停电故障，危及人身安全和财产安全。传统的变压器维护方式是基于发生故障再维修的方式，具有维护成本高，且无法实现变压器故障的早期预警和潜伏性故障的及时排除[1]。根据变压器具有复杂的故障机理，以及具有多样性的故障征兆等特点，单一的诊断方法很难做出完善的判断，基于上述原因，本文提出一种综合Borda法则和BP神经网络的油浸式变压器故障诊断方法。 　　二、 BP神经网络 　　BP神经网络（Back-propagation Neutral Network） 通常是指基于误差反向传播算法的多层前向神经网络，其由D.E.Rumelhart和J.L.McCelland等人[2]于1986年提出，目前BP算法已被广泛地应用于工程领域。 　　在BP网络结构图中，用X=（X1， X2，…， Xn）表示BP神经网络的输入值；用Y=（Y1， Y2，…， Ym）表示神经网络的预测值。BP神经网络算法的具体流程如下： 　　Step1：初始化网络。我们可以把神经网络分为三层，它们分别为：输入层、隐含层、输出层，它们每一层所具有的节点数分别是n、l、m，在对其进行确定的时候一定要依据神经网络中的输入X=（X1， X2，…， Xn）以及其中的输出Y=（Y1， Y2，…， Ym）；对它们三者神经元之间的连接权值wij， wjk进行初始化；对隐含层阀值与输出层阀值 进行初始化，并且不仅要设定学习速率的函数，而且还要对神经元激励函数进行设定； 　　Step2：计算隐含层输出。在对其输出 进行计算的时候，主要是依据X、wij、a； 　　Step7：算法停止条件是否满足，若满足，则停止；否则，返回Step2。 　　BP神经网络的算法流程依次为实验数据采集、数据归一化、建立网络、训练模型、测试模型、数据反归一化、结果输出。 　　三、基于BP神经网络的油浸式变压器故障 　　1.诊断模型设计 　　文中主要选择的特征气体有五种，第一种气体是H2（氢气）；第二种气体是CH4（甲烷）；第三种气体是C2H6（乙烷）；第四种气体是C2H4（乙烯）；第五种气体是C2H2（乙炔），而变压器的经常出现的故障主要有7种[3]，样本种类及故障编码分别为：低温过热 [ 1 0 0 0 0 0 0]、中温过热 [ 0 1 0 0 0 0 0]、高温过热[ 0 0 1 0 0 0 0]、局部放电 [ 0 0 0 1 0 0 0]、低能放