一種由多個神經網疥模塊構成的智能電力變壓器故障診斷系統，該系統采用VC++語言開發，系統除了診斷精確度較高，具有一定的自學習功能外，還具有良好的人機界面，在工程實際中值得推廣。

　　學習由正向傳擂和反播縣成。！傳1播過程式。經M10配次的訓練后，其平方型為0h00004.bookmark2前言一些無法預計的外界原因和使用、運行、維護等方法不正確，常使電力變壓器引發許多意想不到的故障，給整個電力系統甚至國家帶來巨大的經濟損失和不便，如2003年9月在美國發生的震驚全球全國大面積的停電事故。因此，開發一種能盡快找到故障原因，降低危害程度，減少經濟損失的變壓器故障診斷系統是十分必要的。

　　本文介紹一種智能電力變壓器故障診斷系統，該系統開發的理論依據是BP神經網絡理論，對新的故障具有不斷的學習能力。為了提高診斷的精確度，系統采用了多個子神經網絡模塊同時進行診斷，比較終得到一個綜合診斷結果。因此，系統不僅能及時有效精確地診斷出變壓器的故障類型，且具有良好的人機界面和功能可擴展性。

　　2系統結構簡介本系統主要有四個模塊組成：三個神經網絡診斷子模塊ANN1、ANN2、ANN3和一個綜合診斷模塊，如系統結構圖。其中ANN1模塊是基于特征氣體法的BP神經網絡模塊；ANN2為基于四比值法的BP神經網絡模塊；ANN3為基于改良三比值法的BP神經網絡模塊。

　　ANN1模塊診斷對話框ANN1模塊訓練對話框3神經網絡原理BP神經網絡是一種多映射網絡，采用均方學習方式，它把一組樣本的輸入、輸出問題變成一個非線性優化問題，使用了優化算法中的梯度下降法，用迭代運算求解權值，增加隱層能使可調參數增加，從而可得到更精確的輸出。為一典型的三層BP網絡模型，包括輸入層、隱層和輸出層。隱層與輸入層、輸出層是充分連接的，同層之間節點互不相連。BP算法的41基于特征氣體法ANN1模塊理論和實踐證明，變壓器油中的特征氣體能夠反映變壓器內部的運行狀況。基于特征氣體法的ANN1模塊是將故障樣本中的六種可燃性氣體（、出、4、2氏、壓、出）分別占它們總和的百分比值作為輸入量、故障類型作為輸出量來訓練ANN1神經網絡，再根據訓練完后的神經網絡來對新故障進行診斷，從而確定出故障類型。此方法可以判斷故障是否涉及固體絕緣，因為特征氣體CO的含量直接關系到變壓器被破壞的程度。本神經網絡有6個輸入節點，4個隱層節點，9個輸出節點（分別表示正常狀態和8種故障類型），隱層、輸出層神經元節點激活函數取的是Sigmoid函數形式，見（1）式，（X）=+exP（-x）⑴會更準確。這說明網絡在訓練迭代計算過程中沒有發生常見的目標函數陷入局部比較小的情況，網絡的結構設計和各參數的選取都較為合理。

　　由于網絡有一定的自學習功能，經過對一些新故障類型樣本進行訓練后，它所能診斷的故障類型數目會不斷地增加，輸出節點數也會隨之增加，同樣，整個系統的故障診斷能力也因此得到提高。

　　42基于四比值法ANN2模塊C2H2/C2H4）的大小范圍來判定故障類型的方法。它的比較大特點就是對故障分類較詳細。有了這一優勢再加上神經網絡自學習功能，通過對新故障樣本的訓練和學習，本模塊可診斷的故障類型數目會得到更大地增加。據以上分析，基于四比值法神經網絡模塊（ANN2）輸入節點數取為4，隱層節點數取為10，輸出節點數比較初選為11（代表11種故障類型），學習率取0.3，沖量系數取為0……隱層、輸出層神經元節點激活函數形式仍該模塊通過對新故障樣本的訓練后，目前輸出節點數已增加為21個，即可診斷的故障類型已達21種。

　　4.基于改良三比值法ANN2模塊為體現變壓器故障診斷中的不確定因素，我們用模糊數學理論對數據進行預處理，即通過分別建立關于和三個比值的隸屬函數，來求取神經網絡的實際輸入量。

　　考慮到檢測有噪聲，測量有誤差且存在受外界環境因素的干擾等，該模塊選取的隸屬函數具有以下特點：對于影響較小的數據考慮較少，而對影響較大數據重點考慮。本模糊神經網絡的有3個輸入節點（即輸入量為~I3）12個隱層節點，8個輸出節點；網絡的學習函數如式（1）學習率n取為0.5沖量系數a取為0.25診斷實例分析1996年4月份以前，變壓器油色譜分析各組分含量均正常，5月27日定期色譜分析時發現，乙炔突然出現且數值很大，其它組分也全面上升，5月28日取油樣進行分析，各氣體含量還在上升。具體數值見表1表1定期色譜分析結果（單位：L/L）曰期總烴用本系統對27日和28日的各氣體含量進行診斷：ANN1模塊診斷出該故障中存在纖維過熱；ANN2模塊診斷為電弧放電??貫穿性放電，ANN1模塊的診斷結果為過熱兼電弧放電，經綜合診斷模塊處理得比較終診斷結果為變壓器電弧貫穿性高能放電并導致纖維過熱分解。

　　經器身檢查發現，該變壓器的B相均壓球在導管的螺扣上已松動，僅剩不足一扣，且均壓球內有大量的碳黑，并可看出導管與均壓球間有明顯的放電痕跡，與上述診斷結果一致。

　　系統診斷結果為：IMFICG法模塊診斷為高溫過熱；ANN1模塊診斷為油過熱；ANN2模塊診斷為接頭過負荷，ANN3模塊診斷為高溫過熱，綜合診斷結論為裸金屬或絕緣油高溫過熱。

　　吊心檢查的結果為分接頭開關嚴重燒壞，屬于裸金屬高溫過熱。此結果與上述診斷結論基本一致，但ANN1模塊的診斷結果不夠準確，將該組故障數據加入到ANN1模塊中的樣本數據庫進行重新訓練。

　　通過以上分析，可見將BP神經網絡應用于變壓器故障診斷，確實能提高系統的診斷正確性，是較為理想的變壓器故障診斷方法。

　　4結論本文介紹的三個ANN模塊結構設計合理，故障識別率較高（各神經網絡的平方型誤差都可小于0.00005）是變壓器故障智能診斷系統中重要組成部分；在實際應用中，隨著神經網絡訓練的故障樣本的積累，變壓器故障智能診斷系統可以越來越細致、準確地診斷出故障。

　　該系統具有較強的工程實用性，值得推廣。