基于神經(jīng)網(wǎng)絡的故障診斷

神經(jīng)網(wǎng)絡工具箱應用于故障診斷1.問題描述電力系統(tǒng)的平安運行具有十分重要的意義。當高壓變壓器或其他類似設備在運行中出現(xiàn)局部過熱、不完全放電或電弧放電等故障時，其內(nèi)部絕緣油、絕緣紙等絕緣材料將分解產(chǎn)生多種氣體，包括短鏈烴類氣體〔C2H2、CH4等〕和H2、CO2等，這些氣體稱作特征氣體。而特征氣體的含量與故障的嚴重程度有著很密切的關系，如下列圖1所示。將BP神經(jīng)網(wǎng)絡應用于變壓器故障診斷對大型變壓器的運行有著非常重要的意義。2.神經(jīng)網(wǎng)絡設計(1)輸入特征向量確實定變壓器的故障主要與甲烷〔CH4〕、氫氣〔H2〕、總烴〔C1＋C2〕以及乙炔〔C2H2〕4種氣體的濃度有關，據(jù)此可以設定特征向量由這4種氣體的濃度組成，即CH4、H2、C1＋C2〔總烴〕和C2H2，同時也設定了網(wǎng)絡輸入層的節(jié)點數(shù)為4個。(2)輸出特征向量確實定輸出量代表系統(tǒng)要實現(xiàn)的功能目標，其選擇確定相對容易一些。只要問題確定了，一般輸出量也就確定了。在故障診斷問題中，輸出量就代表可能的故障類型。變壓器的典型故障類型有：一般過熱故障、嚴重過熱故障、局部放電故障、火花放電故障以及電弧放電故障等5種類型，因此這里選擇5個向量作為網(wǎng)絡的輸出向量，即網(wǎng)絡輸出節(jié)點確定為5個。根據(jù)Sigmoid函數(shù)輸出值在0到1之間的特點，這里設定以0到1之間的數(shù)值大小表示對應的故障程度，也可以理解為發(fā)生此類故障的概率，數(shù)值越接近1表示發(fā)生此類故障的幾率越大或說對應的故障程度越大。針對本系統(tǒng)，設定輸出值大于等于0．5時認為有此類故障，小于0．5時認為無此類故障。(3)樣本的收集輸入、輸出向量確定好以后就可以進行樣本的收集。數(shù)據(jù)歸一化處理時，注意：在歸一化處理的時候，因考慮到各氣體濃度值相差較大，如總烴的濃度比H2的濃度值高出幾個數(shù)量級，因此在歸一化處理的時候，分別對各個氣體濃度值進行處理，即最大值和最小值取的是各氣體的最值，而不是所有樣本值中的最值。在本實例中采用：MATLAB利用歸一化公式u=(x-min(min(x)))./(max(max(x))-min(min(x)))〔1〕在公式1中x表示所需歸一化處理的數(shù)據(jù)，u表示歸一化后的結果處理結果如下：序號CH4H2C1+C2C2H210.0116601220.061855670.0004551320.03292181120.0028387960.0220913110.0012642090.02880658430.0979664210.1281296020.004398090.03703703740.0050488860.1251840940.0003910890.197119342500.01472754100.04115226360.0113680080.0220913110.0022630660.04115226370.0100697230.0265095730.000698496080.0402708770.1119293080.0157648270.01646090590.0036464180.0751104570.0003185070.181069959100.01326334300.0009281970.019753086110.0248837950.192636230.0009674760120.0212774480.1870397640.0020476680.9218107130.0152428270.0868924890.00057041014110.044913790150.0078728560.2209131080.000570410.343703704160.0647539670.639175258113.BP網(wǎng)絡的設計BP網(wǎng)絡模型結構確實定有兩條比擬重要的指導原那么：①對于一般的模式識別問題，三層網(wǎng)絡即可以很好地解決。②三層網(wǎng)絡中，隱含層神經(jīng)元個數(shù)n1確實定用參考公式：n1＝2n+1，其中n為輸入神經(jīng)元數(shù)根據(jù)上述原那么設計網(wǎng)絡，網(wǎng)絡的輸入層神經(jīng)元個數(shù)為4個，輸出層神經(jīng)元個數(shù)為5個，可得隱含層神經(jīng)元個數(shù)n1為9。本應用中，創(chuàng)立的BP網(wǎng)絡：學訓練函數(shù)TRAINSCG學習函數(shù)為LEARNGDM。MATLAB程序清單：q=[0.0116601220.061855670.0004551320.032921811;0.0028387960.0220913110.0012642090.028806584;0.0979664210.1281296020.004398090.037037037;0.0050488860.1251840940.0003910890.197119342;00.01472754100.041152263;0.0113680080.0220913110.0022630660.041152263;0.0100697230.0265095730.0006984960;0.0402708770.1119293080.0157648270.016460905;0.0036464180.0751104570.0003185070.181069959;0.01326334300.0009281970.019753086;0.0248837950.192636230.0009674760;0.0212774480.1870397640.0020476680.9218107;0.0152428270.0868924890.000570410;110.044913790;0.0078728560.2209131080.000570410.343703704;0.0647539670.63917525811];p=q';a=[00100;01000;01000;00010;00010;01000;10000;10000;00010;01000;01000;00001;10000;01000;00001;01000];t=a';net=newff([01;01;01;01],[8,5],{'tansig','purelin'},'trainscg','learngdm','msereg');net.trainparam.epochs=200;net=train(net,p,t);figuregridon;Y=sim(net,p);plot(p,t,p,Y,'o')運行結果：Y=0.99990.00040.00020.00010.99970.00020.00000.00000.0000error=-0.00010.0004