基于模糊模块化网络的电力变压器故障诊断.pdf
《基于模糊模块化网络的电力变压器故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于模糊模块化网络的电力变压器故障诊断.pdf(4页珍藏版)》请在咨信网上搜索。
1、第44 卷第8 期 2 0 0 7 年 8 月 到澎 2况J 月 色 梦石姗汤丛资 V O 1 4 4 A u g u s t N O . 8 2 0 0 7 基 于 模 糊 模 块 化 网 络 的 电 才 变 王 E 署 导 故 障 愁 知 断 此体刚 , 吕佳“ ( 1 .江汉水电厂, 湖北 潜江 4 3 3 1 2 2; 2 .重庆师范大学数学与计算机科学学院, 重庆 4 0 0 0 3 0) 摘要: 建立了 变压器故障诊断的模糊模块化网 络模型, 实现对电力变压器的故障诊断。 关键词: 电力变压器; 网络; 故障; 诊断 中图分类号: T M 4 0 6 文献标识码: B文章编号: 1
2、 0 0 1 一 8 4 2 5 ( 2 0()7 ) 0 8 一 0 0 4 3 一 04 F a u lt D ia g n o s isf o r P o w e r T r a n s f o r m e r B a s e do n F u z z yM o d u la r N e t w o r k S H E NT i一 g a n g l , L UJ ia Z ( 1 .J ia n g h a nwa t e r a n dP o w e r P la n t , Q ia n i ia n g4 3 3 1 2 2 , C h in a ; 2 .C h o n g q
3、 in gN o r m a l U n iv e r s it y , C h o n g q in g4 0 0 0 3 0 , C h in a ) A b s t r a C t : Af u z z ym o d u ja rn e t w 0 r km o d e I f o rt r a n s f o r m e rf a U Itd ia g n o s isise s t a b I is h e d . T h et r a n s f o r m e r f a u lt d ia g n o s isisf u If ille d . K e yw o rd s :
4、P o w e r T r a n s f o r m e r ; N e t w o r k ; F a u lt ; D ia g n o s is 1 引言 规则模块 rll| It|J L-!.!1|11|IL 控制模块 电力变压器是电力系统中输、配电的重要设备 之一, 掌握快速、 有效的故障诊断方法是实现变压器 状态维修, 提高设备的可靠性的先决条件。 目 前常用 的方法有神经网络、 专家系统等。 这些方法在实际使 用时, 由于实际故障样本获取困难, 难以覆盖整个故 障空间, 是一个小样本数据分析问题11 刊 。 笔者采用的是神经网络与模糊逻辑技术结合的 模糊模块化网络, 它具有很强
5、的自 学习、 非线性映射 能力以及处理不确定信息的能力。 该网络是利用“ 分 而治之” 的思想, 按系统结构和层次划分, 采用可能 性聚类方法p C M( Pos s i b i l i s t i cC 一 M e an s C l u s t e ri n g PCM) 将样本分类, 在实现样本空间的细分的同时消 除噪声数据对聚类的影响。每类样本构成一个故障 类型模块,对其用三层B P网络构成的模块进行训 练, 以提高B P网络学习速度和故障诊断精度。 在本文中所介绍的主要内容是在大量收集大型 电力变压器的油中溶解气体( Diss ol ve dG asA n al y - si sD G
6、 A ) 的故障数据建立了故障样本的基础上, 先 应用可能性聚类方法对故障样本进行聚类,然后以 三层 B P网络为基本结构建立了电力变压器故障诊 断的模糊模块化网络诊断模型。应用笔者所建立的 模糊模块化网络模型进行了电力变压器故障诊断的 仿真试验,将其结果与单个三层B P网络诊断模型 的仿真结果进行了比较。 2 网络结构 模块化模糊网络是由规则模块和控制模块组 成。所建立的电力变压器故障诊断的模糊模块化网 络模型如图 1 所示。 图 1 模糊模块化网络模型 Fi g. 1 陇t w o r km ode 】 允 r加 Z zy mo d u la ri ty 万方数据 第4 4 卷 网络的输人
7、龙二 xi ; , xl=, xia, 知, 耘 , xi . x巧 分别为 油中H : 、 C H 4 、 C Z H 4 、 C Z H 6 、 C Z H : 五种气体成分含量比 例规格化后的值。 -X. Xl.,卜.J. 一华下、名厂,妇 X 1 二 1 =1 , xj=一 鑫- 艺 二 , 声因此也被赋予了较大的隶属度, 从而加大了聚类 的误差。 P C M算法是通过最小化规则函数 禹的迭代优 化来实现划分的。其最小化准则函数 大: j 二 1 j = 2 , 3 , 4 , 5 网络输出Y 二 y l , y Z , 为, , yn 为变压器的故 障类型。如: 低能放电、 高能放电
8、、 中低温过热和高 温过热等, 模型的输出n由聚类分析后得到的聚类 的类型决定。 网络中的规则模块是模糊规则的拟合函数。它 是对每个分类子空间分别进行逼近, 以获取各个不 同子空间从测量输入到故障输出的非线形动力特 性。这就解决了用一个神经网络对多种故障同时进 行训练时, 网络结构复杂、 收敛速度慢、 易陷人全局 最小、 并导致故障诊断的精度不高等缺点。 网络中的控制模块的输出U= u l , u Z , u 。 表征每条规则对输人样本的适用程度, u 越大表示 该样本以较大的隶属度属于某个规则。它是由一个 三层神经网络对聚类后的样本进行训练来确定的, 训练时网络的输出样本为聚类得到的输人属于
9、某 类的程度。这样就简化输人空间到输出空间的映射 关系, 有利于提高故障诊断的精度。 “ U ,V ,= 手 菩 一 ,嘴 + 手 。 *冬 “ 一 ,爪 ( , 式中, n 为训练样本个数, 。 为聚类中心数, 2 蕊 。 毛n , “ 二 u ( x 、 ) 表示第k 个样本属于第 1 类的隶属度, m为 模糊加权指数, 表征模糊化程度, 一般取 1 .53 0的 值, 嵘为 第k 组数 据 对于 第1 个聚 类中 心的 距离, 嵘 = Ifx k 一尸, 刀 为一合适的正数, 其推荐取值为: 艺。 减 刀 = K 粤厂es 一- 冬 U : ( 2 ) 式中K为一正整数。 为使目 标函数
10、值达到最小,聚类中心和隶属度 的更新如下: ( 3 ) ( 4 ) 华u#= 3 学习算法 网络学习算法分为两个部分:样本聚类采用 P C M算法,控制模块及规则模块采用自 适应B P 算 法。 3 . , 样本聚类的算法 在变压器故障时,由于其产气的地点不同、 故 障的类型不同和环境因素的影响而使气体的溶解 程度不同等原因, 导致样本中可能存在一些噪声或 不确定的因素, 故聚类时需克服这些因素对聚类精 度的影响。笔者采取的是可能性聚类算法, P C M算 法属于C均值聚类分类算法的一种, 它能有效地降 低噪声样本的影响, 具有较高的映射精度和分类能 力。 它是由 模糊C 均值聚类算法 ( F
11、uzz yC 一 M ea ns C l u s t e ri n gF C M ) 的一种改进算法, F C M算法变压器 C 某 一 样 本 的 隶 属 度 由 其 艺。 。 二 1 的 约 束 , 使 得 隶 属 1 二1 度取决于它所属的类别的欧氏距离在所有欧氏距 离和中占的比值的大小, 隶属度受其它类中心位置 的影响, 并且每个样本的影响力是相同的阎 。这样当 油中溶解气体样本由于测量等原因存在噪声时, 噪 刀i 从 上 式 可 以 看出, 当刀 二 嚼时, 丐 二 0. 5 , 故刀 的 点越多。另外还要说明的是, 在PCM中权重指数 m 的增加表示数据集中的所有点完全属于指定的一
12、个 类的可能性增加了, m过大会导致聚类产生一致的 类中心, m一般取为 1 . 5 。 P C M本质上是一个穷举型搜索算法, 算法需要 进行适当的初始化才能收敛到全局最小点。一般推 荐用P C M算法的结果作为P C M算法的初始划分。 聚类分析时,必须先确定聚类中心数C的大 小, 随意确定C的大小会导致聚类效果的劣化。本 文采取Xie 等提出的模糊聚类的有效性函数5 , 它 是模糊聚类的紧致性函数co呷 和分离性函数反尸 之比, 即5 =co mp/Sep 来确定训练样本的聚类个数。 、J产、,了 一、曰护6 了.、了r.、 co mD二 上又又。 知 从 二 护 几1 二 I k 二
13、1 S ep= ( 心。 ) 2= 仍 i n l匕 1一 * 11, 1 . 左 应的 类数 由5 与几的计算式可知, 两者的最小值是相对 。因此取5随。 变化曲线中最小点的值作为聚 万方数据 第 8 期 沈体刚、 吕佳: 基于模糊模块化网络的电力变压器故障诊断 3. 2 控制模块及规则模块的学习算法 控制模块和规则模块的学习所采用的自适应 B P 算法, 包括网络的前向计算和误差的反向计算。 经网络的前向计算, 得到隐层和输出层的输出值。 =g 一寥 、 :(冬 ? 。 、。)。,、7 ) 其中 f(x), 以x)均为、 乙 邵 几 。 d 函数; 二 , b 分别为网 络的权值和阂值;
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 模糊 模块化 网络 电力变压器 故障诊断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【fus****123】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【fus****123】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。