基于模糊輸入的BP-ART2混合神經(jīng)網(wǎng)絡在電力變壓器故障綜合診斷中的應用

　　BP1為3層，其輸入量為7個第1到3輸入量為H2，總烴及C2H2測定量，第4到7輸入量為C2H2，H2，CH4與C2H4在總烴中所占的比例，隱含層20個，輸出量為6個，分別表示一般過熱（>500℃），局部放電，火花放電，電弧放電與過熱兼電弧放電;BP2也為3層，其輸入量為3個，隱含層12個，輸出量為9個，其輸入輸出含義見表2。BP1、BP2兩類在現(xiàn)場已有應用，因此，其輸入、輸出及隱含層神經(jīng)元數(shù)量是由經(jīng)驗給出的；由于現(xiàn)場條件的限制，BP3、BP4輸入量、輸出量的個數(shù)及隱含層數(shù)由根據(jù)現(xiàn)場實際所能提供的測定數(shù)據(jù)來確定，仿真中采用介質損耗tgδ、直流電阻、吸收比、油位、水分的測量值作為輸入，網(wǎng)絡也采用三層結構，其輸入層、隱含層、輸出層分別為3、10、6和2、8、5。BP神經(jīng)網(wǎng)絡采用文獻5所述的學習算法。由于BP算法存在收斂速度慢，學習精度低等問題，本文采用加動量因子，及不等權、半隨機初始解等方法加以解決，以加快收斂速度。
　　ART2神經(jīng)網(wǎng)絡的結構如3圖所示【9】：

　　自適應共振理論ART2具有快速的學習算法，且無需大量樣本，在故障在線識別領域有很大的應用潛力。圖3是典型的單ART2神經(jīng)網(wǎng)絡結構，適用于模擬向量輸入。網(wǎng)絡可分為注意子系統(tǒng)和調整子系統(tǒng)兩部分，前者完成輸入向量的相似度匹配及競爭選擇，后者檢驗輸入模式與長期記憶模式之間的相似度是否達到滿意的程度，并根據(jù)檢驗結果作出相應處理，成功或重置。提取的特征向量Ii輸入F1層(比較層)。在F1層通過向量歸一化和非線性變換經(jīng)迭代得到穩(wěn)定的中層模式u，并經(jīng)p送入F2層(識別層)，由F2層經(jīng)競爭選擇激活F2層候選模式(本文中對應故障類型)，得到系統(tǒng)的短期記憶。F2層的輸出經(jīng)長期記憶加權后反饋回F1層，反饋信息與u一起送入調整子系統(tǒng)，檢驗系統(tǒng)長期記憶模式與輸入模式的相似程度，若通過相似程度檢驗，則可確定輸入模式屬于F2層的候選模式，并按快速學習算法，一步完成權值的學習；若未通過檢驗，則強迫F2層重置并選擇下一輸出節(jié)點，若所有的輸出節(jié)點都不能通過匹配檢驗，則增加一個新的輸出節(jié)點即另一新類。
　　在應用ART2時必須注意的是ρ(相似測度警戒限，為0到1之間的正數(shù))的選擇。ρ值決定了網(wǎng)絡對輸入模式進行分類的間隔大小，直接影響分類性能。若ρ選得太小，分類粗糙，不能把不同故障類型區(qū)分開；若ρ選得太大，分類又太紉，則同一故障類型可能被劃分到不同輸出模式中，引起錯分。ρ的選樣沒有一定的規(guī)則，需要在具體應用中調整。本文中ρ取0.5即可達到較滿意的分類效果。ART2網(wǎng)絡參考了文獻10所述的學習算法。
　　變壓器故障診斷過程屬于一個非平穩(wěn)、非線性的隨機過程。在學習階段，通過對足夠量的樣本訓練，逐層調整接點權重和閾值，直至誤差達到精度要求。在工作期間，投入不同的測試樣本，進行故障診斷模式識別，最終實時判別故障類型和故障可能發(fā)生的位置。

4.知識處理
4.1特征氣體的模糊知識表示