摘 要：針對變壓器故障的復雜性和不確定性，結合油中氣體分析方法，提出應用B樣條模糊神經網絡對變壓器故障進行診斷。模糊神經網絡的基函數采用B樣條函數，可以使網絡的權值調整在局部范圍內，從而可以加快網絡的學習速度，仿真結果證明了該方法可以有效地檢測出變壓器故障類型。

　　關鍵詞：模糊神經網絡;變壓器;故障診斷

　　電力變壓器是電網運行的主要設備，及時有效地監測和診斷變壓器故障對電力系統的可靠運行具有重要意義[1]?？紤]到電力設備故障的復雜性和不確定性，傳統的監測方法得到的故障診斷率很低。神經網絡具有并行處理，學習和記憶以及自適應調節能力，所以非常適合用于變壓器故障診斷領域[2-3]。本文采用B樣條函數作為模糊神經網絡的隸屬函數，由于B樣條函數具有歸一性、緊密性等優點，可以加快網絡的學習速度。實驗表明，該方法能較準確地識別變壓器故障類型，且診斷精度較高。

　　1 B樣條模糊神經網絡

　　模糊神經網絡是由模糊邏輯推理和神經網絡結合在一起，充分發揮模糊邏輯的知識表達能力和神經網絡的自適應學習能力。這里引用B樣條基函數作為網絡的隸屬函數，B樣條基函數使用精確的多項式分段插值的形式，可對給定的輸入/輸出數據進行光滑的曲線擬合[4]。

　　根據B樣條基函數的歸一性，在模糊神經網絡中用B樣條函數作為模糊子集的隸屬函數可以使得模糊神經網絡的輸出變得簡單;同時由于它具有緊密性，可以把每次學習中權值的調整限制在局部的范圍內，從而加快學習過程[4]。B樣條模糊神經網絡的結構如圖1所示。

　　該模糊神經網絡采用B樣條函數作為隸屬函數，由輸入層、模糊化層、規則層以及輸出解模糊化層四層組成。

　　2 網絡節點的確定

　　變壓器故障診斷的方法中，油中溶解氣體分析法(DGA)是比較有效的一種方法[5]，通過分析不同的故障氣體(氫氣H2、甲烷CH4、乙烷C2H6、乙烯C2H4、乙炔C2H2)的濃度來監測變壓器是否發生故障。同時根據變壓器故障類型，網絡的輸出可以分為：正常(y1)、中低溫過熱(y2)、高溫過熱(y3)、低能放電(y4)和高能放電(y5)五種類型，所以網絡采用5輸入5輸出結構。在網絡訓練過程中，變壓器故障類型對應的網絡的目標輸出如表1所示。

　　3 網絡訓練的學習算法

　　網絡訓練時，首先要構造網絡的誤差代價函數，則在網絡連接權調整過程中，就要使這個誤差代價函數最小化，本文采用監督學習算法中的反向誤差傳播算法，設和分別為網絡的實際輸出和期望輸出，則在時刻t，網絡的學習誤差函數可表示為：

　　4 仿真實驗

　　在訓練樣本數據表的30個樣本中，選前22個樣本訓練網絡，后8個樣本用于檢驗。設置誤差精度為0.001。分別采用BP神經網絡和B樣條模糊神經網絡進行故障診斷，圖2為BP神經網絡訓練誤差變化曲線，圖3為B樣條模糊神經網絡訓練誤差變化曲線。對比圖2和圖3可以看出，采用BP網絡訓練時，網絡的收斂速度較慢;而B樣條網絡收斂較快。

　　兩種網絡對故障診斷的結果如表2和表3所示。

　　對比表2和表3可以看出，對于同樣的訓練測試數據，B樣條模糊神經網絡比BP神經網絡的診斷精度高。

　　5 結束語

　　本文根據變壓器故障的特點，結合氣體分析法，構建了B樣條模糊神經網絡模型，很好地實現了對變壓器故障的診斷，通過不同診斷模型的對比，可以看出B樣條模糊神經網絡收斂速度快，且診斷精度高。

　　參考文獻：

　　[1]黃鞠銘，朱子述，胡文華等.BP網絡在基于DGA變壓器故障診斷中的應用[J].高電壓技術，1996，22(02)：21-23.

　　[2]R Naresh， V Sharma， M Vashisth. An Integrated Neural FuzzyApproach for Fault Diagnosis of Transformers [J].IEEE Trans.PowerDeliv.(S0885-8977)，2008，23(04)：2017-2024.

　　[3]崔東軍，劉念，劉秀蘭.基于加權小波神經網絡的油浸式電力變壓器故障檢測[J].電力系統保護與控制，2010，38(18)：19-23.

　　[4]Weiqing CAO， Pan FU， Genhou XU. Fault Diagnosis of Tool Wear Based on weak feature extraction and GA-B-spline Network. Sensors & Transducers journal，2013，152(05)：60-67.

　　[5]許慧君，王宗耀，蘇浩益.基于DGA的反饋云熵模型電力變壓器故障診斷方法研究[J].電力系統保護與控制，2013，41(23)：115-119.