一种由多个神经网疥模块构成的智能电力变压器故障诊断系统，该系统采用VC++语言开发，系统除了诊断精确度较高，具有一定的自学习功能外，还具有良好的人机界面，在工程实际中值得推广。

　　学习由正向传擂和反播县成。！传1播过程式。经M10配次的训练后，其平方型为0h00004.bookmark2前言一些无法预计的外界原因和使用、运行、维护等方法不正确，常使电力变压器引发许多意想不到的故障，给整个电力系统甚至国家带来巨大的经济损失和不便，如2003年9月在美国发生的震惊全球全国大面积的停电事故。因此，开发一种能尽快找到故障原因，降低危害程度，减少经济损失的变压器故障诊断系统是十分必要的。

　　本文介绍一种智能电力变压器故障诊断系统，该系统开发的理论依据是BP神经网络理论，对新的故障具有不断的学习能力。为了提高诊断的精确度，系统采用了多个子神经网络模块同时进行诊断，比较终得到一个综合诊断结果。因此，系统不仅能及时有效精确地诊断出变压器的故障类型，且具有良好的人机界面和功能可扩展性。

　　2系统结构简介本系统主要有四个模块组成：三个神经网络诊断子模块ANN1、ANN2、ANN3和一个综合诊断模块，如系统结构图。其中ANN1模块是基于特征气体法的BP神经网络模块；ANN2为基于四比值法的BP神经网络模块；ANN3为基于改良三比值法的BP神经网络模块。

　　ANN1模块诊断对话框ANN1模块训练对话框3神经网络原理BP神经网络是一种多映射网络，采用均方学习方式，它把一组样本的输入、输出问题变成一个非线性优化问题，使用了优化算法中的梯度下降法，用迭代运算求解权值，增加隐层能使可调参数增加，从而可得到更精确的输出。为一典型的三层BP网络模型，包括输入层、隐层和输出层。隐层与输入层、输出层是充分连接的，同层之间节点互不相连。BP算法的41基于特征气体法ANN1模块理论和实践证明，变压器油中的特征气体能够反映变压器内部的运行状况。基于特征气体法的ANN1模块是将故障样本中的六种可燃性气体（、出、4、2氏、压、出）分别占它们总和的百分比值作为输入量、故障类型作为输出量来训练ANN1神经网络，再根据训练完后的神经网络来对新故障进行诊断，从而确定出故障类型。此方法可以判断故障是否涉及固体绝缘，因为特征气体CO的含量直接关系到变压器被破坏的程度。本神经网络有6个输入节点，4个隐层节点，9个输出节点（分别表示正常状态和8种故障类型），隐层、输出层神经元节点激活函数取的是Sigmoid函数形式，见（1）式，（X）=+exP（-x）⑴会更准确。这说明网络在训练迭代计算过程中没有发生常见的目标函数陷入局部比较小的情况，网络的结构设计和各参数的选取都较为合理。

　　由于网络有一定的自学习功能，经过对一些新故障类型样本进行训练后，它所能诊断的故障类型数目会不断地增加，输出节点数也会随之增加，同样，整个系统的故障诊断能力也因此得到提高。

　　42基于四比值法ANN2模块C2H2/C2H4）的大小范围来判定故障类型的方法。它的比较大特点就是对故障分类较详细。有了这一优势再加上神经网络自学习功能，通过对新故障样本的训练和学习，本模块可诊断的故障类型数目会得到更大地增加。据以上分析，基于四比值法神经网络模块（ANN2）输入节点数取为4，隐层节点数取为10，输出节点数比较初选为11（代表11种故障类型），学习率取0.3，冲量系数取为0……隐层、输出层神经元节点激活函数形式仍该模块通过对新故障样本的训练后，目前输出节点数已增加为21个，即可诊断的故障类型已达21种。

　　4.基于改良三比值法ANN2模块为体现变压器故障诊断中的不确定因素，我们用模糊数学理论对数据进行预处理，即通过分别建立关于和三个比值的隶属函数，来求取神经网络的实际输入量。

　　考虑到检测有噪声，测量有误差且存在受外界环境因素的干扰等，该模块选取的隶属函数具有以下特点：对于影响较小的数据考虑较少，而对影响较大数据重点考虑。本模糊神经网络的有3个输入节点（即输入量为~I3）12个隐层节点，8个输出节点；网络的学习函数如式（1）学习率n取为0.5冲量系数a取为0.25诊断实例分析1996年4月份以前，变压器油色谱分析各组分含量均正常，5月27日定期色谱分析时发现，乙炔突然出现且数值很大，其它组分也全面上升，5月28日取油样进行分析，各气体含量还在上升。具体数值见表1表1定期色谱分析结果（单位：L/L）曰期总烃用本系统对27日和28日的各气体含量进行诊断：ANN1模块诊断出该故障中存在纤维过热；ANN2模块诊断为电弧放电??贯穿性放电，ANN1模块的诊断结果为过热兼电弧放电，经综合诊断模块处理得比较终诊断结果为变压器电弧贯穿性高能放电并导致纤维过热分解。

　　经器身检查发现，该变压器的B相均压球在导管的螺扣上已松动，仅剩不足一扣，且均压球内有大量的碳黑，并可看出导管与均压球间有明显的放电痕迹，与上述诊断结果一致。

　　系统诊断结果为：IMFICG法模块诊断为高温过热；ANN1模块诊断为油过热；ANN2模块诊断为接头过负荷，ANN3模块诊断为高温过热，综合诊断结论为裸金属或绝缘油高温过热。

　　吊心检查的结果为分接头开关严重烧坏，属于裸金属高温过热。此结果与上述诊断结论基本一致，但ANN1模块的诊断结果不够准确，将该组故障数据加入到ANN1模块中的样本数据库进行重新训练。

　　通过以上分析，可见将BP神经网络应用于变压器故障诊断，确实能提高系统的诊断正确性，是较为理想的变压器故障诊断方法。

　　4结论本文介绍的三个ANN模块结构设计合理，故障识别率较高（各神经网络的平方型误差都可小于0.00005）是变压器故障智能诊断系统中重要组成部分；在实际应用中，随着神经网络训练的故障样本的积累，变压器故障智能诊断系统可以越来越细致、准确地诊断出故障。

　　该系统具有较强的工程实用性，值得推广。