模煳神经网络.doc

模糊BP神经网络的故障诊断系统 一绪论 1.1概述 高压断路器是电力系统中最重要的控制和保护设备，其可靠运行对电力系统的安全、稳定至关重要。对高压断路器实施状态检修，可显著提高其运行的可靠性和经济性。而状态监测与故障诊断技术是实现电力设备状态检修的基础性技术。高压断路器状态监测和故障诊断为实现由计划检修到状态检修的转变创造了条件。 1.2模糊故障诊断 模糊故障诊断方法在高压断路器故障诊断中已有应用。包括高压断路器在内的许多设备的故障与非故障状态之间总有一个过渡过程，并非简单的二值逻辑。例如春夏秋冬四季并非突变的，而是有一个渐变的过程，可能有一天既像是春天又像夏天。由中间过渡性形成的划分上的不确定性就是模糊性。模糊故障诊断的基本原理是通过故障征兆的隶属度来求得故障原因的隶属度【1】。并根据一定的故障诊断原则（如最大隶属度原则，阈值原则等）判断出最有可能的故障原因。其基本原理框图如下： 图1.1模糊诊断流程 模糊故障诊断系统的优点是显而易见的，它善于处理那些难以精确的大系统及复杂系统。不过单一的模糊诊断也有一些弱点：模糊诊断的知识获取比较困难；系统的诊断能力依赖于模糊知识库，学习能力差，容易发生漏诊和误诊；故障诊断时推理速度慢、效率低、能力弱；难以处理故障诊断中的不确定性问题【2】。此外，模糊关系矩阵即使是有经验的专家也难以确定，也有一定主观性。 1.3人工神经网络（Artificial Neural Networks, ANN）诊断系统 ANN是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。 常用的人工神经网络有BP神经网络、RBF神经网络{径向基函数 (Radial Basis Function 简称 RBF)}、概率神经网络（PNN）。本文采用的是BP神经网络。BP神经网络是一种神经网络学习算法，全称基于误差反向传播算法的人工神经网络。 神经网络具有强大的非线性映射能力、并行处理能力、良好的学习能力和容错性、独特的联想记忆能力等优点。广泛应用于工业生产的各个领域，基于神经网络的故障诊断已经成为较通用的故障诊断解决方案.但由于该故障诊断系统需要大量的学习样本且训练时间长，而训练好的网络连接权值表示知识，在知识获取表示方面也存在不足，会导致推理的脆弱。 1.4本文方法 鉴于模糊诊断与神经网络各自的优缺点，已经有多种形式的改进系统用于高压断路器的故障诊断，如自适应神经网络、自适应神经—模糊推理系统、基于突变理论的模糊状态评估以及模糊理论和神经网络的并行诊断等。本文通过在神经网络输入层前加参数模糊化层的方法设计了一种用于高压断路器故障诊断的模糊神经网络。将电流信号各特征能量熵归一化值模糊化，作为故障诊断的特征参数;本文将模糊神经网络相结合，不仅使学习速率加快，同时也较好地避免了学习过程中的局部极小化问题。本文以真空高压断路器几个典型故障为例，建立了高压断路器的模糊BP神经网络故障诊断的数学模型。最后通过仿真实验验证了故障诊断模型的正确性．由仿真结果可以得出，该模糊神经故障诊断方法使用方便、可信度高。 二、总体设计 2.1总体结构 本文设计的模糊神经网络高压断路器故障诊断系统可分为四层：输入层、归一模糊化层、BP网络层和归一化输出层。 输入信号特征值，经归一化转化为[0，1]之间无量纲的值，再经模糊化每个节点变为高中低三个隶属度节点并作为BP网络的输入，经过BP网络训练处理，将神经网络的输出进行归一化转换到区间[0，1]后输出故障的隶属度。具体结构图如下： 图2.1模糊BP网络总体框图 2.2输入输出层 实验数据建立 以ZN42-27.5kV户内单相高压真空断路器为实验对象，通过现场实验获取数据，对正常状态下的电流波形做了多次测试，确认电流波形具有很好的重复性，典型的线圈电流波形如图：［3］ 图4 典型的线圈正常电流波形 图中的特征值to—线圈通电时刻；t1—线圈中的电流上升到足以使铁芯开始运 动的时刻；t2—铁芯触动操作机构的负载而