基于膜运算的变压器故障诊断.doc

基于膜运算的变压器故障诊断 目录 TOC \o "1-9" \h \z \u 目录 1 正文 1 文1：基于膜运算的变压器故障诊断 1 1膜运算 2 1.3编码 2 1.2适应度函数 2 1.4规则 3 2CMC-BP算法的实现 3 3CMC-BP算法在变压器故障诊断中的应用 4 3.1输入输出模式是确定 4 3.2训练样本的选取 4 3.3网络的训练 5 文2：基于全卷积神经网络的变压器故障诊断 5 1 全卷积神经网络 6 1.1 卷积层 6 1.2 池化层 7 2 变压器故障诊断方法 7 2.1 数据处理 7 2.2 全卷积神经网络模型的搭建 8 原创性声明（模板） 8 正文 基于膜运算的变压器故障诊断 文1：基于膜运算的变压器故障诊断 0引言 目前很多人工智能的方法如神经网络、遗传算法、专家系统、聚类分析、灰色理论、支持向量机、粗糙集等手段来判断变压器故障，它们中的一种或几种集成的方法被应用于电力变压器绝缘诊断中，并取得了较好的诊断效果。但是，由于变压器故障的复杂性及运行环境的恶劣，实际现场数据的采集精度及数量也很有限，需要应用先验知识，使得以上方法在诊断能力、适用性和知识获取方面还不尽如人意，这就需要尝试应用一些新的智能技术进行变压器故障诊断。同时，单一智能方法都具有自身的局限性，但结合使用可以实现智能互补，这是探索变压器故障诊断的一条新途径。 1膜运算 膜运算的主要思想是：在保持信息系统分类能力不变的情况下，优化BP神经网络的初始权（阈）值；而BP网络则被认为是目前不确定知识表达和推理领域最有效的理论模型之一。随着近些年网络推理理论的发展和完善，人们正在努力开发使其在实际领域中应用，本文基于膜运算和BP神经网络方法，提出了对电力变压器故障诊断的膜运算优化BP神经网络模型，将膜运算和BP神经网络方法有机的结合并引入大型变压器的故障诊断。 1.3编码 标准的P系统一般采用字符或字符串作为对象。这里用所有实数R的组合作为对象，这些对象类似于进化算法中的染色体。问题的可行解被编码成膜计算中的对象。不同于遗传算法的二进制编码，CMC算法用十进制编码。结果从环境中收集，结果字符串也由十进制组成，也就是正实数。结果字符串由所有目标函数的变量串联组成。 1.2适应度函数 膜运算操作对象是神经网络的初始权值和阈值，将BP神经网络的初始权值和阈值编码成一个对象集，构成一个实数组，产生[-1，1]之间的若干随机数（对象集）作为膜运算的初始种群。在膜运算操作结束后，对最优解译码，计算出权值和阈值，求出相应的实际输出值y。 CMC优化BP的参数与结构，须有一个用于评价对象集的适应度函数。本文中CMC将对象集上表示的各参数和结构编码分配到BP中，网络以训练样本为输入、输出，运行后返回误差平方和的倒数作为对象集的适应度函数，即 1.4规则 与遗传算法（GA）相似，细胞状膜计算优化方法的基本规则也是选择、交叉、变异等规则。另外，本章所提出的膜计算方法引入了交流规则，使得各个膜可以彼此交换对象。因此规则集可描述如下： 2CMC-BP算法的实现 本文采用的是根据CMC解空间遍及整个搜索空间的特性，从随机解集中，计算出在最优解，以此形成BP结构的初值，再由BP的权值阈值做反向传播计算，以达到全局最优点。这样，既可以保证收敛的全局最优点，又能保证收敛的速度。 具体操作过程按如下步骤实现： （1）根据神经网络的输入、输出样本集建立神经网络的拓扑结构，初始化网络的权值和阈值，将神经元之间所有的连接权值和阈值编码成实数表示种群中的对象集，随机给定初始化种群。 （2）根据输入、输出样本对神经网络输入的样本进行学习训练，计算E值。计算适应度值，分配到各个膜中。 （3）每个膜根据自身规则轮流进化，分别进行选择、交叉、变异操作，其规则使用的先后次序可以是任意的。 （4）等到每个膜运行指定代数之后，根据交流规则，各个膜彼此交换它们的一些对象。 （5）如果运行达到指定代数，则表层膜输出优化后的权值和阈值。否则，返回（4） （6）训练BP网络，保存神经网络的权值和阈值。 （7）输入测试样本，测试建立的网络是否满足条件。 3CMC-BP算法在变压器故障诊断中的应用 3.1输入输出模式是确定 为避免神经网络的输入向量过大而导致饱和，利用变压器油中气体，，，，五种气体体积值来判定变压器发生故障的类型，各气体含量值为神经网络的输入向量。而变压器常见的故障类型有低温过热，中温过热，高温过热，局部放电，低能放电，高能放电等。对于输出向量，本文将局部放电合并到低能放电故障只中，采用低温过热，中温过热，高温过热，低能放电，高能放电5个输出神经元分别表示为T1，T2，T3，D1