廖建文，張 艷，孫 鴻

（1.宜賓職業(yè)技術(shù)學(xué)院電子信息與控制工程系，四川宜賓644000；2.宜賓機(jī)電一體化研究所，四川宜賓644000）

變壓器故障診斷中的神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展

廖建文1，張 艷1，孫 鴻2

（1.宜賓職業(yè)技術(shù)學(xué)院電子信息與控制工程系，四川宜賓644000；2.宜賓機(jī)電一體化研究所，四川宜賓644000）

變壓器故障診斷的發(fā)展與信息技術(shù)、人工智能技術(shù)等密切相關(guān).神經(jīng)網(wǎng)絡(luò)及其優(yōu)化算法在變壓器故障診斷中受到廣泛的應(yīng)用.網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)和學(xué)習(xí)算法的優(yōu)化關(guān)系到故障診斷的準(zhǔn)確性和實(shí)時(shí)性.研究發(fā)現(xiàn)，數(shù)學(xué)理論與神經(jīng)網(wǎng)絡(luò)的融合以及量子神經(jīng)計(jì)算有助于故障診斷能力的提高，已成為神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢(shì).

神經(jīng)網(wǎng)絡(luò);故障診斷;變壓器

變壓器（Transformer）是電力系統(tǒng)中的重要輸電設(shè)備，其運(yùn)行狀態(tài)直接影響系統(tǒng)是否能安全運(yùn)行.為保證電力系統(tǒng)的正常運(yùn)行，必須及時(shí)、有效地監(jiān)視變壓器的運(yùn)行狀態(tài)，診斷變壓器的潛伏性故障.

常規(guī)變壓器故障診斷主要包括絕緣油的特性試驗(yàn)以及油中溶解氣體分析[1].作為我國(guó)現(xiàn)行的變壓器故障診斷方法，油中溶解氣體分析法（dissolvedgas analysis,DGA），依靠變壓器油中溶解的CH4、C2H6、C2H4、C2H2以及CO、CO2、H2的氣體組分、含量及產(chǎn)氣速率，來(lái)判斷變壓器故障[2].但是，變壓器油中溶解氣體檢測(cè)裝置普遍存在傳感器的精度和長(zhǎng)期穩(wěn)定性不高以及使用色譜柱不適于現(xiàn)場(chǎng)連續(xù)在線監(jiān)測(cè)的問(wèn)題.為解決以上問(wèn)題，研究人員從氣體的光聲光譜入手，通過(guò)檢測(cè)不同組分的油中溶解氣體所吸收光能的大小，進(jìn)行故障判斷[3-4].

然而，從故障分類的模糊性來(lái)看，現(xiàn)用的三比值法編碼不能完全反映變壓器的故障狀態(tài).為了充分反映氣體與故障的非線性關(guān)系，神經(jīng)網(wǎng)絡(luò)這種具有高度自組織和自學(xué)習(xí)能力的數(shù)學(xué)工具被廣泛應(yīng)用.這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的[5].將神經(jīng)網(wǎng)絡(luò)應(yīng)用于變壓器故障診斷，可有效提高故障診斷的準(zhǔn)確度.

本文從網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)算法及融合數(shù)學(xué)理論三個(gè)方面討論了變壓器故障診斷中的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用.

1 變壓器故障診斷中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)多種多樣，具有代表性的網(wǎng)絡(luò)模型有誤差反傳網(wǎng)絡(luò)（backpropagation,BP網(wǎng)絡(luò)）、徑向基函數(shù)網(wǎng)絡(luò)（RBF網(wǎng)絡(luò)）、Hopfield網(wǎng)絡(luò)和自組織特征映射網(wǎng)絡(luò)等.其中，BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)在變壓器故障診斷中得到了廣泛的應(yīng)用.

1.1 BP網(wǎng)絡(luò)及其改進(jìn)

BP網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一.它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小.BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)如圖1所示，包括輸入層（inputlayer）、隱層(hidelayer)和輸出層(outputlayer).

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

將BP網(wǎng)絡(luò)與DGA技術(shù)相結(jié)合的方法一般是把與故障密切相關(guān)的氣體濃度（如CH4、C2H4、H2與總烴）或其光譜信息作為輸入特征向量，把故障類型作為輸出特征向量[6-9].神經(jīng)網(wǎng)絡(luò)通過(guò)自學(xué)習(xí)過(guò)程，實(shí)現(xiàn)故障的判斷.

隨著故障判斷的準(zhǔn)確性和實(shí)時(shí)性要求的提高，科研人員結(jié)合小波分析技術(shù)和量子計(jì)算理論對(duì)BP網(wǎng)絡(luò)作出了改進(jìn).改進(jìn)主要體現(xiàn)在隱含層的設(shè)計(jì)，而輸入層和輸出層則沿用了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu).

小波神經(jīng)網(wǎng)絡(luò)一般是把常規(guī)神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)函數(shù)換成小波函數(shù)，相應(yīng)的輸入層到隱含層權(quán)值及閾值分別由小波函數(shù)的伸縮和平移參數(shù)代替，充分利用了小波變換的局部化性質(zhì)，因而具有較強(qiáng)的逼近和容錯(cuò)能力、較快的收斂速度[7-8].

量子神經(jīng)網(wǎng)絡(luò)的隱層設(shè)計(jì)借鑒了量子態(tài)疊加的思想，采用多量子能級(jí)變換函數(shù)，使網(wǎng)絡(luò)具有一種固有的模糊性[9].研究表明，將量子神經(jīng)網(wǎng)絡(luò)（quantum neuralnetwork）與信息融合相結(jié)合，可以克服經(jīng)典神經(jīng)網(wǎng)絡(luò)的諸多缺陷，例如缺乏經(jīng)驗(yàn)、處理速度慢、無(wú)推理性以及信息融合技術(shù)處理知識(shí)“瓶頸問(wèn)題”等，為變壓器故障診斷提供了一條新的途徑.

1.2 RBF網(wǎng)絡(luò)及其改進(jìn)

徑向基函數(shù)(radialbasisfunction,RBF)神經(jīng)網(wǎng)絡(luò)是一種在模式識(shí)別、曲線擬合、故障診斷等領(lǐng)域被廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò).在結(jié)構(gòu)層次上，RBF網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)是一致的，區(qū)別在于RBF網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)無(wú)需對(duì)輸入向量做任何操作，僅僅只是完成將輸入傳遞到隱含層的工作.但是，RBF神經(jīng)網(wǎng)絡(luò)在逼近能力、分類能力、學(xué)習(xí)速度等方面均優(yōu)于BP神經(jīng)網(wǎng)絡(luò).

提高RBF神經(jīng)網(wǎng)絡(luò)診斷能力的關(guān)鍵在于網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的優(yōu)化，即隱含層的節(jié)點(diǎn)數(shù)目、各基函數(shù)的數(shù)據(jù)中心及擴(kuò)展常數(shù)、輸出節(jié)點(diǎn)的權(quán)值的設(shè)計(jì)[10].在確定隱含層節(jié)點(diǎn)數(shù)和中心時(shí)常采用聚類算法[11-13]進(jìn)行訓(xùn)練.為了降低網(wǎng)絡(luò)輸出誤差，RBF網(wǎng)絡(luò)在具體實(shí)現(xiàn)時(shí)往往采用兩步訓(xùn)練的方法，首先利用聚類算法獲取對(duì)應(yīng)參數(shù)，然后通過(guò)各種算法(例如Gauss?ian-PSO算法[13])來(lái)調(diào)節(jié)各節(jié)點(diǎn)的連接權(quán)值.結(jié)果表明，這種方法可以有效降低變壓器故障診斷系統(tǒng)的誤報(bào)和漏報(bào)概率，已成為目前主流的RBF網(wǎng)絡(luò)訓(xùn)練算法.

概率神經(jīng)網(wǎng)絡(luò)（probabilisticneuralnetworks, PNN）是由徑向基函數(shù)網(wǎng)絡(luò)發(fā)展而來(lái)的一種前饋型神經(jīng)網(wǎng)絡(luò).在層次結(jié)構(gòu)上，PNN網(wǎng)絡(luò)與傳統(tǒng)RBF網(wǎng)絡(luò)有很大的差異，分為輸入層、模式層、求和層和輸出層[14].表1給出了PNN網(wǎng)絡(luò)各層次的功能與特點(diǎn).由于該網(wǎng)絡(luò)把非線性運(yùn)算轉(zhuǎn)化為線性運(yùn)算，大大降低了傳統(tǒng)網(wǎng)絡(luò)的計(jì)算時(shí)間，能滿足訓(xùn)練上實(shí)時(shí)處理的要求則成為其最大的優(yōu)點(diǎn).同時(shí)，這種算法的轉(zhuǎn)化依然保留很高的精度.

表1 PNN網(wǎng)絡(luò)各層次功能與特點(diǎn)

2 變壓器故障診斷中的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

神經(jīng)網(wǎng)絡(luò)算法是指根據(jù)邏輯規(guī)則進(jìn)行推理的過(guò)程，在變壓器故障診斷中體現(xiàn)為診斷能力.

2.1 BP算法及其優(yōu)化

McClelland和Rumelhart提出了一種迄今為止運(yùn)用較廣泛的神經(jīng)網(wǎng)絡(luò)算法——誤差反傳算法（backpropagation,BP算法），從實(shí)踐上證明了神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性逼近能力、自適應(yīng)和自學(xué)習(xí)能力，可以解決許多具體問(wèn)題.它的基本思想是對(duì)網(wǎng)絡(luò)的連接權(quán)值進(jìn)行調(diào)整，使得任意輸入都能得到所期望的輸出.算法的基本流程主要分為兩步：首先把樣本的輸入信息輸入到網(wǎng)絡(luò)中，由網(wǎng)絡(luò)自第一隱層開(kāi)始逐層地進(jìn)行計(jì)算，并向下一層傳遞，直至傳至輸出層，其間每一層神經(jīng)元只影響到下一層神經(jīng)元的狀態(tài)；然后，以其輸出與樣本的期望輸出進(jìn)行比較，如果它們的誤差不能滿足要求，則沿著原來(lái)的連接通路逐層返回，并利用兩者的誤差按一定的原則對(duì)各層節(jié)點(diǎn)的連接權(quán)值進(jìn)行調(diào)整，使誤差逐步減小，直到滿足要求為止[5].

然而，標(biāo)準(zhǔn)BP算法存在若干缺陷——易產(chǎn)生振蕩甚至發(fā)散、收斂速度慢、隱層節(jié)點(diǎn)數(shù)和初始值只能由經(jīng)驗(yàn)選定、易陷入局部極小值，從而導(dǎo)致標(biāo)準(zhǔn)BP算法很難勝任實(shí)際問(wèn)題的解決[15].因此出現(xiàn)了很多優(yōu)化算法，如：附加動(dòng)量算法、共軛梯度算法（開(kāi)始幾步下降較快，但在接近最優(yōu)值時(shí)，由于梯度趨于零，使得目標(biāo)函數(shù)下降趨緩）、高斯—牛頓算法（能在最優(yōu)值附近產(chǎn)生一個(gè)理想的搜索方向）、變速率算法、Levenberg-Marquardt算法（簡(jiǎn)稱LM算法）等.LM算法實(shí)際上是梯度下降法和牛頓法的結(jié)合，具有較好的收斂性和魯棒性，文獻(xiàn)[15]將其應(yīng)用于變壓器的故障診斷，縮短了訓(xùn)練時(shí)間，提高了診斷準(zhǔn)確性.

2.2 粒子群優(yōu)化算法及其優(yōu)化

1995年，Eberhart等人提出了一種基于群體智能的演化計(jì)算理論——粒子群優(yōu)化算法（PSO），用于訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的全部權(quán)值和閾值，最終搜索出粒子適應(yīng)度函數(shù)最小時(shí)的BP網(wǎng)絡(luò)最佳權(quán)值和閾值[16].該算法在收斂速度、魯棒性和全局搜索能力方面體現(xiàn)出快、高、強(qiáng)的優(yōu)勢(shì)，更為突出的是PSO算法不需要借助問(wèn)題本身的特征信息，從而避免了梯度下降法中要求梯度的過(guò)程，縮短了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間.在標(biāo)準(zhǔn)PSO算法中，最重要的參數(shù)是“慣性權(quán)重”.該參數(shù)主要決定算法搜索的范圍——權(quán)值越大全局搜索能力越強(qiáng)，但需要很大的運(yùn)算量，訓(xùn)練時(shí)間較長(zhǎng)；取較小的權(quán)值則會(huì)增強(qiáng)算法的局部搜索能力，但容易陷入局部最優(yōu).基本的PSO算法中認(rèn)為慣性權(quán)重為1，導(dǎo)致迭代后期缺乏局部收斂的能力.

對(duì)于神經(jīng)網(wǎng)絡(luò)而言，全局探測(cè)和局部開(kāi)發(fā)能力都是必要的，為了更好地改善PSO算法的性能，SHI、Eberhart等人又提出了線形遞減權(quán)值（LDIW）策略[17]、模糊慣性權(quán)值（FIW）策略[18]和隨機(jī)慣性權(quán)值（RIW）策略[19].其中，LDIW策略相對(duì)簡(jiǎn)單且收斂速度快，因而被廣泛使用.為了較好區(qū)分變壓器DGA中相近故障類型，文獻(xiàn)[20]提出了帶有鄰域的PSO算法使適應(yīng)度函數(shù)最小化，從而降低均方誤差.文獻(xiàn)[21]結(jié)合PSO算法和BP算法提出了一種改進(jìn)的粒子群優(yōu)化（modifiedPSO,MPSO）算法，具有收斂快和全局優(yōu)化的優(yōu)點(diǎn)，提高了變壓器故障診斷的準(zhǔn)確性和可靠性.文獻(xiàn)[22]在PSO算法的基礎(chǔ)上提出了一種改進(jìn)的非線性遞減算法，以實(shí)現(xiàn)在算法早期通過(guò)加快慣性權(quán)值的遞減速度，使得算法盡快進(jìn)入局部搜索.

2.3 微分進(jìn)化算法

微分進(jìn)化算法（differentialevolution,DE）是一種實(shí)數(shù)編碼的基于種群進(jìn)化的優(yōu)化算法，具有很強(qiáng)的全局搜索能力.它在許多優(yōu)化問(wèn)題中都表現(xiàn)出優(yōu)于自適應(yīng)模擬退火算法、PSO算法、遺傳（GA）算法的性能[23].DE算法有三個(gè)控制參數(shù)β,CR和NP，其中參數(shù)β和CR影響了搜索過(guò)程的魯棒性和算法的收斂速度：當(dāng)β較小時(shí)，可能導(dǎo)致收斂過(guò)早，當(dāng)β較大時(shí)，可能導(dǎo)致錯(cuò)過(guò)局部最優(yōu)；CR較小影響算法全局搜索能力，而CR較大時(shí)，降低了算法的穩(wěn)定性[23].對(duì)控制參數(shù)進(jìn)行自適應(yīng)調(diào)整能夠較優(yōu)地選擇神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，提高變壓器故障診斷的精確度[24].為避免過(guò)多重疊個(gè)體對(duì)種群搜索能力的影響，運(yùn)用混沌處理的策略——根據(jù)種群中個(gè)體的分布情況，對(duì)算法中的重疊個(gè)體將混沌狀態(tài)映射到優(yōu)化變量中，并把混沌運(yùn)動(dòng)的遍歷范圍同優(yōu)化變量的取值范圍聯(lián)系起來(lái)，然后利用混沌變量進(jìn)行搜索，進(jìn)一步提高了DE算法的整體搜索能力[25].

3 數(shù)學(xué)理論與神經(jīng)網(wǎng)絡(luò)的融合

變壓器故障的不確定性、多樣性和各故障之間聯(lián)系的復(fù)雜性是故障診斷技術(shù)上的難點(diǎn)，單一的故障特征和診斷方法無(wú)法完成診斷任務(wù).將數(shù)學(xué)理論與神經(jīng)網(wǎng)絡(luò)相融合，得到被觀測(cè)對(duì)象更精確的評(píng)估值，以便對(duì)故障進(jìn)行更精確的判斷和決策，是診斷技術(shù)領(lǐng)域采用的有效方法.

3.1 基于粗糙集理論的神經(jīng)網(wǎng)絡(luò)

波蘭學(xué)者Pawlak于1982年提出的粗糙集（roughset）理論是一種研究不完整數(shù)據(jù)、不確定知識(shí)的表達(dá)、學(xué)習(xí)及歸納的數(shù)學(xué)方法，為研究不精確數(shù)據(jù)的分析、推理，挖掘數(shù)據(jù)關(guān)系、發(fā)現(xiàn)潛在知識(shí)提供了行之有效的工具[26].把經(jīng)過(guò)粗糙集方法約簡(jiǎn)后的決策表作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集，既使輸入矢量的選取有了理論依據(jù)，又有效壓縮了訓(xùn)練樣本的規(guī)模，降低了網(wǎng)絡(luò)的復(fù)雜性和訓(xùn)練時(shí)間，提高了網(wǎng)絡(luò)診斷能力[27-28].

3.2 基于信息融合理論的神經(jīng)網(wǎng)絡(luò)

對(duì)多源信息進(jìn)行處理的過(guò)程稱為信息融合(in?formationfusion).這種方法可以把不同時(shí)間和空間的數(shù)據(jù)進(jìn)行綜合處理，從而得到對(duì)現(xiàn)實(shí)環(huán)境更精確、可靠的描述.證據(jù)理論在變壓器故障診斷中的應(yīng)用是信息融合與神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物，這種方法具有處理不確定信息的能力.

文獻(xiàn)[29]提出了一種BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論的融合模型用于變壓器的故障診斷.由圖2可以看出，這種信息融合主要是采用級(jí)聯(lián)的方式，將神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的歸一化值作為D-S證據(jù)理論識(shí)別框架命題的基本概率分配，然后再應(yīng)用組合規(guī)則進(jìn)行融合.

圖2 神經(jīng)網(wǎng)絡(luò)與DS證據(jù)理論融合模型

距離函數(shù)的引入有效地衡量證據(jù)間的沖突程度，可以提高證據(jù)理論的應(yīng)用價(jià)值.這種方法與最大－最小螞蟻系統(tǒng)、神經(jīng)網(wǎng)絡(luò)算法結(jié)合起來(lái)，既綜合利用變壓器故障診斷的一些優(yōu)良方法，又解決了部分證據(jù)因高度沖突而合成失效的問(wèn)題，從而有效地提高了變壓器故障診斷的準(zhǔn)確性[30].

3.3 模糊神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)通常采用BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，模糊理論主要用于學(xué)習(xí)算法的優(yōu)化，比如在變壓器故障診斷中通常先將訓(xùn)練樣本集模糊化后作為網(wǎng)絡(luò)的輸入[31].潘超等人針對(duì)變壓器故障診斷中的空間映射和模式識(shí)別問(wèn)題，提出了一種用模糊TOP?SIS法解決采集數(shù)據(jù)優(yōu)化問(wèn)題的方法[32].首先對(duì)監(jiān)測(cè)信息進(jìn)行優(yōu)劣排序和分類，完成對(duì)狀態(tài)信息的優(yōu)選；其次，根據(jù)優(yōu)化數(shù)據(jù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，通過(guò)編碼對(duì)監(jiān)測(cè)對(duì)象的不同故障狀態(tài)進(jìn)行模式識(shí)別和診斷分析.

3.4 可拓神經(jīng)網(wǎng)絡(luò)

可拓神經(jīng)網(wǎng)絡(luò)是把可拓理論中基元模型、可拓距離、位值、關(guān)聯(lián)函數(shù)、可拓域、菱形思維等概念巧妙地引入了神經(jīng)網(wǎng)絡(luò)技術(shù)，使得在處理某一類問(wèn)題較之傳統(tǒng)神經(jīng)網(wǎng)絡(luò)或單獨(dú)使用可拓理論方法更具有優(yōu)越性[33].在信息表達(dá)精確度、系統(tǒng)自學(xué)習(xí)能力、并行處理能力及自適應(yīng)能力上，可拓理論與神經(jīng)網(wǎng)絡(luò)具有互補(bǔ)的能力.

可拓神經(jīng)網(wǎng)絡(luò)只有輸入層和輸出層，網(wǎng)絡(luò)參數(shù)個(gè)數(shù)較少，網(wǎng)絡(luò)權(quán)值物理意義清晰明了，可解釋性強(qiáng)，只需知道輸入特征的個(gè)數(shù)及輸出故障類型的個(gè)數(shù)即可確定整個(gè)網(wǎng)絡(luò)的結(jié)構(gòu)[34].研究表明，將可拓神經(jīng)網(wǎng)絡(luò)應(yīng)用于變壓器故障診斷，較大改善了網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)能力和訓(xùn)練時(shí)間，提高了故障診斷的效果.

4 結(jié)語(yǔ)

基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷技術(shù)尚處于發(fā)展之中.神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法決定了故障診斷的準(zhǔn)確性和實(shí)時(shí)性.神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用依賴于各學(xué)科的最新科技成就，特別要借助各種有效的數(shù)學(xué)工具，例如：基于信息融合的診斷方法、基于可拓理論的診斷方法、基于模糊數(shù)學(xué)的診斷方法等.另外，量子神經(jīng)網(wǎng)絡(luò)具有網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、一次學(xué)習(xí)和高速信息處理能力、穩(wěn)定性好等優(yōu)勢(shì).隨著量子計(jì)算技術(shù)的發(fā)展，量子神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中將得到更多的應(yīng)用.

[1]LIUB,WANGL,JINYH.AneffectivehybridPSO-basedalgo?rithmforflowshopschedulingwithlimitedbuffers[J].Computers &OperationsResearch,2008,3(9):2791-2806.doi:10.1016/j.cor. 2006.12.013.

[2]國(guó)家能源局.DL/T722-2014變壓器油中溶解氣體分析和判斷導(dǎo)則[S].北京:中國(guó)電力出版社,2015.

[3]JALBERTJ,GILBERTR.Decompositionoftransformeroils:anew approachforthedeterminationofdissolvedgases[J].IEEETrans?actionson,1997,12(2):754-760.doi:10.1109/61.584362.

[4]羅明才.基于油中溶解氣體分析的變壓器光聲光譜檢測(cè)及絕緣診斷技術(shù)[D].重慶:重慶大學(xué),2008.

[5]李霖.基于BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究[D].長(zhǎng)沙:長(zhǎng)沙理工大學(xué),2013.

[6]王南蘭,邱德潤(rùn).油中溶解氣體分析的變壓器故障診斷新方法[J].高電壓技術(shù),2006,32(6):35-37.

[7]方健,彭輝,李自品,等.改進(jìn)小波網(wǎng)絡(luò)在油浸式變壓器故障診斷中的應(yīng)用[J].高壓電器,2011,47(11):115-120.

[8]李曉靜,李杰.改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].電子器件,2013,36(3):404-407.

[9]龔瑞昆,馬亮,趙延軍,等.基于量子神經(jīng)網(wǎng)絡(luò)信息融合的變壓器故障診斷[J].電力系統(tǒng)保護(hù)與控制,2011,39(23):79-84.

[10]梁永春,李彥明.改進(jìn)型組合RBF神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].高電壓技術(shù),2005,31(9):31-33.

[11]陳江波,文習(xí)山,藍(lán)磊，等.基于新徑向基函數(shù)網(wǎng)絡(luò)的變壓器故障診斷方法[J].高電壓技術(shù),2007,33(3):140-143.

[12]任靜,黃家棟.基于免疫RBF神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].電力系統(tǒng)保護(hù)與控制,2010,38(11):6-9.

[13]付強(qiáng),陳特放,朱佼佼.采用自組織RBF網(wǎng)絡(luò)算法的變壓器故障診斷[J].高電壓技術(shù),2012,38(6):1368-1375.

[14]王桂英,張世軍,潘思堯.基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究[J].計(jì)算機(jī)測(cè)量與控制,2012,20(7):1760-1762.

[15]項(xiàng)文強(qiáng),張華,王姮,等.基于L-M算法的BP網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制,2011,39(8):100-103.

[16]EBEBHABTRC,KENNEDYJ．Anewoptimizerusingparticleswarm theory[C].Nagoya:Proc6thIntSymposiumonMicroMachineHuman Science,1995:39-43.doi:10.1109/MHS.1995.494215.

[17]SHIYH,EBERHARTRC.Empiricalstudyofparticleswarmopti?mization[C].WashingtonDC:InternationalConferenceonEvolu?tionaryComputation,1999:l945-l950.doi:10.1109/CEC.1999.785511. [18]SHIYH,EBERHARTRC.Fuzzyadaptiveparticleswarmoptimi?zation[C].Seoul:TheIEEECongressonEvolutionaryComputation, 2001:101-106.doi:10.1109/CEC.2001.934377.

[19]EBERHABTRC,SHIYH.Trackingandoptimizingdynamicsystems withparticleswarms[C].Seoul:TheIEEECongressonEvolutionary Computation,2001:94-100.doi:10.1109/CEC.2001.934376.

[20]賈嶸,徐其惠,李輝,等.基于鄰域粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].高壓電器,2008,44(1):8-10.

[21]王曉霞,王濤.基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].高電壓技術(shù),2008,34(11):2362-2367.

[22]賈嶸,李宏斌,康會(huì)西，等.改進(jìn)粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].高壓電器,2010,46(5):14-17.

[23]蘇海軍,楊煜普,王宇嘉.微分進(jìn)化算法的研究綜述[J].系統(tǒng)工程與電子技術(shù),2008,30(9):1793-1797.

[24]劉卓,黃純,李波.利用微分進(jìn)化優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2011,23(2):54-58.

[25]劉麗,唐杰,劉卓.基于改進(jìn)微分進(jìn)化優(yōu)化神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷[J].電力系統(tǒng)保護(hù)與控制,2010,38(20):106-109.

[26]張景明,肖倩華,王時(shí)勝.融合粗糙集和神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].高電壓技術(shù),2007,33(8):122-125.

[27]俞曉冬,馬鳳英,臧宏志.粗糙集理論與神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].繼電器,2006,34(1):10-14.

[28]張景明,劉建國(guó).粗糙集和BP神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].變壓器,2009,46(4):18-21.

[29]陳新崗,田曉宵,張超峰,等.一種結(jié)合DS證據(jù)信息融合的變壓器故障診斷方法[J].變壓器,2010,47(8):59-62.

[30]程加堂,艾莉,段志梅.改進(jìn)證據(jù)理論與神經(jīng)網(wǎng)絡(luò)集成的變壓器故障診斷[J].電力系統(tǒng)保護(hù)與控制,2013,41(14):92-96.

[31]彭寧云,文習(xí)山,舒翔.模糊神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].高電壓技術(shù),2004,30(5):14-17.

[32]潘超,馬成廉,鄭玲峰,等.一種結(jié)合模糊TOPSIS法和BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法[J].電力系統(tǒng)保護(hù)與控制,2009,37(9): 20-24.

[33]周玉,錢旭,張俊彩,等.可拓神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用研究,2010,27(1):1-5.

[34]張俊彩,錢旭,周玉.可拓神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(7):8-11.

【編校：李青】

DevelopmentofNeuralNetworksinTransformerFaultDiagnosis

LIAOJianwen1,ZHANGYan1,SUNHong2
(1.DepartmentofElectronicInformationandControlEngineering,YibinVocationalandTechnicalCollege,Yibin,644000Sichuan,Chi?na;2.YibinMechatronicsResearchInstItute,Yibin,Sichuan644000,China)

Thedevelopmentoftransformerfaultdiagnosisrelatestoinformationtechnologyandartificialintelligencetech?nologyclosely.Neuralnetworkanditsoptimizationalgorithmarewidelyusedintransformerfaultdiagnosis.Bothnetwork structureandoptimizationofalgorithmrelatetoaccuracyandrealtimeoffaultdiagnosis.Thestudyfoundthattheintegra?tionofmathematicaltheoryandneuralnetworksandquantumneuralcomputationhelpstoimprovetroubleshootingcapa?bilities,andithasbecomeatrendofneuralnetworks.

neuralnetworks;faultdiagnosis;transformer

TP183

A

1671-5365(2015)12-0010-05

廖建文，張艷，孫鴻.變壓器故障診斷中的神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展[J].宜賓學(xué)院學(xué)報(bào),2015,15(12):10-14. LIAOJW,ZHANGY,SUNH.DevelopmentofNeuralNetworksinTransformerFaultDiagnosis[J].JournalofYibinUniversity, 2015,15(12):10-14.

2015-08-31修回：2015-10-13

四川省教育廳重點(diǎn)項(xiàng)目(15ZA0397)；宜賓職業(yè)技術(shù)學(xué)院科研項(xiàng)目(ybzysc14-36)

廖建文（1964-），女，副教授，碩士，研究方向?yàn)殡娮蛹夹g(shù)應(yīng)用、神經(jīng)網(wǎng)絡(luò)與控制理論

時(shí)間：2015-10-1317:05

http://www.cnki.net/kcms/detail/51.1630.z.20151013.1705.003.html