基于PNN神经网络和聚类分析的变压器故障诊断
基于神经网络的变压器故障诊断
学号：常州大学毕业设计（论文）（2012届）题目基于神经网络的变压器故障诊断学生学院专业班级校内指导教师专业技术职务校外指导老师专业技术职务二○一二年六月摘要现代设备技术水平不断提高，生产率、自动化要求越来越高，相应地，故障也随之增加。
变压器作为电力系统中非常复杂而且非常重要的设备，其工作状态对电力系统、企事业单位生产及居民生活具有十分重要的影响。
如何提前对变压器故障进行预测和在故障发生后迅速判断故障原因是提高工作效率、减少经济损失的一个重要途径。
因此研究变压器故障诊断对保证系统安全、可靠、经济运行，提高经济效益具有重要意义。
概率神经网络（probabilistic neural networks）结构简单、训练简洁，利用概率神经网络模型的强大的非线性分类能力，将故障样本空间映射到故障模式空间中，可形成一个具有较强容错能力和结构自适应能力的诊断网络系统，从而提高故障诊断的准确率。
本文在对油中溶解气体分析法进行深入分析后，以改良三比值法为基础，建立基于概率神经网络的故障诊断模型。
然后，选取23组变压器故障原始样本数据对概率神经网络模型进行“学习”训练，获得了具有预测诊断功能的网络模型；选取10组变压器在线监测数据作为测试数据，并查看了训练数据网络的分类效果图和预测数据网络的分类效果图，结果只有两个样本判断错误，即只有两种变压器的故障类型判断错误，验证了基于概率神经网络在变压器故障预测诊断处理中的有效性。
关键词故障诊断概率神经网络变压器油中溶解气体分析THE STUDY OF POWER TRANSFORMER FAULT DIAGNOSIS BASED ON ARTIFICIAL NEURAL NETWORKAbstractWith the technical level of modern facility improves continually, the fault probability increases greatly. Power transformer has a very significant influence to power system, enterprise s production and people s life. How to forecast transformer s fault ahead and find the fault reason quickly after the fault is a good way to increase work efficiency and lighten the economy losing.Probabilistic neural network has the advantages of simple structure, simple training, the use of a probabilistic neural network model for strong nonlinear classification, fault sample space is mapped to a fault in the pattern space, can form a strong fault tolerant ability and structure of adaptive diagnosis system, so as to improve the accuracy of fault diagnosis. Based on the dissolved gas in oil analysis in-depth analysis, in order to improve the ratio of three as the basis, establish the fault diagnosis based on probabilistic neural network model. Then, select 23 group of transformer fault original sample data on the probabilistic neural network model of" learning" training, obtain the predictive diagnosis of functional network model; select 10 group of transformer on-line monitoring data as test data, and show the training data network classification effect diagram and the predicted data network classification effect chart, only the results of a sample of two errors of judgment, that only two transformer fault type judgement error, verification based on probabilistic neural network in transformer fault forecast and diagnosis treatment effectiveness.Keywords fault diagnosis, probability neural networks（PNN）,power transformer,Dissolved Oas Analysis（DGA）摘要 (1)目录 (3)1 绪论 (4)1.1 国内外发展状况 (4)1.2 研究目的和意义 (4)1.3 论文工作介绍 (5)2 变压器故障诊断 (6)2.1 诊断工程概述 (6)2.2 故障诊断运作机理研究 (6)2.3 变压器故障诊断系统相关背景 (7)2.4 变压器故障诊断方法 (8)3 神经网络 (12)3.1 神经网络概述 (12)3.2神经网络的应用 (12)3.3神经网络的发展方向 (13)3.4 神经网络的结构 (14)3.5 概率神经网络概述 (16)3.6 概率神经网络与BP网络的比较选择 (17)4 基于概率神经网络的变压器故障诊断研究 (19)4.1 仿真环境简介 (19)4.2故障诊断模型建立 (20)4.3 基于概率神经网络的变压器故障诊断实现 (21)4.4 仿真结果及讨论 (22)5 总结 (25)参考文献 (26)致谢 (27)故障诊断（FD，Fault Diagnosis）始于机械设备故障诊断。
基于改进的神经网络在变压器故障诊断应用的研究
基于改进的神经网络在变压器故障诊断应用的研究近年来，人工智能技术在电力系统领域得到了广泛的应用，特别是神经网络在变压器故障诊断中展现出强大的能力。
本文将重点研究基于改进的神经网络在变压器故障诊断应用中的方法及实现。
一、研究背景及意义现代工业生产中，变压器作为重要的电力设备扮演着不可替代的角色。
然而，变压器故障的发生可能导致生产中断、设备损坏甚至事故发生。
准确快速地诊断变压器故障对于提高生产效率、防止设备损坏具有重要意义。
传统的变压器故障诊断方法主要依靠技术人员的经验判断，存在着主观性强、诊断准确率低等问题。
而基于神经网络的方法能够通过大量的样本数据进行训练，具有自动学习的能力，能够更客观准确地识别故障类型和位置。
二、基于改进的神经网络方法1.数据预处理在使用神经网络进行变压器故障诊断之前，需要进行数据预处理。
常见的数据预处理方法包括数据采集、特征提取和数据标准化等。
通过对原始数据进行预处理，可以提高神经网络的训练效果和诊断准确率。
2.改进的神经网络模型为了提升神经网络在变压器故障诊断中的性能，研究者们通过改进神经网络模型来提高其学习能力和泛化能力。
例如，引入卷积神经网络（CNN）用于图像识别任务中，可以有效地提取变压器故障图像的特征信息。
3.特征选择与降维在训练神经网络之前，需要选择合适的特征作为输入。
传统的特征选择方法主要依赖于人工经验，存在着主观性强的问题。
因此，研究者们提出了各种自动特征选择和降维方法，如主成分分析（PCA）和线性判别分析（LDA），以提高变压器故障诊断的准确率。
三、实验与结果分析本文通过实验验证了基于改进的神经网络在变压器故障诊断中的应用效果。
实验采用了包含多种故障类型的变压器故障数据集，并与传统的故障诊断方法进行对比。
实验结果表明，基于改进的神经网络方法在变压器故障诊断中具有显著的优势。
相比传统方法，改进的神经网络在准确率和速度上都取得了明显的提升。
这表明在变压器故障诊断领域，基于神经网络的方法具有更好的应用前景。
刍议基于神经网络的变压器故障诊断技术
基于全卷积神经网络的变压器故障诊断
基于全卷积神经网络的变压器故障诊断变压器是电力系统中常用的电力设备之一，其主要作用是将高电压的电能转换为低电压的电能，以适应不同场合下的电力需求。
然而，由于变压器的工作环境复杂、工作负载变化大，加之长期使用中可能受到电磁波、潮湿、污染等因素的影响，所以变压器的损坏是难以避免的。
变压器故障会影响到电力系统的稳定运行，甚至可能对社会生产和生活造成重大影响，因此变压器故障诊断的研究具有重要的理论和实际意义。
近年来，随着深度学习技术的快速发展，借助卷积神经网络（Convolutional Neural Network，CNN）对变压器故障进行自动诊断已成为研究热点。
然而，传统的卷积神经网络仍然存在一些问题，例如需要预先指定输入图像的大小、不能处理不同大小的图像等。
为了解决这些问题，研究人员提出了全卷积神经网络（Fully Convolutional Network，FCN），该网络可以自适应输入图像的大小并且具有较好的图像分割能力。
1. 数据预处理：获取变压器故障数据集并进行预处理，例如图像增强、噪声过滤等。
2. 网络设计：将全卷积神经网络应用于变压器故障诊断，构建网络结构、定义损失函数等。
3. 模型训练：使用预处理后的数据集对网络进行训练，优化损失函数，调节超参数。
4. 模型评估：利用测试集评估模型的准确率、精度、召回率等指标。
5. 可视化结果：利用训练好的模型对新的变压器图像进行分类，并可视化分类结果。
全卷积神经网络的优点在于可以自适应输入图像的大小，因此不需要将输入图像设置为固定的大小。
同时，该网络具有强大的图像分割能力，可对变压器故障图像进行准确的区分和识别。
本文的研究成果可以为变压器故障诊断技术的发展提供新思路和新方向，为电力系统的安全稳定运行保驾护航。
基于神经网络算法的变压器诊断
基于神经网络算法的变压器诊断摘要：电力变压器诊断是根据变压器故障特征，定故障的性质或者类别，为变压器的检修决策提供依据。
文章对变压器油溶解气体的来源、特点及产生原因进行分析，通过构建变压器油中溶解气体与变压器故障之间的对应关系的专家系统，运用神经网络算法对变压器进行全面诊断，仿真结果表面文章所示方法具有可行性。
1.神经网络算法基本原理神经网络算法（BP神经网络）是一种前向网络，利用反向传播学习算法进化学习。
目前神经网络算法已广泛应用于故障诊断、寿命预测、数据归类等方面。
典型神经网络算法包括：输入层、隐含层、输出层。
其拓扑如图1所示。
图1 神经网络拓扑图图1所示拓扑结构可知，当选取一组学习样本作为输入时，通过映射条件至隐含层，然后再经激活函数处理，反向输出到输出传播层，并在输出层获得神经元的网络输入响应；以降低实际输出和目标输出之差为优化条件，反向修正映射和激活函数连接权值，最后返回输入层。
如此过程反复交替，从而实现误差的减少。
1.变压器诊断模型文章通过对变压器常见故障进行诊断分析，得出变压器故障类型与特征气体之间关系如表1所示。
表1 变压器故障类型与特征气体之间关系表从表1可知，变压器故障后变压器油溶解气体核心为：、、、、五种气体。
因此将它们作为变压器故障特征提取量，通过比较、、三项值的大小来判断故障。
1.基于神经网络的变压器诊断过程从文章第二节可知，气体之间比值的不同对应不同的故障类型，因此可以构建三项值与故障类型对应关系，并将该关系作为神经网络的输入和输出进行训练。
由于变压器进行故障的诊断时，因为其内部油中的特性气体和自身问题件并不是线性的关系，所以选择非线性的Sigmoid函数来对其进行计算。
通过上述反向传播训练，得到适用于变压器诊断特点的神经网络权值模型。
运用得到的神经网络权值模型，输入实际数据，得到神经网络传播后的输出结果，该结果即为对应的变压器故障类型。
1.仿真实例文章收集了实际故障数据如表2所示。
基于神经网络的变压器故障检测算法
１前 言 ２ ０世 纪 ８ ０年代 以来 ，人工 神 经 网络 的 研 究取 得 了突 破 性进 展 。神 经 网络 控制是 将神 经 网络与 控制 理论 相结 合而 发展 起来 的智 能控 制方 法 。它 已 成为 智能控 制 的一个 新 的分支 ， 为解决 复杂 的非 线性 、不 确定 、不确 知 系统 的控 制 问题 开辟 了新 的 途 径 。 ２神经 网 络的 基本 原 理 如 果将 大量功 能简 单 的形式 神经 元通 过一 定 的拓 扑结构 组织 起来 ，构成 群 体 并行分 布式 处理 的计 算结 构 ，那么 这种 结构 就是 人工 神经 网络 。根据 连 接 方 式的不 同 ，神经 网络 可分 为两 大类 ：前 向 网络和 相互 结合 性 网络 。前 向 网络没 有反 馈 ，它是 由输 入层 、中 问层 （ 隐含 层 ） 、输 出层组 成 。中 间层可 有
应用技术
●Ｉ
基于神
（ 宁建 筑职 业 技术 学 院 辽 宁 辽阳 １ １ ０ ） 辽 １０ ０ Ｂ Ｐ网络 ） ，通 过 减 少 隐层 节 点 数来 改 善泛 化 性 能 ，从 而提 高 了 ［ 摘 要 ］ 本文 在 阐 述神 经 网 络 的基 本 原 理基 础 上 ， 提 出 了运 用 误差 反 向传播 算 法 （ — 变 压器 油 中 溶解 气 体 故 障检 测 的精 度 。 ［ 关键词 ］ 神经 网络 Ｂ Ｐ网络 泛化 性 能 － 中图分 类号 ：Ｈ ３ ．２ Ｔ １７ ５ 文献标 识码 ： Ａ 文 章编号 ： １ ０ — １ Ｘ ２ １ ） ５ ０ ２ 一 １ １ ０ ９ ９ ４ （０ ０ １ ３ ９ Ｏ
映射 。 ３ １ － 网络 的基本 原 理 ． Ｂ Ｐ Ｂ Ｐ网络 中实 际上 有两 种 信号 流 通 ： — （ １）工 作信 号 ：它 是 施 加 输入 信 号后 向前 传 播 至 输 出 端 产 生 实 际输 出 的信号 ，是输 入信 号和 权值 的函数 ；
基于概率神经网络(PNN)的故障诊断
基于概率神经网络（PNN）的故障诊断概率神经网络PNN是一种结构简单、训练简洁、应用相当广泛的人工神经网络，在实际应用中，尤其是在解决分类问题的应用中，它的优势在于线性学习算法来完成以往非线性学习算法所做的工作，同时又能保持非线性算法的高精度等特性。
基于概率神经网络的故障诊断方法实质上是利用概率神经网络模型的强大的非线性分类能力，将故障样本空间映射到故障模式空间中，从而形成一个具有较强容错能力和结构自适应能力的诊断网络系统。
1 概述概率神经网络是一种可以用于模式分类的神经网络，其实只是基于贝叶斯最小风险准则发展而来的一种并行算法，目前已经在雷达、心电图仪等电子设备中获得了广泛的应用。
PNN与BP网络相比较，其主要优点为：快速训练，其训练时间仅仅大于读取数据的时间。
无论分类问题多么复杂，只要有足够多的训练数据，就可以保证获得贝叶斯准则下的最优解。
允许增加或减少训练数据而无需重新进行长时间的训练。
PNN层次模型是Specht根据贝叶斯分类规则与Parzen的概率密度函数提出的。
在进行故障诊断的过程中，求和层对模式层中间同一模式的输出求和，并乘以代价因子；决策层则选择求和层中输出最大者对应的故障模式为诊断结果。
当故障样本的数量增加时，模式层的神经元将随之增加。
而当故障模式多余两种时，则求和层神经元将增加。
所以，随着故障经验知识的积累，概率神经网络可以不断横向扩展，故障诊断的能力也将不断提高。
2基于PNN的故障诊断1.问题描述发动机运行过程中，油路和气路出现故障是最多的。
由于发动机结构复杂，很难分清故障产生的原因，所以接下来尝试利用PNN来实现对发动机的故障诊断。
在发动机运行中常选用的6种特征参数：AI、MA、DI、MD、TR和PR。
其中，AI为最大加速度指标；MA为平均加速度指标；DI为最大减速度指标；MD为平均减速度指标；TR为扭矩谐波分量比；PR为燃爆时的上升速度。
进行诊断时，首先要提取有关的特征参数，然后利用PNN进行诊断，诊断模型如图1所示。
基于深度学习的变压器故障研究和应用
基于深度学习的变压器故障研究和应用在电力系统中，高压变压器被广泛使用以将高压电能转换为低压电能。
然而，变压器可能会遇到各种问题，如故障、击穿等，而这些问题会严重影响电力系统的正常运行。
因此，变压器故障的检测和诊断变得非常重要。
近年来，随着深度学习技术的不断发展，基于深度学习的变压器故障研究和应用受到了广泛关注。
一、深度学习在变压器故障诊断中的应用深度学习是一种机器学习方法，能够通过利用神经网络结构进行建模和学习任务。
在变压器故障诊断领域，深度学习技术可以被用于特征提取、分类和诊断，以完成对变压器故障的检测和分析。
特征提取是深度学习在变压器故障诊断中的基本任务之一。
由于变压器故障信号的复杂性和非线性，传统的特征提取方法可能无法正确识别和提取特征。
而深度学习技术是一种端到端的学习方法，可以通过神经网络结构自动提取重要特征。
例如，基于深度学习的卷积神经网络（CNN）可以有效地提取变压器图片信号中的纹理、边缘和色彩等特征。
分类是基于深度学习的变压器故障诊断的另一项重要任务。
传统的分类方法可能依赖于特定的规则和阈值，或者仅基于手动选取的特征进行分类。
然而，深度学习方法不需要事先设置严格的规则或者阈值，通过训练神经网络来实现自动分类。
例如，基于深度学习的支持向量机（SVM）可以实现对变压器故障信号的快速分类。
诊断是变压器故障诊断的核心任务之一，而深度学习技术可以被用于诊断各种类型的变压器故障信号，如短路、过热、缺相等。
例如，基于深度学习的循环神经网络（RNN）可以实现对变压器故障信号的序列建模，从而对潜在的故障进行诊断。
二、变压器故障检测和诊断的挑战尽管基于深度学习的变压器故障检测和诊断技术已经取得了显著进展，但是这些技术仍然面临挑战。
首先，变压器故障信号的获取和采样可能会受到多种因素的影响，如环境的干扰、信号采集设备的质量等，因此需要进行有效的信号处理和滤波，以保证故障信号的准确性和可靠性。
其次，在变压器故障信号中，不同类型的故障可能会产生相似或者重叠的特征，这可能会导致深度学习模型出现混淆问题。
刍议基于神经网络的变压器故障诊断技术
刍议基于神经网络的变压器故障诊断技术变压器故障征兆和故障类型具有一定的非线性特征，需要结合一定的故障诊断技术进行判断。
而就目前来看，除了使用油中气体分析法，基于神经网络的变压器故障诊断技术也可以用于诊断变压器故障。
因此，文章对基于神经网络的故障诊断原理进行了阐述，并对基于BP神经网络和基于概率神经网络的两种故障诊断技术展开了分析和比较，以便为关注这一话题的人们提供参考。
标签：神经网络；变压器；故障诊断技术引言从国内外研究情况来看，变压器诊断系统的数学模型的获取问题一直是研究难题。
而现阶段研究变压器故障诊断的技术有多种，包含了模糊理论方法、人工智能技术、在线监测技术和神经网络技术等等。
相比较而言，神经网络具有非线性映射、自适应和并行处理等优点，更适用于研究变压器故障的非线性关系，所以在一定程度上得到了应用。
因此，有必要对基于神经网络的变压器故障诊断技术展开研究，以便更好地应用该技术开展相关工作。
1 基于神经网络的故障诊断原理在故障诊断方面，神经网络方法的运用可以完成变压器油中溶解气体数据中的隐含诊断规律的获取，所以不需要利用变压器故障诊断的相关知识。
同时，根据实际变压器的油中溶解气体数据，神经网络能够进行自适应调整。
因此，可以利用神经网络完成对变压器状态的监测，并对监测数据进行分析和处理，继而了解被监测对象的运行状态或故障原因。
而就目前来看，很多神经网络都可以在变压器故障诊断中应用[1]。
所以，只有通过分析和比较才能找到一种相对优秀的神经网络，继而使变压器故障诊断的准确率得到提高。
2 基于神经网络的变压器故障诊断技术分析2.1 基于概率神经网络的变压器故障诊断概率神经网络具有结构简单和训练简洁的特点，可以利用自身强大非线性分类能力完成故障样本空间的映射，继而得到故障模型空间。
而通过形成具有一定结构自适应能力和较强容错能力的诊断网络系统，则可以使故障诊断的准确率得到提高。
2.1.1 故障确定网络的输入和输出在建立概率神经网络模型时，想要正确地反映问题特征就要先准确选取输入的特征向量。
基于神经网络的故障诊断
神经网络工具箱应用于故障诊断描述电力系统的安全运行具有十分重要的意义。
当高压变压器或其他类似设备在运行中出现局部过热、不完全放电或电弧放电等故障时，其内部绝缘油、绝缘纸等绝缘材料将分解产生多种气体，包括短链烃类气体〔C2H2、CH4等〕和H2、CO2等，这些气体称作特征气体。
而特征气体的含量与故障的严重程度有着很密切的关系，如下列图1所示。
将BP神经网络应用于变压器故障诊断对大型变压器的运行有着非常重要的意义。
2. 神经网络设计(1) 输入特征向量确实定变压器的故障主要与甲烷〔CH4〕、氢气〔H2〕、总烃〔C1＋C2〕以及乙炔〔C2H2〕4 种气体的浓度有关，据此可以设定特征向量由这 4 种气体的浓度组成，即CH4、H2、C1＋C2〔总烃〕和C2H2，同时也设定了网络输入层的节点数为4个。
(2) 输出特征向量确实定输出量代表系统要实现的功能目标，其选择确定相对容易一些。
只要问题确定了，一般输出量也就确定了。
在故障诊断问题中，输出量就代表可能的故障类型。
变压器的典型故障类型有：一般过热故障、严重过热故障、局部放电故障、火花放电故障以及电弧放电故障等5种类型，因此这里选择 5 个向量作为网络的输出向量，即网络输出节点确定为 5 个。
根据Sigmoid 函数输出值在0 到1 之间的特点，这里设定以0 到1 之间的数值大小表示对应的故障程度，也可以理解为发生此类故障的概率，数值越接近 1 表示发生此类故障的几率越大或说对应的故障程度越大。
针对本系统，设定输出值大于等于0．5 时认为有此类故障，小于0．5 时认为无此类故障。
(3) 样本的收集输入、输出向量确定好以后就可以进行样本的收集。
数据归一化处理时，注意：在归一化处理的时候，因考虑到各气体浓度值相差较大，如总烃的浓度比H2的浓度值高出几个数量级，因此在归一化处理的时候，分别对各个气体浓度值进行处理，即最大值和最小值取的是各气体的最值，而不是所有样本值中的最值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
引言
电力变压器是电力传输 中最为重要 的设备之一，尽早发
现并 诊断 变压 器故 障对 电力 系统 的安全 稳定 运行 具有 重要 的 意义 。变 压器 在发 生故 障前 ，其 内部绝 缘 油 、绝缘 纸 等绝 缘
材料 会分解 产生多 种气体 （ 主要 有 ｃ 。 Ｈ 、 Ｃ Ｈ 、Ｈ 及Ｃ Ｏ ： 等 ），
Ｅ ＸＣ ＨＡ ＮＧ Ｅ ０Ｆ Ｅ ＸＰ Ｅ Ｒ Ｉ Ｅ ＮＣ Ｅ 经验交 流
基于 Ｐ ＮＮ 神 经 网络和聚 类分析 的变压 器故 障诊 断
◆ 赵桂艳 李一峰
摘 要 ：基 于概 率神经 网络理论 和聚 类方 法提 出了一种 变压 器故 障诊 断方法 。以特征 气体 浓度 为输 入 ，经过Ｐ ＮＮ网络 进行 故 障诊 断 ，最后 得 出故 障类型 。 实例 分析表 明 ，该 方 法具有 较 高的故 障诊 断 正确 率和诊 断效率 。 关键词 ：变压 器 ；故 障诊 断 ；Ｐ ＮＮ神 经 网络 ；聚类 分析
输入 层接 收模 式来 自训练 样本 的值 ，将特 征 向量传递 给 网络 ，其 神经元 数 目和样本矢 量的维数 相等 。
模 式层计 算输 入特 征 向量与训 练集 中各个 模式 的 匹配关
系 ，模 式层 神经 元 的个数 等于 各个类 ， ％ｉ Ｊ Ｉ Ｉ 练样 本数 之 和 ，该 层 每个模 式单元 的输 出为 ：
概率神经网络 （ Ｐ Ｎ Ｎ神经 网络 ， ｐ ｍ ｂ ａ ｂ ｉ ｌ ｉ ｓ ｔ ｉ ｃ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｓ ） 是 由径 向基 网 络 发 展而 来 的一种 前 馈 神 经 网络 ，其 理 论依
据是 贝 叶斯 最 小 风 险准 则 ，因此 Ｐ Ｎ Ｎ神 经 网络 模 型在 分 类 功 能上 与 最 优 贝叶 斯分 类 器 等 价 。该 网络 具 有训 练 时间 短
以该行 的最 大值 元素 ，如式 ２ 。
。
＞ ＞
样本 数据 有 限 ，在 此取 中温过 热 、高温 过热 、低能 放 电 、高
Ｎ： ｌ≤ ，
＝
—
—
—
—
旦 —一 ： ｌ
能 放 电四种 典 型 故 障作 为 输 出 ，分 别用 １ 、２ 、３ 、４ 表示。
ｆ（ Ｘ
：ｅ 卅
】
…
式中， ｗ 为输 入层到模 式层 连接 的权值；８为平 滑因子 ， 它对 分类起着 重要 的作用 。
求 和层将 属于某 类 的概率 进行 累计 ，从而得 到故 障模 式 的估计概 率密 度 函数 。每一 类 只有 一 个求 和层 单元 ，求 和层
单 元 只与属 于 自己的模 式层 连接 ，而 与模 式层 中 的其 他单 元 没 有连 接 。求 和层 单元 的输 出 与各类 基于 内核 的概 率密度 的 估 计成 比例 ，通 过输 出层 的归 一化处 理 ，就能 得到 各类 的概
率密度估计 。
神经 网络具 有很好 地 自适应 能力 、 自学 习能力 和容错 能 力 ，在故 障诊 断 领域 有 广泛 的应 用 ［ ４ ］ ［ ５ １ ｏ本 文将 Ｐ Ｎ Ｎ神 经 网 络方 法用 于变 压器 故 障诊 断 中 ，结 合 聚类 分 析 ，建 立故 障诊
断模 型 。测试 结果表 明，Ｐ Ｎ Ｎ网络具有 良好 的诊断能 力 。
流程 如下 ：
第一步 ：数据归一化。由于故障气体含与故障时间、
故 障 源面积 以及 气体 积 累等 因素有关 ，故 障气 体含 量也 可能
相差很 大 。这必 将导 致诊 断 系统 的判断 正确 率降 低 ，所 以 ，
输 八层 模式 求 和层 输出层
在利 用油 中溶解 气体 数据 进行故 障诊断前 ，要 对 这些数 据进
如图 １ 。
判 断 故 障是 否 涉 及 固体 绝 缘 ，因 此 ，本 故 障 诊 断 系 统选 择 Ｈ 、Ｃ Ｈ 、Ｃ Ｈ 、Ｃ Ｈ 和Ｃ Ｈ 五种 气 体作 为 故 障样 本 集 的特
征量 ，相 应 的气体 含量 即为 故障诊 断 的样本 数据 。具 体算 法
训练 样本 数据 的种 类个数 ，概率 密度 函数最 大 的那个 神经 元 输 出为 １ ，其他 神经 元 的输 出全 为 ０ 。
并且不易 陷入局部最小 点的优点 ，特别适合求解模式识别
类 问题 。Ｐ Ｎ Ｎ神经 网络 一般 由输 入层 、模式 层 、求和 层 、
二、基于 Ｐ Ｎ Ｎ网络 的变压器故 障诊 断
变压器 在 发生 故 障时油 中溶 解 的气 体 主要有 Ｈ 、Ｃ Ｈ 、
ｃ Ｈ 、Ｃ Ｈ 、ｃ ： Ｈ 、Ｃ Ｏ和 Ｃ Ｏ 等 ，其 中 Ｃ Ｏ和 Ｃ Ｏ 主 要 用 于
输出层共 ４ 层 组 成 ，其 基 本 结 构 （ 以３ 维 输 入 向量 为 例 ）
这些气体 即为特征气体。变压器油中特征气体含量与变压器
的故 障性 质及严 重 程度 有密 切 的关 系 。 因此 ，根据 一段 时 间内变 压器 油 中特征 气体 的浓度 变化 ，并 结合一 定 的判断 方 法 ，就 能够 及时 掌握 变压 器状态 ，从 而最 大 限度 地减 少 变压 器 损失 Ｊ 【 ３ 】 。
行规 范化 处理 。本 文采用 最 大值 规范化 方法 ，即每个元 素 除
图 １ Ｐ ＮＮ 神 经 网络 结 构 图
９ ４ 信息系统ｌ １ 程 ｛ ２ ０ １ ５ ６ ． ２ ０
Ｅ ｘ ｌ Ｃ Ｈ Ａ Ｎ Ｇ Ｅ ０ Ｆ Ｅ Ｘ Ｐ Ｅ Ｒ Ｉ Ｅ Ｎ Ｃ Ｅ 壁
一
、
概率神经 网络原理
输 出决策层 由简单的阀值辨别器组成 ，其作用是在各个
估计 的概 率密 度 中选 择一 个具 有最 大后 验概 率密 度 的神经 元 作为 整个 系统 的输 出 。输 出层 神经 元是 一种 竞争 神经 元 ，每 个神 经元 分别 对应 于一个 数据 类 型 ，输 出层 神经 元个 数等 于