李晓静，李 杰

(济源职业技术学院，河南济源459000)

长期以来，国内外一直对变压器故障诊断技术的研究和开发给予高度的重视，经过数十年的研究和探索，形成了一大批行之有效的诊断方法。而传统意义上由特征气体浓度信息直接或通过简单的计算比值判断故障类型的方法，在实际应用过程中由于知识获取困难等一系列问题的存在，导致直接应用的效果非常不理想［1］。尤其是需要根据各种参数做出正确的判断，更是要求相关故障诊断人员必须有坚实的理论基础和丰富的运行维护经验。由于单一的故障检测方法所存在的局限性，因此，综合运用多种智能方法来对变压器故障进行诊断和处理，已经成为当前阶段的变压器故障诊断的主流趋势［2］。

在本文的研究中，集中采用了小波变换方法和神经网络方法，通过对两者的综合应用来构建一个以小波神经网络为主要内容的变压器故障诊断算法模型，有效地利用了小波变换方法的局部优化特征，同时也结合神经网络的自学习功能，实验证明，该算法不仅具有较强的逼近、容错能力，而且提高了局部搜索能力，收敛速度等方面的性能得到较大提升。

1 神经网络算法

作为一种典型的非线性动力学系统，人工神经网络在多个领域中的应用都取得了较好的效果。与传统的基于算法的辨识方法相比较，基于神经网络的辨识具有以下几个特点:(1)不要求建立实际系统的辨识格式，即可省去系统结构建模这一步;(2)可以对本质非线性系统进行辨识;(3)辨识的收敛速度不依赖于待辨识系统的维数，只与神经网络本身及其所采用的学习算法有关;(4)神经网络具有大量连接，其连接权的权值在辨识中对应于模型参数，通过调节这些参数可使网络输出逼近系统输出;(5)神经网络作为实际系统的辨识模型，实际上也是系统的一个物理实现，可以用于在线控制。正是由于这些特点，神经网络算法在故障诊断过程中的应用才显得尤为重要。误差反向传播BP(Back Propagation)作为一种较为强大的全局逼近网络，其学习方法的应用主要是通过对多层前馈式输出模式的应用来实现误差逐层回馈的训练方法，尤其是3层BP神经网络，更是能够有效地对任意精度逼近非线性函数，因此在解决实际工程中的非线性问题时得到广泛的应用。

虽然BP算法作为目前最为常见的一种人工神经网络算法，但是由于在实际的运算过程中整体收敛速度相对较慢，同时非常容易导致局部极小点的出现，因此出现了大量的改进算法［3-4］。虽然这些改进算法有效的提升了BP算法的整体有效性，但是仍然不能够完全的规避该算法原有的种种劣势。在实际应用中，较多采用基于Sigmoid激励函数的BP神经网络，Sigmoid激励函数为全局函数，存在严重重叠，所以这种网络存在较易陷入局部极小，收敛速度慢，抗噪声能力差的缺点。而且一些改进的BP算法同样无法真正地解决这一问题。

2 小波神经网络算法

2.1 算法描述

小波变换相对于傅里叶变换来说具有一定的优势。在实际的应用过程中，小波变换主要是通过对尺度分析过程中的伸缩和平移来确定型号的局部信息。通过小波变换的方式来对本文所研究的神经网络算法进一步弥补，能够从本质上提升神经算法的整体学习能力，并在实际应用过程中起到足够的优化作用，保证其整体的应用效果。在本文中所重点研究的小波神经网络系统，实际上就是一种以小波变换算法为基础的改进型神经网络系统，兼具两者的优点，并在性能上有着明显的突破。客观上来说，根据小波分析理论来对神经网络的整体结构加以处理和分析，不仅仅能够有效的提升其整体的学习能力，同样也能够最大限度的提升其整体收敛速度。

小波变换算法在具体的应用过程中主要应该包括如下几个方面［5-6］。

(1)初始化基本参数为a，并对具体运算过程中的重点数据结构平移系数用b表示，同样，根据具体的计算需求，我们用Wnh和Whm来分别表示输入层与中间层之间的连接权值和隐含层与输出层之间连接权值，在这一过程中，我们可以将学习率记为β(β＞0)，并通过对该算法一般规律的把握为其赋予初始值，当然，在赋值时我们有必要设定输入权值样本计数器为count(count=1);

(2)设定输入学习样本记为Xn，相应的期望输出记为Tm;

(3)通过对具体变量数据的输入，可以得出如下所示的算式:

通过上述处理之后，我们需要通过中间层的小波函数来计算输出方程，计算方法如下:

利用Wnh来对所研究的输出层不同要素之间的整体输出值的计算结果，我们可以通过一定的简化计算为如下算法:

(4)根据实际的应用计算需求用期望输出Tm并结合相应具体网络的实际输出来完成对所研究的输出层误差E(W)的初步计算;

(5)count=count+1，通过简单的计算得出count的值，将其和p做出对比分析，如果对比结果中，count＜p为真，那么继续进行步骤2的实现。反之则需要对E(W)进行计算，并对参数做出相应的修改和恢复;

(6)通过上述流程之后，我们需要将E(W)的具体数值和预定的ε(ε＞0)进行对比分析，判断其真假，以此为依据考虑重复操作还是直接得出结果。

2.2 算法改进

正如上文中所论述的，该算法在实际的应用过程中具有非常明显的不足之处，因此需要对其进行改进。在本文的研究中，如果采用传统意义上的最速下降法的传统网络寻优算法来对上述数据进行处理，那么虽然能够更为简单明了的完成整个训练过程，但是对于神经网络的整体收敛速度的提升是没有意义的［7-8］。这种情况下，动量批处理小波神经网络算法的应用就有了其客观需求，通过如此改进，不仅仅能够有效的提高训练速度，并对学习路径做出平滑处理，同样能够有效的提升整体的数据处理准确度［9］。与此同时，在这一过程中为了有效规避训练过程中可能出现的发散问题，可以通过加权求和方法的应用来加以解决。实际上，通过该方法对网络隐含层小波结点的输出进行计算得出结果之后，再结合SIGMOID激励函数变化得到最终的网络输出。在这一过程中，通过对参数的学习率的调整，就能够完美的解决传统算法中出现局部最小值的问题。该方法在实践中的大量应用，已经得到了广泛的证明。

上述算法在权值调整过程中具体算法如下:

其中和分别表示权值调整前后的连接权值情况，而在上述算式中代表的含义为动量项。

伸缩因子调整:

除此之外，在上述计算过程中，网络输入层和隐含层权值调整方法类似于式(4)，而平移因子在具体的应用过程中，调整方法基本等同于式(5)。

3 实验仿真和分析

3.1 仿真环境

基于WINDOWS XP的工作平台，设定硬件环境为CPU:P43.0，内存 4 GHz，硬盘 1 T，结合 SQL Server 2000数据库和Matlab 7.0作为仿真环境，对本文所研究的算法进行仿真实验。

3.2 实验参数及数据

本文所进行的试验验证数据来源于某变压器厂，第1步，从所收集的200个历史故障中，随机抽取二分之一的样本数据进行训练，并用同样的方法抽取总量的二分之一个样本进行测试。第二步，通过这一样本为主要输入数据，构造出一个输入层为5，输出层为5，隐含层数量为10的神经网络，设定输入变量为Xi(i=1，2，…，5)，分别代表气体 H2、CH4、C2H6、C2H4 和C2H2的含量在总气体含量中所占的百分比;设定不同的输出故障类型为Yi(i=1，2，…，5)。

表1 训练样本

3.3 仿真结果及分析

通过对上述样本模型的两种算法的应用对比分析，可以得到如图1所示的训练误差曲线。

图1 训练误差曲线

通过对上图的简单分析我们可以知道，本文所研究的改进的小波神经网络算法在收敛速度上具有明显的优势。为了更好的验证这一特点，我们分别对两种算法进行了一百次的样本对比训练分析，并对其收敛速度的具体步骤进行求解。

在对100个测试样本进行诊断模型的故障检测中，本文所研究的重点内容小波神经网络(WNN)的符合率高达95%;而与之相对应的传统意义上的BP神经网络算法符合率仅有83%;这种情况的客观存在，足以说明在变压器故障诊断过程中，相对于传统算法来说WNN网络模型优势显著。

4 结束语

本文重点研究了小波变换和人工神经网络系统在变压器故障诊断中的应用，并通过数据分析的方法强调了该算法的优势特征，提了加动量批处理小波神经网络算法，并通过对本文所研究的神经网络模型构造过程中的应用，通过仿真实验的方式对其实际性能做出了验证和测试。实验结果表明，相对于传统意义上的BP网络算法来说，本文所研究的小波神经网络系统在实际的应用过程中，不仅仅具有更快的学习速度，同样也表现出更为快速的收敛能力。充分证明了改进型小波神经网络在变压器故障诊断工作中应用的有效性，该算法的优势进一步得到了验证，在变压器故障诊断操作中取得了很好的诊断效果。

［1］朱敏，王富荣.引用神经网络的变压器故障专家系统［J］.计算机与现代化，2004，31(4):31-32，35.

［2］龙银芳，赵知劲，沈雷.基于神经网络和粒子群算法的 MCCDMA 多用户检测［J］.电子器件，2009，5(10):985-988.

［3］Zhenyuan W，Nien-chung W，Tzong-Yih G，et al.Artificial Intelligence in Power Equipment Fault Diagnosis［C］//IEEE PES Winter Meeting.2000，1:128-133.

［4］许晖，焦留芳，韩西宁.基于两级神经网络的传感器在线故障诊断技术研究［J］.传感技术学报，2008，10:1794-1797.

［5］李目，何怡刚，周少武，等.一种差分进化算法优化小波神经网络及其在弱信号检测中的应用［J］.计算机应用与软件，2010，3:29-31，39.

［6］Szu H H.Shubha Kadambe Neural Network Adaptive Wavelets for Sianal Representation an Classification［J］Optical Engineering，1992，31(9):1907-1919.

［7］85-92DE Jong K A.An Analysis of the Behavior of a Class of Genetic Adaptive System［D］.Ph.D Dissertation，University of Michigan，No.76-9381，1975.

［8］汪光阳，周义莲.煤气鼓风机故障诊断的神经网络模型研究与实现［J］.计算机应用与软件，2011，2:90-92.

［9］Uardado J L，Naredo J L，Moreno P，et al.A Comparative Study of Neural Network Efficiency in Power Transformers Diagnosis Using Dissolved Gas Analysis［J］.IEEE Trans on Power Delivery，2001，16(4):643-647.