基于matlab的bpann油浸电力变压器故障诊断仿真.pdf

《基于matlab的bpann油浸电力变压器故障诊断仿真.pdf》由会员分享，可在线阅读，更多相关《基于matlab的bpann油浸电力变压器故障诊断仿真.pdf（5页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、基于 MA T L A B的 B P A N N油浸电力变压器 故障诊断仿真王伟1, 李清泉1, 王向东2(1 .山东大学电气工程学院,山东 济南2 5 0 0 6 1;2 .济南市产品质量监督检验所山东 济南2 5 0 0 2 2)摘要:利用MA T L A B的神经网络工具箱对B P A NN油浸电力变压器故障诊断进行了仿真。关键词: 变压器; 故障; 仿真中图分类号:T M 4 0 6文献标识码:B文章编号:1 0 0 1 - 8 4 2 5(2 0 0 7)0 9 - 0 0 4 7 - 0 5F a u l t D i a g n o s i s S i mu l a t i o n

2、 o f B P A N N O i l - I mme r s e d P o w e r T r a n s f o r me rB a s e do nMA T L A BWA N G We i1, L I Q i n g - q u a n1, WA N G X i a n g - d o n g2(1 . S h a n d o n gU n i v e r s i t y , J i n a n2 5 0 0 6 1 , C h i n a 9 2 . J i n a nP r o d u c t Q u a l i t yS u p e r v i s o nT e s t i

3、n g I n s t i t u t e , J i n a n2 5 0 0 2 2 , C h i n a)A b s t r a c t:T h ef a u l t d i a g n o s i so f B P A N N o i l - i mme r s e dp o w e rt r a n s f o r me ri ss i mu l a t e dw i t h MA T L A BN e u r a l N e t w o r kT o o l sB o x . K e yw o r d s:T r a n s f o r me r;F a u l t;S i mu

4、 l a t i o n1引言油中溶解气体分析(D G A) 是对油浸变压器进行故障诊断的方法之一,该方法能比较准确和可靠地发现变压器内部的潜伏性故障 1 - 3 , 并利用测量的特性气体对油浸式变压器进行故障诊断,实际上是完成油中气体组分到故障类型的一个复杂非线性映射。 目前基于D G A的变压器故障诊断技术主要有关键气体法、 比值法和人工智能法 4 - 7 。人工神经网络具有良好的学习、 泛化、 自适应能力和容错特性,在一定程度上克服了比值法 “ 缺编码”和编码边界过于绝对的不足,有效地改善了D G A分析方法的适用性和准确性 8 - 9 , 而B P神经网络由于其很强的非线性逼近能力,是

5、目前应用最为广泛的神经网络模型之一 1 0 。 但在选择学习样本、 确定输入输出模式、学习过程的速度与收敛性、B P网络参数的选择等问题上尚处于探索阶段 1 1 。笔者利用M A T L A B对上述问题做了仿真分析, 并通过仿真结果与实际故障的比较检验了设计网络的性能, 并得到了较好的结果。2 B P A N N的模型2 . 1 B P神经元人工神经元是人工神经网络的基本单元,它相当于一个多输入单输出的非线性阈值器件。图1中给出了神经元的一般模型。如果当神经元输入向量的加权和大于其阈值, 则该神经元被激活, 神经元的输出可以表示为:a = f(Ri = 1!w1 ipi- b)(1)式中f表

6、示神经元的输入输出关系函数,即传输入神经元P2P1PRw1 1w1 2w1 Rbnfa!图1人工神经元的一般模型F i g . 1 Mo d e l o fa r t i f i c i a l n e u r a l u n i t第4 4卷第9期 2 0 0 7年9月T R A N S F O R ME RV o l . 4 4 S e p t e mb e rN o . 9 2 0 0 7第4 4卷输函数。B P神经元的传输函数为非线性函数, 最常用的函数是S型函数( 如l o g s i g) , 其输出值将会被限制在(0,1) 范围内。2 . 2 B P神经网络模型 B P网络一般为

7、多层前馈神经网络,它的节点( 神经元) 可分为输入层、 输出层和隐层。图2中给出了三层B P网络的结构示意图。B P网络的学习过程由正向传播输出过程和反向传播调整过程两个阶段组成。第一阶段是根据输入已知学习样本, 通过设置的网络结构和前一次迭代的权值和阈值, 从网络的第一层向后计算各神经元的输出;第二阶段是对权值和阈值进行修改, 从最后一层向前计算各权值和阈值对误差的影响, 据此对各权值和阈值进行修改。以上两个阶段反复交替, 直到达到设定的误差为止。如图2所示, 对于输入向量p =(p1,pm,pM)T,其期望输出向量T =(T1, ,Tn, TN)T, 网络的实际输出y =(y1, yn,

8、yN)T,B P网络误差函数的默认值是均方误差:E(k)=1 NNi = 1! Ti- yi(k)2(2)最简单的B P算法是最速下降B P算法(s t e e p e s td e s c e n t b a c k - p r o p a g a t i o n,S O B P) , 它按照误差函数的负梯度方向逐次修改其权值和阈值。设x(k) 为第k次迭代各层之间的连接权向量和阈值向量,g(k)为第k次迭代的误差函数对各权值或阈值的梯度向量, 则每一层权值和阈值的修正按下式进行:x(k + 1)= x(k)- a g(k)(3)g(k)=!E(k) !x(k)(4)式(3) 中,a表示学习

9、速率, 为一常数。3 B P A N N变压器故障诊断模型3 . 1输入输出模式的确定 B P网络的输入层起缓冲存储器的作用, 其节点数取决于输入矢量的维数。考虑到C O和C O2分散 性较强、来源较多以及现场获得的数据中常有缺失等因素,选取五种气体组分H2、C H4、C2H6、C2H4和 C2H2,并以各个组分占5种气体总和的相对含量作 为网络的归一化输入向量, 即M= 5。经归一化处理后, 所有输入量的取值均处在0和1之间。当B P网络用于模式分类时,以二进制形式来表示不同模式的输出结果,则输出层的节点数可根据待分类模型数来确定。把变压器的故障性质分为高温过热 (H H) 、中低温过热 (

10、L H) 、高能量放电(H D) 、 低能量放电(L D) 四种类型, 即N = 4。对应于第二种故障(L H) 待分类模式的输出是 0 0 1 0 T。3 . 2学习样本的选择学习样本选择的恰当与否,直接影响B P网络的性能。 理论上, 学习样本既要使网络的学习过程快速收敛,又要对检验样本有很好的泛化能力,避免“ 过适配” 现象的发生。对于实际选取变压器故障数据, 文献 1 2 研究了选取“ 典型样本” 的算法; 文献 1 3 提出了一种定性选择方法; 文献 1 4 把粗糙集应用在学习样本的选取上,减小了选择的主观性和盲目性。在此基础上, 本着代表性、 广泛性和紧凑性的原则, 选取能反映各种

11、故障类型而不冗余的2 5组故障数据作为学习样本, 另外搜集到的7 6组作为检验样本。3 . 3隐层节点数的确定在不限制隐层节点数的情况下,只含一个隐层的B P网络可以实现任意非线性映射 1 5 , 即图2所示的网络结构。但对于有限个输入模式到输出模式的映射, 并不需要无限个隐层节点, 节点数过多会导致学习时间过长; 节点数太少, 容错性差, 泛化能力低。根据实践经验,用于模式识别的B P网络可以参照下式进行设计:nh= ni+ n0“+ c(5)式中nh隐层的节点数ni输入层的节点数n0输出层的节点数c1 1 0的常数本文中的实例, 取c为1 1 0做对比分析, 这样隐层节点数为4 1 3,

12、分析的结果从收敛程度和对检验样本的泛化能力两方面来比较。三层的传递函数均采用l o g s i g函数, 设置最大训练频数为5 0 0, 目标误差0 . 0 0 0 1, 学习率为0 . 1。 用S C G算法的变梯度反向传播算法训练网络, 对应的训练函数为t r a i n s c g。三层网络的初始化函数均采用i n i t n w,它可以使网络层中每个神经元的作用范围近似地在网络层图2 B P神经网络结构图输入层隐层输出层教师信号P1PmPMI1ImIMH1HkHKO1OnONT1TnTNEy1 ynyNMKNF i g . 2 S t r u c t u r a l d i a g r

13、 a m o fB Pn e u r a l n e t w o r k4 8王伟、 李清泉、 王向东: 基于MA T L A B的B P A N N油浸电力变压器故障诊断仿真第9期空间均匀分布。 具有神经元浪费少、 网络训练速度快的优点,但初始化权值和阈值随机性的特点决定了每次训练网络的结果各不相同。为了减小初始化随机性带来的影响,采用多次训练取加权平均的方法来考核网络的性能, 对于不同的隐层节点数, 训练和检验次数均取5。图3和图4分别给出了隐层节点数对B P网络学习和泛化能力的影响。由图3可以看出, 随着隐层节点数的增加, 收敛步数基本呈递减的趋势, 收敛性能越来越好, 对学习样本的拟合

14、能力增强。 而由图4可以看出, 网络的正判率基本呈递增的趋势。但并不意味着隐层节点数越多越好, 由图3和图4可知, 它存在着一个最佳的值, 需要经过实际训练的检验来不断调整。 本文中的实例, 综合考虑收敛性能和泛化能力两方面的因素,最佳隐层节点数为1 1,在输入节点数的两倍左右。它的正判率为8 2 %。3 . 4训练函数的选择 S D B P算法收敛速度慢, 网络易陷于局部最小,学习过程常常发生振荡, 为了克服其不足, 提出了许多改进算法。 但对于一个具体的问题, 采用哪种训练方法, 训练速度最快, 泛化能力最强, 取决于给定问题的复杂性、 学习样本的数量、 网络权值和阈值的数量和网络的用途等

15、多方面因素。利用M A T L A B神经网络工具箱提供的1 2种训练函数,从收敛性能和正判率两方面来评价对应网络的性能。 由于每种算法运算量的不同, 算法每进行一步所消耗的时间也不尽相同,所以采用收敛时间来代替收敛步数来量化网络的收敛性能。依然采用5次训练,检验取加权平均的方法减小初始化随机性带来的影响。去除在规定的步数内不能收敛的训练函数, 选取剩余的5种训练函数作为比较的对象,基于P o -l a k - R i b i e r e算 法 的 变 梯 度 反 向 传 播 训 练 函 数t r a i n c g p、基于学习率可变的动量B P算法的训练函数t r a i n g d x、

16、基于弹性B P算法的训练函数t r a i n r p、基于L e v e n b e r g - M a r q u a r d t算法的变梯度反向传播训练函数t r a i n l m、 基于S C G算法的变梯度反向传播函数t r a i n s c g。隐层节点数为1 1, 网络的其他参数和3 . 3中的相同。仿真结果如表1所示。由表1可以看出, 收敛速度最快的是t r a i n l m训练函数,收敛时间为1 . 5 3 4秒,t r a i n c g p训练函数的训练速度与之相差不大, 收敛时间为1 . 5 8 1秒, 但其正判率最高, 达到了8 7 . 5 %。 综合考虑, 选

17、用t r a i n c g p训练函数。 图5给出了其中的一个训练过程, 当训练进行到第4 9步, 误差达到要求。表1训练函数选择的仿真结果训练函数收敛时间Rs正判率R%t r a i n c g p2 . 2 2 87 1 . 5t r a i n g d x3 . 8 4 27 8 . 9t r a i n l m1 . 5 3 48 1 . 2t r a i n r p1 . 5 8 18 7 . 5t r a i n s c g2 . 2 0 98 2 . 0T a b l e1 S i mu l a t i o nr e s u l t so ft r a i n i n gf u

18、 n c t i o nc h o i c e1 001 0- 11 0- 21 0- 31 0- 41 0- 5 0 5 1 0 1 52 0 2 53 0 3 5 4 0 4 5误差训练步数图5 B P网络训练过程F i g . 5 T r a i n i n gp r o c e s so fB Pn e t w o r k4 9第4 4卷表2给出了相应的检验样本的诊断结果。7 6例故障中, 有9例故障与实际故障不能相对应, 其中误判的有4例, 不能给出具体结论的有5例, 正判率达到8 8 . 1 6 %。4诊断实例分析某1 1 0 k V主变压器, 用油中溶解气体分析法测得H2、C H

19、4、C2H6、C2H4、C2H2的气体组分含量分别为注:B PB P A N N诊断结果;A F(A c t u a l F a u l t) ;A F(A c t u a l F a u l t) 实际故障; “ ?” B P A N N不能给出确定的结论。序号输出B PA F序号输出B PA F10 . 0 0 0 00 . 0 0 0 00 . 0 1 4 60 . 9 9 9 8H HH H3 90 . 0 0 0 20 . 9 9 9 70 . 0 0 0 00 . 0 0 0 0H DH D20 . 0 0 0 00 . 0 0 0 00 . 0 0 0 71 . 0 0 0 0H

20、 HH H4 00 . 0 3 1 40 . 9 6 5 50 . 0 0 0 00 . 0 0 0 0H DH D30 . 0 0 0 00 . 0 0 0 10 . 0 0 0 41 . 0 0 0 0H HH H4 10 . 0 1 6 80 . 8 4 6 10 . 0 0 0 00 . 0 0 0 0H DH D40 . 0 0 0 00 . 0 0 0 00 . 0 0 0 01 . 0 0 0 0H HH H4 20 . 0 0 0 00 . 9 9 9 90 . 0 0 0 00 . 0 0 0 0H DH D50 . 0 0 0 50 . 0 0 2 10 . 1 2 4 3

21、0 . 9 4 1 2H HH H4 30 . 0 0 0 00 . 9 9 9 90 . 0 0 0 00 . 0 0 0 0H DH D60 . 0 0 0 10 . 0 0 0 70 . 0 2 3 50 . 9 9 7 3H HH H4 40 . 0 1 7 50 . 0 0 3 80 . 9 9 5 40 . 0 0 0 1H DH D70 . 0 0 1 30 . 0 2 8 30 . 6 5 6 30 . 0 9 3 9L HH H4 50 . 0 0 7 80 . 0 0 0 00 . 0 0 1 60 . 0 0 0 8AH D80 . 0 0 0 00 . 0 0 0 40

22、 . 0 0 0 00 . 9 9 9 9H HH H4 60 . 0 0 0 10 . 9 9 9 80 . 0 0 0 00 . 0 0 0 0H DH D90 . 2 2 3 80 1 9 6 00 . 0 0 0 00 . 0 0 0 0AH H4 70 . 0 2 7 10 . 9 6 3 50 . 0 0 0 00 . 0 0 0 0H DH D1 00 . 0 0 0 00 . 0 0 0 00 . 0 0 0 01 . 0 0 0 0H HH H4 80 . 0 0 0 00 . 9 9 9 80 . 0 0 9 30 . 0 0 0 0H DH D1 10 . 0 0 0 0

23、0 . 0 0 0 00 . 0 0 0 01 . 0 0 0 0H HH H4 90 . 0 0 0 00 . 9 9 7 90 . 0 0 0 00 . 0 0 0 0H DH D1 20 . 0 0 0 40 . 0 0 0 10 . 1 7 7 90 . 9 8 5 1H HH H5 00 . 0 0 0 01 . 0 0 0 00 . 0 0 0 00 . 0 0 0 0H DH D1 30 . 0 0 0 20 . 0 0 1 60 . 1 5 7 60 . 9 6 9 2H HH H5 10 . 1 0 7 60 . 6 9 6 00 . 0 0 0 00 . 0 0 0 0H

24、DH D1 40 . 0 0 0 00 . 0 0 0 10 . 0 0 0 01 . 0 0 0 0H HH H5 20 . 0 0 0 00 . 9 9 8 40 . 0 0 0 00 . 0 0 0 0H DH D1 50 . 0 0 0 00 . 0 0 0 40 . 0 0 0 81 . 0 0 0 0H HH H5 30 . 0 0 0 01 . 0 0 0 00 . 0 0 0 00 . 0 0 0 0H DH D1 60 . 0 0 0 00 . 0 0 0 10 . 0 0 0 01 . 0 0 0 0H HH H5 40 . 0 0 0 00 . 9 9 7 90 . 0

25、0 0 00 . 0 0 0 0H DH D1 70 . 0 0 0 10 . 0 0 0 20 . 0 1 0 50 . 9 9 8 7H HH H5 50 . 0 3 4 10 . 8 7 6 00 . 0 0 0 00 . 0 0 0 0H DH D1 80 . 0 0 0 00 . 0 0 0 70 . 0 0 0 01 . 0 0 0 0H HH H5 60 . 6 4 4 00 . 5 3 4 30 . 0 0 0 00 . 0 0 0 0AH D1 90 . 0 0 0 00 . 0 0 0 00 . 0 0 0 01 . 0 0 0 0H HH H5 70 . 0 0 0 00

26、 . 9 9 9 90 . 1 6 9 80 . 0 0 0 0H DH D2 00 . 0 0 0 00 . 0 0 0 00 . 0 0 0 41 . 0 0 0 0H HH H5 80 . 2 7 0 50 . 8 0 4 30 . 0 0 0 00 . 0 0 0 0H DH D2 10 . 0 0 0 00 . 0 0 0 20 . 0 0 0 01 . 0 0 0 0H HH H5 90 . 0 0 0 00 . 9 9 9 90 . 0 0 0 00 . 0 0 0 0H DH D2 20 . 0 0 0 00 . 0 0 0 00 . 0 0 0 01 . 0 0 0 0H H

27、H H6 00 . 0 0 0 01 . 0 0 0 00 . 0 0 0 00 . 0 0 0 0H DD H2 30 . 0 0 0 00 . 0 0 0 00 . 0 0 0 01 . 0 0 0 0H HH H6 10 . 0 0 0 01 . 0 0 0 00 . 0 0 0 00 . 0 0 0 0H DH D2 40 . 0 0 0 00 . 0 0 0 00 . 0 0 0 01 . 0 0 0 0H HH H6 20 . 0 0 0 01 . 0 0 0 00 . 0 0 0 00 . 0 0 0 0H DH D2 50 . 0 0 0 00 . 0 0 0 00 . 0 0

28、 0 01 . 0 0 0 0H HH H6 30 . 9 3 9 70 . 5 6 1 30 . 0 0 0 00 . 0 0 0 0L DL D2 60 . 0 0 2 30 . 0 0 1 10 . 9 8 6 10 . 0 0 9 9L HL H6 40 . 9 9 5 90 . 0 0 0 10 . 0 0 0 00 . 0 0 0 0L DL D2 70 . 0 1 0 20 . 0 0 2 50 . 9 8 040 . 0 0 3 5L HL H6 50 . 9 9 5 40 . 0 0 0 30 . 0 0 0 00 . 0 0 0 0L DL D2 80 . 0 0 2 90

29、 . 0 0 1 80 . 9 0 7 40 . 1 0 2 9L HL H6 61 . 0 0 0 00 . 0 0 0 20 . 0 0 0 00 . 0 0 0 0L DL D2 90 . 0 0 4 60 . 0 0 0 00 . 0 0 0 50 . 0 0 7 0AL H6 71 . 0 0 0 00 . 0 0 1 40 . 0 0 0 00 . 0 0 0 0L DL D3 00 . 0 0 3 70 . 0 0 0 50 . 9 9 2 00 . 0 0 3 2L HL H6 80 . 9 9 9 70 . 0 0 0 90 . 0 0 0 00 . 0 0 0 0L DL

30、D3 10 . 0 8 60 . 0 0 5 30 . 9 8 6 60 . 0 0 0 0L HL H6 91 . 0 0 0 00 . 0 0 0 00 . 0 0 0 00 . 0 0 0 0L DL D3 20 . 0 0 0 V 60 . 0 0 0 70 . 9 5 2 80 . 0 9 7 3L HL H7 01 . 0 0 0 00 . 0 0 0 00 . 0 0 0 00 . 0 0 0 0L DL D3 30 . 0 1 9 10 . 0 0 7 50 . 9 8 9 00 . 0 0 0 1L HL H7 10 . 9 1 7 70 . 0 0 0 00 . 0 0 0

31、 00 . 0 0 0 0L DL D3 40 . 0 0 1 20 . 0 0 0 30 . 9 8 9 70 . 0 0 4 0L HL H7 20 . 0 0 0 10 . 1 6 4 60 . 0 0 0 00 . 0 0 0 0AL D3 50 . 0 3 3 40 . 0 0 2 30 . 9 9 6 70 . 0 0 0 1L HL H7 30 . 0 3 8 80 . 9 9 6 50 . 0 0 0 00 . 0 0 0 0H DL D3 60 . 7 2 4 50 . 0 0 1 90 . 0 0 0 00 . 0 0 0 0H HH D7 41 . 0 0 0 00 .

32、0 0 0 00 . 0 0 0 00 . 0 0 0 0L DL D3 70 . 0 0 3 90 . 9 9 2 20 . 0 0 0 00 . 0 0 0 0H DH D7 51 . 0 0 0 00 . 0 0 0 00 . 0 0 0 00 . 0 0 0 0L DL D3 80 . 0 0 3 30 . 9 9 1 10 . 0 0 0 00 . 0 0 0 0H DH D7 60 . 9 9 8 10 . 0 0 0 00 . 0 0 0 00 . 0 0 0 0L DL D表2 B P A N N的诊断结果T a b l e2 B P A N N d i a g n o s i

33、 sr e s u l t s5 0王伟、 李清泉、 王向东: 基于MA T L A B的B P A N N油浸电力变压器故障诊断仿真第9期7 3 L $L、5 2 L $L、1 4 0 L $L、1 2 3 0 L $L、7 L $L,B P A N N的输出分别为 0 . 0 0 0 0,0 . 0 0 0 0,0 . 0 0 0 0,1 . 0 0 0 0 T。 即发生高温过热故障, 吊芯检查结果为铁心托板与铁心短路有烧熔点, 纸板烧损。某2 2 0 k V主变压器, 用油中溶解气体分析法测得H2、C H4、C2H6、C2H4、C2H2的气体组分含量分别为 3 5 5 L $L、6 7

34、L $L、1 8 L $L、1 4 3 L $L、1 7 0 L $L,B P A N N的输出分别为 0 . 0 0 3 9,0 . 9 9 2 2,0 . 0 0 0 0,0 . 0 0 0 0 T。即发生高能放电故障, 吊芯检查结果为工频持续电弧放电。5结论(1) 利用M A T L A B软件对B P A N N设计过程中关键参数的选取做了仿真研究, 隐层节点数在输入节点数两倍附近进行调整, 网络的性能较好。不同训练函数采用不同的算法, 选择时须参考算法的运算性能结合应用场合具体分析。(2) 设计的B P A N N能在1 . 5 s左右实现对样本的学习, 实时性较强, 并且具有较好的

35、正判率, 适用于变压器故障的实时监测与诊断。(3)B P A N N由于其良好的非线性逼近能力和容错能力在变压器故障诊断领域获得了广泛的应用,但并没有确定隐层节点数的有效方法, 并且众多B P改进算法都是在梯度下降的基础上提出的, 并没有从根本上克服B P算法的缺点。这些都影响了其适用性, 在今后的研究工作中, 一方面需要与其他人工智能技术相结合, 实现智能技术的互补; 另一方面需要从算法上有所突破, 以寻求最佳的训练效果和诊断性能。参考文献: 1 A N S I $I E E EC 5 7 .1 0 4 - 1 9 9 9 1 :G u i d ef o r t h ei n t e r p

36、 r e t a t i o no fg a s e s g e n e r a t e di no i l - i m m e r s e dt r a n s f o r m e r s S . 2 操敦奎.变压器油中气体分析诊断与故障检查 M .北京:中国电力出版社,2 0 0 5 . 3 刘勇辉.基于D G A的电力变压器故障诊断 J .高电压技术,2 0 0 5,3 1(6) :8 7 - 8 8 . 4 杨启平, 薛五德, 蓝之达.基于人工神经网络的变压器故障诊断 J .变压器,2 0 0 0,3 7(3) :3 3 - 3 6 . 5 王雪梅, 李文申, 严璋. B P网络在电力

37、变压器故障诊断中的应用 J .高电压技术,2 0 0 5,3 1(7) :1 2 - 1 4 . 6 彭宁云, 文习山, 陈江波, 等.电力变压器B P神经网络故障诊断法的比较研究 J .高压电器,2 0 0 4,4 0(3) :1 7 3 -1 7 6 . 7 Wa n gZY ,L i nY L ,G r i f f i nPJ .A c o m b i n e dA N Na n de x p e r t s y s t e m t o o l f o rt r a n s f o r m e rf a u l t d i a g n o s i s J .I E E ET r a n

38、s . P o w e rD e l i v . , 1 9 9 8 , 1 3(4): 1 2 2 4 - 1 2 2 9 . 8 Z h a n gY ,L i uY .A na r t i f i c i a ln e u r a ln e t w o r ka p p r o a c ht ot r a n s f o r m e rf a u l td i a g n o s i s J . I E E ET r a n s . P o w e rD e l i v . 1 9 9 6 , 1 1(4) :1 8 3 6 - 1 8 4 4 . 9 钱政, 高文胜, 尚勇, 等.用可

39、靠性数据分析及B P网络诊断变压器故障 J .高电压技术,1 9 9 9,2 5(3) :1 3 - 1 5 . 1 0 飞思科技.神经网络理论与M A T L A B7实现 M .北京:电子工业出版社,2 0 0 5 . 1 1 王财胜, 孙才新.变压器色谱监测中的B P N N故障诊断法 J .中国电机工程学报,1 9 9 7,1 7(5) :3 2 2 - 3 2 4 . 1 2 钱政.大型电力变压器绝缘故障诊断中人工智能技术的应用研究 D .西安: 西安交通大学,2 0 0 0 . 1 3 尚勇, 闫春江, 严璋, 等.基于信息融合的大型油浸电力变压器故障诊断 J .中国电机工程学报,

40、2 0 0 2,2 2(7) :1 1 5 - 1 1 8 . 1 4 俞晓冬, 马凤英, 臧宏志.粗糙集理论与神经网络在变压器故障诊断中的应用 J .继电器,2 0 0 6,3 4(1) :1 0 - 1 3 . 1 5 周开利, 康耀红.神经网络模型及其M A T L A B仿真程序设计 M .北京: 清华大学出版社,2 0 0 5 .收稿日期:2 0 0 7 - 0 1 - 1 5作者简介: 王伟(1 9 8 3 -) , 男, 山东商河人, 山东大学电气工程学院硕士研究生, 从事电力设备故障诊断与人工智能技术方面的研究工作;李清泉(1 9 6 9 -) , 男, 山东济南人, 山东大学

41、电气工程学院副教授, 工学博士, 从事高压电力设备在线监测方面的研究工作;王向东(1 9 6 8 -) , 男, 山东济南人, 济南市产品监督检验所电器部部长, 高级工程师, 从事各种电器的检验监督工作。!2 0 0 7年7月5日,A B B赢得了中国首个1 0 0 0 k V特高压交流示范工程的电力产品订单。A B B将向西安西电变压器有限责任公司提供1 1套1 1 0 0 k V高压交流电套管。产品将被安装在中国第一个1 0 0 0 k V晋东南-南阳-荆门特高压交流项目,该项目将把电力从华北和西南部发出的电力输送到华东用电负载密集的地区。A B B为西电公司提供1 1套1 1 0 0 k V高压交流电套管5 1