基于模糊輸入的BP-ART2混合神經(jīng)網(wǎng)絡(luò)在電力變壓器故障綜合

　　自適應(yīng)共振理論ART2具有快速的學(xué)習(xí)算法，且無(wú)需大量樣本，在故障在線識(shí)別領(lǐng)域有很大的應(yīng)用潛力。圖3是典型的單ART2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，適用于模擬向量輸入。網(wǎng)絡(luò)可分為注意子系統(tǒng)和調(diào)整子系統(tǒng)兩部分，前者完成輸入向量的相似度匹配及競(jìng)爭(zhēng)選擇，后者檢驗(yàn)輸入模式與長(zhǎng)期記憶模式之間的相似度是否達(dá)到滿意的程度，并根據(jù)檢驗(yàn)結(jié)果作出相應(yīng)處理，成功或重置。提取的特征向量Ii輸入F1層(比較層)。在F1層通過(guò)向量歸一化和非線性變換經(jīng)迭代得到穩(wěn)定的中層模式u，并經(jīng)p送入F2層(識(shí)別層)，由F2層經(jīng)競(jìng)爭(zhēng)選擇激活F2層候選模式(本文中對(duì)應(yīng)故障類型)，得到系統(tǒng)的短期記憶。F2層的輸出經(jīng)長(zhǎng)期記憶加權(quán)后反饋回F1層，反饋信息與u一起送入調(diào)整子系統(tǒng)，檢驗(yàn)系統(tǒng)長(zhǎng)期記憶模式與輸入模式的相似程度，若通過(guò)相似程度檢驗(yàn)，則可確定輸入模式屬于F2層的候選模式，并按快速學(xué)習(xí)算法，一步完成權(quán)值的學(xué)習(xí)；若未通過(guò)檢驗(yàn)，則強(qiáng)迫F2層重置并選擇下一輸出節(jié)點(diǎn)，若所有的輸出節(jié)點(diǎn)都不能通過(guò)匹配檢驗(yàn)，則增加一個(gè)新的輸出節(jié)點(diǎn)即另一新類。

　　在應(yīng)用ART2時(shí)必須注意的是ρ(相似測(cè)度警戒限，為0到1之間的正數(shù))的選擇。ρ值決定了網(wǎng)絡(luò)對(duì)輸入模式進(jìn)行分類的間隔大小，直接影響分類性能。若ρ選得太小，分類粗糙，不能把不同故障類型區(qū)分開(kāi)；若ρ選得太大，分類又太紉，則同一故障類型可能被劃分到不同輸出模式中，引起錯(cuò)分。ρ的選樣沒(méi)有一定的規(guī)則，需要在具體應(yīng)用中調(diào)整。本文中ρ取0.5即可達(dá)到較滿意的分類效果。ART2網(wǎng)絡(luò)參考了文獻(xiàn)10所述的學(xué)習(xí)算法。

　　變壓器故障診斷過(guò)程屬于一個(gè)非平穩(wěn)、非線性的隨機(jī)過(guò)程。在學(xué)習(xí)階段，通過(guò)對(duì)足夠量的樣本訓(xùn)練，逐層調(diào)整接點(diǎn)權(quán)重和閾值，直至誤差達(dá)到精度要求。在工作期間，投入不同的測(cè)試樣本，進(jìn)行故障診斷模式識(shí)別，最終實(shí)時(shí)判別故障類型和故障可能發(fā)生的位置。

4.知識(shí)處理
4.1特征氣體的模糊知識(shí)表示

4.2三比值法模糊知識(shí)表示
　　參照表2，采用升半正態(tài)分布函數(shù)，可以具有對(duì)較弱數(shù)值持不敏感態(tài)度，而對(duì)足以淹沒(méi)噪聲的較大數(shù)值，持較敏感態(tài)度。分布函數(shù)如上公式所示。

4.3電氣試驗(yàn)數(shù)據(jù)的模糊處理