ACISCgydF4y2Ba 应用计算智能和软计算gydF4y2Ba 1687 - 9732gydF4y2Ba 1687 - 9724gydF4y2Ba Hindawi出版公司gydF4y2Ba 10.1155 / 2014/845815gydF4y2Ba 845815年gydF4y2Ba 研究文章gydF4y2Ba 在电力变压器早期故障诊断的调查使用神经网络和自适应Neurofuzzy推理系统gydF4y2Ba 瓦夫gydF4y2Ba 南德库马尔gydF4y2Ba DeshpandegydF4y2Ba d . M。gydF4y2Ba 文图拉gydF4y2Ba 塞巴斯蒂安。gydF4y2Ba 1gydF4y2Ba 电气工程部门gydF4y2Ba Maulana Azad研究所技术gydF4y2Ba 462003年博帕尔gydF4y2Ba 印度gydF4y2Ba manit.ac.ingydF4y2Ba 2014年gydF4y2Ba 13gydF4y2Ba 11gydF4y2Ba 2014年gydF4y2Ba 2014年gydF4y2Ba 30.gydF4y2Ba 06gydF4y2Ba 2014年gydF4y2Ba 30.gydF4y2Ba 08年gydF4y2Ba 2014年gydF4y2Ba 28gydF4y2Ba 09年gydF4y2Ba 2014年gydF4y2Ba 13gydF4y2Ba 11gydF4y2Ba 2014年gydF4y2Ba 2014年gydF4y2Ba 版权©2014南德库马尔Wagh和d . m . Deshpande。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

供电的连续性是至关重要的消费者和只可能通过协调和电力系统组件的可靠运行。电力变压器是输配电系统的主要设备,需要不断监测其幸福。自比方法不能提供正确的诊断由于边界问题和存在的多个故障的概率,人工智能可能是最好的方法。溶解气体分析(DGA)的解释可能提供一个洞察发展初期的缺点,采用的初步诊断工具。拟议的工作,比较诊断能力的反向传播(BP)、径向基函数(RBF)神经网络和自适应neurofuzzy推理系统(简称ANFIS)调查和诊断结果的误差测量,精度,网络训练时间和迭代次数。gydF4y2Ba

 1。介绍gydF4y2Ba

电力变压器是电力系统最重要和昂贵的元素的和系统的可靠性取决于它的幸福。关闭和持续的监控和维护它恢复服务条件。热、电应力可能会导致故障的初期这进一步导致失败的设备。故障检测在早期阶段可以节省设备。DGA诊断过失的重要工具。罗杰斯比值,Doernenburg比率、IEC比率和所得钱款三角形的一些标准建立了诊断。方法比基于单一故障预测但有多个故障和诊断的情况下变成错误。在现有的识别方法的缺点,DGA是最受欢迎和成功的方法gydF4y2Ba 1gydF4y2Ba- - - - - -gydF4y2Ba 3gydF4y2Ba]。当有任何类型的故障,如过热或变压器内部放电故障,它会产生一个相应的变压器油中气体的特征。这个概念是DGA的基本原则。通过溶解气体浓度的分析,他们吹嘘,和某些气体的比例,DGA方法可以确定变压器的故障类型。通常收集和分析气体是HgydF4y2Ba2gydF4y2Ba,CHgydF4y2Ba4gydF4y2BaCgydF4y2Ba2gydF4y2BaHgydF4y2Ba2gydF4y2BaCgydF4y2Ba2gydF4y2BaHgydF4y2Ba4gydF4y2BaCgydF4y2Ba2gydF4y2BaHgydF4y2Ba6gydF4y2Ba、有限公司gydF4y2Ba2gydF4y2Ba,有限公司ANSI / IEEE标准和IEC 599年出版gydF4y2Ba 4gydF4y2Ba,gydF4y2Ba 5gydF4y2Ba)描述了三个DGA方法如(1)关键气体方法;(2)罗杰斯比值法;和(3)Doernenburg比方法。这三种方法计算简单。然而,在某些情况下,这些方法提供错误的诊断以及没有结论的错误类型。关键气体的方法的基础上,确定关键气体定性的确定提供了依据典型故障类型的气体或主要在不同的温度。现在,如果错误是非常严重的,那么所有的气体浓度将会很高但不足以注册一个故障在使用指定的值在IEEE标准(gydF4y2Ba 2gydF4y2Ba]。同时,天然气比例获得特定的变压器样品可能不符合ANSI / IEEE-specified范围,导致的失败比变压器诊断方法(gydF4y2Ba 6gydF4y2Ba]。近年来,许多研究人员研究了人工智能的应用,如神经网络和模糊集合理论,以提高诊断的准确性gydF4y2Ba 6gydF4y2Ba- - - - - -gydF4y2Ba 15gydF4y2Ba]。模糊系统,虽然擅长处理不确定性,不能从之前的诊断结果和,因此,是不能够自动调整诊断规则(gydF4y2Ba 10gydF4y2Ba- - - - - -gydF4y2Ba 13gydF4y2Ba]。考虑到不确定性,提出了人工神经网络(ann)来诊断变压器故障,因为他们的卓越的学习能力gydF4y2Ba 6gydF4y2Ba- - - - - -gydF4y2Ba 9gydF4y2Ba]。一般来说,模糊系统和神经网络有效地处理两种不同的信息处理领域。模糊系统善于不确定性知识表示的各个方面,而神经网络是有效的结构,有能力学习的例子。这两种技术互为补充。采用广义回归神经网络(gydF4y2Ba 14gydF4y2Ba),但由于这个网络是一次通过的网络,为故障检测效率有点低。应用模糊聚类和径向基函数神经网络报道(gydF4y2Ba 15gydF4y2Ba];然而,当一种类型的断层附近的其他类型的错,错误的诊断可能增加的机会。gydF4y2Ba

本文调查在变压器故障诊断使用监督神经网络和简称ANFIS。在最初诊断工作是使用反向传播(BP)和径向基函数(RBF)神经网络,属于监督网络的分类和提出了部分gydF4y2Ba 2gydF4y2Ba在后期,啧啧简称ANFIS模型诊断的部分gydF4y2Ba 3gydF4y2Ba。部分gydF4y2Ba 4gydF4y2Ba提供诊断结果上面列出的所有方法的调查。gydF4y2Ba

 2。监督神经网络训练算法gydF4y2Ba 2.1。前馈或反向传播(BP)网络gydF4y2Ba

神经网络的反向传播或前馈和径向基函数(RBF),培训使用监督执行的方法,期望的结果而闻名的样本训练数据。反向传播算法包括批量训练的样本被摆放在一个批处理和重量更新完成。提出了增量训练样本在每个迭代更新。许多算法,即梯度下降,与动量梯度下降法,共轭梯度,拟牛顿,减少了内存Levenburg-Marquardt算法在神经网络工具箱中可用。本文在线或自适应Levenburg-Marquardt算法快,消耗更少的内存用于前馈神经网络学习。gydF4y2Ba

网络设计包括选择的输入、输出和隐藏层网络拓扑和加权连接节点。相应的连接权重也决定在这个过程。gydF4y2Ba

图gydF4y2Ba 1gydF4y2Ba介绍了人工神经网络用于故障诊断电力变压器,由三层前馈结构与输入、隐藏层和输出层。只显示一个隐层理解其架构;然而,设计网络有三个隐藏层。每一层的节点从上一层接收输入信号和输出传递给后续层。输入层的节点接收一组输入信号从外部系统和直接提供输入数据的输入加权隐层的链接。网络是专为7输入气体的浓度和一个输出对应的错。三个隐藏层神经元组成的7-7-1是更好的设计选择,从而揭示了隐藏的错误和气体组分之间的关系。gydF4y2Ba

FF神经网络的结构。gydF4y2Ba

 2.2。Levenburg-Marquardt算法gydF4y2Ba

然后提出的网络训练和测试使用Levenburg-Marquardt算法。该算法需要更少的内存空间,并迅速在操作比梯度下降法和其他算法。学习中使用该算法步骤如下所示。每个学习迭代(时代)将包括以下基本步骤:gydF4y2Ba

计算雅可比矩阵,gydF4y2Ba JgydF4y2Ba (通过使用有限的差异或链式法则);gydF4y2Ba

计算误差梯度gydF4y2Ba (1)gydF4y2Ba ggydF4y2Ba =gydF4y2Ba JgydF4y2Ba tgydF4y2Ba EgydF4y2Ba ;gydF4y2Ba

近似的黑森gydF4y2Ba (gydF4y2Ba HgydF4y2Ba )gydF4y2Ba ;gydF4y2Ba

利用雅可比矩阵外积gydF4y2Ba (2)gydF4y2Ba HgydF4y2Ba =gydF4y2Ba JgydF4y2Ba tgydF4y2Ba JgydF4y2Ba ;gydF4y2Ba

解决gydF4y2Ba (gydF4y2Ba HgydF4y2Ba +gydF4y2Ba λgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba δgydF4y2Ba =gydF4y2Ba ggydF4y2Ba 找到gydF4y2Ba δgydF4y2Ba ;gydF4y2Ba

更新网络权重gydF4y2Ba wgydF4y2Ba 使用gydF4y2Ba δgydF4y2Ba ;gydF4y2Ba

重新计算使用更新后的重量的平方误差的总和;gydF4y2Ba

如果误差的平方和没有减少,抛弃新的权重,增加gydF4y2Ba λgydF4y2Ba 使用5,进入步骤4;gydF4y2Ba

别的,减少gydF4y2Ba λgydF4y2Ba 使用5和停止,gydF4y2Ba

在哪里gydF4y2Ba EgydF4y2Ba =向量网络错误,gydF4y2Ba λgydF4y2Ba 阻尼或比例因子,gydF4y2Ba 我gydF4y2Ba =单位矩阵gydF4y2Ba δgydF4y2Ba 在每个迭代中增量。gydF4y2Ba

 2.3。径向基函数(RBF)网络gydF4y2Ba

如图gydF4y2Ba 2gydF4y2Ba、网络由3层(输入、隐藏和输出)。输入层节点是由连接网络环境。每个神经元的输入(隐层),神经元中心和输入向量之间的距离计算应用高斯贝尔函数形式的输出神经元。输出层是线性和供应网络激活函数的响应。径向基函数宽度参数的选择和径向基神经元隐层的数量是一个重要的步骤。更大宽度的结果在网络规模较小但更快的执行的数据。最大数量的神经元可能输入的数量,但可以确定最低神经元实验(gydF4y2Ba 10gydF4y2Ba]。网络结构完全取决于隐层神经元的数目。培训的网络性能参数指定,产生神经元的数量和诊断错误。学习策略包括学习和传播中心和输出层重量。中心可以固定随机或自组织或监管选择可以使用。gydF4y2Ba

RBF网络的结构。gydF4y2Ba

集群在自组织学习也可以执行。监督执行的RBF网络学习使用最小均方(LMS)算法。RBF培训与监督中心的选择和传播是通过使用以下方程。gydF4y2Ba

输出层权值(线性权重):gydF4y2Ba (3)gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba - - - - - -gydF4y2Ba ηgydF4y2Ba 1gydF4y2Ba δgydF4y2Ba EgydF4y2Ba ngydF4y2Ba δgydF4y2Ba WgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

中心是由的位置gydF4y2Ba (4)gydF4y2Ba tgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba tgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba - - - - - -gydF4y2Ba ηgydF4y2Ba 2gydF4y2Ba δgydF4y2Ba EgydF4y2Ba ngydF4y2Ba δgydF4y2Ba tgydF4y2Ba 我gydF4y2Ba ngydF4y2Ba 。gydF4y2Ba

传播的中心(隐层):gydF4y2Ba (5)gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba (gydF4y2Ba ngydF4y2Ba +gydF4y2Ba 1gydF4y2Ba )gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba (gydF4y2Ba ngydF4y2Ba )gydF4y2Ba - - - - - -gydF4y2Ba ηgydF4y2Ba 3gydF4y2Ba δgydF4y2Ba EgydF4y2Ba ngydF4y2Ba δgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba WgydF4y2Ba 是gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 是gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba 权向量,gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba (gydF4y2Ba ngydF4y2Ba )gydF4y2Ba 是一个gydF4y2Ba 米gydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba 矩阵,和“gydF4y2Ba 米gydF4y2Ba “是功能维度。gydF4y2Ba ηgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ηgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ηgydF4y2Ba 3gydF4y2Ba 一步的大小。gydF4y2Ba

δgydF4y2Ba EgydF4y2Ba (gydF4y2Ba ngydF4y2Ba )gydF4y2Ba /gydF4y2Ba δgydF4y2Ba WgydF4y2Ba 我gydF4y2Ba (gydF4y2Ba ngydF4y2Ba )gydF4y2Ba 误差对体重的变化在每一次迭代。gydF4y2Ba

δgydF4y2Ba EgydF4y2Ba (gydF4y2Ba ngydF4y2Ba )gydF4y2Ba /gydF4y2Ba δgydF4y2Ba tgydF4y2Ba 我gydF4y2Ba (gydF4y2Ba ngydF4y2Ba )gydF4y2Ba 改变错误的中心。gydF4y2Ba

对函数的线性组合,gydF4y2Ba FgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba WgydF4y2Ba 我gydF4y2Ba ·gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 使用。在这里gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 是一个高斯函数:gydF4y2Ba (6)gydF4y2Ba hgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba ⁡gydF4y2Ba - - - - - -gydF4y2Ba XgydF4y2Ba - - - - - -gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba rgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba CgydF4y2Ba 是中心向量的地区,gydF4y2Ba xgydF4y2Ba 是一个输入向量,gydF4y2Ba rgydF4y2Ba 是半径或接受域的宽度。gydF4y2Ba

之间最小平方误差和实际的输入和目标是由以下方程:gydF4y2Ba (7)gydF4y2Ba 年代gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba PgydF4y2Ba ygydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba fgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ,“gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba “所需的输出和“gydF4y2Ba fgydF4y2Ba (gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba )gydF4y2Ba ”是网络的输出。gydF4y2Ba

在[gydF4y2Ba 12gydF4y2Ba)基于OLS的时滞提出优化的参数大小网络变压器故障诊断。作者选择足够的训练原型从以前的文献和网络的性能方面的误分类和隐藏神经元。一种方法基于gydF4y2Ba kgydF4y2Ba ——聚类算法和RBF神经网络提出了(gydF4y2Ba 13gydF4y2Ba)的准确性达82.2%和78个神经元隐层与数据库的研究论文。SOM细胞分裂算法用于RBF网络故障分类的最优网络体系结构的电力变压器(gydF4y2Ba 14gydF4y2Ba]。gydF4y2Ba

 3所示。使用简称ANFIS早期故障诊断gydF4y2Ba 3.1。模糊推理系统(FIS)gydF4y2Ba

通常很难确定隐藏的气体浓度和故障类型之间的关系。模糊集理论可以用来处理这种类型的不确定性。在拟议的方法,基于选择范围的气体浓度低(L),中(M)和高(H)。钟形隶属函数用于所有输入气体和模糊推理规则是那么发达。FIS由先行词(如果)和顺向()部分和规则的形式。gydF4y2Ba

如果MH = M和AE = M和EE = L和EM = H,然后条件gydF4y2Ba KgydF4y2Ba 规则1。gydF4y2Ba

同样使用相同的气体比例不同的语言变量除了1中定义的规则,这些规则可以根据研究者的经验制定。然而使用5突出气体的浓度和指定语言变量和成员函数,可以生成不同的规则。gydF4y2Ba

使用最大/最小组成、模糊推理,即前期,由规则如下所示。gydF4y2Ba

规则gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba ⁡gydF4y2Ba {gydF4y2Ba MHgydF4y2Ba =gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba AEgydF4y2Ba =gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba EEgydF4y2Ba =gydF4y2Ba lgydF4y2Ba ,gydF4y2Ba 新兴市场gydF4y2Ba =gydF4y2Ba HgydF4y2Ba }gydF4y2Ba 。gydF4y2Ba

规则gydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba ⁡gydF4y2Ba {gydF4y2Ba MHgydF4y2Ba =gydF4y2Ba HgydF4y2Ba ,gydF4y2Ba AEgydF4y2Ba =gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba EEgydF4y2Ba =gydF4y2Ba lgydF4y2Ba ,gydF4y2Ba 新兴市场gydF4y2Ba =gydF4y2Ba lgydF4y2Ba }gydF4y2Ba 。gydF4y2Ba

规则gydF4y2Ba ngydF4y2Ba =gydF4y2Ba 最小值gydF4y2Ba ⁡gydF4y2Ba {gydF4y2Ba MHgydF4y2Ba =gydF4y2Ba VHgydF4y2Ba ,gydF4y2Ba AEgydF4y2Ba =gydF4y2Ba lgydF4y2Ba ,gydF4y2Ba EEgydF4y2Ba =gydF4y2Ba HgydF4y2Ba ,gydF4y2Ba 新兴市场gydF4y2Ba =gydF4y2Ba lgydF4y2Ba }gydF4y2Ba 。gydF4y2Ba

随之而来的一部分将指定故障情况:gydF4y2Ba

条件gydF4y2Ba KgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba ⁡gydF4y2Ba {gydF4y2Ba 规则gydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba 规则gydF4y2Ba 2gydF4y2Ba }gydF4y2Ba ;gydF4y2Ba

条件gydF4y2Ba NgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba ⁡gydF4y2Ba {gydF4y2Ba 规则gydF4y2Ba rgydF4y2Ba ,gydF4y2Ba 规则gydF4y2Ba pgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 规则gydF4y2Ba ngydF4y2Ba }gydF4y2Ba 。gydF4y2Ba

简称ANFIS结合了模糊系统和神经网络的最佳特性的先验知识的表示为一组约束,也就是说,网络拓扑结构来减少优化搜索空间,是由模糊系统和适应的反向传播结构化网络自动化模糊控制器参数优化是通过神经网络。模糊推理是实际的过程,从一个给定的输入映射到一个使用模糊逻辑输出。这个过程包括输入和输出的隶属度函数,模糊逻辑操作符和if - then规则。模糊推理系统的体系结构如图gydF4y2Ba 3gydF4y2Ba。gydF4y2Ba

模糊推理系统。gydF4y2Ba

这个过程包括模糊化,推理引擎或规则,和去模糊化。脆的输入是fuzzified范围从0到1,使用不同的隶属度函数每个语言标签的值(gydF4y2Ba 15gydF4y2Ba]。使用国际电工委员会(IEC)代码,中央发电板(CEGB),和美国标准测试方法(ASTM)标准建立模糊逻辑系统为例提出了电力变压器DGA的数据(gydF4y2Ba 16gydF4y2Ba),清晰的逻辑和模糊逻辑是用来解释断层的类型。gydF4y2Ba

输入特征选择是基于竞争学习和神经模糊模型的模糊规则库的识别故障是由应用减法聚类方法设计非常擅长处理的输入数据(gydF4y2Ba 17gydF4y2Ba]。验证所提出的方法进行了测试标准和实际数据和已被证明有效的方法使用在减法聚类半径参数诊断的准确性为96.7%比罗杰斯比率和其他神经模糊技术。gydF4y2Ba

最重要的方法在FIS Mamdani和Takagi-Sugeno-Kang(啧啧)方法。的主要区别在于模糊规则的结果。在拟议的工作中,啧啧FIS的方法被用于matlab模糊工具箱,模糊规则的输入输出数据集的生成563电力变压器油样品。gydF4y2Ba

啧啧模型结合模糊集与脆祖先函数输出:gydF4y2Ba

如果gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba 是gydF4y2Ba 一个gydF4y2Ba 和gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba 是gydF4y2Ba BgydF4y2Ba ,然后gydF4y2Ba ygydF4y2Ba =gydF4y2Ba fgydF4y2Ba (gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba )gydF4y2Ba ;gydF4y2Ba

如果gydF4y2Ba XgydF4y2Ba 是小的,那么gydF4y2Ba YgydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 4gydF4y2Ba ;gydF4y2Ba

如果gydF4y2Ba XgydF4y2Ba 中,然后gydF4y2Ba YgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba - - - - - -gydF4y2Ba 0.5gydF4y2Ba XgydF4y2Ba +gydF4y2Ba 4gydF4y2Ba ;gydF4y2Ba

如果gydF4y2Ba XgydF4y2Ba 很大,那么gydF4y2Ba YgydF4y2Ba 3gydF4y2Ba =gydF4y2Ba XgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba 。gydF4y2Ba

在这里gydF4y2Ba 一个gydF4y2Ba 和gydF4y2Ba BgydF4y2Ba 模糊集的前提,而gydF4y2Ba ygydF4y2Ba =gydF4y2Ba fgydF4y2Ba (gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba )gydF4y2Ba 结果是一个清爽的函数。gydF4y2Ba fgydF4y2Ba (gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba )gydF4y2Ba 输入变量的多项式吗gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba 。小、中、和高nonfuzzy集和隶属函数用于目前的工作。gydF4y2Ba

在啧啧简称ANFIS模型的体系结构,五节点可用,可以执行不同的功能。在图层1和4,节点自适应和节点所代表的功能。层2、3和5节点是固定的。整体输出计算的总和所有传入信号在节点5是给定的gydF4y2Ba (8)gydF4y2Ba 整体gydF4y2Ba 输出gydF4y2Ba (gydF4y2Ba OgydF4y2Ba 5gydF4y2Ba )gydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba ·gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 规范化的发射强度从第三层和吗gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba 的输出是gydF4y2Ba 我gydF4y2Ba 规则。gydF4y2Ba

 3.2。简称ANFIS结构gydF4y2Ba

网络结构中使用的细节提出如下工作。gydF4y2Ba

它使用7输入气体浓度gydF4y2Ba ggydF4y2Ba 贝尔隶属函数与线性传递函数和一个输出。输入-输出关系是使用模糊逻辑和推理关于开发特定的故障。生成的Sugeno(啧啧)FIS结构如下。gydF4y2Ba

fisNet =;gydF4y2Ba

名称:简称ANFIS的;gydF4y2Ba

类型:“Sugeno”;gydF4y2Ba

和方法:“刺激”;gydF4y2Ba

或方法:“max”;gydF4y2Ba

defuzz。方法:“wtaver”;gydF4y2Ba

imp.方法:“戳”。;gydF4y2Ba

gg。方法:“max”。;gydF4y2Ba

输入:[1×7 struct。];gydF4y2Ba

输出:[1×1 struct。];gydF4y2Ba

规则:[1×2187 struct。]。gydF4y2Ba

4所示。结果与讨论gydF4y2Ba

节gydF4y2Ba 2gydF4y2Ba架构、设计和算法用于训练BP和RBF网络进行了较为详细的试验研究。节gydF4y2Ba 3gydF4y2Ba,FIS方法基于气体比率或气体的浓度是突出显示。生成的金融中间人与输入、输出和规则结构。gydF4y2Ba

在这个诊断,八个错误的条件,即灭弧,电晕,低能量放电(D1),高能量放电(D2),热故障150 - 300摄氏度的温度,热断层之间的温度300 - 700摄氏度,温度热故障> 700摄氏度,与固体绝缘退化和电晕,正常或健康状况。潜在故障条件是基于能量和温度的七个知名气体如HgydF4y2Ba2gydF4y2Ba,CHgydF4y2Ba4gydF4y2BaCgydF4y2Ba2gydF4y2BaHgydF4y2Ba6gydF4y2BaCgydF4y2Ba2gydF4y2BaHgydF4y2Ba4gydF4y2BaCgydF4y2Ba2gydF4y2BaHgydF4y2Ba2gydF4y2Ba有限公司和有限公司gydF4y2Ba2gydF4y2Ba进化而来的。有限公司和有限公司gydF4y2Ba2gydF4y2Ba负责固体绝缘退化。设备故障的可能性由于固体绝缘退化较低;因此五气体足以做出最后的诊断。但所有的气体浓度被认为是和额外的组合的错,也就是说,电晕和固体绝缘退化是考虑。gydF4y2Ba

DGA解释主要是用作基础在处理所有的错误条件。总计563的电力变压器DGA样本被ISO认证测试单元中使用了数据基础。563个样本,40岁,30岁,30%是用于培训,测试,和模型验证。网络结构和诊断结果的误差作为衡量工作表现的诊断被仔细研究,比较网络的性能。gydF4y2Ba

4.1。诊断通过前馈反向传播网络gydF4y2Ba

数据gydF4y2Ba 4gydF4y2Ba和gydF4y2Ba 5gydF4y2Ba展示建筑的细节,训练、测试和验证模型和回归分析。网络性能更好,性能在388号时代培训是0.0445。然而模型有效性不是更好。大约需要5000次迭代实现网络性能的均方误差(MSE) 0.056和训练时间也在小时如图gydF4y2Ba 4gydF4y2Ba。在诊断准确性的训练、测试和验证是99.55,99.11和94.4%,分别。这个7-7-1的功能显示在诊断网络更好的性能在MSE和隐层的神经元数量少意味着更少的内存空间,但执行时间太长在验证模型。它表明,网络不适合在给定DGA诊断样本。gydF4y2Ba

网络性能、培训模块,和实际网络使用。gydF4y2Ba

回归分析在训练、测试和验证。gydF4y2Ba

 4.2。通过RBF神经网络诊断gydF4y2Ba

网络结构和算法用于训练的细节将在前一节中讨论。最优性能的观察网络时代数字135,在平方误差之和(SSE)终于降至0.015,如图gydF4y2Ba 8gydF4y2Ba表明98.78%正确的诊断准确性。网络花费更少的时间来执行,但在隐层神经元的数量最终决定在实验是在135年。更多数量的样本数据的基础,更多的神经元,因此更好的诊断准确性。似乎网络性能优越的这个问题。网络培训SSE,神经元的数量,和世图所示gydF4y2Ba 6gydF4y2Ba实际网络输出之间的误差和目标性能曲线如图gydF4y2Ba 7gydF4y2Ba和gydF4y2Ba 8gydF4y2Ba。gydF4y2Ba

网络训练显示上交所和时代。gydF4y2Ba

实际网络输出之间的误差和目标。gydF4y2Ba

网络性能。gydF4y2Ba

 4.3。简称ANFIS诊断的gydF4y2Ba

精心设计的简称ANFIS训练的数量的时代设定在3000年,目标是设置为0。简称ANFIS训练563变压器油样品进行使用3 g贝尔隶属度函数对输入和输出的线性函数。和方法用于输入和重量平均输出。去模糊化,体重平均使用。啧啧模型的40%样本进行检测,测试和验证进行剩下的30%样本。简称ANFIS训练提供了诊断的根均方误差(RMSE)为0.28,表明93.83%的准确性,和最好的验证性能获得了92.33%的准确率。gydF4y2Ba

输入隶属函数如图gydF4y2Ba 9gydF4y2Ba。简称ANFIS模块与7输入1输出,和2187年由训练有素的规则自动生成系统模型如图gydF4y2Ba 10gydF4y2Ba。由于输入参数是7和3隶属度函数,生成的规则gydF4y2Ba 3gydF4y2Ba 7gydF4y2Ba =gydF4y2Ba 2187年gydF4y2Ba 。规则查看器如图gydF4y2Ba 11gydF4y2Ba规则7系统的输入和输出。图gydF4y2Ba 12gydF4y2Ba显示了性能曲线与均方根误差(RMSE)和培训期间的时代。已经观察到,在3000号时代简称ANFIS训练提供了更好的性能。这项工作中所使用的FIS生成更多的规则和一些可能是多余的,但性能是很不错的。其他会员功能,例如,三角形、梯形和乙状结肠,也尝试过,但诊断错误太高仅限于包含在目前的研究中,只有单一的隶属函数的结果。gydF4y2Ba

输入隶属函数。gydF4y2Ba

简称ANFIS模块与7输入1输出和2187条规则。gydF4y2Ba

简称ANFIS规则查看器(2187)的规则。gydF4y2Ba

性能曲线显示RMSE和时代的数量。gydF4y2Ba

比较诊断方法的性能如表所示gydF4y2Ba 3gydF4y2Ba。为了克服神经网络的缺点如前所述,简称ANFIS可能是最好的选择。简称ANFIS是缓慢的收敛性比RBF和占用更多的内存空间,但因为它具有最小二乘法和梯度下降法的优点,在调查发现更好的性能。gydF4y2Ba

 4.4。诊断用罗杰斯比值法gydF4y2Ba

它使用4气体比例如CHgydF4y2Ba4gydF4y2Ba/小时gydF4y2Ba2gydF4y2BaCgydF4y2Ba2gydF4y2BaHgydF4y2Ba6gydF4y2Ba/ CHgydF4y2Ba4gydF4y2BaCgydF4y2Ba2gydF4y2BaHgydF4y2Ba4gydF4y2Ba/ CgydF4y2Ba2gydF4y2BaHgydF4y2Ba6gydF4y2BaCgydF4y2Ba2gydF4y2BaHgydF4y2Ba2gydF4y2Ba/ CgydF4y2Ba2gydF4y2BaHgydF4y2Ba4gydF4y2Ba和被编码为gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ,gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba lgydF4y2Ba 分别和比率的范围如表所示gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

罗杰斯比值编码。gydF4y2Ba

比代码gydF4y2Ba 范围gydF4y2Ba 代码gydF4y2Ba
我gydF4y2Ba ≤0.1gydF4y2Ba 5gydF4y2Ba
0.1 >,< 1.0gydF4y2Ba 0gydF4y2Ba
≥1.0 < 3.0gydF4y2Ba 1gydF4y2Ba
≥3.0gydF4y2Ba 2gydF4y2Ba
jgydF4y2Ba < 1.0gydF4y2Ba 0gydF4y2Ba
≥1.0gydF4y2Ba 1gydF4y2Ba
kgydF4y2Ba < 1.0gydF4y2Ba 0gydF4y2Ba
≥1.0 < 3.0gydF4y2Ba 1gydF4y2Ba
≥3.0gydF4y2Ba 2gydF4y2Ba
lgydF4y2Ba < 0.5gydF4y2Ba 0gydF4y2Ba
≥0.5 < 3.0gydF4y2Ba 1gydF4y2Ba
≥3.0gydF4y2Ba 2gydF4y2Ba

故障诊断提出基于气体比例如表所示gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

故障诊断基于罗杰斯比值编码。gydF4y2Ba

我gydF4y2Ba jgydF4y2Ba kgydF4y2Ba lgydF4y2Ba 诊断gydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 正常的恶化gydF4y2Ba
5gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 局部放电gydF4y2Ba
1 - 2gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 轻微过热< 150°CgydF4y2Ba
1 - 2gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 过热150°-200°CgydF4y2Ba
0gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 过热200°-300°CgydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 一般导线过热gydF4y2Ba
1gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 0gydF4y2Ba 绕组循环电流gydF4y2Ba
1gydF4y2Ba 0gydF4y2Ba 2gydF4y2Ba 0gydF4y2Ba 核心和水箱循环水流,开销关节gydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1gydF4y2Ba 闪络后断电gydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 1 - 2gydF4y2Ba 1 - 2gydF4y2Ba 通过后弧与权力gydF4y2Ba
0gydF4y2Ba 0gydF4y2Ba 2gydF4y2Ba 2gydF4y2Ba 连续引发浮动的潜力gydF4y2Ba
5gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba 1 - 2gydF4y2Ba 局部放电与跟踪gydF4y2Ba

结果诊断变压器油样品。DGA总数= 563样本数据库。gydF4y2Ba

网络gydF4y2Ba 网络拓扑结构和数量的神经元/规则gydF4y2Ba 样本在训练gydF4y2Ba %的训练精度gydF4y2Ba 样品在测试中gydF4y2Ba %的测试精度gydF4y2Ba %验证准确性gydF4y2Ba
RBFNNgydF4y2Ba 275年gydF4y2Ba 225年gydF4y2Ba 98.78gydF4y2Ba 169年gydF4y2Ba 98.81gydF4y2Ba 98.85gydF4y2Ba
摘要利用gydF4y2Ba 7×7×1gydF4y2Ba 225年gydF4y2Ba 99.55gydF4y2Ba 169年gydF4y2Ba 99.11gydF4y2Ba 94.40gydF4y2Ba
简称ANFISgydF4y2Ba 1×7,1×2187规则gydF4y2Ba 225年gydF4y2Ba 93.83gydF4y2Ba 169年gydF4y2Ba - - - - - -gydF4y2Ba 92.33gydF4y2Ba

Matlab代码被用来匹配比代码和相关的错。55 DGA样品已使用可用的563个样本,只有29已正确分类样本显示52.73%的准确性。这个方法是不太准确的,有时往往没有诊断在许多情况下。不能够覆盖整个范围的输入空间。gydF4y2Ba

 4.5。诊断使用所得钱款三角形gydF4y2Ba

迈克尔·杜瓦发达成千上万的Duval三角形利用数据库启动的变压器诊断。所得钱款三角图所示gydF4y2Ba 13gydF4y2Ba。这种方法已被证明是准确的,但主要取决于气体的浓度在中、低水平影响诊断。gydF4y2Ba

所得钱款三角形。gydF4y2Ba

当使用Duval三角形诊断CgydF4y2Ba2gydF4y2BaHgydF4y2Ba2gydF4y2BaCgydF4y2Ba2gydF4y2BaHgydF4y2Ba4gydF4y2Ba,CHgydF4y2Ba4gydF4y2Ba值测试实验室绘制一个点,是在一个三角形的断层带或很少可能落在两个断层之间的界线将决定这个特别的毛病。gydF4y2Ba

著名的气体可以确定的百分比如下:gydF4y2Ba

%gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba HgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba One hundred.gydF4y2Ba XgydF4y2Ba /gydF4y2Ba XgydF4y2Ba +gydF4y2Ba YgydF4y2Ba +gydF4y2Ba ZgydF4y2Ba ,因为gydF4y2Ba XgydF4y2Ba =gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba HgydF4y2Ba 2gydF4y2Ba 在微升/升;gydF4y2Ba

%gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba HgydF4y2Ba 4gydF4y2Ba =gydF4y2Ba One hundred.gydF4y2Ba YgydF4y2Ba /gydF4y2Ba XgydF4y2Ba +gydF4y2Ba YgydF4y2Ba +gydF4y2Ba ZgydF4y2Ba ,因为gydF4y2Ba YgydF4y2Ba =gydF4y2Ba CgydF4y2Ba 2gydF4y2Ba HgydF4y2Ba 4gydF4y2Ba 在微升/升;gydF4y2Ba

%gydF4y2Ba CgydF4y2Ba HgydF4y2Ba 4gydF4y2Ba =gydF4y2Ba One hundred.gydF4y2Ba ZgydF4y2Ba /gydF4y2Ba XgydF4y2Ba +gydF4y2Ba YgydF4y2Ba +gydF4y2Ba ZgydF4y2Ba ,因为gydF4y2Ba ZgydF4y2Ba =gydF4y2Ba CgydF4y2Ba HgydF4y2Ba 4gydF4y2Ba 在微升/升。gydF4y2Ba

指定的缺点如下:gydF4y2Ba

帕金森病:局部放电;gydF4y2Ba

T1:热故障小于300°C;gydF4y2Ba

T2: 300°和700°C之间的热故障;gydF4y2Ba

T3:热断层大于700°C;gydF4y2Ba

D1:低能量放电(引发);gydF4y2Ba

D2:高能量放电(电弧);gydF4y2Ba

DT:热和电气故障。gydF4y2Ba

利用可用的55 DGA样本563样品,所得钱款三角形为40样本显示72.66%提供正确的诊断准确性和更好的诊断与罗杰斯比值法。gydF4y2Ba

 5。结论gydF4y2Ba

比较诊断能力的反向传播(BP),径向基函数(RBF)神经网络和自适应neurofuzzy推理系统(简称ANFIS)调查和诊断结果的误差测量,精度,网络训练时间和迭代次数。已经研究了BP网络训练中的表现更好,但未能验证的性能。RBF网络在它的性能是一致的培训和测试和验证精度优于BP网络。在目前的工作,简称ANFIS提供至少精度比BP和RBF网络。它是缓慢的收敛比RBF和需要更多的迭代和占用更多的内存空间,提供了相当好的诊断结果和精度也在对未知样本训练和测试。它优越的诊断,因为它使用反向传播或结合隶属函数参数估计的最小二乘估计和反向传播。它克服了BP网络的缺点在局部最小值。它会自动从输入输出数据。简称ANFIS的性能可以通过使用不同的隶属度函数和参数进一步好转。gydF4y2Ba

提供更好的人工智能方法在故障诊断精度比罗杰斯比值法和所得钱款三角形和诊断结果表中列出的所有方法gydF4y2Ba 3gydF4y2Ba和gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

罗杰斯Duval三角比率和方法的诊断结果。gydF4y2Ba

方法gydF4y2Ba 使用的DGA样本数量gydF4y2Ba DGA样本正确分类gydF4y2Ba %的诊断准确性gydF4y2Ba
罗杰斯比值gydF4y2Ba 55gydF4y2Ba 29日gydF4y2Ba 52.73gydF4y2Ba
所得钱款三角形gydF4y2Ba 55gydF4y2Ba 40gydF4y2Ba 72.66gydF4y2Ba
利益冲突gydF4y2Ba

作者宣称没有利益冲突有关的出版。gydF4y2Ba

 确认gydF4y2Ba

作者感谢M / S.B.R.工业服务提供足够的电力变压器DGA数据MSETCL。没有油样品的工作已经完成。我们应感谢那些评论家的建设性的批评,使人们有可能将改变为更好的制定真正意义上的纸。gydF4y2Ba

 解释气体分析的变压器等充油电气设备服务gydF4y2Ba 1978年gydF4y2Ba 599年gydF4y2Ba 瑞士日内瓦gydF4y2Ba IEC出版gydF4y2Ba 罗杰斯gydF4y2Ba R R。gydF4y2Ba IEEE和IEC代码解释早期故障变压器使用天然气石油分析gydF4y2Ba IEEE电气绝缘gydF4y2Ba 1978年gydF4y2Ba 13gydF4y2Ba 5gydF4y2Ba 349年gydF4y2Ba 354年gydF4y2Ba 2 - s2.0 - 0018021576gydF4y2Ba 杜瓦gydF4y2Ba M。gydF4y2Ba DePablogydF4y2Ba 一个。gydF4y2Ba 解释使用新的IEC 60599和IEC出版gas-in-oil分析TC 10数据库gydF4y2Ba IEEE电气绝缘杂志gydF4y2Ba 2001年gydF4y2Ba 17gydF4y2Ba 2gydF4y2Ba 31日gydF4y2Ba 41gydF4y2Ba 10.1109/57.917529gydF4y2Ba 2 - s2.0 - 0035271917gydF4y2Ba 越南盾gydF4y2Ba M。gydF4y2Ba 杨ydF4y2Ba Z。gydF4y2Ba 张gydF4y2Ba g . J。gydF4y2Ba 全面的诊断,在变压器固体绝缘老化评价方法gydF4y2Ba 《年度报告:电气绝缘与Dieletric会议现象gydF4y2Ba 2003年10月gydF4y2Ba 西安,中国gydF4y2Ba 西安交通大学gydF4y2Ba 137年gydF4y2Ba 140年gydF4y2Ba 2 - s2.0 - 0242592123gydF4y2Ba 杜瓦gydF4y2Ba M。gydF4y2Ba 溶解气体分析和所得钱款三角形gydF4y2Ba 学报5分、新西兰国际技术会议gydF4y2Ba 2006年gydF4y2Ba 郑gydF4y2Ba h . B。gydF4y2Ba 廖gydF4y2Ba r . J。gydF4y2Ba GrzybowskigydF4y2Ba 年代。gydF4y2Ba 杨gydF4y2Ba l . J。gydF4y2Ba 故障诊断电力变压器使用多层次最小二乘法和粒子群优化支持向量机分类器gydF4y2Ba 专业电力的应用gydF4y2Ba 2011年gydF4y2Ba 5gydF4y2Ba 9gydF4y2Ba 691年gydF4y2Ba 696年gydF4y2Ba 10.1049 / iet-epa.2010.0298gydF4y2Ba 2 - s2.0 - 80155183216gydF4y2Ba 赵gydF4y2Ba m . Y。gydF4y2Ba 李gydF4y2Ba t F。gydF4y2Ba 考gydF4y2Ba s W。gydF4y2Ba ShiehgydF4y2Ba c·S。gydF4y2Ba 周gydF4y2Ba c·J。gydF4y2Ba 使用支持向量机故障诊断电力变压器/安与克隆选择算法的特性和内核参数的选择gydF4y2Ba 学报第一国际会议上创新的计算、信息和控制(ICICIC 06年)gydF4y2Ba 2006年9月gydF4y2Ba 60gydF4y2Ba 65年gydF4y2Ba 10.1109 / ICICIC.2006.75gydF4y2Ba 2 - s2.0 - 45849143323gydF4y2Ba 李gydF4y2Ba j . P。gydF4y2Ba 李gydF4y2Ba d . J。gydF4y2Ba 霁gydF4y2Ba p S。gydF4y2Ba LimgydF4y2Ba j . Y。gydF4y2Ba 金gydF4y2Ba 美国年代。gydF4y2Ba 诊断电力变压器使用模糊聚类和径向基函数神经网络gydF4y2Ba 《国际联合会议上神经网络(IJCNN 06年)gydF4y2Ba 2006年7月gydF4y2Ba 加拿大温哥华gydF4y2Ba 1398年gydF4y2Ba 1404年gydF4y2Ba 2 - s2.0 - 40649085356gydF4y2Ba ThanggydF4y2Ba k . F。gydF4y2Ba AggarwalgydF4y2Ba r·K。gydF4y2Ba 麦克格雷gydF4y2Ba a·J。gydF4y2Ba EspgydF4y2Ba d·G。gydF4y2Ba 分析电力变压器溶解气体数据使用自组织映射gydF4y2Ba IEEE电力交付gydF4y2Ba 2003年gydF4y2Ba 18gydF4y2Ba 4gydF4y2Ba 1241年gydF4y2Ba 1248年gydF4y2Ba 10.1109 / TPWRD.2003.817733gydF4y2Ba 2 - s2.0 - 0141986799gydF4y2Ba 神经网络工具box-MATLAB-Mathworks印度,gydF4y2Ba http://www.mathworks.in/products/neural-network/gydF4y2Ba 联合国开发gydF4y2Ba M。gydF4y2Ba 莫汉gydF4y2Ba c K。gydF4y2Ba 桑杰gydF4y2Ba R。gydF4y2Ba 人工神经网络的元素gydF4y2Ba 1997年gydF4y2Ba Penram国际出版(印度)gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 锅gydF4y2Ba H。gydF4y2Ba 黄gydF4y2Ba H。gydF4y2Ba 刘gydF4y2Ba 年代。gydF4y2Ba 电力变压器故障诊断使用基于OLS的径向基函数神经网络gydF4y2Ba 《IEEE国际会议上工业技术(ICIT ' 08)gydF4y2Ba 2008年4月gydF4y2Ba 成都,中国gydF4y2Ba 1gydF4y2Ba 8gydF4y2Ba 10.1109 / ICIT.2008.4608337gydF4y2Ba 2 - s2.0 - 54549115145gydF4y2Ba 曹国伟gydF4y2Ba lgydF4y2Ba 在香港gydF4y2Ba Q。gydF4y2Ba 杨gydF4y2Ba X.-H。gydF4y2Ba 叶gydF4y2Ba 黄永发。gydF4y2Ba 电力变压器的故障诊断使用聚类和径向基函数神经网络gydF4y2Ba 第八届国际会议的程序在机器学习和控制论gydF4y2Ba 2009年7月gydF4y2Ba 保定gydF4y2Ba 1257年gydF4y2Ba 1260年gydF4y2Ba 10.1109 / ICMLC.2009.5212287gydF4y2Ba 2 - s2.0 - 70350714718gydF4y2Ba 梁gydF4y2Ba 研究。gydF4y2Ba 刘gydF4y2Ba J.-Y。gydF4y2Ba 电力变压器故障诊断使用som-based RBF神经网络gydF4y2Ba 《第五届国际会议上机器学习和控制论gydF4y2Ba 2006年8月gydF4y2Ba 大连,中国gydF4y2Ba 3140年gydF4y2Ba 3143年gydF4y2Ba 10.1109 / ICMLC.2006.258406gydF4y2Ba 2 - s2.0 - 33947236448gydF4y2Ba 常gydF4y2Ba c·S。gydF4y2Ba LimgydF4y2Ba c·W。gydF4y2Ba 苏gydF4y2Ba Q。gydF4y2Ba 模糊神经溶解气体分析的变压器故障诊断方法gydF4y2Ba 澳大利亚大学电力工程会议(AUPEC ' 04)gydF4y2Ba 2004年9月gydF4y2Ba 澳大利亚布里斯班gydF4y2Ba HooshmandgydF4y2Ba R。gydF4y2Ba BanejadgydF4y2Ba M。gydF4y2Ba 应用模糊逻辑在变压器故障诊断使用溶解气体分析基于不同的标准gydF4y2Ba 17gydF4y2Ba 国家科学院院刊、工程和技术gydF4y2Ba 2006年12月gydF4y2Ba 157年gydF4y2Ba 161年gydF4y2Ba NareshgydF4y2Ba R。gydF4y2Ba 沙玛gydF4y2Ba V。gydF4y2Ba VashisthgydF4y2Ba M。gydF4y2Ba 一个集成的神经模糊的变压器故障诊断方法gydF4y2Ba IEEE电力交付gydF4y2Ba 2008年gydF4y2Ba 23gydF4y2Ba 4gydF4y2Ba 2017年gydF4y2Ba 2024年gydF4y2Ba 10.1109 / TPWRD.2008.2002652gydF4y2Ba 2 - s2.0 - 54049150340gydF4y2Ba