论文部分内容阅读
【摘要】 本文采用小波神经网络的专家诊断方法，提出了一种基于六氟化硫气体分解物的高压设备专家诊断系统的思路和方法，并且将良好的软件和硬件协同应用于高压设备专家诊断中，用于分析气体分解物的含量并做出高压设备的故障判断与对故障的预测。介绍专家诊断系统的硬件组成和软件实现方式，并通过与其他业内常用方法的比较进而突出本方法的优势。最后，通过分析一些列实验数据证明专家诊断系统的可靠性和实用性。
【关键字】 网络模型 专家诊断 小波神经 高压设备
一、引言
现如今，在国内外高压设备中六氟化硫已经逐步替代常规的绝缘油材料而得到广泛应用，六氟化硫高压设备的潜在故障检测和故障分析就显得越发的重要。数据分析显示国内外对于六氟化硫高压设备的故障概率的调查结果表明，六氟化硫气体产生故障在所有故障中占的比例非常大，因此，尽早检测出设备隐患，避免事故的发生，对于电力系统来说一直是工作重点，对六氟化硫实时监测和诊断的方法的探索也一直没有停止过。
国内外此前已经对基于六氟化硫气体分解物分析的高压设备故障检测做了很多研究，但是目前国外制造的检测仪器对检测环境的补偿并不适合应用于国内的检测环境，因此不适合在国内推广，而国内目前并没有成熟的方法应用于生产实践中。
我们通过对海量相关文献的研究和对现场实际情况的深入调研，总结出六氟化硫高压设备故障检测存在两大技术难点：第一，不同六氟化硫高压设备工作机理迥异，环境各有相同，高压设备出现故障时，气室内包括六氟化硫气体在内的各种分解物多达几十种，选取哪种气体作为检测对象，采用哪种测量原理，如何才能比较准确的得到测量结果是第一个难点。第二，由于六氟化硫高压设备在运行状态下处于强磁场环境中 ，高压设备故障时六氟化硫各种分解物的含量均为ppm级别 ，即百万分之一含量，因此微小采样信号极容易受到外界强电磁场干扰的干扰而变得不准确，这就对软硬件的设计提出非常高的要求，必须考虑电磁兼容，就地处理，有效传输等问题。
六氟化硫高压设备内部发生故障时分解产物主要是氟化物和硫化物。经过大量调研和广泛查阅，我们提出各类六氟化硫设备中二氧化硫含量的正常范围是：。当被检测气室的二氧化硫含量小于或此浓度时，设备运行属于正常；如果超过上述指标时，则应视为不正常，应采取加强监督或停电检修策略。
我们根据六氟化硫高压设备的绝缘检测机理，结合对众多高压设备专家诊断方法的深入研究与对比，更重要的是在高压设备故障检测现场的高压强电磁环境下，而且在数据压缩时，小波神经网络不仅重建结果很好，同时还有很好的滤噪功能。因此我们最终选择小波神经网络专家诊断方法，用于检测、分析和判断六氟化硫高压设备内部故障。
文章分为三部分，第一部分原理概述，阐述小波神经网络专家诊断系统的组成原理和软硬件的基本组成；第二部分重点介绍介绍小波神经网络的结构和专家诊断的优越性；第三部分方法比较，通过仿真与实验对比各种专家诊断的方法，总结出小波神经网络的优越性；第四部分通过数据分析得出结论，说明基于小波神经网络的组合电器专家诊断系统是值得信赖和推广使用的。
二、专家诊断系统构建
基于六氟化硫气体分解物的高压设备专家诊断系统是由气体传感器单元、气路连接单元、气体报警单元、中央控制器单元、显示单元以及键盘操作单元等组成。系统结构如图1所示。
基于六氟化硫气体分解物的高压设备专家诊断系统采用ATMEL公司生产的ATmega128系列AVR单片机作为主控制CPU，气体传感器采用英国City公司的二氧化硫传感器（型号：4S），采样精度可达0.1ppm，系统能实现整体的信号采集，中央处理器负责信号的处理并控制各类接口。AVR单片机自带的A/D转换器可实现对气体含量信号的转换，经过软件修正、补偿后存储于单片机内部的EEPROM中，防止掉电数据丢失，数据在本地液晶屏显示。系统可设置好报警阈值，当检测到二氧化硫含量超过设定阈值时系统会通过报警器报警，引起工作人员注意。工作人员通过按键操作可以查询历史数据，实现对高压设备潜在故障进行分析和预测。
基于六氟化硫气体分解物的高压设备专家诊断系统软件由三部分组成：数据采集，数据处理和数据输出。数据采集包含了数据滤波，数据存储和对历史数据的查询，为了减少高压电磁场对数据采集的影响，数据滤波选择采用小波神经网络的过滤方法。
诊断系统软件结构流程图如图2所示：
诊断系统只有在软硬密切协同的基础上，才能获得比较准确的测量结果。因此为了得到更接近实际数据的检测结果，采用较好的软硬件结合非常有必要。
三、小波神经网络建模
将小波神经网络用于信号表达，其本质是在小波特征空间中寻找一组合适的小波基，相应的自适应小波的计算通过对小波参数或形状迭代计算以使其能量函数最小化来实现。小波神经网络建模就是基于小波分析所构造的一种新型神经网络模型，它结合了小波变换极佳的时频域性质以及神经网络的自学习功能，因而具有非常强的逼近和容错能力。
我们利用小波变换的基本原理，同时利用神经网络的权值代替离散小波变换中的系数，就可以构成小波神经网络，然后利用小波变换函数的时频特性来减少神经网络的实际规模，就能通过实验结论证明该算法能够在有效减少神经元数量的同时达到非常好的函数逼近效果。
3.1小波神经网络理论
小波变换其实是不同参数之间的积分变化：
在多组分测定中，小波空间还能作为分类别的特征空间，而组分特征提取则是通过将一组小波基与信号向量的内积进行加权和来实现的。其采用的特征输出为：
采用共轭梯度法来优化网络参数。小波神经网络训练误差的收敛速度非常快，通常只需迭代10次就已经收敛。小波神经网络可以同时进行数据压缩和过滤噪声，由于当拟合误差逼近于零时，滤噪的效果将会变差，因此不需像一般的神经网络一样，要求拟合误差越小越好。当小波神经网络训练次数达到20次以上时，其误差不再有明显下降趋势。因此在选择网络参数时，小波神经网络不需要对噪声信号拟合，这样就可以达到数据压缩和过滤噪声的双重效果。 3.2 小波神经网络结构
小波神经网络采用不同的结构来满足不同的用途。当小波神经网络用于表示信号时：信号表示强调的是信号的峰值，而信号分类强调信号之间重叠的尾部。在信号分类中，小波神经网络可用作信号分类的特征空间，然后把这些特征输入到另一个分类器，而特征提取则是通过一组小波与输入矢量的内积。小波函数在时频域都有分辨的特点和它在紧支集中能任意逼近非线性连续函数的特点，使得其更适合学习快速变化和局部非线性的函数。如果可以根据需要自由决定BP神经网络的隐层节点数，则一个三层神经网络可以实现任意精度近似任意连续函数。根据小波变换的知识，离散小波变换中的系数由神经网络的权值去代替，进而构成小波神经网络。小波神经网络的隐层用的是极性函数，预处理层就是小波变换了。一般情况下，信号可用离散小波式来表示：
这样就能用单隐层的前馈神经网络来表示信号函数，在后，神经网络的权值就由函数的小波系数展开来表示，而且该网络可以无限地逼近任意非线性函数。而小波系构成了的框架。因为在逼近误差之后可以通过增加神经网络的规模，即权值的个数，最终达到逼近要求。含预处理层的小波神经网络结构为：
（1）输入层：输入原始信号；
（2）预处理层：原始信号输入预处理层后，进行若干级的小波分解，不同的结点代表了不同的分解，对于小波树中的叶结点，预处理层首先输出小波分解的结果，然后取平均的X维特征作为隐含层的输入，每个结点输出N维特征，；
（3）隐层：隐层类似于BP网络，可随预处理层的变化而发生变化，作为输入，每个结点只接受固定的一个预处理层结点输出sigmoid函数值；
（4）输出层：同样类似于BP网络中的输出层，接受隐层的输出，输出分类结果，输出层函数运算。
我们要进一步研究被溶蚀如何正确选择小波母函数，学习算法的速度，神经网络的规模等。能否可以用小波神经元逼近的非线性函数代替sigmoid函数，使其在分类问题神经网络中具有更高的分类特性。我们从函数y=f（x）的一组输入输出样本集（x，y）出发，来训练BP神经网络，可以得到神经网络权值，最终建立起一个能无限逼近某些非线性函数的我们所需要的小波神经网络。在网络训练前先进行信号的若干级小波分解，小波分解算法采用级联滤波器组实现快速小波变化。由此完成小波函数选取。网络节点的修改包括网络节点的分裂与删除，当网络结点发生分裂时，增加一个结点和权，原结点的权值赋予分裂后的结点，当删除网络节点时，删除结点及相对应的权，一般采用BP算法训练进行网络训练。 若一个结点在两层的权值分布上基本相似，上层未做大幅度的修改，则说明该结点的分类能力较强。
四、仿真与实现
在不同的条件下对该算法的有效性了进行仿真，我们提出了基于小波神经网络的高压强磁场环境下信号处理算法，并建立了基于Matlab环境下的系统仿真模型。
现在给出权值和阈值的范围并绘制误差曲面及误差曲面的等高线，最优值就在误差曲面的最低点。输入样本之间是非线性的，最优点的均方误差无法达到0。
经过20次训练后，由于误差已经很小，输出信号可以被利用，完全达到处理的目的。
本次实验数据所有测试结果均得到其认证，在中国计量科学院完成。
五、结论
通过算法的仿真和现场的测试结果表明，小波变换在实验室内对原始信号的处理达到了滤波效果，但是在变电站高压电磁场环境下仍然存在误差。基于小波神经网络的信号处理就充分的完成滤波目标，将误差减小到合理范围内，输出信号也不再受到检测变电站的高压电磁场的影响。加上良好的软件和硬件设计，和就地化处理手段和抗干扰手段，使得基于六氟化硫气体分解物的电气设备故障诊断系统在六氟化硫组合电器故障检测中取得了立项的效果，达到了预期目标。
参 考 文 献
[1]何正友.小波分析在电力系统暂态信号处理中的应用[M].北京：中国电力出版社，2011.
[2]刘建敏；刘艳斌；乔新勇；；发动机技术状况变化趋势预测研究[J]；兵工学报；2007年07期
[3]刘霞；复杂非线性系统的小波神经网络建模及其应用[D]；大庆石油学院；2005年
[4]廖忠；小波网络及其在水轮机调节系统中的应用研究[D]；河海大学；2005年
[5]王丽霞，何正友，赵静，等.小波变换和数学形态学在电力扰动信号消噪中的应用[J].电力系统保护与控制，2008，36（24）：30-35.
[6]王海斌，黄显林，胡恒章；基于小波神经网络的多节点机械手滑模自适应控制[J]；电气传动自动化；2000年02期
[7] ROgerJ.Best：MarketBasedManagementStrategiesforGrowingCustomerValueandProfitability[M]Ameriea，2006
[8] ChrisAnderson：TheLongTail：WllytheFutureofBusiness15SellingLessofMore[M]Ameriea，2006
【关键字】 网络模型 专家诊断 小波神经 高压设备
一、引言
现如今，在国内外高压设备中六氟化硫已经逐步替代常规的绝缘油材料而得到广泛应用，六氟化硫高压设备的潜在故障检测和故障分析就显得越发的重要。数据分析显示国内外对于六氟化硫高压设备的故障概率的调查结果表明，六氟化硫气体产生故障在所有故障中占的比例非常大，因此，尽早检测出设备隐患，避免事故的发生，对于电力系统来说一直是工作重点，对六氟化硫实时监测和诊断的方法的探索也一直没有停止过。
国内外此前已经对基于六氟化硫气体分解物分析的高压设备故障检测做了很多研究，但是目前国外制造的检测仪器对检测环境的补偿并不适合应用于国内的检测环境，因此不适合在国内推广，而国内目前并没有成熟的方法应用于生产实践中。
我们通过对海量相关文献的研究和对现场实际情况的深入调研，总结出六氟化硫高压设备故障检测存在两大技术难点：第一，不同六氟化硫高压设备工作机理迥异，环境各有相同，高压设备出现故障时，气室内包括六氟化硫气体在内的各种分解物多达几十种，选取哪种气体作为检测对象，采用哪种测量原理，如何才能比较准确的得到测量结果是第一个难点。第二，由于六氟化硫高压设备在运行状态下处于强磁场环境中 ，高压设备故障时六氟化硫各种分解物的含量均为ppm级别 ，即百万分之一含量，因此微小采样信号极容易受到外界强电磁场干扰的干扰而变得不准确，这就对软硬件的设计提出非常高的要求，必须考虑电磁兼容，就地处理，有效传输等问题。
六氟化硫高压设备内部发生故障时分解产物主要是氟化物和硫化物。经过大量调研和广泛查阅，我们提出各类六氟化硫设备中二氧化硫含量的正常范围是：。当被检测气室的二氧化硫含量小于或此浓度时，设备运行属于正常；如果超过上述指标时，则应视为不正常，应采取加强监督或停电检修策略。
我们根据六氟化硫高压设备的绝缘检测机理，结合对众多高压设备专家诊断方法的深入研究与对比，更重要的是在高压设备故障检测现场的高压强电磁环境下，而且在数据压缩时，小波神经网络不仅重建结果很好，同时还有很好的滤噪功能。因此我们最终选择小波神经网络专家诊断方法，用于检测、分析和判断六氟化硫高压设备内部故障。
文章分为三部分，第一部分原理概述，阐述小波神经网络专家诊断系统的组成原理和软硬件的基本组成；第二部分重点介绍介绍小波神经网络的结构和专家诊断的优越性；第三部分方法比较，通过仿真与实验对比各种专家诊断的方法，总结出小波神经网络的优越性；第四部分通过数据分析得出结论，说明基于小波神经网络的组合电器专家诊断系统是值得信赖和推广使用的。
二、专家诊断系统构建
基于六氟化硫气体分解物的高压设备专家诊断系统是由气体传感器单元、气路连接单元、气体报警单元、中央控制器单元、显示单元以及键盘操作单元等组成。系统结构如图1所示。
基于六氟化硫气体分解物的高压设备专家诊断系统采用ATMEL公司生产的ATmega128系列AVR单片机作为主控制CPU，气体传感器采用英国City公司的二氧化硫传感器（型号：4S），采样精度可达0.1ppm，系统能实现整体的信号采集，中央处理器负责信号的处理并控制各类接口。AVR单片机自带的A/D转换器可实现对气体含量信号的转换，经过软件修正、补偿后存储于单片机内部的EEPROM中，防止掉电数据丢失，数据在本地液晶屏显示。系统可设置好报警阈值，当检测到二氧化硫含量超过设定阈值时系统会通过报警器报警，引起工作人员注意。工作人员通过按键操作可以查询历史数据，实现对高压设备潜在故障进行分析和预测。
基于六氟化硫气体分解物的高压设备专家诊断系统软件由三部分组成：数据采集，数据处理和数据输出。数据采集包含了数据滤波，数据存储和对历史数据的查询，为了减少高压电磁场对数据采集的影响，数据滤波选择采用小波神经网络的过滤方法。
诊断系统软件结构流程图如图2所示：
诊断系统只有在软硬密切协同的基础上，才能获得比较准确的测量结果。因此为了得到更接近实际数据的检测结果，采用较好的软硬件结合非常有必要。
三、小波神经网络建模
将小波神经网络用于信号表达，其本质是在小波特征空间中寻找一组合适的小波基，相应的自适应小波的计算通过对小波参数或形状迭代计算以使其能量函数最小化来实现。小波神经网络建模就是基于小波分析所构造的一种新型神经网络模型，它结合了小波变换极佳的时频域性质以及神经网络的自学习功能，因而具有非常强的逼近和容错能力。
我们利用小波变换的基本原理，同时利用神经网络的权值代替离散小波变换中的系数，就可以构成小波神经网络，然后利用小波变换函数的时频特性来减少神经网络的实际规模，就能通过实验结论证明该算法能够在有效减少神经元数量的同时达到非常好的函数逼近效果。
3.1小波神经网络理论
小波变换其实是不同参数之间的积分变化：
在多组分测定中，小波空间还能作为分类别的特征空间，而组分特征提取则是通过将一组小波基与信号向量的内积进行加权和来实现的。其采用的特征输出为：
采用共轭梯度法来优化网络参数。小波神经网络训练误差的收敛速度非常快，通常只需迭代10次就已经收敛。小波神经网络可以同时进行数据压缩和过滤噪声，由于当拟合误差逼近于零时，滤噪的效果将会变差，因此不需像一般的神经网络一样，要求拟合误差越小越好。当小波神经网络训练次数达到20次以上时，其误差不再有明显下降趋势。因此在选择网络参数时，小波神经网络不需要对噪声信号拟合，这样就可以达到数据压缩和过滤噪声的双重效果。 3.2 小波神经网络结构
小波神经网络采用不同的结构来满足不同的用途。当小波神经网络用于表示信号时：信号表示强调的是信号的峰值，而信号分类强调信号之间重叠的尾部。在信号分类中，小波神经网络可用作信号分类的特征空间，然后把这些特征输入到另一个分类器，而特征提取则是通过一组小波与输入矢量的内积。小波函数在时频域都有分辨的特点和它在紧支集中能任意逼近非线性连续函数的特点，使得其更适合学习快速变化和局部非线性的函数。如果可以根据需要自由决定BP神经网络的隐层节点数，则一个三层神经网络可以实现任意精度近似任意连续函数。根据小波变换的知识，离散小波变换中的系数由神经网络的权值去代替，进而构成小波神经网络。小波神经网络的隐层用的是极性函数，预处理层就是小波变换了。一般情况下，信号可用离散小波式来表示：
这样就能用单隐层的前馈神经网络来表示信号函数，在后，神经网络的权值就由函数的小波系数展开来表示，而且该网络可以无限地逼近任意非线性函数。而小波系构成了的框架。因为在逼近误差之后可以通过增加神经网络的规模，即权值的个数，最终达到逼近要求。含预处理层的小波神经网络结构为：
（1）输入层：输入原始信号；
（2）预处理层：原始信号输入预处理层后，进行若干级的小波分解，不同的结点代表了不同的分解，对于小波树中的叶结点，预处理层首先输出小波分解的结果，然后取平均的X维特征作为隐含层的输入，每个结点输出N维特征，；
（3）隐层：隐层类似于BP网络，可随预处理层的变化而发生变化，作为输入，每个结点只接受固定的一个预处理层结点输出sigmoid函数值；
（4）输出层：同样类似于BP网络中的输出层，接受隐层的输出，输出分类结果，输出层函数运算。
我们要进一步研究被溶蚀如何正确选择小波母函数，学习算法的速度，神经网络的规模等。能否可以用小波神经元逼近的非线性函数代替sigmoid函数，使其在分类问题神经网络中具有更高的分类特性。我们从函数y=f（x）的一组输入输出样本集（x，y）出发，来训练BP神经网络，可以得到神经网络权值，最终建立起一个能无限逼近某些非线性函数的我们所需要的小波神经网络。在网络训练前先进行信号的若干级小波分解，小波分解算法采用级联滤波器组实现快速小波变化。由此完成小波函数选取。网络节点的修改包括网络节点的分裂与删除，当网络结点发生分裂时，增加一个结点和权，原结点的权值赋予分裂后的结点，当删除网络节点时，删除结点及相对应的权，一般采用BP算法训练进行网络训练。 若一个结点在两层的权值分布上基本相似，上层未做大幅度的修改，则说明该结点的分类能力较强。
四、仿真与实现
在不同的条件下对该算法的有效性了进行仿真，我们提出了基于小波神经网络的高压强磁场环境下信号处理算法，并建立了基于Matlab环境下的系统仿真模型。
现在给出权值和阈值的范围并绘制误差曲面及误差曲面的等高线，最优值就在误差曲面的最低点。输入样本之间是非线性的，最优点的均方误差无法达到0。
经过20次训练后，由于误差已经很小，输出信号可以被利用，完全达到处理的目的。
本次实验数据所有测试结果均得到其认证，在中国计量科学院完成。
五、结论
通过算法的仿真和现场的测试结果表明，小波变换在实验室内对原始信号的处理达到了滤波效果，但是在变电站高压电磁场环境下仍然存在误差。基于小波神经网络的信号处理就充分的完成滤波目标，将误差减小到合理范围内，输出信号也不再受到检测变电站的高压电磁场的影响。加上良好的软件和硬件设计，和就地化处理手段和抗干扰手段，使得基于六氟化硫气体分解物的电气设备故障诊断系统在六氟化硫组合电器故障检测中取得了立项的效果，达到了预期目标。
参 考 文 献
[1]何正友.小波分析在电力系统暂态信号处理中的应用[M].北京：中国电力出版社，2011.
[2]刘建敏；刘艳斌；乔新勇；；发动机技术状况变化趋势预测研究[J]；兵工学报；2007年07期
[3]刘霞；复杂非线性系统的小波神经网络建模及其应用[D]；大庆石油学院；2005年
[4]廖忠；小波网络及其在水轮机调节系统中的应用研究[D]；河海大学；2005年
[5]王丽霞，何正友，赵静，等.小波变换和数学形态学在电力扰动信号消噪中的应用[J].电力系统保护与控制，2008，36（24）：30-35.
[6]王海斌，黄显林，胡恒章；基于小波神经网络的多节点机械手滑模自适应控制[J]；电气传动自动化；2000年02期
[7] ROgerJ.Best：MarketBasedManagementStrategiesforGrowingCustomerValueandProfitability[M]Ameriea，2006
[8] ChrisAnderson：TheLongTail：WllytheFutureofBusiness15SellingLessofMore[M]Ameriea，2006