2024年8月23日发(作者：康新觉)
第３２卷第６期
Ｖｏ１．３２．ＮＯ．６
西华大学学报（自然科学版）
Ｊｏｕｒｎａｌ ｏｆ Ｘｉｈｕａ Ｕｎｉｖｅｒｓｉｔｙ・Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ
２０１３年１１月
ＮＯＶ．２Ｏｌ３
・
机电工程・
基于模糊ＡＲＴ神经网络的变压器局部放电模式识别
王家炜，杨燕翔，孟海林，陈 伟
（西华大学电气信息学院，四川成都６１００３９）
摘要：对变压器主要放电类型的３种局部放电典型电极模型进行试验，通过分析计算提取局部放电信号特
征量，建立相应的局部放电信号特征库，以此作为模糊ＡＲＴ网络的输入，对局部放电的类型进行模式识别，并将识
别结果与ＢＰ网络的识别结果进行对比。实验结果表明，模糊ＡＲＴ网络用于变压器局部放电模式识别是有效的。
关键词：变压器；局部放电；模糊ＡＲＴ神经网络；模式识别
中图分类号：ＴＭ４１；ＴＰ１８ 文献标志码：Ａ 文章编号：１６７３—１５９Ｘ（２０１３）０６—００７９—０５
ｄｏｉ：ｌ０．３９６９／ｊ．ｉｓｓｎ．１６７３—１５９Ｘ．２０１３．０６．０１７
Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ Ｔｒａｎｓｆｏｒｍｅｒ Ｐａｒｔｉａｌ Ｄｉｓｃｈａｒｇｅ Ｂａｓｅｄ ｏｎ
Ｆｕｚｚｙ ＡＲＴ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ
ＷＡＮＧ Ｊｉａ—ｗｅｉ，ＹＡＮＧ Ｙａｎ—ｘｉａｎｇ，ＭＥＮＧ Ｈａｉ—ｌｉｎ，ＣＨＥＮ Ｗｅｉ
（Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｘｉｈｕａ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ ６１００３９ Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ ａｕｔｈｏｒｓ ｃｏｎｄｕｃｔｅｄ ｍｏｄｅｌ ｔｅｓｔ ｂｙ ｕｓｉｎｇ ｔｈｒｅｅ ｔｙｐｉｃａｌ ｅｌｅｃｔｒｏｄｅ ｍｏｄｅ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ，Ｔｈｒｏｕｇｈ ａｎａｌｙｓｉｓ ａｎｄ ｃａｌ—
ｃｕｌａｔｉｏｎ ｔｈｅ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｓｉｇｎａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｗｅｒｅ ｅｘｔｒａｃｔｅｄ，ａｎｄ ｔｈｅ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｓｉｇｎａｌｓ ｆｅａｔｕｒｅ ｌｉｂｒａｒｙ ｗａｓ
ｅｓｔａｂｌｉｓｈｅｄ．Ｔｈｅ ｅｘｔｒａｃｔｅｄ ｆｅａｔｕｒｅ ａｍｏｕｎｔ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｓｉｇｎａｌｓ ｗａｓ ｕｓｅｄ ａｓ ｔｈｅ ｆｕｚｚｙ ＡＲＴ ｎｅｔｗｏｒｋｇ ｉｎｐｕｔ ｉｎ ｏｒｄｅｒ ｔｏ ｉｄｅｎｔｉｆｙ ｔｈｅ
ｔｙｐｅ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ，ａｎｄ ｃｏｍｐａｒｅ ｗｉｔｈ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．Ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｅｘｐｅｒｉｍｅｎｔ ｓｈｏｗｅｄ ｔｈａｔ
ｆｕｚｚｙ ＡＲＴ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗａｓ ｅｆｆｅｃｔｉｖｅ ｆｏｒ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｔｒａｎｓｆｏｒｍｅｒ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ．
Ｋｅｙ ｗｏｒｄｓ：ｔｒａｎｓｆｏｒｍｅｒ；ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ；ｆｕｚｚｙ ＡＲＴ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ
人工神经网络是近年来被广泛研究的模式识
别算法。人工神经网络用于局部放电模式识别可
１ 模糊ＡＲＴ神经网络
以提高识别的可靠性和实用性。ＢＰ网络在局部寻 １．１模糊ＡＲＴ神经网络的结构
优方面比较成功，但也存在收敛速度慢、效率低、易
把模糊集理论与ＡＲＴ系统相结合，可以使网络
陷入局部极小点等问题。模糊ＡＲＴ网络是一种自 的学习和识别能力得到提高，也使网络可以进行二
组织模糊神经网络，能够进行非监督实时学习，被
进制量或模拟量２种输人向量的处理。在搜索、选
广泛应用于各种模式识别问题 。 择和学习的规则中，用模糊集理论的ＡＮＤ操作符代
本文从变压器主要放电类型的典型模型试验
替描述ＡＲＴ１动态性的二进制交操作符，使ＡＲＴ系
人手，采用三维图谱的特征提取方法，运用统计学
统具有了更好的学习和分类能力。
法建立相应的局部放电信号特征库，以此作为神经
模糊ＡＲＴ网络结构分为３层。第１层为
网络训练和测试的样本，再分别运用模糊ＡＲＴ神经
层，该层共有ｍ个节点，新的输入向量可以通过它
网络和ＢＰ网络来识别不同类型的局部放电，并对
直接输入到网络。第２层为Ｆ 层，同 层一样，也
结果进行整理、对比和分析。
有ｍ个节点，它同时接受来自Ｆ 层自底向上的输
入和 层自顶向下的输入。第３层为 层，该层
收稿日期：２０１２—１２．１０
作者简介：王家炜（１９８７一），男，硕士研究生，主要研究方向为变压器在线监测与故障诊断。
通信作者：杨燕翔（１９６３一），男，教授，主要研究方向为现代信号处理、嵌入式技术及应用。Ｅ—ｍａｉｌ：ｙｙｘ＠ｍａｉｌ．ｘｈｕ．ｅｄｕ．ＣＨ
８０ 西华大学学报・自然科学版
是活动的分类节点。模糊ＡＲＴ神经网络的结构简
罔如图１所示。
：
、
：
。㈠ ｊ
Ｉ
” ｆ ｆ ｆ
输入｜ ｉ ｉ
，
罔１模糊ＡＲＴｌ网络模结构简图
１．２模糊ＡＲＴ神经网络的训练规则
输人到 层的模式向量 定义为Ｉ＝（， 一，
， ），每个分量， 的取值范围定义为［０，１］；Ｆ。层获
得的来自于 层的输出向量定义为 ， ＝（ 一，
）；Ｆ 层收到的输出结果定义为Ｙ，Ｙ：（Ｙ ，…，
Ｙ
相关于Ｆ 层的每个分类节点Ｊ（Ｊ＝１，…，Ⅳ）的
权重向量为：
”
：
Ｉ 、
Ｉｎｉｔｉａｌｌｙ，Ｗ ｌ（０）＝…：Ｗ加（０）＝１ ｝（１ １
＝
（，八 ”）＋（１一／３） 。 Ｊ
（权值更新规则）
对于快速学习，则可以设置 ＝１，式（１）可以转
变为
＝
，八 （２）
当类＿，第１次成为活动节点时， ＝，。
模糊ＡＲＴ网络的权重向量既包含了自底向上
的输入也包含了自顶向下的输入，而网络的动态性
则由选择参数Ｏ／＞０、学习速率参数 ∈［０，１］以及
警戒参数Ｐ∈［０，１］所决定。
１．３模糊ＡＲＴ神经网络的识别过程
１）对Ｆ 层节点的权重进行初始化，使
Ｗｊ…】）＝…＝ｗｊ．Ｉ（（１）＝１（ ＝１。…，Ｎ） （３）
这时称 中的节点为未训练节点，每个权重向量
都可以收敛于某一极值，因为ｗ 都是单调非增
的，且同时包含了白底向上的权重向量和自顶向下
的权重向量。
２）对输入向量做归一化处理，可以避免当大量
输入向量作为系统输入时产生的分类增值问题。
可以用，＝ａ／ｍａｘ（ａ）或，＝ａ／ｓｕｍ（ａ）这２种方法对
输入向量进行预处理。
３）对于每一个输入模式，和Ｆ 的节点 ，计算
选择函数
Ｉ，＾Ｗ Ｉ
（，）一Ｉ— （４）
Ｏ／十１ ｗｊ ｌ
式中：模糊ＡＮＤ操作符可以定义为（Ｐ八ｑ） ＝
ｍｉｎ（ｐ ，ｑ ）；操作符ｌ Ｉ定义为Ｉｐ ｌ ∑ｌｐ『ｌ，（ｉ＝１，
…
，
），ｐ和ｇ为任意的 维向量。
通过 ＝ｍａｘ｛ ： ＝１，…，Ｎ｝，节点．，被选中，
分类选择被激活，使Ｙ，＝１，且 ，＝０，对于其他节点，
３≠ｊ
４）在，。层中查找期望权重Ｗ，。
５）以下面的规则使Ｆ 层中查找的期望权重Ｗ，
和输入向量相结合：若Ｆ 层中没有节点被选中，则
：，；若选中 层中的第 个节点，则ｘ＝，八Ｗ 。
６）定义选择合适类的匹配函数，为
Ｍｊ＝ｒａｉｎ ｃ ，
若警戒判别准则Ｍ，≥ｐ成立，则发生共振，学习
也跟着发生；若Ｍｉ≤ｐ，则共振不发生。当出现相同
输入模式的时候，则把选择函数设置为 ＝０，接着
回到第３）步重新搜索出一个节点．，或建立一个新
节点，直到警戒判别准则 ≥Ｐ成立为止。这样可
以有效地防止在搜索期间重复选择相同的类。
７）当搜索结束之时，就可按下式更新权重
向量：
伽
（』 １＝ＪＢ（，八 ）＋（１一ＪＢ） 。 （６）
这表示权重 … 从 向（，八 ）移动。
当没有选中节点．，的时候，可以设置 ：１，而当选
中某个节点＿，之后，则要设置 ＜１。当首次将节点
选为活动节点的时候， ：Ｊｒ１２ Ｊ。
２ 模糊ＡＲＴ神经网络用于局部放电
模式识别
２．１模型试验和特征提取
清华大学高电压和绝缘技术研究所根据变压
器内部局部放电容易发生的部位，概括出６种典型
的电极模型＿３ Ｊ，这里选取其中的３种进行放电模型
试验，如图２所示。其中：图２（ａ）为针一板电极，针
的曲率半径Ｒ＝０．０２５ ｍｍ，板电极为４，１ｏ ＣＩＩＩ铜电
极，上放２块２ ｍｍ厚绝缘纸板，针和绝缘纸板的问
距为３ ｉｒｌｍ，用以模拟变压器中的尖端电晕（峰值频
率为１５０ ｋＨｚ）；图２（ｂ）为４，２５ ｍｍ圆柱电极对４４０
ｃｍ铜电极，中间放３块２ ｍｍ绝缘纸板，中间１块
第６期 王家炜，等：基于模糊ＡＲＴ神经网络的变压器局部放电模式识别 ８１
针
ｆ尺＝０．０２５ｍｍ）
同（ａ），下放一层２ ｍｍ绝缘纸板和Ｄ＝７ ｌＴｌｍ的圆
１－ｒ 绝缘纸板
电极，针板电极外用绝缘纸包裹，以模拟包绕多层
———————一
绝缘纸的高压引线处的放电（峰值频率为７０ ｋＨｚ、
＼
、 、
１４０ ｋＨｚ）。为方便起见，把以上３种模型对应的放
、
铜电极
ｒＤ １０ｃｍ）
电类型依次称为：类型ａ、类型ｂ、类型ｅ。
对实验模型施加电压，并采用局部放电数字化
测量系统采集放电信息。Ａ／Ｄ采样率为１０ ＭＨｚ，分
，
柱（Ｄ ２５ｒａｍ）
辨率为８ ｂｉｔ。采集仪采集放电的幅值一相位信息，
、
，
圆角（尺＝２ ５ｍｍ）
每次采集５０个工频周期的数据，在每种模型下各采
绝缘纸板
集６０组放电样本，其中２０组用于网络的学习，另外
置——曩皇—Ｉ ｍｍ
４０组用于网络测试；因此，一共采集有１８０组放电
／
样本，其中６０组用于网络的学习，１２０组用于网络
一
气孔 铜电极
澳０试。对每组放电样本，通过局部放电信号统计可
５ｍｍ） （Ｄ＝１ ０ｃｍ）
以得到３个基本量：ｎ（放电次数）、ｑ（放电量）、 （放
电相位），然后作出该样本的凡一ｑ一 三维谱图。
对这３个量进行更为细致地分析，可以得到谱图的
缘照 ，
一
系列统计算子，包括偏斜度 、放电不对称度ｐ、
相位不对称度 、互相关系因子ｃｃ和相位中值Ｍｎ
等高层特征量，本文选用放电不对称度Ｑ、相位不对
、铜电极
称度 、互相关系因子ＣＣ这３个高层特征量作为模
（Ｄ＝７ｃｍ）
糊ＡＲＴ神经网络的输入，进行放电类型的模式
（ｃ）
识别 圳。
图２局部放电模型示意图
将３种放电模型各采集的６Ｏ组放电样本经过
纸板有 ３．５ ｍｍ的气孔，模拟变压器固体绝缘中的
分析计算得到相应的高层特征量值，由于篇幅所
气隙放电（峰值频率为７５ ｋＨｚ）；图２（ｃ）的针电极
限，表１只列出了其中的１０组数据。
表１ ３种放电模式样本高层特征量值
２．２神经网络的参数设置 ［１，０，０］，代表类型ａ，Ｂ［０，１，０］，代表类型ｂ，Ｃ［０，
将特征提取中得到的３个高层特征量作为网络 ０，１］代表类型ｃ；网络参数 ＝０．００１， ＝１．０（快速
的输入，本文建立一个模糊ＡＲＴ神经网络：Ｆｏ层与
学习），Ｐ＝０．９。
Ｆ 层神经元个数均为３个，分别对应放电不对称度
另外，为直观地体现模糊ＡＲＴ神经网络的特
ｐ、相位不对称度 、互相关系因子ｃｃ ３个高层特征
点，本文还建立了一个ＢＰ网络 ，利用特征提取中
输入量；Ｆ 层神经元个数也为３个，取期望输出为Ａ
得到的放电样本，对２种网络的识别结果进行对比
８２ 西华大学学报・自然科学版
实验。这里，仍然采用放电不对称度Ｑ、相位不对称
度 、互相关系因子ＣＣ ３个高层特征量作为ＢＰ网络
刻意将训练样本只呈现１次来训练网络，且训练样
本按２种不同的方式呈现，即将训练样本按顺序或
的输入，所以设置ＢＰ网络的输入层神经元数为３
个，隐含层数也为３个，输出层数为３个，分别对应
随机的方式呈现，然后利用测试样本来检验网络的
识别性能。实验结果表明：无论采用哪种呈现方
３个待识别放电模式，取期望输出为 １，０，０］，代
表类型ａ，Ｂ［０，１，０］，代表类型ｂ，Ｃ［０，０，１］代表类
型ｃ。ＢＰ网络的学习步幅卵＝０．２０，惯性系数 ＝
０．１８，学习精度为 ＝０．０００ ０１。
２．３识别结果
式，每种放电类型下的２０组训练样本只需呈现１
次，９０％以上的样本都可以快速地自动分类；而在经
过对训练样本的学习后，网络对４０组测试样本中的
大部分都能快速准确地进行分类，识别率平均达到
了９６％左右。这说明该网络对放电模式具有良好
２．３．１ 已知类型的识别结果
为方便地评价模糊ＡＲＴ网络的模式识别能力，
的识别能力。部分测试样本的识别结果见表２。
表２部分测试样本与识别结果输出
Ｑ
０．２８２ ４７６
０ ９２３ ８７２
３．０９２ ３ｌ
０．９８７ ２３４
３．１２３ ２９
０．２７７ ４７３
０．２９８ ３７３
０ ９６３ ４３３
２．８４３ ４２
２．０８２ ８】
０．５２３ ７２２
１．２３７ ９８
０．５０９ ７８３
１．２８７ ４３
—
ＣＣ
０．３２９ ８２】
０．５２９ ２６４
Ｏ．１Ｏ３ ４７８
０．５１８ ３６２
类型ａ 类型ｂ 类型ｃ
一
一
—
—
０．９９８ ３４３
０．３１９ ２３８ ２．０３８ ３７
２．１９８ ３８
０．４９０ ７６３
】．０４７ ８２
—
—
０．２９７ ２６１
０．５２７ １６５
一
—
Ｏ．１１８ ９４３
２．３．２对未知放电类型的识别结果
电声波频带的影响。为方便起见，把以上２种模型
对应的放电类型依次称为类型ｄ和类型ｅ。然后用
２．１中相同的特征提取方法各获得６０组放电样本，
经过分析计算得到放电不对称度、相位不对称度、
Ｏ
为考察模糊ＡＲＴ网络对未知放电类型的鉴别
能力，本文采用另外２种电极模型进行放电模型试
验，模型如图３所示。图中：（ａ）同类型ａ，针改为
５ ＩＩｌ１ＴＩ圆柱电极，模拟变压器围屏放电（峰值频率
为８０ ｋＨｚ）；（ｂ）为 ５ ｍｍ圆柱电极下放３ ｆｉｌｍ真
０
互相关系因子３个高层特征量并输入到已经过上１
步训练的模糊ＡＲＴ神经网络中。识别结果如表３
所示
● Ｏ ０ Ｏ ● Ｏ
空玻璃管和１层绝缘纸板，以比较气隙内压力对放
真空玻璃管
（Ｄ ３ｍｍ）
０ ｌｍｍ Ｈｇ
（ｂ）
图３未知放电模型示意图
表３对未知放电类型的识别结果
络均能够比较准确地进行鉴别。网络经过第１步的
训练，对于新输入的未知放电样本，找不到能够与
其相匹配的分类节点的情况下，仍然可以鉴别出新
输入放电样本为未知放电类型。在鉴别的基础上，
网络还能够对输入的未知放电类型进行进一步的
可见，对于２种未知的放电类型，模糊ＡＲＴ网
第６期 王家炜，等：基于模糊ＡＲＴ神经网络的变压器局部放电模式识别
学习和归纳，并在 层自动建立２个新的分类节 利用类型ａ、ｂ、ｃ各６０组放电样本对２．２提到
的ＢＰ网络进行训练和测试，然后将其识别结果与
模糊ＡＲＴ网络的识别结果进行对比。部分对比结
果如表４所示，网络性能比较如表５所示。
点，来分别代表２种新的未知放电类型。这说明该
网络对于未知的放电类型也有着良好的鉴别和学
习能力。
２．３．３ ２种网络的识别结果对比
表４ ２种网络的放电类型识别部分结果
表５ ２种神经网络的性能比较
４）有待研究的内容包括：尝试网络参数的变化
对识别率和网络性能的影响；进一步改进模糊ＡＲＴ
神经网络以获得更适合局部放电模式识别的网络
算法等。
通过比较发现：ＢＰ神经网络的稳定性不理想，
在个别情况下甚至无法完成识别，且识别率也并不
参考文献
［１］徐玲玲，李朝峰，潘婷婷．一种改进的模糊ＡＲＴ神经网络
学习算法［Ｊ］．计算机工程与应用，２００８，４４（２８）：４９—５０．
［２］顾明，周景洲，李建中．模糊ＡＲＴ神经网络的识别算法及
其应用［Ｊｊ．计算机工程与设计，２００８，１８（２９）：４７８６～４７９３．
［３］王昌长，李福祺，高胜友 电力设备的在线监测与故障诊断
［Ｍ］．北京：清华大学出版社，２００６：１７０—１７１．
高，平均为９３．３％左右；模糊ＡＲＴ网络经过快速的
训练后，就能得到良好的识别性能，识别率平均达
到了９６％左右，且其识别所需要的运算次数和时间
相对ＢＰ网络来说大大减少。
［４］朱德恒，严璋，谈克雄，等．电气设备状态检测与故障诊断技
术［Ｍ］．北京：中国电力出版社，２００９：２４４～２４９．
３ 结论
１）通过理论分析和实验结果可以看出，模糊
ＡＲＴ神经网络具有快速、稳定、学习和分类阶段趋
［５］姜磊，朱德恒，李福祺，等．基于人工神经网络的变压器绝缘
模型放电模式识别的研究［Ｊ］．中国电机工程学报，２００１，２１（１）：２１
２４．
于统一、能有效识别未知模式的特点，比较适合应
用于变压器局部放电的模式识别。
［６］王国利，郑毅，沈嵩，等．ＡＧＡ－ＢＰ神经网络用于变压器超
高频局部放电模式识别［Ｊ］．电工电能新技术，２００３，２２（２）：６—９．
［７］孙学勇，阳国庆，仲伟涛，等．局部放电故障神经网络模式识
别及实验研究［Ｊ］．自动化技术与应用，２００５，２４（３）：２２—２７．
［８］张荣沂．基于神经网络的智能故障诊断技术［Ｊ］．自动化技
术与应用，２００３，２２（２）：１５—１７．
２）模糊ＡＲＴ神经网络无论是在模式识别能力，
还是在网络性能上，均优于传统的ＢＰ神经网络。
３）本文采用的模糊ＡＲＴ神经网络，虽然获得了
很理想的识别率和性能，但尚局限于模型试验。实
［９］Ｆｌｏｒｋｏｗｓｋｉ Ｍ．Ｐａｒｔｉａｌ Ｄｉｓｃｈａｒｇｅ Ａｎａｌｙｚｅｒ Ｓｕｐｐｏｓｅｄ ｂｙ Ｎｅｕｒａｌ
Ｎｅｔｗｏｒｋ ａｓ ａ Ｔｏｏｌ ｆｏｒ Ｍｏｎｉｔｏｒｉｎｇ ａｎｄ Ｄｉａｇｎｏｓｉｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ８ｔｈ
ＩＳＨ．Ｙｏｋｏｈａｍａ，Ｊａｐａｎ：ｌ Ｓ．ｎ．］，１９９３：６５—６８．
【１０］Ｐｈｉｌ Ｐｉｅｔｏｎ．Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｍ］．２ｎｄ ｅｄ．Ｈａｍｐｓｈｉｒｅ：Ｐａ１．
ｇｒａｖｅ，２０００：１１５—１３７．
际的电力设备结构复杂，各种类型的局部放电可能
同时出现，同时，由于干扰信号的存在，要获得实际
放电样本的难度更大；所以该网络离实用阶段还有
相当长的距离。
（编校：饶莉）
2024年8月23日发(作者：康新觉)
第３２卷第６期
Ｖｏ１．３２．ＮＯ．６
西华大学学报（自然科学版）
Ｊｏｕｒｎａｌ ｏｆ Ｘｉｈｕａ Ｕｎｉｖｅｒｓｉｔｙ・Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ
２０１３年１１月
ＮＯＶ．２Ｏｌ３
・
机电工程・
基于模糊ＡＲＴ神经网络的变压器局部放电模式识别
王家炜，杨燕翔，孟海林，陈 伟
（西华大学电气信息学院，四川成都６１００３９）
摘要：对变压器主要放电类型的３种局部放电典型电极模型进行试验，通过分析计算提取局部放电信号特
征量，建立相应的局部放电信号特征库，以此作为模糊ＡＲＴ网络的输入，对局部放电的类型进行模式识别，并将识
别结果与ＢＰ网络的识别结果进行对比。实验结果表明，模糊ＡＲＴ网络用于变压器局部放电模式识别是有效的。
关键词：变压器；局部放电；模糊ＡＲＴ神经网络；模式识别
中图分类号：ＴＭ４１；ＴＰ１８ 文献标志码：Ａ 文章编号：１６７３—１５９Ｘ（２０１３）０６—００７９—０５
ｄｏｉ：ｌ０．３９６９／ｊ．ｉｓｓｎ．１６７３—１５９Ｘ．２０１３．０６．０１７
Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ Ｔｒａｎｓｆｏｒｍｅｒ Ｐａｒｔｉａｌ Ｄｉｓｃｈａｒｇｅ Ｂａｓｅｄ ｏｎ
Ｆｕｚｚｙ ＡＲＴ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ
ＷＡＮＧ Ｊｉａ—ｗｅｉ，ＹＡＮＧ Ｙａｎ—ｘｉａｎｇ，ＭＥＮＧ Ｈａｉ—ｌｉｎ，ＣＨＥＮ Ｗｅｉ
（Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｘｉｈｕａ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ ６１００３９ Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ ａｕｔｈｏｒｓ ｃｏｎｄｕｃｔｅｄ ｍｏｄｅｌ ｔｅｓｔ ｂｙ ｕｓｉｎｇ ｔｈｒｅｅ ｔｙｐｉｃａｌ ｅｌｅｃｔｒｏｄｅ ｍｏｄｅ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ，Ｔｈｒｏｕｇｈ ａｎａｌｙｓｉｓ ａｎｄ ｃａｌ—
ｃｕｌａｔｉｏｎ ｔｈｅ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｓｉｇｎａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｗｅｒｅ ｅｘｔｒａｃｔｅｄ，ａｎｄ ｔｈｅ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｓｉｇｎａｌｓ ｆｅａｔｕｒｅ ｌｉｂｒａｒｙ ｗａｓ
ｅｓｔａｂｌｉｓｈｅｄ．Ｔｈｅ ｅｘｔｒａｃｔｅｄ ｆｅａｔｕｒｅ ａｍｏｕｎｔ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｓｉｇｎａｌｓ ｗａｓ ｕｓｅｄ ａｓ ｔｈｅ ｆｕｚｚｙ ＡＲＴ ｎｅｔｗｏｒｋｇ ｉｎｐｕｔ ｉｎ ｏｒｄｅｒ ｔｏ ｉｄｅｎｔｉｆｙ ｔｈｅ
ｔｙｐｅ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ，ａｎｄ ｃｏｍｐａｒｅ ｗｉｔｈ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．Ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｅｘｐｅｒｉｍｅｎｔ ｓｈｏｗｅｄ ｔｈａｔ
ｆｕｚｚｙ ＡＲＴ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗａｓ ｅｆｆｅｃｔｉｖｅ ｆｏｒ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｔｒａｎｓｆｏｒｍｅｒ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ．
Ｋｅｙ ｗｏｒｄｓ：ｔｒａｎｓｆｏｒｍｅｒ；ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ；ｆｕｚｚｙ ＡＲＴ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ
人工神经网络是近年来被广泛研究的模式识
别算法。人工神经网络用于局部放电模式识别可
１ 模糊ＡＲＴ神经网络
以提高识别的可靠性和实用性。ＢＰ网络在局部寻 １．１模糊ＡＲＴ神经网络的结构
优方面比较成功，但也存在收敛速度慢、效率低、易
把模糊集理论与ＡＲＴ系统相结合，可以使网络
陷入局部极小点等问题。模糊ＡＲＴ网络是一种自 的学习和识别能力得到提高，也使网络可以进行二
组织模糊神经网络，能够进行非监督实时学习，被
进制量或模拟量２种输人向量的处理。在搜索、选
广泛应用于各种模式识别问题 。 择和学习的规则中，用模糊集理论的ＡＮＤ操作符代
本文从变压器主要放电类型的典型模型试验
替描述ＡＲＴ１动态性的二进制交操作符，使ＡＲＴ系
人手，采用三维图谱的特征提取方法，运用统计学
统具有了更好的学习和分类能力。
法建立相应的局部放电信号特征库，以此作为神经
模糊ＡＲＴ网络结构分为３层。第１层为
网络训练和测试的样本，再分别运用模糊ＡＲＴ神经
层，该层共有ｍ个节点，新的输入向量可以通过它
网络和ＢＰ网络来识别不同类型的局部放电，并对
直接输入到网络。第２层为Ｆ 层，同 层一样，也
结果进行整理、对比和分析。
有ｍ个节点，它同时接受来自Ｆ 层自底向上的输
入和 层自顶向下的输入。第３层为 层，该层
收稿日期：２０１２—１２．１０
作者简介：王家炜（１９８７一），男，硕士研究生，主要研究方向为变压器在线监测与故障诊断。
通信作者：杨燕翔（１９６３一），男，教授，主要研究方向为现代信号处理、嵌入式技术及应用。Ｅ—ｍａｉｌ：ｙｙｘ＠ｍａｉｌ．ｘｈｕ．ｅｄｕ．ＣＨ
８０ 西华大学学报・自然科学版
是活动的分类节点。模糊ＡＲＴ神经网络的结构简
罔如图１所示。
：
、
：
。㈠ ｊ
Ｉ
” ｆ ｆ ｆ
输入｜ ｉ ｉ
，
罔１模糊ＡＲＴｌ网络模结构简图
１．２模糊ＡＲＴ神经网络的训练规则
输人到 层的模式向量 定义为Ｉ＝（， 一，
， ），每个分量， 的取值范围定义为［０，１］；Ｆ。层获
得的来自于 层的输出向量定义为 ， ＝（ 一，
）；Ｆ 层收到的输出结果定义为Ｙ，Ｙ：（Ｙ ，…，
Ｙ
相关于Ｆ 层的每个分类节点Ｊ（Ｊ＝１，…，Ⅳ）的
权重向量为：
”
：
Ｉ 、
Ｉｎｉｔｉａｌｌｙ，Ｗ ｌ（０）＝…：Ｗ加（０）＝１ ｝（１ １
＝
（，八 ”）＋（１一／３） 。 Ｊ
（权值更新规则）
对于快速学习，则可以设置 ＝１，式（１）可以转
变为
＝
，八 （２）
当类＿，第１次成为活动节点时， ＝，。
模糊ＡＲＴ网络的权重向量既包含了自底向上
的输入也包含了自顶向下的输入，而网络的动态性
则由选择参数Ｏ／＞０、学习速率参数 ∈［０，１］以及
警戒参数Ｐ∈［０，１］所决定。
１．３模糊ＡＲＴ神经网络的识别过程
１）对Ｆ 层节点的权重进行初始化，使
Ｗｊ…】）＝…＝ｗｊ．Ｉ（（１）＝１（ ＝１。…，Ｎ） （３）
这时称 中的节点为未训练节点，每个权重向量
都可以收敛于某一极值，因为ｗ 都是单调非增
的，且同时包含了白底向上的权重向量和自顶向下
的权重向量。
２）对输入向量做归一化处理，可以避免当大量
输入向量作为系统输入时产生的分类增值问题。
可以用，＝ａ／ｍａｘ（ａ）或，＝ａ／ｓｕｍ（ａ）这２种方法对
输入向量进行预处理。
３）对于每一个输入模式，和Ｆ 的节点 ，计算
选择函数
Ｉ，＾Ｗ Ｉ
（，）一Ｉ— （４）
Ｏ／十１ ｗｊ ｌ
式中：模糊ＡＮＤ操作符可以定义为（Ｐ八ｑ） ＝
ｍｉｎ（ｐ ，ｑ ）；操作符ｌ Ｉ定义为Ｉｐ ｌ ∑ｌｐ『ｌ，（ｉ＝１，
…
，
），ｐ和ｇ为任意的 维向量。
通过 ＝ｍａｘ｛ ： ＝１，…，Ｎ｝，节点．，被选中，
分类选择被激活，使Ｙ，＝１，且 ，＝０，对于其他节点，
３≠ｊ
４）在，。层中查找期望权重Ｗ，。
５）以下面的规则使Ｆ 层中查找的期望权重Ｗ，
和输入向量相结合：若Ｆ 层中没有节点被选中，则
：，；若选中 层中的第 个节点，则ｘ＝，八Ｗ 。
６）定义选择合适类的匹配函数，为
Ｍｊ＝ｒａｉｎ ｃ ，
若警戒判别准则Ｍ，≥ｐ成立，则发生共振，学习
也跟着发生；若Ｍｉ≤ｐ，则共振不发生。当出现相同
输入模式的时候，则把选择函数设置为 ＝０，接着
回到第３）步重新搜索出一个节点．，或建立一个新
节点，直到警戒判别准则 ≥Ｐ成立为止。这样可
以有效地防止在搜索期间重复选择相同的类。
７）当搜索结束之时，就可按下式更新权重
向量：
伽
（』 １＝ＪＢ（，八 ）＋（１一ＪＢ） 。 （６）
这表示权重 … 从 向（，八 ）移动。
当没有选中节点．，的时候，可以设置 ：１，而当选
中某个节点＿，之后，则要设置 ＜１。当首次将节点
选为活动节点的时候， ：Ｊｒ１２ Ｊ。
２ 模糊ＡＲＴ神经网络用于局部放电
模式识别
２．１模型试验和特征提取
清华大学高电压和绝缘技术研究所根据变压
器内部局部放电容易发生的部位，概括出６种典型
的电极模型＿３ Ｊ，这里选取其中的３种进行放电模型
试验，如图２所示。其中：图２（ａ）为针一板电极，针
的曲率半径Ｒ＝０．０２５ ｍｍ，板电极为４，１ｏ ＣＩＩＩ铜电
极，上放２块２ ｍｍ厚绝缘纸板，针和绝缘纸板的问
距为３ ｉｒｌｍ，用以模拟变压器中的尖端电晕（峰值频
率为１５０ ｋＨｚ）；图２（ｂ）为４，２５ ｍｍ圆柱电极对４４０
ｃｍ铜电极，中间放３块２ ｍｍ绝缘纸板，中间１块
第６期 王家炜，等：基于模糊ＡＲＴ神经网络的变压器局部放电模式识别 ８１
针
ｆ尺＝０．０２５ｍｍ）
同（ａ），下放一层２ ｍｍ绝缘纸板和Ｄ＝７ ｌＴｌｍ的圆
１－ｒ 绝缘纸板
电极，针板电极外用绝缘纸包裹，以模拟包绕多层
———————一
绝缘纸的高压引线处的放电（峰值频率为７０ ｋＨｚ、
＼
、 、
１４０ ｋＨｚ）。为方便起见，把以上３种模型对应的放
、
铜电极
ｒＤ １０ｃｍ）
电类型依次称为：类型ａ、类型ｂ、类型ｅ。
对实验模型施加电压，并采用局部放电数字化
测量系统采集放电信息。Ａ／Ｄ采样率为１０ ＭＨｚ，分
，
柱（Ｄ ２５ｒａｍ）
辨率为８ ｂｉｔ。采集仪采集放电的幅值一相位信息，
、
，
圆角（尺＝２ ５ｍｍ）
每次采集５０个工频周期的数据，在每种模型下各采
绝缘纸板
集６０组放电样本，其中２０组用于网络的学习，另外
置——曩皇—Ｉ ｍｍ
４０组用于网络测试；因此，一共采集有１８０组放电
／
样本，其中６０组用于网络的学习，１２０组用于网络
一
气孔 铜电极
澳０试。对每组放电样本，通过局部放电信号统计可
５ｍｍ） （Ｄ＝１ ０ｃｍ）
以得到３个基本量：ｎ（放电次数）、ｑ（放电量）、 （放
电相位），然后作出该样本的凡一ｑ一 三维谱图。
对这３个量进行更为细致地分析，可以得到谱图的
缘照 ，
一
系列统计算子，包括偏斜度 、放电不对称度ｐ、
相位不对称度 、互相关系因子ｃｃ和相位中值Ｍｎ
等高层特征量，本文选用放电不对称度Ｑ、相位不对
、铜电极
称度 、互相关系因子ＣＣ这３个高层特征量作为模
（Ｄ＝７ｃｍ）
糊ＡＲＴ神经网络的输入，进行放电类型的模式
（ｃ）
识别 圳。
图２局部放电模型示意图
将３种放电模型各采集的６Ｏ组放电样本经过
纸板有 ３．５ ｍｍ的气孔，模拟变压器固体绝缘中的
分析计算得到相应的高层特征量值，由于篇幅所
气隙放电（峰值频率为７５ ｋＨｚ）；图２（ｃ）的针电极
限，表１只列出了其中的１０组数据。
表１ ３种放电模式样本高层特征量值
２．２神经网络的参数设置 ［１，０，０］，代表类型ａ，Ｂ［０，１，０］，代表类型ｂ，Ｃ［０，
将特征提取中得到的３个高层特征量作为网络 ０，１］代表类型ｃ；网络参数 ＝０．００１， ＝１．０（快速
的输入，本文建立一个模糊ＡＲＴ神经网络：Ｆｏ层与
学习），Ｐ＝０．９。
Ｆ 层神经元个数均为３个，分别对应放电不对称度
另外，为直观地体现模糊ＡＲＴ神经网络的特
ｐ、相位不对称度 、互相关系因子ｃｃ ３个高层特征
点，本文还建立了一个ＢＰ网络 ，利用特征提取中
输入量；Ｆ 层神经元个数也为３个，取期望输出为Ａ
得到的放电样本，对２种网络的识别结果进行对比
８２ 西华大学学报・自然科学版
实验。这里，仍然采用放电不对称度Ｑ、相位不对称
度 、互相关系因子ＣＣ ３个高层特征量作为ＢＰ网络
刻意将训练样本只呈现１次来训练网络，且训练样
本按２种不同的方式呈现，即将训练样本按顺序或
的输入，所以设置ＢＰ网络的输入层神经元数为３
个，隐含层数也为３个，输出层数为３个，分别对应
随机的方式呈现，然后利用测试样本来检验网络的
识别性能。实验结果表明：无论采用哪种呈现方
３个待识别放电模式，取期望输出为 １，０，０］，代
表类型ａ，Ｂ［０，１，０］，代表类型ｂ，Ｃ［０，０，１］代表类
型ｃ。ＢＰ网络的学习步幅卵＝０．２０，惯性系数 ＝
０．１８，学习精度为 ＝０．０００ ０１。
２．３识别结果
式，每种放电类型下的２０组训练样本只需呈现１
次，９０％以上的样本都可以快速地自动分类；而在经
过对训练样本的学习后，网络对４０组测试样本中的
大部分都能快速准确地进行分类，识别率平均达到
了９６％左右。这说明该网络对放电模式具有良好
２．３．１ 已知类型的识别结果
为方便地评价模糊ＡＲＴ网络的模式识别能力，
的识别能力。部分测试样本的识别结果见表２。
表２部分测试样本与识别结果输出
Ｑ
０．２８２ ４７６
０ ９２３ ８７２
３．０９２ ３ｌ
０．９８７ ２３４
３．１２３ ２９
０．２７７ ４７３
０．２９８ ３７３
０ ９６３ ４３３
２．８４３ ４２
２．０８２ ８】
０．５２３ ７２２
１．２３７ ９８
０．５０９ ７８３
１．２８７ ４３
—
ＣＣ
０．３２９ ８２】
０．５２９ ２６４
Ｏ．１Ｏ３ ４７８
０．５１８ ３６２
类型ａ 类型ｂ 类型ｃ
一
一
—
—
０．９９８ ３４３
０．３１９ ２３８ ２．０３８ ３７
２．１９８ ３８
０．４９０ ７６３
】．０４７ ８２
—
—
０．２９７ ２６１
０．５２７ １６５
一
—
Ｏ．１１８ ９４３
２．３．２对未知放电类型的识别结果
电声波频带的影响。为方便起见，把以上２种模型
对应的放电类型依次称为类型ｄ和类型ｅ。然后用
２．１中相同的特征提取方法各获得６０组放电样本，
经过分析计算得到放电不对称度、相位不对称度、
Ｏ
为考察模糊ＡＲＴ网络对未知放电类型的鉴别
能力，本文采用另外２种电极模型进行放电模型试
验，模型如图３所示。图中：（ａ）同类型ａ，针改为
５ ＩＩｌ１ＴＩ圆柱电极，模拟变压器围屏放电（峰值频率
为８０ ｋＨｚ）；（ｂ）为 ５ ｍｍ圆柱电极下放３ ｆｉｌｍ真
０
互相关系因子３个高层特征量并输入到已经过上１
步训练的模糊ＡＲＴ神经网络中。识别结果如表３
所示
● Ｏ ０ Ｏ ● Ｏ
空玻璃管和１层绝缘纸板，以比较气隙内压力对放
真空玻璃管
（Ｄ ３ｍｍ）
０ ｌｍｍ Ｈｇ
（ｂ）
图３未知放电模型示意图
表３对未知放电类型的识别结果
络均能够比较准确地进行鉴别。网络经过第１步的
训练，对于新输入的未知放电样本，找不到能够与
其相匹配的分类节点的情况下，仍然可以鉴别出新
输入放电样本为未知放电类型。在鉴别的基础上，
网络还能够对输入的未知放电类型进行进一步的
可见，对于２种未知的放电类型，模糊ＡＲＴ网
第６期 王家炜，等：基于模糊ＡＲＴ神经网络的变压器局部放电模式识别
学习和归纳，并在 层自动建立２个新的分类节 利用类型ａ、ｂ、ｃ各６０组放电样本对２．２提到
的ＢＰ网络进行训练和测试，然后将其识别结果与
模糊ＡＲＴ网络的识别结果进行对比。部分对比结
果如表４所示，网络性能比较如表５所示。
点，来分别代表２种新的未知放电类型。这说明该
网络对于未知的放电类型也有着良好的鉴别和学
习能力。
２．３．３ ２种网络的识别结果对比
表４ ２种网络的放电类型识别部分结果
表５ ２种神经网络的性能比较
４）有待研究的内容包括：尝试网络参数的变化
对识别率和网络性能的影响；进一步改进模糊ＡＲＴ
神经网络以获得更适合局部放电模式识别的网络
算法等。
通过比较发现：ＢＰ神经网络的稳定性不理想，
在个别情况下甚至无法完成识别，且识别率也并不
参考文献
［１］徐玲玲，李朝峰，潘婷婷．一种改进的模糊ＡＲＴ神经网络
学习算法［Ｊ］．计算机工程与应用，２００８，４４（２８）：４９—５０．
［２］顾明，周景洲，李建中．模糊ＡＲＴ神经网络的识别算法及
其应用［Ｊｊ．计算机工程与设计，２００８，１８（２９）：４７８６～４７９３．
［３］王昌长，李福祺，高胜友 电力设备的在线监测与故障诊断
［Ｍ］．北京：清华大学出版社，２００６：１７０—１７１．
高，平均为９３．３％左右；模糊ＡＲＴ网络经过快速的
训练后，就能得到良好的识别性能，识别率平均达
到了９６％左右，且其识别所需要的运算次数和时间
相对ＢＰ网络来说大大减少。
［４］朱德恒，严璋，谈克雄，等．电气设备状态检测与故障诊断技
术［Ｍ］．北京：中国电力出版社，２００９：２４４～２４９．
３ 结论
１）通过理论分析和实验结果可以看出，模糊
ＡＲＴ神经网络具有快速、稳定、学习和分类阶段趋
［５］姜磊，朱德恒，李福祺，等．基于人工神经网络的变压器绝缘
模型放电模式识别的研究［Ｊ］．中国电机工程学报，２００１，２１（１）：２１
２４．
于统一、能有效识别未知模式的特点，比较适合应
用于变压器局部放电的模式识别。
［６］王国利，郑毅，沈嵩，等．ＡＧＡ－ＢＰ神经网络用于变压器超
高频局部放电模式识别［Ｊ］．电工电能新技术，２００３，２２（２）：６—９．
［７］孙学勇，阳国庆，仲伟涛，等．局部放电故障神经网络模式识
别及实验研究［Ｊ］．自动化技术与应用，２００５，２４（３）：２２—２７．
［８］张荣沂．基于神经网络的智能故障诊断技术［Ｊ］．自动化技
术与应用，２００３，２２（２）：１５—１７．
２）模糊ＡＲＴ神经网络无论是在模式识别能力，
还是在网络性能上，均优于传统的ＢＰ神经网络。
３）本文采用的模糊ＡＲＴ神经网络，虽然获得了
很理想的识别率和性能，但尚局限于模型试验。实
［９］Ｆｌｏｒｋｏｗｓｋｉ Ｍ．Ｐａｒｔｉａｌ Ｄｉｓｃｈａｒｇｅ Ａｎａｌｙｚｅｒ Ｓｕｐｐｏｓｅｄ ｂｙ Ｎｅｕｒａｌ
Ｎｅｔｗｏｒｋ ａｓ ａ Ｔｏｏｌ ｆｏｒ Ｍｏｎｉｔｏｒｉｎｇ ａｎｄ Ｄｉａｇｎｏｓｉｓ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ ８ｔｈ
ＩＳＨ．Ｙｏｋｏｈａｍａ，Ｊａｐａｎ：ｌ Ｓ．ｎ．］，１９９３：６５—６８．
【１０］Ｐｈｉｌ Ｐｉｅｔｏｎ．Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｍ］．２ｎｄ ｅｄ．Ｈａｍｐｓｈｉｒｅ：Ｐａ１．
ｇｒａｖｅ，２０００：１１５—１３７．
际的电力设备结构复杂，各种类型的局部放电可能
同时出现，同时，由于干扰信号的存在，要获得实际
放电样本的难度更大；所以该网络离实用阶段还有
相当长的距离。
（编校：饶莉）