基于模糊輸入的BP-ART2混合神經網絡在電力變壓器故障綜合

　　自適應共振理論ART2具有快速的學習算法，且無需大量樣本，在故障在線識別領域有很大的應用潛力。圖3是典型的單ART2神經網絡結構，適用于模擬向量輸入。網絡可分為注意子系統和調整子系統兩部分，前者完成輸入向量的相似度匹配及競爭選擇，后者檢驗輸入模式與長期記憶模式之間的相似度是否達到滿意的程度，并根據檢驗結果作出相應處理，成功或重置。提取的特征向量Ii輸入F1層(比較層)。在F1層通過向量歸一化和非線性變換經迭代得到穩定的中層模式u，并經p送入F2層(識別層)，由F2層經競爭選擇激活F2層候選模式(本文中對應故障類型)，得到系統的短期記憶。F2層的輸出經長期記憶加權后反饋回F1層，反饋信息與u一起送入調整子系統，檢驗系統長期記憶模式與輸入模式的相似程度，若通過相似程度檢驗，則可確定輸入模式屬于F2層的候選模式，并按快速學習算法，一步完成權值的學習；若未通過檢驗，則強迫F2層重置并選擇下一輸出節點，若所有的輸出節點都不能通過匹配檢驗，則增加一個新的輸出節點即另一新類。

　　在應用ART2時必須注意的是ρ(相似測度警戒限，為0到1之間的正數)的選擇。ρ值決定了網絡對輸入模式進行分類的間隔大小，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分開；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，引起錯分。ρ的選樣沒有一定的規則，需要在具體應用中調整。本文中ρ取0.5即可達到較滿意的分類效果。ART2網絡參考了文獻10所述的學習算法。

　　變壓器故障診斷過程屬于一個非平穩、非線性的隨機過程。在學習階段，通過對足夠量的樣本訓練，逐層調整接點權重和閾值，直至誤差達到精度要求。在工作期間，投入不同的測試樣本，進行故障診斷模式識別，最終實時判別故障類型和故障可能發生的位置。

4.知識處理
4.1特征氣體的模糊知識表示

4.2三比值法模糊知識表示
　　參照表2，采用升半正態分布函數，可以具有對較弱數值持不敏感態度，而對足以淹沒噪聲的較大數值，持較敏感態度。分布函數如上公式所示。

4.3電氣試驗數據的模糊處理