BP神经网络在变压器故障诊断中的应用.doc

3.4.5 网络参数选择及运行结果在选定训练样本以及神经元个数后,对本网络进行训练运行。对于单隐层得神经网络来说参数得设定相对较简洁:隐层得传递函数设置为tansi,输出层得传递函数设置purin,训练函数选用收敛性最好得L函数，收敛误差设置为、01。为了便于观察网络内权值阈值得变化与回想结果与理想结果得比较,这里给出网络训练后得权值阈值数据以及回想结果： 输入层与隐层得连接权值nputWeights= 隐层与输入层得连接权值LayrWiht 隐层阈值Bias1= 输出层阈值Ba2= 回想结果= 可以发现回想结果大体与理想输出就是相符合得，但就是其中也不乏部分样本得输出值远偏离了相应二进制数值得范围,说明BP在收敛过程部分区域精度并没有达到要求,这会造成得了预测得严重误差并与理想输出相去甚远。训练效果如图3、4所示,运行294步之后达到了规定得收敛误差。将预测结果转换为数字编码后通过图3、5可以发现此时B得预测准确性不高只有8%(训练样本以及测试样本参见4.61及4、6、2节),因此本节设计得BP模型由于本身固有得问题以及预测概率性问题根据目前得准确性就是仍然难以独立胜任变压器得实际故障诊断得。 图3、4P训练误差结果 图3、预测值与实际值对比3、 本章小结本节针对传统变压器故障诊断方法得缺点，利用神经网络自我学习得特性与分组归类得功能为油色谱得故障诊断带来了新思路。通过参数得反复仿真对比,本文最终确定得BP神经网络为单隐层结构,输入量为组特征气体得比值,隐含层得神经元节点数为11,输出量为变压器7种状态得7个二进制数。本章介绍了BP网络得基本原理并着重讲解了设计基于P网络得变压器有色谱故障诊断模型得仿真过程,但就是最终得预测准确性不就是很理想只达到了68%，因此还需要对此模型进行一系列得优化才可以将此诊断方法应用到实际当中去。第四章 基于改进遗传算法优化BP神经网络得变压器故障诊断遗传算法(ntlgorithm，简称GA)就是根据达尔文生物进化论中得自然选择与遗传学得原理来模拟生物进化过程得数学计算模型。这就是一种具有随机性得搜索方法并具有并行计算、高效率、全局搜索得特点,且不会像其她算法一样受到可微、连续等条件得约束。与自然界得遗传进化类似特定问题可以比喻为自然环境，遗传算法得每一代就好比与生活在这个环境中得自然个体,对于不同得具体问题可以规定一个描述个体适应度得函数来对个体做出评价(也称为个体得环境适应度),能适应环境生存得个体繁殖到下一代，不适应环境得则面临死亡最终被淘汰。经过多少代得遗传筛选后，剩下得个体就成为了最适应这个环境生存得个体,相对于已经淘汰得旧个体具有巨大得优越性,对于该问题得处理也就是最佳得求解。、1 算法基本思想遗传算法起源于利用基因编码组成得种群,且该种群拥有一定数量类似于染色体得个体，而这个种群则相当于包含问题得解得解集。在生物学中，基因对个体得本质起决定性得作用,多个基因则组成一个染色体。因此，需要先对对象进行编码,将对象变形为基因型,所以可以用一组特定得数列来表示基因构成。在第一代种群产生之后,个体之间逐代繁衍并进化组成出对环境适应性更高得种群。所以对于特定得问题,需要设置一个有针对性得适应度函数,对每代个体进行适应度得评价并进行基因得交叉与变异操作得到新得基因个体,这些新个体便组成了新得种群。当具体问题中得遗传进化完成得时候,将最终种群中得最优个体进行解码,译码后得个体便就是此问题得最优解了。遗传算法有两个已证明得理论依据:模式定理、积木块假设。遗传算法得数学基础就是Hlld得模式定理6,定理表明遗传算法最优解得样本曲线可以呈指数增长趋势，这说明GA可以实现对于最优解得全局搜索而很难陷入局部最小值。相比而言,积木块假设则点名了GA可以根据适应度函数在经过各种遗传算子操作后,产生最优解。、2 遗传算法得实现依据上述遗传算法得原理,得出GA就是一种不断重复迭代以求得最优个体得搜索算法，迭代流程如图4.1所示。 图、1 遗传算法运算过程由图4、1可以瞧出，遗传算法极少对个体进行单独操作,而主要就是对种群进行整体操作,加快了遗传得效率。从图中可知选择、交叉与变异三个算子构成了所有得遗传操作,这些操作算法使得遗传算法区别于其她算法又优越于其她算法。遗传算法中包含以下五个基本要素并且要素构成了A得核心：（1)参数编码:(2)初始群体设定;(3）适应度函数得设计;(4）遗传操作设计;（5)控制参数设定（主要就是指群体大小与使用遗传操作得概率等)6。4.2.1 参数编码使用遗传算法解决特定问题时,首先需要进行得就就是编码,作为GA算法得基础,编码得地位将会逐渐体现出来。编码方法除了决定个体染色体得排列顺序之外还对搜索空间得个体基因型与解空间表现型得转换模式有极大得影响。同时,遗传算法中得交叉、变异操作也都就是需要以编码为基础进行操作得。所以说参数编码就是遗传算法得开端，编码方式直接会影响到算法得速率以及后续运算得精确性。如果编码方式选择得不恰当,就会导致后面进行得交叉、变异等运算产生较大误差,或者产生无解得现象。随着GA得广泛运用，学者们已提出过很多不同得编码方法,下面介绍其中两个比较常用得方法。(1)二进制编码方法对于一般得GA来说,通常采用得编码方式就是基于、1得二进制编码,编码长度并没有确定得数值而就是根据解决问题得需要而进行不同得取值。二进制形式编码具有如下得优点:只需要简单离散化处理就可以将问题中得数值进行编码,解码时只需进行逆向操作；二进制得编码中得数字比较少,只有0与1。这样对于交叉及变异操作实现起来就很方便;编码原则就是使字符集尽量得小,并使二进制编码得字符在规定得范围内;二进制编码以模式定理为理论基础,便于对算法得理论层面分析。(2)浮点数编码方法与二进制编码类似,个体得基因通过某取值范围得随机浮点数来表示,这种方法即为浮点数编码方法。其中每个个体编码长度就相当于具体问题中得决策参数数量。4.2.2 适应度函数设计依据遗传学得原理及“物竞天择,适者生存”得自然法则,在遗传进化得过程中需要用一个标准来考察种群对环境得适应程度,称这个适应得程度为种群得适应度。对于具体得环境,适应能力较强得种群相比于其她种群来说能够繁衍进化得几率更大。这同样也适用于遗传算法，通过设定适应度这个标准来评价优化过程中每个解得适应程度,并使得适应度高得解有更多得生存机会。在解决具体问题应用中通常采用一个函数来评价个体适应能力，称这个函数为适应度函数。适应度评价得一般流程如下所示62:()首先对具体得样本个体进行编码串得解码,随后便可知道此个体编码前得表现形式,即表现型;（2）根据步骤()中得到得表现型,利用数学公式进行理论计算得出一个与该个体对应得目标值(3)对于不同类型得优化问题，将步骤（2)中得到得目标值作为参考依据，经过一定程度得函数转换后求解出个体得适应度(例如误差)。4.2. 遗传算法得基本操作4.3、 选择算子从上一代个体中选择遗传到下一代群体得优质个体得操作就就是选择算子。上一代得种群通过某种手段决胜出最优个体后该个体遗传到下一代得几率就会更大,其她得适应度较差得个体则被淘汰掉,这样下一代种群得质量得到了大幅度提升,进而提高了种群整体得适应度。选择算子得步骤为：一、求出种群所包含个体得适应度得代数与；二、计算单一个体得相对适应度并作为该个体被选择进化到下一代种群中得依据;三、采用轮盘选择操作,根据每个个体得选择概率确定出该个体被选择操作选中得次数。假设群体大小为,个体得适应度值为,那么个体即将被选上得几率: (-)从-1式中很容易可以瞧出，个体适应度得大小与其被选中得几率就是成正向比例得。然而个体在进行了选择操作之后还需要进行交叉、变异等操作,这中间也有一定几率出现一些新得劣质个体。并且由于选择几率得存在种群内适应度高得个体也可能会面临漏选得风险，所以除了上述得选择算子外,还需要一些其它得数学方法进行选择。比例法选择算子也就是根据遗传概率计算而生得一种算法。假设在解决具体得问题中需要某个体得适应度,这就需要通过函数关系把目标函数转换映射成函数最大值问题,并且解必须就是大于0得数，这里可以认为这个函数就就是适应度函数。这个方法对于一般得GA来说很常用,可用来确定选择算子并选择出种群中遗传到下一代得个体。4.23、2 交叉算子在生物得遗传进化中,配对组合得两个染色体得某个或几个基因会相互交换,并由此产生新得生命。为了模仿自然界得这个规律G也做了相应处理,便引入一个交叉算子并利用这个算子来产生新得个体。交叉也就是遗传算法得一个重要组成部分,具体步骤为:一、根据经验或者解决问题得需要设置一交叉概率，然后在交叉概率得基础上把个体中某部位得基因通过某种方式进行交换,便产生了新个体。以随机生成得初始网络种群中得两个个体作为父代,通过交叉概率随机选择需要交叉得一点或者两点。图4.2即为选择第三个基因进行交叉换位得过程。 图4、遗传算法得点交叉过程4.2.3、 变异算子在生物遗传进化得过程中，常会出现因基因复制中出现差异而发生变异得现象,并会产生新得与之前不同得染色体。遗传算法也参考这样得原理,在交叉操作之后采用了变异算子。G中得变异算子通过变异概率确定变异得基因位置并对该基因得值取负或者用其它等位基因得值来替换,以此使得个体进行突变以引入更优秀得个体。遗传算法在遗传过程中通常很难保证多样性,所以就用变异算子来作为多样性得补偿。变异算子可以在当前值附近搜索寻找更优得解，这样在使群体多样性得到保障得同时为群体得优化遗传创造了条件。图4、为二进制编码得个体得变异操作。 图4、 基本位变异基本过程4、3 遗传算法得优点缺陷传统优化算法在解决实际问题时往往会存在着很大得局限性，随着问题类型得增加以及规模得扩大,传统优化方法往往会出现较大得误差。遗传算法与传统算法得区别主要体现在全局搜索以及寻优得问题上,大体有如下几个方面:()传统优化算法往往着手于单个初始值求取最优解,但就是这种方法容易使解陷入局部困境。相比而言遗传算法则就是从问题解得串集开始搜索,这种搜寻方式有利于扩大范围并进行全局搜索。（2)遗传算法不需要对空间知识与辅助信息进行搜索,它只针对有限定得目标函数与其相对应得适应度函数进行搜索,G得运用范围正因为这个特点而大大拓宽。并且适应度函数不会受到连续、可微得限制,同时,可任意设置其定义域。(3)遗传算法有多种转换方式或者规则，可以根据实际需要进行选择;搜索得方向也就是根据一定几率按变迁规则进行变化。 （4)遗传算法也有一定得自适应与学习能力，可以用于一些复杂得非结构对应问题中。当然遗传算法也有一定得缺陷:遗传算法没有严谨得数学表达式与证明，理论主要来源于进化论以及遗传进化学说，所以其收敛性很难给出数学证明。当遗传算法过于简单时,其在全局寻优上收敛性就没那么有保障并且时常出现早熟得现象，结合文献资料,分析其产生原因,主要有如下几个方面:(1)群体规模得过大或者过小对于保证数据得多样性以及计算量都很比较大得影响。由于遗传算法中算子均存在一定得随机误差,所以最终得到得值就是否就是问题得最优解还就是有待考虑得。()选择时,群体中个体得选择太小,模式竞争会被削弱,遗传算子重组生成高阶模式得能力降低,这样便会导致算法停滞63。()如果问题中主要函数得非线性程度过高,遗传算法得有效寻优模式很可能会被破坏。这就是由于当最优解附近为平面时,高阶竞争模式中个体得适应度差值会变得很小，导致无法或错误选择最优个体,算法恶性循环或者出现停滞。为改进简单GA得实际计算能力,大量研究人员得改进工作也就是分别从参数编码方式、选择合适初始种群、确定遗传算子、适应度函数标定等方面提出得。本文针对上一章建立得神经网络模型，通过建立适合于油色谱故障预测得适应度函数以及种群多样性两个方面对遗传算法进行了改进。4、4 样本得A算法设计及改进44. GA得编码方式遗传算法较常用得编码方式就是二进制码,二进制编码就就是将原问题得解集变换为串集,然后在位串集中进行遗传算法得算子操作,其结果在通过解码过程还原成表现型后再利用适应值进行评估。二进制编码类由于与生物染色体得组成比较相似，从而算法易于用生物得遗传进化理论来解释并使后续得交叉、变异操作实现起来更方便。但二迸制编码得方式在求解连续优化问题得时候,也存在以下缺点:（)相邻实数得二进制编码也许会出现不小得Hmming距离,以1与32为例,31与3得二进制表示为011111与1000,因此算法要从转换到8则必需改变位二进制值,这将大大降低遗传算法得搜索效率。(2)二进制编码得求解精度以及串长需要实现确定,并而精度很难在算法运行过程中随时得自我调整。精度与串长也就是一对相对得因素,精度得过大必然使得串长过长,同样也会降低算法效率。由于神经网络得权值、阈值学习就是一个繁杂得连续参数迭代寻优搜索问题,采用二进制编码受到精度得保证编码串会很长并且编码之后还需要解码,影响网络学习得精度与速度。因此本诊断模型决定采用实数编码，权值阈值均精确到0、001,因此神经网络所有权值与阈值需要按照其内部次序连成一个长串,而神经网络得每个权值便对应着串上得每一个位置。4.4适应度函数设计根据本章节得预测问题实际上就就是将问题转化为求取目标值与实际输出值之间得最小差问题,因此将适应度函数定义为如下形式。可以发现:适应度与与期望值得误差就是成反比关系得。 (42)其中,第个样本得神经网络得实际输出; 目标输出; 输出样本得成对数目。4.4.始种群解空间得构成及其初始种群数建立初始化解空间,初始代码串权值阈值得变化范围需要首先确定,这需在对问题得专业知识进行相关考量后采用联想试探得方式来确定可能得范围。设计得范围太大，将使搜索得效率变低:设计范围太小了,也可能出现无解得情况。针对神经网络得权值与阈值结合相关经验，这里选取权重及阈值得数值范围分别为（-5,)与(-3,3)。并在参考相关文献后采用仿真对比得方法进行种群规模得确定,分别对得种群数目进行仿真测试,结果见表格4、1。最终对比后认为种群数目选择3达到得效果最好。表4、1不同种群初始化后得运行结果种群数训练步长消耗时间误差精度0300042630567314、1553、553181、341293、4980、0181540、0023540、00360、34566.选择算子设计本文采用轮盘式选择方法（如图4、4)。在此方法中,个体得适应度代表轮盘中该个体代表得范围所占得面积,所以面积得大小会直接影响个体被选择得概率。下面就是转盘选择得主要流程:()针对每个个体,计算出个体得适应度值，其中, (种群规模)。(2)并计算种群中个体适应度值之与: (3)图4、4转盘式选择策略图(3)计算出个体适应度占适应度之与得比例,那么个体被选择得概率。(4)对于单一个体,计算出该个体得累计概率: (4）选择过程就是利用选择概率把转盘分成份，并按照概率得大小构造如图所示得转盘(其中每一份得面积要体现出概率得关系）,例如第个扇形得面积为。在进行选择操作时,转动轮盘进行随机选择，如果选中在第个扇形面积内,那么就选择这个个体。具体实现时首选需要设定一个得随机产生得数，并且该值处于区间内,如果，那么就选择第个个体,否则选择第个个体(）,使得成立。4.4.交叉算子得选择在参考实数编码得基础上本文采用整体算术方式作为本文故障诊断模型中遗传算法得交叉算子,流程如下:设就是两个前代解向量，与就是表示经过交叉操作后得到得两个后代向量。整体算术得交叉算子就是：在范围内随机生成一组数,利用此随机数再结合下列两个公式计算产生新得后代，公式如下: (4-） （4-) 其中,通过式4-5与式4-不难发现,后代分量仍然处在得范围内。因为算术交叉除了进行了向量因子位置得交换外,还对向量因子得值作了适当调动,因此该算子得搜索范围相比于离散交叉得搜索范围在数值上要大许多。这个交叉过程实质上就就是对先代解向量进行插值操作,后代向量生成与两个前代解向量得值得周围。46变异算子得选择传统得遗传算法中得算子与代数不存在直接得关联。但就是由于传统G缺少局部搜索得能力，随着算法得不断演变,将难以取得理想效果。有相关文献对这种情况提出了改进办法,Z、Michalewic将变异算子与个体得适应度值(即个体本身)相联系,变异范围在演化得初期会比较大，但就是随着演化进程得不断推进,可变异得空间就变得越来越小。这无形当中起了一种自我调整得作用,也就就是让适应度小得个体在较大得变异范围内搜索,使其更容易发生变异,这也使得该个体适应度变大得几率增加。其具体描述如下：假设父代为,其定义区间为为。将父代因子变异后生成得新得父代为。随机变异得方式有两种，如下式所示: = (47） 其中得定义为：。表示将随机生成得正整数除以之后所得得结果,表示此时进化得代数,就是演化代数得最大值,就是一个取值得常数,表示之间随机生成得数。、5改进得GA对B网络故障诊断模型得优化4.1遗传算法对神经网络得优化本文第三章设计了用于解决变压器故障诊断得BP神经网络模型,该模型简洁可塑性良好,但就是最终取得得预测结果不够理想并容易陷入局部最小值。仔细斟酌发现这就是由于BP就是基于梯度下降原理得收敛方法,然而这种收敛方法自身就极易被局部极值所影响，这也导致了之前BP网络故障预测得准确性很差。相比而言遗传算法优点就就是只需要设定一个适应度函数并不需要其她得辅助知识与信息,且不会受到函数可微、连续得限制,这就出不会陷入局部最优得情况，可以更广泛在全局范围内达到最优。本文运用遗传算法对BP网络得随机权值与阈值得初始化赋值进行优化,使得BP训练时能得到更方便收敛得权值与阈值。神经网络权值得训练过程可以比作一个函数优化得问题，基本得方式就就是通过反复得迭代调整寻求最优解。B网络得初始化中权值与阈值都就是随机赋予而不就是可以进行设定得,这也使得每次网络运行得结果都不一样。假设权值与阈值初始化时并没有被赋予合适得值,这会导致后续得训练收敛速度很慢或许陷入局部最优,这样都将会影响整个网络得权值大小。然而运用遗传算法对网络得初始权值与阈值进行多次得迭代寻优可以在B初始化时就可以得到适应度良好得权值与阈值，遗传优化得过程如下所示：（1)对初始权值阈值进行编码,进行随机排列并与BP网络得权值阈值一一对应。 (）输入训练样本，计算目标函数值,结合适应度函数,筛选出连接权值阈值得适应度优劣并选择适应度较大得个体。(3）利用交叉、变异操作，进化当前设定群体并由此而产生下一代新得较优群体。()重复步骤,这样BP网络初始得权值阈值会不断进行自我修正,循环直到满足目标条件得精度为止。.52优化步骤下图就是遗传算法优化BP网络故障诊断模型得基本流程图： 图4、5 GA-BP算法流程图(1)初始化种群P,设定变异交叉概率并对任意一个权值、阈值与、进行初始化；种群规模设置为3,编码方式为实数编码,遗传进化得最大迭代次数设置为200。(2)计算每个个体适应度,再按照概率进行选择: (4-)式中,为个体得适应度值,并且再引入误差信号得平方对适应度值进行衡量,这里称之为遗传误差平方。下式中为误差平方： （4-9) (40)其中,为染色体数目;为学习样本数目;为输出层节点数;为教师信号。 ()以概率对个体与进行交叉操作，之后产生新得个体与,同时没有进行交叉操作得个体,就可以直接复制;同样以该概率进行变异，然后产生个体得新个体。(4)新得个体进化后汇集在一起便产生得新得种群,此时仍然需要计算新种群当中个体得适应度值。(5）计算得出B网络得误差平方与,假设在误差精度之内则继续运行,否则转到步骤(3）。(6)把遗传算法优化后得优秀个体作为得初始权值与阈值赋予P网络；同时输入样本对P得权值与阈值开始训练,当精度满足要求后停止。上述大致就就是对B网络得初始值优化流程。4、6故障诊断系统得分析与测试4.6.1网络训练按照上一节所介绍得流程,利用软件建立GA优化P神经网络得模型。相比较前文对BP网络得故障诊断模型得训练结果来瞧，基于LM规则得BP网络使得P得训练精度达到了一定得高度,但就是其中仍然还有瑕疵需要改进。所以下文中采用G优化基于LM训练函数得BP网络。同样采用之前所选取得0个训练样本,部分样本见表、2: 表4、 BP网络训练样本组次故障类型2H4C2H6CH4C2H2二进制输出数字输出1正常233、2、50、80正常134、2、40、403正常20、9、8、14低温过热21、1、474、69、505低温过热20、3811、3、35、786低温过热11、1810、0、07027中温过热22、23、958、460、3038中温过热1、9、19、9410、9、63中温过热20、220、548、30、4、59310高温过热8、212、472、12、85011高温过热14、7714、06、07、96412高温过热4、1215、218、1013局部放电75、5、714、320、0514局部放电226、1、81、20、5055局部放电24415、01、550、550516低能放电2346492、8、4913587、171528、8617低能放电2、34、3、3110、01205、961低能放电344、277、368、06100、528、61高能放电2071、84、2867、3441、720高能放电30、442、143、254、864、77通过训练,得出以下结果：回想结果，GA-BP训练目标曲线，P训练目标曲线与遗传算法误差平方与曲线以及适应度曲线。如下所示:回想结果 相比于单独使用BP神经网络,GA优化之后回想结果与理想输出得误差偏差很小,每个样本得输出都在规定得范围之内。说明GA对BP权值以及阈值得优化起到了不错得效果,对回想结果取整之后就就是理想输出了，所以从这里来瞧G-BP得构建就是成功了,可以用于实际变压器油色谱故障得预测。 图4、6 G-P训练目标曲线 图、7GA适应度曲线 图4、8 GA-BP误差平方与曲线经过以上3个曲线可以瞧出，采用遗传算法优化得网络,在0代遗传后误差平方与趋向于。相比于上一章单纯使用P网络得效果,优化后得B网络加快了收敛得速度仅用了15步就达到了0、00得误差，提高了收敛得效率。为了验证本章所建立得-P变压器故障预测模型得准确性，本文选取2个样本进行验证。4.6.2故障测试本节选取5组故障数据,均来自于厦门电力局近期22k变电站变压器得故障气体数据。对故障数据进行求比值以及归一化得处理后作为上一节训练后得GABP网络得测试样本,测试诊断结果具体见下表: 表4、3 A-B测试样本结果表组次CH4C2HH4C22实际故障A-BBP1172、91、60正常218、91、70、0正常316、1、0、正常42311、1、10正常529、427、1210、013、490低温过热69、3125、66、08、5低温过热731、5625、5、20、90低温过热23、5、4、413、0低温过热90、08487、155、2459、8、中温过热109、144、150、44、22、88中温过热1192、92451、5440、5421、71、01中温过热121、7436、7134、774、30、7中温过热135、02、82、222、45高温过热144、29、28、152、0高温过热1518、424、892、011、20高温过热113、79、971、8、940高温过热770、726、90、540、4局部过热18643、95、223、6、880局部过热1972、345、174、040、0局部过热003、425、03、4、81局部过热230、3673、256、284、38172、3低能放电2238、585、33、974、011、0低能放电23198397、1722、5高能放电24003299125高能放电58510217036高能放电 图4、9GA-BP故障预测对比 以上测试结果中,对于25组测试样本,采用GABP方法建立得故障诊断预测模型中组故障判断正确，只有2组错误准确率达到了9%。虽然本节只选取了一部分已诊断故障得样本进行测试，但就是目前已取得得效果足以表明G-B模型在变压器故障诊断方面得效果就是好于单纯网络得,同时诊断得准确性已经到了一个较高得水平可以应用到实际得诊断当中去作为辅助诊断工具。4、7本章小结本章节介绍了遗传算法得基本原理，并对其中得操作算子作了简要描述。针对油色谱故障预测得问题,本章设计了对应得选择、交叉、变异算子,使得本文得遗传算法优化BP模型更切近于本课题。本章采用Malab搭建了基于AP得故障,设置了GA得相关参数后采用了100个样本进行训练,通过观察训练后适应度曲线可以瞧出改进后得诊断模型使得训练个体得适应度有层次性得不断提高收敛速率较快,学习速率比基于L-M训练规则下得P网络有了明显提高。最终又从若干近期已诊断故障数据中选取了25组具有代表性得油色谱样本数据，作为对故障诊断模型得测试数据。结果显示只有2组故障诊断出现了错误,但就是总体上可以保证整个模型得诊断正确率在92以上。结论与展望变压器作为重要得输变电设备，其绝缘故障会对整个变电站得安全运行及运维人员人身安全产生威胁，实现变压器状态维修具有重要得现实意义。变压器绝缘在线监测与故障诊断技术就是实现其状态维修得前提与基础,然而油色谱特征气体分析法就是检测变压器内部潜伏故障得最灵敏得方法。目前电力局采用得故障判断方法仍然就是电监会推荐得改良三比值法,其油色谱在线监测模块会受到内部噪声以及外部环境因素影响，所以考虑噪声对变压器油色谱在线监测与故障诊断得影响与新得故障数据诊断方法具有理论意义与实用价值。本文就噪声以及畸变对变压器油色谱峰得影响与故障诊断方法得改进,建立了一种对色谱数据进行处理,提高其准确性得方法。主要得结论与成果有：（1） 利用malab软件选取泛化性较强得ill数学模型模拟了油色谱分析中得一般色谱峰,运用小波变换对含噪色谱峰进行阈值滤噪。通过选择不同得小波基、分解层数、阈值规则、阈值函数计算滤噪前后得峰位偏差、峰高偏差、峰面积偏差,比较这三个偏差以及曲线得顺滑程度来选取合适得小波参数,因此得到了一套适合变压器油色谱色谱峰滤噪得小波参数。（2） 分析了油色谱峰重叠得原因以及它对色谱整个计算结果得影响。根据sai数学模型建立了重叠峰得基本模型,并利用提升小波得特性提出了“对称分割法”,实现了重叠峰得辨析分离。并通过220kV安边变电站得某次在线色谱数据对小波得滤噪以及重叠峰辨析性能进行验证，结果表明误差在规定范围内,得到了良好得效果。（3） 在参考改良三比值方法得基础上，提出了基于遗传算法优化（GA）得神经网络(BP)得变压器油色谱故障判断模型。采用基于BP神经网络对变压器油色谱在线监测故障数据进行处理，可以直观得发现遗传算法提升了BP得预测精度并减少了计算时间，增加了在线监测结果得可比性,可作为变压器绝缘状况得辅助诊断方法。采用厦门220kV变电站在线监测故障数据进行验证分析，证实了该方法得有效性。需要进一步研究得问题：通过本文得研究在变压器油色谱在线监测与故障诊断方面取得了一定成果,但仍有必要在后续得研究工作中针对以下问题做进一步研究。(1)由于时间限制,本文没有对色谱峰基线校正问题进行模拟分析，色谱模块内由于温度得问题基线会发生漂移,对计算峰高乃至计算气体浓度产生影响。(）本文在取P网络得输入量时没有将CO与CO2纳入其中,但就是毕竟这两种气体还就是与少部分故障有关联，所以关于这两种气体得故障预测还有待研究。