1.引言
　　電力變壓器是電力系統中重要的設備之一，對電力系統的安全運行起著舉足輕重的作用。搞好變壓器的運行維護，特別是故障診斷工作，對于提高電力系統安全運行可靠性具有非常重要的作用。

　　DGA的出現和逐漸成熟，給變壓器故障診斷帶來了許多便利。利用DGA來判斷變壓器故障的方法有許多種，如羅杰斯法、特征氣體法、三比值法、電協研法等，然而這些方法本身具有一定程度的不完善性，僅基于DGA，并不能對故障進行準確評判，不能準確定位。結合電氣試驗，如測直流電阻，絕緣電阻，吸收比等，再加上一些故障特征，如溫度升高，油位下降等，綜合進行評判，可以有效提高診斷質量。

　　BP神經網絡具有較強的非線性逼近能力，能進行故障模式識別，還能進行故障嚴重程度評估和故障預測，應用很廣，但它對異常類故障處理能力低，不具備增量學習功能。ART 2模型是一種自組織的網絡模型，采用無監督的競爭學習規則，不存在BP算法對樣本知識的強烈依賴性問題，能正確識別出異常類故障，且識別速度快。但是，該模型是通過聚類來完成模式分類任務的，它不能進行故障嚴重性評估和發展趨勢預測。把BP神經網絡和ART2模型結合起來，將有監督算法和無監督算法集成起來，用模糊量作為輸入，構成一種新的模糊神經網絡，來對變壓器進行診斷，可以取得良好診斷效果【1】。

2.電力變壓器常見故障及其特點【3】
　　變壓器故障有很多種，一些常見的故障及其故障特點如下：
　　（1）分解開關接觸不良：直流電阻差值大，特征氣體中既含有H2又含有CO，且CH4或C2H4含量高。
　　（2）繞組匝間短路：變比偏差大，直流電阻差值大，H2和C2H2含量高，含有CO。
　　（3）有載分接開關箱漏油：溫度過高，油位下降率高。
　　（4）過熱性故障：CH4和C2H4含量高，還可能含有CO和CO2，溫度較高。
　　（5）絕緣老化：介質損耗tg較大，絕緣電阻過低，特征氣體中CO、CO2 和CH4較多。
　　（6）嚴重受潮：介質損耗tg較大，水分含量大，吸收比小于1.3，絕緣電阻過低，特征氣體中H2含量大。
　　（7）油中局部放電：H2、C2H2、CH4和CO含量高。
　　（8）斷線故障：直流電阻差值大，H2含量最大。
　　變壓器常見故障很多，故障原因也很多。把故障的多種特征提取出來，送到故障診斷模型中，進行分析、綜合，最后可得出故障診斷結果。

3.故障診斷模型－多重模糊神經網絡的建立
　　用模糊神經網絡進行變壓器故障診斷時，考慮到實際應用中樣本多，數據差異大，采用一個網絡非常復雜，而且收斂性差，診斷準確率低，因此，本文根據某些特征指標和一定的規則組合，將整個樣本分為若干個相互獨立的子樣本集，建立多重子模糊神經網絡，如圖1所示。

　　圖中x1，x2，x3為表2中所述的三比值法輸入值。
　　第一塊模糊神經網絡采用特征氣體，如H2，C2H2，CH4，C2H4，C2H6，CO及CO2等測定值作為輸入，產生一系列的輸出。第二塊模糊神經網絡采用氣體三比值法作為輸入，產生一系列的輸出。第三塊模糊神經網絡可采用直流電阻、絕緣電阻、吸收比、極化指數、變比、介質損耗tgδ、水分等電氣試驗測定值作為輸入。第四塊模糊神經網絡可采用油位、油溫度等測定值作為輸入。輸入模糊化后，送入BP神經網絡，經處理后，產生一系列結果，送入ART2模型中，再經處理后產生診斷結果，輸出量有：正常，絕緣老化，繞組匝間短路，分接頭接觸不良，絕緣擊穿，嚴重受潮，油中局部放電，有載分接開關箱漏油，斷線，過熱性故障，鐵心短路，固體絕緣電弧分解等。
　　混合神經網絡中BP神經網絡為如下圖所示三層結構：

　　BP1為3層，其輸入量為7個第1到3輸入量為H2，總烴及C2H2測定量，第4到7輸入量為C2H2，H2，CH4與C2H4在總烴中所占的比例，隱含層20個，輸出量為6個，分別表示一般過熱（>500℃），局部放電，火花放電，電弧放電與過熱兼電弧放電;BP2也為3層，其輸入量為3個，隱含層12個，輸出量為9個，其輸入輸出含義見表2。BP1、BP2兩類在現場已有應用，因此，其輸入、輸出及隱含層神經元數量是由經驗給出的；由于現場條件的限制，BP3、BP4輸入量、輸出量的個數及隱含層數由根據現場實際所能提供的測定數據來確定，仿真中采用介質損耗tgδ、直流電阻、吸收比、油位、水分的測量值作為輸入，網絡也采用三層結構，其輸入層、隱含層、輸出層分別為3、10、6和2、8、5。BP神經網絡采用文獻5所述的學習算法。由于BP算法存在收斂速度慢，學習精度低等問題，本文采用加動量因子，及不等權、半隨機初始解等方法加以解決，以加快收斂速度。