长白山变压器厂

　　神经网络法产生隶属函数通常，确定模糊隶属函数存在相当多的人为因素，致使人为确定的隶属函数不能准确反映模糊概念。为克服这一不足，文中采用径向基函数RBF神经网络生成隶属函数，实现模糊量化。

　　径向基函数神经网络RBF神经网络具有较强的非线性函数映射能力，且收敛速度优于BP网络。另外，RBF网络隐层神经元传递函数通常取高斯核函数形式，可作为被测量的模糊数分布函数。对于每个状态参量，可用1个子网络产生其隶属于相应模糊子集的隶属度。获取n个状态参量隶属函数的RBF神经网络结构模型如所示。

　　训练样本库文中采用高斯核函数分布函数获得标准输入输出模式，建立网络学习样本库。状态参量隶属函数分布如示。中μ（x）为隶属度函数，xi为状态参量。对应不同的xi，其取值范围不同，高斯核函数中心c1，c2，c3的取值也　手　　机：15006359039不同。状态参量隶属于‘正常，Normal’、‘偏高，Medium’和‘过高，High’3个模糊概念的隶属度函数表达式为μN（xi）=1xic1μM（xi）=exp（-（xi-c2）2σ2）μH（xi）=exp（-（xi-c3）2σ23）xi>c31xi　　文中把各模糊量化子网络输出作为模糊推理网络的输入模式，确定相应标准输出模式。反复训练网络，实现模糊推理。可见，用输入输出数据对获取模糊蕴涵关系是具有普遍意义的。判断长白山变压器绕组热点的推理网络模型如示。

　　结论本文把模糊神经网络技术应用于分析长白山变压器绕组热点研究领域。把神经网络和模糊集合理论有机结合，构造智能神经模糊传感器系统，以解决测试绕组热点中存在的不确定性问题，给出绕组热点状态的语言描述，实例分析表明该方法是行之有效的。

　　另外，长白山变压器绕组过热大都是局部性的，如绕组引出线焊接点焊接不良、分接开关接触不良、匝间局部短路等引起绕组热点温度过高。如何准确地判断出绕组局部热点的具体位置，是进一步研究的重要课题。