隐含层数值确定.pdfVIP

天津大学硕士学位论文 第四章以DGA为特征量的神经网络诊断模型及方法 适用，而在另外一种情况下就无能为力。 ③样本应当具有紧凑性。学习样本在具有上面的条件外，还应当具有紧凑 性。含有大量冗余成分的学习样本会产生以下不利情况：a．导致网络学习过程收 敛困难或不收敛：b．训练出来的网络会产生错误映射，使网络输出过多偏向冗余 学习成分所形成的输出方向。 4．3．2 DGA数据的预处理 为避免输入向量过大而导致BP网络的饱和，而采用气体含量各自所占总含 气量的相对百分比为输入向量。 R={L，江1，2，3，4，5，6，7 ∑巧 i=1 式中：Ri为归算后的气体百分含量；n为归算前的气体含量。 4．3．3 BP神经网络参数的确定 BP神经网络是被广泛应用的一种网络模型，设计一个BP网络，一般应从 网络的层数、每层中的神经元个数和激活函数、训练算法等方面来考虑。在确 定采用前向网络后，网络结构主要是确定网络的层数，亦即隐藏层的层数，以 及每层的神经元数。一般来讲，隐藏层、隐藏节点越多，则精度可以达到越高， 但网络的泛化能力也随之下降。神经网络结构的优化，尚缺乏通用的理论指导， 一般是根据应用的不同而不同，实用中，一般采用的方法就是不断的尝试，即 比较多种网络结构，参考一些建议性意见，最后确定一种比较好的结构。 Cybenko证明，三层网(一层隐藏层)如果有足够多的隐藏节点，可以逼近任 何函数。所以，较少的隐藏层是可以胜任的。 层数：三层(输入层、隐藏层、输出层) 节点数：输入层节点数7；输出层节点数5。 对于隐藏层节点数，本文采用尝试法，在其他参数不变的情况下，固定收 敛精度，比较迭代次数。 (1)输入特征向量的确定 一般来说，一个好的特征向量将包括适当的信息，以描述给定问题的特征。 通常选择输入特征向量时需要注意两条基本原则：一是输入量必须选择那些对 输出影响大且能够检测或提取的变量；二是要求各输入变量之间互不相关或相 关性很小。变压器故障时分解出的气体主要有H2、CO、C02、CH4、C2H6、C2H4、 天津大学硕士学位论文 第四章以DGA为特征量的神经网络诊断模型及方法 C2H2等，这些气体的浓度均会反映变压器的故障程度。但为了避免输入向量过 大导致BP网络饱和，而以该七种气体的百分含量为网络的输入特征向量，因此 设定该网络输入层神经元节点数为7。 (2)输出特征向量的确定 一般来讲，输出量代表系统要实现的目标，其选择确定相对容易一些。只 要问题确定好了，一般输出量也就确定了。在变压器故障诊断中，输出量为0 或l的5位故障编码，对应于高温过热、中温过热、低温过热、高能量放电(aP 电弧放电)、低能量放电(火花放电、局部放电)、低能放电兼过热和高能放电兼 过热七种故障类型。故障编码如表4．1所示。考虑到局部放电的放电能量较低， 这里把局部放电故障归结到了低能放电故障类型中；对于放电兼过热故障，考 虑到温度和放电能量的关系，这里设定低能放电兼过热中的过热对应中温过热， 高能放电兼过热中的过热对应高温过热。因此设定该网络输出层神经元节点数 为5。 表4．1故障编码对应表 故障类型 编码(依次为Yl，Y2，Y3，Y4，Y5) 低温过热 1 0 0 O 0 中温过热 0 1 O 0 0 高温过热 O O 1 0 0 低能放电 0 O O 1 0 高能放电 O O 0 0 1 低能放电兼过热 O l 0 1 0