Добавлен: 26.10.2023
Просмотров: 320
Скачиваний: 6
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
СОДЕРЖАНИЕ
построены функции принадлежности (Рис. 15, 16) для всех возможных видов дефектов по результатам ХАРГ, описанных в Табл. 7.
По результатам расчетов (Рис. 15) видно, что определить тип функций принадлежности очень сложно, а метод потенциалов можно использовать только при больших массивах исходных статистических данных, что для решения данной задачи не всегда представляется возможным.
При анализе с помощью метода нечеткой кластеризации полученные функции принадлежности (Рис. 16) можно определить как один из следующих возможных типов:
Рисуок 15 – Вид функций принадлежности на основе метода
потенциалов
Рисунок 16 – Вид функций принадлежности на основе метода нечеткой
кластеризации
В качестве входных параметров нейро-нечеткого логического вывода в данном случае выступают три отношения концентраций газов С2Н2/С2Н4, СН4/Н2 и С2Н4/С2Н6, а в качестве выходного параметра – один из возможных видов дефектов. Для выявления и термического и электрического характера дефектов формируется одинаковая структура нейро-нечеткого логического вывода (Рис. 18), но для термического характера дефектов внутри структуры используются функции принадлежности (f1, f6-f9, Табл. 7), а для электрического характера дефекта функции принадлежности (f1-f5, Табл. 7).
Рисунок 17 – Гауссовы функции принадлежности для электрического
характера дефекта для концентраций пар газов С2Н2/С2Н4
Рисунок 18 – Гауссовы функции принадлежности для электрического характера дефекта для концентраций пар газов СН4/Н2
Рисунок 19 – Гауссовы функции принадлежности для электрического характера дефекта для концентраций пар газов С2Н4/С2Н6
Рисунок 20 – Гауссовы функции принадлежности для термического характера дефекта для концентраций пар газов С2Н2/С2Н4
Рисунок 21 – Гауссовы функции принадлежности для термического характера дефекта для концентраций пар газов СН4/Н2
Рисунок 22 – Гауссовы функции принадлежности для термического характера дефекта для концентраций пар газов С2Н4/С2Н6
Рисунок 23 – Колоколообразные функции принадлежности для электрического характера дефекта для концентраций пар газов С2Н2/С2Н4
Рисунок 24 – Колоколообразные функции принадлежности для электрического характера дефекта для концентраций пар газов СН4/Н2
Рисунок 25 – Колоколообразные функции принадлежности для электрического
характера дефекта для концентраций пар газов С2Н4/С2Н6
Рисунок 26 – Колоколообразные функции принадлежности для термического характера дефекта для концентраций пар газов С2Н2/С2Н4
Рисунок 27 – Колоколообразные функции принадлежности для термического характера дефекта для концентраций пар газов СН4/Н2
Рисунок 28 – Колоколообразные функции принадлежности для термического характера дефекта для концентраций пар газов С2Н4/С2Н6
Рисунок 29 – Пи-подобные функции принадлежности для электрического характера дефекта для концентраций пар газов С2Н2/С2Н4
Рисунок 30 – Пи-подобные функции принадлежности для электрического характера дефекта для концентраций пар газов СН4/Н2
Рисунок 31 – Пи-подобные функции принадлежности для электрического характера дефекта для концентраций пар газов С2Н4/С2Н6
Рисунок 32 –Пи-подобные функции принадлежности для термического характера дефекта для концентраций пар газов С2Н2/С2Н4
Рисунок 33 – Пи-подобные функции принадлежности для термического характера дефекта для концентраций пар газов СН4/Н2
Рисунок 34 – Пи-подобные функции принадлежности для термического характера дефекта для концентраций пар газов С2Н4/С2Н6
Нечеткие правила продукции (правила нечеткого вывода) также как и функции принадлежности формируются для каждого вида дефекта и являются формализованными знаниями экспертов (в данном случае данные нормативной документации). Все правила продукции представлены в Табл. 9. Таблица 9 – Нечеткие правила продукции
Структура нейро-нечеткого логического вывода для выявления
характера дефекта в транформаторе на основе ХАРГ представлена на Рис. 35. Обучающая выборка для системы нейро-нечеткого логического вывода, представленного на Рис. 35, состоит из данных ХАРГ 74 силовых масляных трансформаторов напряжением 110 кВ сопоставимой мощности и однотипной конструкции, среди которых 32 представлены с дефектом электрического характера, 32 - с дефектом термического характера и 10 представлены нормальным состоянием. Таким образом, обучающая выборка
для выявления каждого вида дефекта содержит 42 обучающих примера. Полный состав обучающей выборки представлен в Приложении А. Результаты расчетов представлены в Табл. 10.
Рисунок 35 – структура нейро-нечеткого логического вывода для выявления характера дефекта в транформаторе на основе ХАРГ
В качестве основного критерия, по которому выполняются сравнения результатов расчетов модели с использованием различных видов функций принадлежности, выбрана средняя ошибка обучения. Это объясняется необходимостью минимизации эмпирического риска – то есть необходимостью выбрать такой тип функций принадлежности в рамках заданной модели, при которой значение средней ошибки на заданной обучающей выборке было бы минимальным 86.
По результатам расчетов средняя ошибка обучения для электрического характера дефектов при гауссовой функции принадлежности составляет 0,051%, при колоколообразной функции принадлежности - 0,054%, при пи- подобной функции принадлежности - 0,046%; для термического характера дефекта при гауссовой функции принадлежности – 0,053%,
По результатам расчетов (Рис. 15) видно, что определить тип функций принадлежности очень сложно, а метод потенциалов можно использовать только при больших массивах исходных статистических данных, что для решения данной задачи не всегда представляется возможным.
При анализе с помощью метода нечеткой кластеризации полученные функции принадлежности (Рис. 16) можно определить как один из следующих возможных типов:
-
симметричная гауссова (Рис. 17-22); -
пи-подобная (Рис. 23-28); -
колоколообразная (Рис. 29-34).
Рисуок 15 – Вид функций принадлежности на основе метода
потенциалов
Рисунок 16 – Вид функций принадлежности на основе метода нечеткой
кластеризации
В качестве входных параметров нейро-нечеткого логического вывода в данном случае выступают три отношения концентраций газов С2Н2/С2Н4, СН4/Н2 и С2Н4/С2Н6, а в качестве выходного параметра – один из возможных видов дефектов. Для выявления и термического и электрического характера дефектов формируется одинаковая структура нейро-нечеткого логического вывода (Рис. 18), но для термического характера дефектов внутри структуры используются функции принадлежности (f1, f6-f9, Табл. 7), а для электрического характера дефекта функции принадлежности (f1-f5, Табл. 7).
Рисунок 17 – Гауссовы функции принадлежности для электрического
характера дефекта для концентраций пар газов С2Н2/С2Н4
Рисунок 18 – Гауссовы функции принадлежности для электрического характера дефекта для концентраций пар газов СН4/Н2
Рисунок 19 – Гауссовы функции принадлежности для электрического характера дефекта для концентраций пар газов С2Н4/С2Н6
Рисунок 20 – Гауссовы функции принадлежности для термического характера дефекта для концентраций пар газов С2Н2/С2Н4
Рисунок 21 – Гауссовы функции принадлежности для термического характера дефекта для концентраций пар газов СН4/Н2
Рисунок 22 – Гауссовы функции принадлежности для термического характера дефекта для концентраций пар газов С2Н4/С2Н6
Рисунок 23 – Колоколообразные функции принадлежности для электрического характера дефекта для концентраций пар газов С2Н2/С2Н4
Рисунок 24 – Колоколообразные функции принадлежности для электрического характера дефекта для концентраций пар газов СН4/Н2
Рисунок 25 – Колоколообразные функции принадлежности для электрического
характера дефекта для концентраций пар газов С2Н4/С2Н6
Рисунок 26 – Колоколообразные функции принадлежности для термического характера дефекта для концентраций пар газов С2Н2/С2Н4
Рисунок 27 – Колоколообразные функции принадлежности для термического характера дефекта для концентраций пар газов СН4/Н2
Рисунок 28 – Колоколообразные функции принадлежности для термического характера дефекта для концентраций пар газов С2Н4/С2Н6
Рисунок 29 – Пи-подобные функции принадлежности для электрического характера дефекта для концентраций пар газов С2Н2/С2Н4
Рисунок 30 – Пи-подобные функции принадлежности для электрического характера дефекта для концентраций пар газов СН4/Н2
Рисунок 31 – Пи-подобные функции принадлежности для электрического характера дефекта для концентраций пар газов С2Н4/С2Н6
Рисунок 32 –Пи-подобные функции принадлежности для термического характера дефекта для концентраций пар газов С2Н2/С2Н4
Рисунок 33 – Пи-подобные функции принадлежности для термического характера дефекта для концентраций пар газов СН4/Н2
Рисунок 34 – Пи-подобные функции принадлежности для термического характера дефекта для концентраций пар газов С2Н4/С2Н6
Нечеткие правила продукции (правила нечеткого вывода) также как и функции принадлежности формируются для каждого вида дефекта и являются формализованными знаниями экспертов (в данном случае данные нормативной документации). Все правила продукции представлены в Табл. 9. Таблица 9 – Нечеткие правила продукции
| № | Нечеткие правила продукции |
| 1 | if (gr1 is f1) and (gr2 is f1) and (gr3 is f1) then (output1 is NF) |
| Электрический дефект | |
| 2 | if (gr1 is f2) and (gr2 is f2) and (gr3 is f2) then (output1 is LEPD) |
| 3 | if (gr1 is f3) and (gr2 is f3) and (gr3 is f3) then (output1 is HEPD) |
| 4 | if (gr1 is f4) and (gr2 is f4) and (gr3 is f4) then (output1 is LED) |
| 5 | if (gr1 is f5) and (gr2 is f5) and (gr3 is f5) then (output1 is HED) |
| Термический дефект | |
| 6 | if (gr1 is f6) and (gr2 is f6) and (gr3 is f6) then (output1 is T1) |
| 7 | if (gr1 is f7) and (gr2 is f7) and (gr3 is f7) then (output1 is T2) |
| 8 | if (gr1 is f8) and (gr2 is f8) and (gr3 is f8) then (output1 is T3) |
| 9 | if (gr1 is f9) and (gr2 is f9) and (gr3 is f9) then (output1 is T0) |
Структура нейро-нечеткого логического вывода для выявления
характера дефекта в транформаторе на основе ХАРГ представлена на Рис. 35. Обучающая выборка для системы нейро-нечеткого логического вывода, представленного на Рис. 35, состоит из данных ХАРГ 74 силовых масляных трансформаторов напряжением 110 кВ сопоставимой мощности и однотипной конструкции, среди которых 32 представлены с дефектом электрического характера, 32 - с дефектом термического характера и 10 представлены нормальным состоянием. Таким образом, обучающая выборка
для выявления каждого вида дефекта содержит 42 обучающих примера. Полный состав обучающей выборки представлен в Приложении А. Результаты расчетов представлены в Табл. 10.
Рисунок 35 – структура нейро-нечеткого логического вывода для выявления характера дефекта в транформаторе на основе ХАРГ
В качестве основного критерия, по которому выполняются сравнения результатов расчетов модели с использованием различных видов функций принадлежности, выбрана средняя ошибка обучения. Это объясняется необходимостью минимизации эмпирического риска – то есть необходимостью выбрать такой тип функций принадлежности в рамках заданной модели, при которой значение средней ошибки на заданной обучающей выборке было бы минимальным 86.
По результатам расчетов средняя ошибка обучения для электрического характера дефектов при гауссовой функции принадлежности составляет 0,051%, при колоколообразной функции принадлежности - 0,054%, при пи- подобной функции принадлежности - 0,046%; для термического характера дефекта при гауссовой функции принадлежности – 0,053%,