Добавлен: 26.10.2023
Просмотров: 324
Скачиваний: 6
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
СОДЕРЖАНИЕ
при колоколообразной функции принадлежности - 0,054%, при пи-подобной функции принадлежности - 0,047%. Таким образом, наименьшая ошибка
обучения и для электрического и для термического характера дефектов получается при использовании в модели пи-подобных функций принадлежности.
Таблица 10 – Результаты расчетов для определения вида функций принадлежности
Таким образом, по результатам расчетов, исходя из критерия минимальной ошибки обучения, для дальнейшего использования в модели
силового трансформатора 110 кВ для данных ХАРГ были приняты пи- подобные функции принадлежности.
Второйвариантструктурынейро-нечеткоговывода
Вторым возможным вариантом структуры нейро-нечеткого логического вывода является вариант с объединением одинаковых значений в единые функции принадлежности (вариант 2, Табл. 8).
С помощью метода нечеткой кластеризации, как и в предыдущем варианте, вид функций принадлежности можно определить как один из следующих возможных типов: симметричная гауссова; пи-подобная; колоколообразная. Количество функций принадлежности для данного варианта приведено в Табл. 11.
В качестве входных параметров данного нейро-нечеткого логического вывода выступают, как и в предыдущем случае, три отношения концентраций газов – С2Н2/С2Н4, СН4/Н2 и С2Н4/С2Н6, а в качестве выходного параметра – один из возможных видов дефектов. И так же, как и в предыдущем случае, для выявления характера дефектов формируется своя структура нейро-нечеткого логического вывода (Табл. 11).
Таблица 11 – Возможное количество функций принадлежности для различных отношений концентраций газов
Нечеткие правила продукции, как и функции принадлежности, формируются для каждого вида дефекта (Табл. 12). Структура нейро- нечеткого логического вывода для определения термического и
электрического характера дефектов в трансформаторе на основе ХАРГ представлена на Рис. 36-37. Результаты расчетов представлены в Табл. 13.
Таблица 12 – Нечеткие правила продукции
Рисунок 36 – Структура нейро-нечеткого логического вывода для выявления электрического характера дефекта в транформаторе
Рисунок 37 – Структура нейро-нечеткого логического вывода для выявления термического характера дефекта в транформаторе
Таблица 13 – Результаты расчета для определения вида функций принадлежности
Продолжение таблицы 13
По результатам расчетов средняя ошибка обучения для электрического характера дефектов при гауссовой функции принадлежности составляет 0,239%, при колоколообразной функции принадлежности - 0,204%, при пи- подобной функции принадлежности - 0,185%; для термического характера дефекта при гауссовой функции принадлежности – 0,324%, при колоколообразной функции принадлежности - 0,315%, при пи-подобной функции принадлежности - 0,287%.
В Табл. 14 представлены итоговые значения средней ошибки обучения по различным вариантам использования числа и вида функций принадлежности.
Таким образом, наименьшая ошибка обучения и для электрического и для термического характера дефектов получается при использовании в модели пи-подобных функций принадлежности. Поэтому для дальнейшего использования в модели силового трансформатора 110 кВ для данных ХАРГ по результатам расчетов по критерию минимальной ошибки обучения были приняты пи-подобные функции принадлежности.
Таблица 14 – Результаты расчета по определению вида функций принадлежности
обучения и для электрического и для термического характера дефектов получается при использовании в модели пи-подобных функций принадлежности.
Таблица 10 – Результаты расчетов для определения вида функций принадлежности
| ANFIS данные | Значения | ||
| Электрический дефект | |||
| Тип функций принадлежности | Гауссова | Колоколообр. | Пи-подобная |
| Число пар в обучающей выборке | 42 | 42 | 42 |
| Число узлов | 286 | 286 | 286 |
| Число линейных параметров | 500 | 500 | 500 |
| Число нелинейных параметров | 60 | 60 | 60 |
| Общее число параметров | 560 | 560 | 560 |
| Число нечетких правил | 125 | 125 | 125 |
| Средняя ошибка обучения, % | 0,051 | 0,054 | 0,046 |
| Термический дефект | |||
| Тип функций принадлежности | Гауссова | Колоколообр. | Пи-подобная |
| Число пар в обучающей выборке | 42 | 42 | 42 |
| Число узлов | 286 | 286 | 286 |
| Число линейных параметров | 500 | 500 | 500 |
| Число нелинейных параметров | 60 | 60 | 60 |
| Общее число параметров | 560 | 560 | 560 |
| Число нечетких правил | 125 | 125 | 125 |
| Средняя ошибка обучения, % | 0,053 | 0,054 | 0,047 |
Таким образом, по результатам расчетов, исходя из критерия минимальной ошибки обучения, для дальнейшего использования в модели
силового трансформатора 110 кВ для данных ХАРГ были приняты пи- подобные функции принадлежности.
Второйвариантструктурынейро-нечеткоговывода
Вторым возможным вариантом структуры нейро-нечеткого логического вывода является вариант с объединением одинаковых значений в единые функции принадлежности (вариант 2, Табл. 8).
С помощью метода нечеткой кластеризации, как и в предыдущем варианте, вид функций принадлежности можно определить как один из следующих возможных типов: симметричная гауссова; пи-подобная; колоколообразная. Количество функций принадлежности для данного варианта приведено в Табл. 11.
В качестве входных параметров данного нейро-нечеткого логического вывода выступают, как и в предыдущем случае, три отношения концентраций газов – С2Н2/С2Н4, СН4/Н2 и С2Н4/С2Н6, а в качестве выходного параметра – один из возможных видов дефектов. И так же, как и в предыдущем случае, для выявления характера дефектов формируется своя структура нейро-нечеткого логического вывода (Табл. 11).
Таблица 11 – Возможное количество функций принадлежности для различных отношений концентраций газов
| | Число функций принадлежности | ||
| Отношения концентраций | С2Н2/С2Н4 | СН4/Н2 | С2Н4/С2Н6 |
| | Электрический дефект | ||
| Вариант 2 | 3 | 2 | 3 |
| | Термический дефект | ||
| Вариант 2 | 1 | 2 | 3 |
Нечеткие правила продукции, как и функции принадлежности, формируются для каждого вида дефекта (Табл. 12). Структура нейро- нечеткого логического вывода для определения термического и
электрического характера дефектов в трансформаторе на основе ХАРГ представлена на Рис. 36-37. Результаты расчетов представлены в Табл. 13.
Таблица 12 – 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 f1) and (gr2 is f2) and (gr3 is f1) then (output1 is LEPD) |
| 3 | if (gr1 is f2) and (gr2 is f1) and (gr3 is f1) then (output1 is HEPD) |
| 4 | if (gr1 is f3) and (gr2 is f2) and (gr3 is f2) then (output1 is LED) |
| 5 | if (gr1 is f2) and (gr2 is f2) and (gr3 is f3) then (output1 is HED) |
| Термический дефект | |
| 6 | if (gr1 is f1) and (gr2 is f1) and (gr3 is f2) then (output1 is T1) |
| 7 | if (gr1 is f1) and (gr2 is f2) and (gr3 is f1) then (output1 is T2) |
| 8 | if (gr1 is f1) and (gr2 is f2) and (gr3 is f2) then (output1 is T3) |
| 9 | if (gr1 is f1) and (gr2 is f2) and (gr3 is f3) then (output1 is T0) |
Рисунок 36 – Структура нейро-нечеткого логического вывода для выявления электрического характера дефекта в транформаторе
Рисунок 37 – Структура нейро-нечеткого логического вывода для выявления термического характера дефекта в транформаторе
Таблица 13 – Результаты расчета для определения вида функций принадлежности
| ANFIS данные | Значения | ||
| Электрический дефект | |||
| Тип функций принадлежности | Гауссова | Колоколообр. | Пи- подобная |
| Число пар в обучающей выборке | 42 | 42 | 42 |
| Число узлов | 58 | 58 | 58 |
| Число линейных параметров | 18 | 18 | 18 |
| Число нелинейных параметров | 32 | 32 | 32 |
| Общее число параметров | 42 | 42 | 42 |
| Число нечетких правил | 18 | 18 | 18 |
| Средняя ошибка обучения, % | 0,239 | 0,204 | 0,185 |
Продолжение таблицы 13
| ANFIS данные | Значения | ||
| Термический дефект | |||
| Тип функций принадлежности | Гауссова | Колоколообр. | Пи- подобная |
| Число пар в обучающей выборке | 42 | 42 | 42 |
| Число узлов | 30 | 30 | 30 |
| Число линейных параметров | 6 | 6 | 6 |
| Число нелинейных параметров | 24 | 24 | 24 |
| Общее число параметров | 30 | 30 | 30 |
| Число нечетких правил | 6 | 6 | 6 |
| Средняя ошибка обучения, % | 0,324 | 0,315 | 0,287 |
По результатам расчетов средняя ошибка обучения для электрического характера дефектов при гауссовой функции принадлежности составляет 0,239%, при колоколообразной функции принадлежности - 0,204%, при пи- подобной функции принадлежности - 0,185%; для термического характера дефекта при гауссовой функции принадлежности – 0,324%, при колоколообразной функции принадлежности - 0,315%, при пи-подобной функции принадлежности - 0,287%.
В Табл. 14 представлены итоговые значения средней ошибки обучения по различным вариантам использования числа и вида функций принадлежности.
Таким образом, наименьшая ошибка обучения и для электрического и для термического характера дефектов получается при использовании в модели пи-подобных функций принадлежности. Поэтому для дальнейшего использования в модели силового трансформатора 110 кВ для данных ХАРГ по результатам расчетов по критерию минимальной ошибки обучения были приняты пи-подобные функции принадлежности.
Таблица 14 – Результаты расчета по определению вида функций принадлежности
| | Число функций принадлежности для различных отношений концентраций газов | ||
| Отношение концентраций газов | С2Н2/С2Н4 | СН4/Н2 | С2Н4/С2Н6 |
| Электрический дефект | |||
| Вариант 1 | 5 | 5 | 5 |
| Средняя ошибка обучения, % (Гауссова функция) | 0,051 | ||
| Средняя ошибка обучения, % (Колоколообр. функция) | 0,054 | ||
| Средняя ошибка обучения, % (Пи-подобная функция) | 0,046 | ||
| Вариант 2 | 3 | 2 | 3 |
| Средняя ошибка обучения, % (Гауссова функция) | 0,239 | ||
| Средняя ошибка обучения, % (Колоколообр. функция) | 0,204 | ||
| Средняя ошибка обучения, % (Пи-подобная функция) | 0,185 | ||
| Термический дефект | |||
| Вариант 1 | 5 | 5 | 5 |
| Средняя ошибка обучения, % (Гауссова функция) | 0,053 | ||
| Средняя ошибка обучения, % (Колоколообр. функция) | 0,054 | ||
| Средняя ошибка обучения, % (Пи-подобная функция) | 0,047 | ||
| Вариант 2 | 1 | 2 | 3 |
| Средняя ошибка обучения, % (Гауссова функция) | 0,324 | ||
| Средняя ошибка обучения, % (Колоколообр. функция) | 0,315 | ||
| Средняя ошибка обучения, % (Пи-подобная функция) | 0,287 | ||