导读：基于小波预处理的人工神经网络实现微机变压器保护的新方法胡小鹏 易理刚（ 湖南大学 长沙 410082）摘 要 提出了一种微机变压...
这样的取值，使得网络具有更好的容错能力，即便在数据采集时，某一点出现坏数据，网络的识别能力也不会受到致命的影响，不会导致错误的识别结果。
励磁涌流识别子网络NN1的输出层节点数取为1，当变压器出现励磁涌流时，其值为1;否则为0。
本文对于小波变换峰值的识别，采用如下的模糊规则：
本文选取小波变换的第3尺度进行模极大值特征的识别，由于小波变换固有的滤波特性，第3尺度已经基本上滤除了高频分量及噪声的影响。为了确保识别的可靠性，采用以下两条模糊规则：
（1）为了去除小波变换中很小的峰值，把局部模极大值与涌流的峰值相比较,首先去掉非常小的极大值。
（2）相邻模极大值如果同号，那么这两个极大值中点处的小波变换值必然很小。
2.3.2 区内、外故障识别子网络NN2
该网络的目的是检测系统中是否发生故障及是否为区内故障。其输出层共有1个节点。当取其值为1时，代表保护起动。
当系统发生不对称故障时，会产生负序分量，考虑到判别故障区域的需要，选取变压器两侧电流向量负序分量作为输入层的节点输入，通过比较负序分量第3 尺度的小波变换模极大值向量的方向来判别变压器所发生的故障是否为内部故障；发生对称故障时，选取任一相电流作为输入层的节点输入，通过比较变压器两侧任一相电流瞬时值尺度上3的小波变换模极大值向量的方向，来判别变压器所发生的是否为内部故障。因此选取的特征量为：两侧电流向量负序分量尺度3上小波变换模局部极值向量，两侧三相电流中任一相瞬时值尺度3上的小波变换模局部极值向量。每一种特征量均连续计算3次，分别加于各输入节点，以增强网络的可靠性和冗余度。这样故障检测子网络NN2的输入层节点数应取为6。当负序分量的尺度3上小波变换出现模局部极大值，且其值为正时，取相应的输入层节点的值为1，否则取为0；当两侧三相电流中任一相瞬时值的尺度3上小波变换出现模局部极大值，且其值为正时，取相应的输入层节点的值为1，否则取为0。
2个子网络的结构如图2所示。NN1、NN2的输入层节点数分别为9、6，输出层节点数均为1.每个子网络的隐含层节点个数，在训练过程中确定。
3 网络的训练与检验
3.1 训练
3.1.1 用EMTP获取神经网络的训练样本
本文利用电磁暂态仿真程序(EMTP)对变压器可能发生的各种故障进行了大量的仿真计算。
如图3所示，本文在选取利用EMTP进行仿真计算的电力系统模型中包括有电缆线，考虑了变压器处于双端电源系统和单端电源系统两种情况。对于通过一条电缆连接到电源是的电力变压器，由于电缆较大的分布电容，导致响应变压器内容故障的差动电流畸变。它包括二次谐波分量和三次谐波分量。
在计算中，以变压器1为研究对象，设电流从变压器流向母线的方向为电流的正方向。在图3中示出了故障点位置，分别在变
