CN105353255A

CN105353255A - 一种基于神经网络的变压器故障诊断方法

Info

Publication number: CN105353255A
Application number: CN201510848093.8A
Authority: CN
Inventors: 高�浩; 岳东; 秦媛
Original assignee: Nanjing Post and Telecommunication University
Current assignee: Nanjing Post and Telecommunication University; Nanjing University of Posts and Telecommunications
Priority date: 2015-11-27
Filing date: 2015-11-27
Publication date: 2016-02-24
Anticipated expiration: 2035-11-27
Also published as: CN105353255B

Abstract

本发明涉及一种基于神经网络的变压器故障诊断方法，包括如下步骤：分析故障原因，提取变压器油中溶解气体的样本集以及所对应的变压器内部故障类型；根据经验和逐次寻优法确定神经网络隐含层的神经元数目，并构建神经网络；再采用改进型布谷鸟优化算法针对神经网络进行训练；最后采用训练后的神经网络，针对变压器的故障进行诊断，整个设计方法具有搜索精度高，全局搜索能力强的特点，有效提高了变压器故障诊断的准确性。

Description

一种基于神经网络的变压器故障诊断方法

技术领域

本发明涉及一种基于神经网络的变压器故障诊断方法，属于变压器故障处理技术领域。

背景技术

电力变压器是电力系统的重要元件之一，它的安全性能直接影响到我国电气系统能否可靠运行，也间接的影响了我国居民的日常生活。因而针对电力变压器的维修、检测变得十分迫切，但是经常性的拆装变压器会再一次损坏该设备，并给设备埋下安全隐患。随着用电量的增长，电力变压器承受的负荷也越来越大，为此，有必要针对电力设备的运行状态进行实时监控，通过实时检测能够发现电气设备的早期缺陷，防止突发事故发生，减小不必要的停电检修，有效的延长了设备的使用寿命。

发明内容

针对上述技术问题，本发明所要解决的技术问题是提供一种基于神经网络的变压器故障诊断方法，不仅解决了神经网络参数难于优化的问题，而且还提高了神经网络全局收敛的速度和精度，以及提高了变压器故障诊断的能力和准确率。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于神经网络的变压器故障诊断方法，包括如下步骤：

步骤001.提取变压器发生故障时、预设组数的变压器油中溶解气体样本数据，作为各组训练样本数据，各组训练样本数据分别包括各指定溶解气体的各指定类型参数数据；并且获得各组训练样本数据分别所对应的变压器内部故障类型，其中，变压器内部故障类型的种类数量为M，然后进入步骤002；

步骤002.分别针对各组训练样本数据，针对各指定溶解气体的各指定类型参数数据，进行归一化处理，获得各组训练样本归一化数据，并进入步骤003；

步骤003.分别针对各组训练样本归一化数据，采用预设数量N比值法，基于各指定溶解气体划分，分别按各指定类型参数进行比值处理；获得各组训练样本矢量数据，各组训练样本矢量数据分别包括各指定类型参数所对应的N个矢量数据；并且根据各组训练样本数据分别所对应的变压器内部故障类型，获得各组训练样本矢量数据分别所对应的变压器内部故障类型；然后进入步骤004；

步骤004.根据各组训练样本矢量数据分别包括各指定类型参数所对应的N个矢量数据，即获得待构建神经网络输入层神经元数目N，同时，根据变压器内部故障类型的种类数量M，即获得待构建神经网络输出层神经元数目M；然后根据待构建神经网络输入层神经元数目N和待构建神经网络输出层神经元数目M，获得待构建神经网络隐含层的神经元数目K，然后进入步骤005；

步骤005.根据待构建神经网络隐含层的神经元数目K，构建获得神经网络，并进入步骤006；

步骤006.根据各组训练样本矢量数据，以及分别所对应的变压器内部故障类型，采用布谷鸟算法针对所获神经网络进行训练，获得训练后的神经网络，其中，在全部训练迭代次数的前1/3次迭代过程中，布谷鸟算法中采用柯西分布搜索方式搜索获得新鸟巢的位置；在全部训练迭代次数的中间1/3次迭代过程中，布谷鸟算法中采用莱维搜索方式搜索获得新鸟巢的位置；在全部训练迭代次数的后1/3次迭代过程中，布谷鸟算法中采用高斯分布搜索方式搜索获得新鸟巢的位置；其中，鸟巢的位置表示所获神经网络中输入层与隐含层之间的连接权值、输入层与隐含层之间的阈值、隐含层与输出层之间的连接权值，以及隐含层与输出层之间的阈值；然后进入步骤007；

步骤007.提取待诊断变压器油中溶解气体数据，采用训练后的神经网络进行诊断，判断获得该待诊断变压器油中溶解气体数据所对应的变压器内部故障类型，其中，待诊断变压器油中溶解气体数据的数据结构与变压器油中溶解气体样本数据的数据结构相同。

作为本发明的一种优选技术方案：所述步骤001中，还包括提取变压器发生故障时、预设组数的变压器油中溶解气体样本数据，作为各组测试样本数据，其中各组测试样本数据的数据结构与所述训练样本数据的数据结构相同；并且获得各组测试样本数据分别所对应的变压器内部故障类型；

所述步骤002中，还包括分别针对各组测试样本数据，针对各指定溶解气体的各指定类型参数数据，进行归一化处理，获得各组测试样本归一化数据；

所述步骤003中，还包括分别针对各组测试样本归一化数据，采用预设数量N比值法，基于各指定溶解气体划分，分别按各指定类型参数进行比值处理；获得各组测试样本矢量数据，各组测试样本矢量数据分别包括各指定类型参数所对应的N个矢量数据；并且根据各组测试样本数据分别所对应的变压器内部故障类型，获得各组测试样本矢量数据分别所对应的变压器内部故障类型；

所述步骤006与步骤007之间还包括步骤006—7，执行完步骤006之后，进入步骤006—7，执行完步骤006—7之后，进入步骤007，其中，步骤006—7包括如下操作：

根据各组测试样本矢量数据，以及分别所对应的变压器内部故障类型，针对训练后的神经网络进行测试，并针对测试结果，采用神经网络误差函数进行结果分析，获得训练后的神经网络精度。

作为本发明的一种优选技术方案：所述步骤006—7中的神经网络误差函数如下所示：

E = \frac{1}{B} Σ_{b = 1}^{B} (Σ_{m = 1}^{M} {({\hat{y}}_{b m} - y_{b m})}^{2})

其中，E为误差结果；b＝1,2,…,B，B表示测试样本矢量数据的组数；m＝1,2,…,M，M表示变压器内部故障类型的种类数量，即所述训练后的神经网络输出层神经元数目；表示根据所述步骤003中各组测试样本矢量数据分别所对应的变压器内部故障类型，第b组测试样本矢量对应所述训练后的神经网络输出层第m个神经元应当输出的变压器内部故障类型；y_bm表示采用第b组测试样本矢量数据针对所述训练后的神经网络进行测试，输出层第m个神经元实际所输出的变压器内部故障类型。

作为本发明的一种优选技术方案：所述步骤002中，针对各指定溶解气体的各指定类型参数数据，采用如下公式进行归一化处理；

z_{i q}^{*} = \frac{z_{i q} - z_{q - m i n}}{z_{q - \max} - z_{q - m i n}}

其中，i＝1,2,…,I，I表示指定溶解气体的种类数量，q＝1,2,…,Q，Q表示指定类型参数种类的数量；表示第i种指定溶解气体第q种类型参数的归一化数据结果；z_iq表示所在样本数据组中第i种指定溶解气体第q种类型参数的提取数据；z_q-min表示所在样本数据组中各指定溶解气体对应第q种类型参数提取数据的最小值；z_q-max表示所在样本数据组中各指定溶解气体对应第q种类型参数提取数据的最大值。

作为本发明的一种优选技术方案：所述步骤004中，根据待构建神经网络输入层神经元数目N，以及待构建神经网络输出层神经元数目M，通过如下步骤操作，获得待构建神经网络隐含层的神经元数目K；

步骤00401.根据K₂＝log₂N和K₃＝2N+1，分别获得K₁、K₂和K₃，并进入步骤00402，其中，a为预设常数；

步骤00402.获得K₁、K₂和K₃中的最小值K_min，以及最大值K_max，然后由K_min开始，逐个增加神经元的个数直至K_max，分别进行训练验证，获得各个验证结果，并进入步骤00403；

步骤00403.获得各个验证结果中的最优验证结果，则该最优验证结果所对应的神经元个数即为待构建神经网络隐含层的神经元数目K。

作为本发明的一种优选技术方案：所述a为[1,10]之间的预设常数。

作为本发明的一种优选技术方案：所述步骤007中，通过训练后的神经网络，采用油中溶解气体法针对待诊断变压器油中溶解气体数据进行诊断，判断获得该待诊断变压器油中溶解气体数据所对应的变压器内部故障类型。

作为本发明的一种优选技术方案：所述各指定溶解气体分别为氢气、甲烷、乙烷、乙烯和乙炔；各指定类型参数分别为含量、特征和成分比值；所述步骤003中，N＝3，所述预设数量N比值法为三比值法，其中，各指定类型参数数据分别按照甲烷/氢气、乙烯/乙烷、乙炔/乙烯划分进行比值处理，即各指定类型参数分别对应三个矢量数据。

作为本发明的一种优选技术方案：所述变压器内部故障类型分别为无故障、中低温过热故障、高温过热故障、低能量放电故障和高能量放电故障。

本发明所述一种基于神经网络的变压器故障诊断方法采用以上技术方案与现有技术相比，具有以下技术效果：本发明所设计基于神经网络的变压器故障诊断方法，通过布谷鸟优化算法优化神经网络，解决了神经网络的局部收敛问题，加快了神经网络的收敛速度，提高了变压器故障诊断的能力和准确率；并且布谷鸟优化算法具有模型简单、参数少、易于实现等优点，使得在优化神经网络的情况下，缩短了训练时间，提高了结果的准确性，除此之外，布谷鸟优化算法所获得的全局最优解要优于粒子群算法和遗传算法；还有本发明设计中，采用BP神经网络模型，它是一种按误差逆传播算法训练的多层前馈网络，由于具有自学习自适应的功能，以及学习规则简单，同时还具有较强的记忆能力和鲁棒性，非常适用于变压器的故障诊断中；不仅如此，本发明通过改进型布谷鸟算法训练神经网络的权值和阈值，再利用训练后的神经网络，针对变压器进行故障检测，解决了变压器的安全性和可靠性问题，其中，通过训练好的神经网络可以实时监测变压器的内部故障情况，解决了传统拆装检测的方法而二次影响变压器寿命的问题。

附图说明

图1是本发明设计一种基于神经网络的变压器故障诊断方法的流程示意图；

图2是神经网络的架构示意图；

图3是柯西分布示意图；

图4是高斯分布示意图；

图5是莱维分布示意图。

具体实施方式

下面结合说明书附图针对本发明的具体实施方式作进一步详细的说明。

如图1所示，本发明所设计基于神经网络的变压器故障诊断方法在实际应用过程当中，包括如下步骤：

步骤001.提取变压器发生故障时、预设组数V组的变压器油中溶解气体样本数据，作为各组训练样本数据，即V组训练样本数据，各组训练样本数据分别包括各指定溶解气体的各指定类型参数数据；并且获得各组训练样本数据分别所对应的变压器内部故障类型；同时，提取变压器发生故障时、预设组数的变压器油中溶解气体样本数据，作为各组测试样本数据，其中各组测试样本数据的数据结构与所述训练样本数据的数据结构相同；并且获得各组测试样本数据分别所对应的变压器内部故障类型；其中，变压器内部故障类型的种类数量为M，然后进入步骤002。

在这里的实际应用中，我们针对各指定溶解气体设计分别为氢气H₂、甲烷CH₄、乙烷C₂H₆、乙烯C₂H₄和乙炔C₂H₂；针对各指定类型参数设计分别为含量、特征和成分比值；针对变压器内部故障类型，我们这里设计分别为无故障、中低温过热故障、高温过热故障、低能量放电故障和高能量放电故障五种变压器内部故障类型。

步骤002.分别针对各组训练样本数据，针对各指定溶解气体的各指定类型参数数据，进行归一化处理，获得各组训练样本归一化数据，同时，分别针对各组测试样本数据，针对各指定溶解气体的各指定类型参数数据，进行归一化处理，获得各组测试样本归一化数据，然后进入步骤003。

其中，归一化处理操作采用如下公式进行：

z_{i q}^{*} = \frac{z_{i q} - z_{q - m i n}}{z_{q - m a x} - z_{q - m i n}}

步骤003.分别针对各组训练样本归一化数据，采用预设数量N比值法，基于各指定溶解气体划分，分别按各指定类型参数进行比值处理；获得各组训练样本矢量数据，各组训练样本矢量数据分别包括各指定类型参数所对应的N个矢量数据；并且根据各组训练样本数据分别所对应的变压器内部故障类型，获得各组训练样本矢量数据分别所对应的变压器内部故障类型；同时，分别针对各组测试样本归一化数据，采用预设数量N比值法，基于各指定溶解气体划分，分别按各指定类型参数进行比值处理；获得各组测试样本矢量数据，各组测试样本矢量数据分别包括各指定类型参数所对应的N个矢量数据；并且根据各组测试样本数据分别所对应的变压器内部故障类型，获得各组测试样本矢量数据分别所对应的变压器内部故障类型；然后进入步骤004。

这里，相对我们所设计采用氢气H₂、甲烷CH₄、乙烷C₂H₆、乙烯C₂H₄和乙炔C₂H₂五种指定溶解气体而言，我们这里设计N＝3，即所述预设数量N比值法为三比值法，其中，各指定类型参数数据分别按照甲烷CH₄/氢气H₂、乙烯C₂H₄/乙烷C₂H₆、乙炔C₂H₂/乙烯C₂H₄划分进行比值处理，即各指定类型参数分别对应三个矢量数据，这里，我们针对氢气H₂、甲烷CH₄、乙烷C₂H₆、乙烯C₂H₄和乙炔C₂H₂五种指定溶解气体进行三比值法处理时，可参照如下表1规则。

表1

还有根据各组训练样本数据分别所对应的变压器内部故障类型，获得各组训练样本矢量数据分别所对应的变压器内部故障类型，以及根据各组测试样本数据分别所对应的变压器内部故障类型，获得各组测试样本矢量数据分别所对应的变压器内部故障类型，可以参照下表2所述对应关系。

C₂H₂/C₂H₄	CH₄/H₂	C₂H₄/C₂H₆	故障类型
				0	0	0	无故障
1～2	0	1～2	低能量放电故障
				1	0	2	高能量放电故障
0	0	1	低于150℃的热故障
				0	2	0	150℃～300℃的低温热故障
0	2	1	300℃～700℃的低温热故障
				0	2	2	高于700℃的高温过热故障

表2

步骤004.根据各组训练样本矢量数据分别包括各指定类型参数所对应的N个矢量数据，即获得待构建神经网络输入层神经元数目N，由于在这里的实际应用中，我们针对氢气H₂、甲烷CH₄、乙烷C₂H₆、乙烯C₂H₄和乙炔C₂H₂五种指定溶解气体，设计采用三比值法进行比值处理，因此，这里实际应用中，待构建神经网络输入层神经元数目N＝3；同时，根据变压器内部故障类型的种类数量M，即获得待构建神经网络输出层神经元数目M，这里由于在实际应用中，我们设计设定变压器内部故障类型分别为无故障、中低温过热故障、高温过热故障、低能量放电故障和高能量放电故障，因此待构建神经网络输出层神经元数目M＝5，即待构建神经网络输出层各个神经元分别对应一种故障的输出；然后根据待构建神经网络输入层神经元数目N和待构建神经网络输出层神经元数目M，获得待构建神经网络隐含层的神经元数目K，然后进入步骤005。

其中，根据待构建神经网络输入层神经元数目N，以及待构建神经网络输出层神经元数目M，通过如下步骤操作，获得待构建神经网络隐含层的神经元数目K。

步骤00401.根据K₂＝log₂N和K₃＝2N+1，分别获得K₁、K₂和K₃，并进入步骤00402，其中，a为[1,10]之间的预设常数。

步骤00402.获得K₁、K₂和K₃中的最小值K_min，以及最大值K_max，然后由K_min开始，逐个增加神经元的个数直至K_max，分别进行训练验证，获得各个验证结果，并进入步骤00403。

这里基于上述实际应用中，待构建神经网络输入层神经元数目N＝3，待构建神经网络输出层神经元数目M＝5，通过上述具体操作过程，获得待构建神经网络隐含层的神经元数目K＝6。

步骤005.根据待构建神经网络隐含层的神经元数目K，构建获得神经网络，并进入步骤006。

其中，如图2所示，神经网络由三层构成，包括输入层，隐含层，输出层；输入层的神经元数目为N，神经网络输入层的输入以x_n表示，其中，n＝1,…,N；输出层的神经元数目为M，网络的输出以y_m表示，其中，m＝1,…,M，神经网络输出层第m个神经元的实际输出为y_m，期望输出为隐含层的神经元数目为K，其中，k＝1,…,K；输入层与隐含层之间的连接权值表示为ω_nk，输入层与隐含层之间的阈值表示为b_k，隐含层与输出层之间的权值表示为ω_km，隐含层与输出层之间的阈值表示为b_m。并且神经网络激活函数采用Sigmoid函数表示，通过前向计算得到隐含层神经元的输出为：

s_{k} = f (Σ_{n = 1}^{N} ω_{n k} * x_{n} - b_{k});

输出层神经元的输出为：

y_{m} = Σ_{k = 1}^{K} s_{k} * ω_{k m} - b_{m};

基于上述实际应用，这里所构建的神经网络的架构为3-6-5，即输入层有3个神经元，输出层有5个神经元，隐含层有6个神经元。

步骤006.根据各组训练样本矢量数据，以及分别所对应的变压器内部故障类型，采用布谷鸟算法针对所获神经网络进行训练，获得训练后的神经网络，其中，由于布谷鸟算法的搜索机制是完全依赖于随机游走机制，这导致了算法的搜索效率低，同时算法的时间增加，局部搜索精度不高，因此本发明采用改进型的布谷鸟算法。其中莱维(Levy)分布是介于高斯分布和柯西分布之间的，莱维飞行搜索模式是一种满足(heavy—tailed)的稳定分布，它是一种飞行距离长短不一的一种组合，莱维搜索模式能够矿大搜索范围，增加种群多样性，更容易跳出局部最优点，能够在不确定的区域中最大限度的进行有效的搜索。但是该搜索完全依赖随机游走，它有可能在最优解附近随时跳出，导致其算法搜索活力不足，搜索速度偏慢等缺点；因此，本发明所采用的改进型布谷鸟算法，在全部训练迭代次数的前1/3次迭代过程中，布谷鸟算法中采用柯西分布搜索方式搜索获得新鸟巢的位置；在全部训练迭代次数的中间1/3次迭代过程中，布谷鸟算法中采用莱维搜索方式搜索获得新鸟巢的位置；在全部训练迭代次数的后1/3次迭代过程中，布谷鸟算法中采用高斯分布搜索方式搜索获得新鸟巢的位置；其中，鸟巢的位置表示所获神经网络中输入层与隐含层之间的连接权值、输入层与隐含层之间的阈值、隐含层与输出层之间的连接权值，以及隐含层与输出层之间的阈值；然后进入步骤006—7。

通过针对图3、图4和图5的比较发现，采用改进型布谷算法训练神经网络不仅可以提高神经网络的局部收敛问题，而且大大减少了训练时间，使得构建的神经网络模型的精确度更高，在实时诊断变压器故障时可以获得更加精确的结果。

这里具体通过如下方法针对神经网络进行训练：

步骤(1)首先初始化种群，布谷鸟种群数为R＝20，维数D＝59，随机产生种群的位置分别代表神经网络的权值和阈值，其中D＝59表示的是布谷鸟算法的每个鸟窝的位置，映射为神经网络的每一层的权值和阈值。其中每个种群前18维表示神经网络的输入层至隐含层的连接权值ω_nk＝(g_r1,…,g_r18)，每个种群的19至24维表示为神经网络中输入层与隐含层之间的阈值b_k＝(g_r19,…,g_r24)，每个种群的25至54维表示为神经网络隐含层与输出层之间的权值表示为ω_km＝(g_r25,…,g_r54)，每个种群的55至59维表示为神经网络隐含层与输出层之间的阈值b_m＝(g_r55,…,g_r59)，g＝(g₁,…,g_r,…,g_R)^T表示布谷鸟的种群。迭代次数为t＝9，宿主发现外来鸟蛋的概率为P_b＝0.25；神经网络的学习效率lr＝0.1，适应度函数为其中，v＝1,…,V，V表示训练样本矢量数据的组数，E'为误差结果，这里我们定义期望误差为0.01。

步骤(2)输入训练样本然后根据这里的适应度函数E'计算每个鸟窝的初始适应值，并将所有的初始适应值一对一比较，记录初始适应值最优的鸟窝位置并保留下来；

步骤(3)将上一代的最优解保留下来,在前三次的迭代时，采用柯西分布搜索方式搜索获得新鸟巢的位置；在第四次至第六次迭代时，采用莱维搜索方式搜索获得新鸟巢的位置；在第七次至第九次迭代时，采用高斯分布搜索方式搜索获得新鸟巢的位置；通过每一次的迭代，将现有的鸟窝位置与上一代产生的最优的鸟窝位置对比，若较好则将其作为此时最优的鸟窝位置。

步骤(4)用一个随机数h作为鸟窝主人发现外来蛋的概率与P_b进行比较，若h＞P_b，则随机改变该鸟窝位置得到一组新的鸟窝位置，通过适应度函数E计算该鸟窝的适应度值并和比较得到最优适应度值，记录并保留适应度值最优的鸟窝位置；反之则保持鸟窝位置不变转向步骤(5)；

步骤(5)是否满足最大迭代次数或误差精度要求？是则程序结束输出网络的最优权值和阈值，反之则转向步骤(3)，重新获取权值和阈值；

步骤(6)变压器故障诊断并输出结果；其中，在构建好的神经网络中，变压器的故障类型所对应的输出如下表3所示。

表3

步骤006—7.根据各组测试样本矢量数据，以及分别所对应的变压器内部故障类型，针对训练后的神经网络进行测试，并针对测试结果，采用神经网络误差函数进行结果分析，获得训练后的神经网络精度，然后进入步骤007，其中，神经网络误差函数如下式所示。

E = \frac{1}{B} Σ_{b = 1}^{B} (Σ_{m = 1}^{M} {({\hat{y}}_{b m} - y_{b m})}^{2})

步骤007.提取待诊断变压器油中溶解气体数据，通过训练后的神经网络，采用油中溶解气体法针对待诊断变压器油中溶解气体数据进行诊断，判断获得该待诊断变压器油中溶解气体数据所对应的变压器内部故障类型，其中，待诊断变压器油中溶解气体数据的数据结构与变压器油中溶解气体样本数据的数据结构相同。

本发明所设计基于神经网络的变压器故障诊断方法，通过布谷鸟优化算法优化神经网络，解决了神经网络的局部收敛问题，加快了神经网络的收敛速度，提高了变压器故障诊断的能力和准确率；并且布谷鸟优化算法具有模型简单、参数少、易于实现等优点，使得在优化神经网络的情况下，缩短了训练时间，提高了结果的准确性，除此之外，布谷鸟优化算法所获得的全局最优解要优于粒子群算法和遗传算法；还有本发明设计中，采用BP神经网络模型，它是一种按误差逆传播算法训练的多层前馈网络，由于具有自学习自适应的功能，以及学习规则简单，同时还具有较强的记忆能力和鲁棒性，非常适用于变压器的故障诊断中；不仅如此，本发明通过改进型布谷鸟算法训练神经网络的权值和阈值，再利用训练后的神经网络，针对变压器进行故障检测，解决了变压器的安全性和可靠性问题，其中，通过训练好的神经网络可以实时监测变压器的内部故障情况，解决了传统拆装检测的方法而二次影响变压器寿命的问题。

上面结合说明书附图针对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims

1.一种基于神经网络的变压器故障诊断方法，其特征在于，包括如下步骤：

2.根据权利要求1所述一种基于神经网络的变压器故障诊断方法，其特征在于：所述步骤001中，还包括提取变压器发生故障时、预设组数的变压器油中溶解气体样本数据，作为各组测试样本数据，其中各组测试样本数据的数据结构与所述训练样本数据的数据结构相同；并且获得各组测试样本数据分别所对应的变压器内部故障类型；

3.根据权利要求2所述一种基于神经网络的变压器故障诊断方法，其特征在于：所述步骤006—7中的神经网络误差函数如下所示：

E = \frac{1}{B} Σ_{b = 1}^{B} (Σ_{m = 1}^{M} {({\hat{y}}_{b m} - y_{b m})}^{2})

4.根据权利要求1至3中任意一项所述一种基于神经网络的变压器故障诊断方法，其特征在于：所述步骤002中，针对各指定溶解气体的各指定类型参数数据，采用如下公式进行归一化处理；

z_{i q}^{*} = \frac{z_{i q} - z_{q - \min}}{z_{q - \max} - z_{q - \min}}

5.根据权利要求1所述一种基于神经网络的变压器故障诊断方法，其特征在于：所述步骤004中，根据待构建神经网络输入层神经元数目N，以及待构建神经网络输出层神经元数目M，通过如下步骤操作，获得待构建神经网络隐含层的神经元数目K；

步骤00402.获得K₁、K₂和K₃中的最小值K_min，以及最大值K_max，然后由K_min开始，逐个增加神经元的个数直至K_max，分别进行训练验证，获得各个验证结果，并进入步骤00403；步骤00403.获得各个验证结果中的最优验证结果，则该最优验证结果所对应的神经元个数即为待构建神经网络隐含层的神经元数目K。

6.根据权利要求5所述一种基于神经网络的变压器故障诊断方法，其特征在于：所述a为[1,10]之间的预设常数。

7.根据权利要求1所述一种基于神经网络的变压器故障诊断方法，其特征在于：所述步骤007中，通过训练后的神经网络，采用油中溶解气体法针对待诊断变压器油中溶解气体数据进行诊断，判断获得该待诊断变压器油中溶解气体数据所对应的变压器内部故障类型。

8.根据权利要求1所述一种基于神经网络的变压器故障诊断方法，其特征在于：所述各指定溶解气体分别为氢气、甲烷、乙烷、乙烯和乙炔；各指定类型参数分别为含量、特征和成分比值；所述步骤003中，N＝3，所述预设数量N比值法为三比值法，其中，各指定类型参数数据分别按照甲烷/氢气、乙烯/乙烷、乙炔/乙烯划分进行比值处理，即各指定类型参数分别对应三个矢量数据。

9.根据权利要求1所述一种基于神经网络的变压器故障诊断方法，其特征在于：所述变压器内部故障类型分别为无故障、中低温过热故障、高温过热故障、低能量放电故障和高能量放电故障。