TW584732B - CMAC_based fault diagnosis of power transformers - Google Patents

Description

584732 五、發明說明（1) 【發明領域】 本發明主要是有關於電力變壓器的初期故障診斷方 法。電力變壓器為輸配電系統中廣泛使用的電力設備，在 長期運轉的過程中，如無預警的故障以致電力的中斷，將 造成重大的經濟損失。本發明即提出一種可以預警變壓器 初期故障的診斷方法，以作為工作人員維修之依據及參 考。 【發明背景】 電力變壓器對電力系統而言是相當重要的設備，其主 要功能是提供升壓和降壓作用，使系統能運轉在適當操作 電壓。由於電力系統不可停電之要求，使得大部份的電力 變壓器都是連續運轉。在運轉一段時間後，其内部絕緣油 和絕緣材料會因外在環境和内部電能衝擊下，產生劣化甚 至導通崩潰，導致重大的經濟損失。如何及早診斷出變壓 器所可能產生的故障，進行變壓器之維修或更換，以降低 可能造成的損害，便成為維修人員的重責大任。依據相關 之研究資料顯示[附件一]，對於不同的變壓器故障模式， 因變壓器材質的變化會產生不同成份和濃度之氣體。例 如：點狀發熱會使絕緣油過熱，並產生大量的乙烯（C2H6)和 一定濃度的氫（H2);部份放電會產生氫氣和甲烷（CH4);電 弧現象會產生高濃度的氫氣和乙炔（C2H2)。這些氣體可藉 由色層分析（chromatographic analysis) 其濃度，再配 合變壓器過去運轉和維修記錄，及專家故障診斷經驗綜合 研判後，找出變壓器可能的初期故障種類。

第5頁 584732 五、發明說明（2) 利用油中 溶解氣體分析 解氣體分析法 期之故障種類 些方法在故障 可能因各氣體 無法辨識的情 IEC5 9 9號標準 統、模糊理論 經驗或故障測 這些己揭不的 期刊。根據已 能大幅提昇故 供大量的訓練 訓練資料差異 障種類較少的 練資料；其次 性，對資料的 氣體濃度 (d i s so 1 v 可藉由各 (IEC 599 推論過程 濃度比恰 形。實務 不同。因 和類神經 試實例學 研究成果 揭示的研 障診斷之 資料及引 性大的資 案例，則 ，學習後 更新及多 分析變 ed gas 氣體比 號標準 中並無 落在分 的診斷 此，已 網路等 習起來 ，廣見 究成果 準確率 入主觀 料並無 須利用 無法得 重故障 壓器初期故 analysis ， 率及故障碼 參見表一 法涵 類的 甚至 有相 智慧 ，以 於探 ，採 〇但 的人 法產 數值 知輸 的診 蓋所有 邊界附 會發生 當多的 型技巧 克服無 討電力 用人工 其主要 為參數 生正確 方法及 出和輸 斷較為 障種類的方法稱 簡稱DGA)，溶 診斷出變壓器初 、表二），但這 的故障種類，並 近，造成誤判或 故障的種類與 文獻採用專家系 ，企圖把專家之 法辨識的缺點。 系統診斷的專業 智慧的方法，已 的缺點是必須提 (專家經驗），與 的診斷結果。故 專家經驗補足訓 入之間的關聯 困難。 【發明目的】 · 為克服上述之缺點及使診斷工具能通用化，並具備線 上學習及信號容錯的能力，本發明提出以國際電工委員會 (I EC )制定之標準5 9 9號為基礎，結合CMAC類小腦神經網路 (cerebellar model articulation controller)發展一套

第6頁 584732 五、發明說明（3) 通用的變壓器故障診斷方法。其目的在解決習用技藝對於 多重故障的診斷能力較差，診斷技術必須藉助於專家經 驗，訓練過程需要收集大量資料等缺點。同時本發明的再 _ 一目的在於使診斷系統具備自我學習的能力，於診斷的過 程可以針對誤判的資料進行權值的校正，以隨時確保CMAC 網路架構具有最佳的記憶權值。 【發明特徵】 為達成本發明所揭示之目的及功效，本發明主要技術 特徵係以CMAC類小腦神經網路為架構進行故障特徵的訓練 及學習。首先網路所需的訓練資料樣本係利用I EC 5 9 9號標 準所產生，無需收集大量的實測數據曠日廢時。將所產生 的訓練資料送進CMAC神經網路進行網路權值的調整，對於 相類似的輸入信號，將激發到相類似的記憶體位址。因此 對於非訓練資料，診斷系統亦具備判別最可能故障種類的 診斷能力。而為了能使系統具備診斷多重故障的能力，本 診斷系統的再一技術特徵在於診斷的輸出結果為一機率 值，亦即以機率表示變壓器具備某種故障型態的可能性。 某一記憶層的輸出值愈接近1，即表示具備該故障型態的 可能性愈高，反之愈接近0即表示該故障的可能性愈低。 φ 因此使用者可輕易的判別變壓器的多重故障型態。而為了 使系統具備自我學習能力，可以隨診斷經驗的累積提昇診 斷的正確率，本發明的再一技術特徵為可根據誤判的資料 進行權值的再校正，以使記憶體保有最佳的記憶權值。

第7頁 584732 五、發明說明（4) 為使 貴審查委員能明瞭本發明的技術特徵及其新穎 的診斷架構，茲配合圖示說明如后。 【CMAC神經網路簡介】

人類小腦進行分類/辨識的功能時，例如看到一個人 的面貌時，可以輕易的判別出這個人是誰。如果同一個人 某天因眼疾帶上眼罩，或是帶上口罩，還是可以判別出這 個人是誰。甚至只看到眼睛，即能分辨出這個人是誰。人 腦運作的架構是將一個人的特徵儲存在一特定群組的小腦 細胞内，見到一個人時只要此特定群的小腦細胞有足夠多 被比對（激發）出來，即可判斷出此人是誰。帶上眼罩、口 罩雖然阻礙了部分特徵的比對，但只要其餘的特徵所激發 到關於此特定群組的腦細胞夠多，仍可作出明確的判斷。 而完成判斷之後，例如眼罩、口罩等可進一步轉換為此特 定人的特徵，而有助於將來進一步判斷的依據。CMAC最早 由Albus提出，其基本架構可以圖一作說明。當CM AC接收 到一組輸入信號時，經由量化、編碼及組合的過程，最後 會映對到一組記憶體位址。這組記憶體的個數是於編碼的 過程中依系統對解析度的需求而定。此組記憶體用以儲存 輸入信號的特徵，加總這組記憶體的的内容即表示CMAC的 輸出。將此網路架構應用於分類或辨識時，由於事先已有 明確的輸出結果，因此比對實際輸出結果與所欲輸出結果 即可得到輸出的誤差，將輸出誤差平均分配到被映對（激 發）到的記憶體，即可對記憶體進行訓練的工作。而CM A C

第8頁 584732 五、發明說明（5)

的主要特徵即對於相類似的輸入信號會映對到相類似的記 憶體。因此對於已完成訓練的神經網路，相同的輸入信號 會激發到相同的記憶體位址，近似的輸入信號則依其相似 度而激發到部分相同的記憶體位址。其輸出的結果也會得 到相類似的輸出特徵。由於CMAC模仿了人類小腦的運作模 式而具有相同的特性，極適於進行系統分類的判定。而且 也因為類小腦的特性，更能提昇系統容錯（抗雜訊）的能 力。且由於進行校正學習時，係僅針對特定群組的腦細胞 (被激發的記憶體位址）進行調整，其學習的速度亦遠快於 如倒傳遞（EBP)模式或模糊邏輯的訓練架構。 II 【類小腦模式電力變壓器故障診斷架構】 如圖二所示為本發明所提出之類小腦神經網路模型的 架構，此一模型的輸入信號係依據IEEE5 9 9號標準所定義 之三組氣體濃度比值。而輸出層為九組並列的記憶體，每 一組記憶體（小腦的某一區塊）用以記憶一種故障型態。因 此依據表二所定義之故障形態，將各種故障形態之各組氣 體濃度比之值（表二），輸入CMAC神經網路，經由量化、段 位址編碼、段位址組合及加總激發位址即可得到一輸出 值。將輸出值與特定故障編號之理想輸出（例如可設為1 ) 0 比較，利用誤差調整受激發位址之權值，即可完成一筆資 料訓練之過程。類小腦神經網路的訓練及映對過程則詳述 如后。 〔產生虛擬訓練貧料〕

第9頁 584732 五、發明說明（6) 本發明所提出之CMAC架構之一般化訓練，並不直接取 用大量之實測資料，而是依據表一及表二所提供之標準產 生訓練資料。例如以第二種故障編號為 例 C2H2/C2H4, CH4/H2， C2H2/C2H6的故障代號分別為 Ο、Ο、1， 亦即 C2H2/C2H4<0· 1，0· 1 S CH4/H2S 1， 1<C2H2/C2H6S 3。在 此三組數值中，透過程式規畫以遞迴產生可能之訓練資料 (如下述MATLAB三重迴圈之程式設計）。各組資料之步階值 STEP_X，可決定訓練資料之解析度，高解析度訓練資料將 造成學習的時間較長。 for C2H2_C2H4-0:STEP_1:0. 1 for CH4_H2 = 0. 1 : STEP_2:1 for C2H4_C2H6-1:STEP_3:3 %量化、編碼、加總、權值調整； end end end 程式一訓練資料程式片段 [量化] 已知之範圍，如 一般C M A C網路的輸入信號值係介於 〔Xmin，Xmn〕。在最大值與最小值之間等距區分出若干量 化等級，愈高解析度之量化等級可產生較精細的訓練資 料，伴隨著需要較大的記憶體空間。由於I EEE 5 9 9號標準

第10頁 584732 五、發明說明（7) 的分界值並不均勻，為提高輸入信號恰界於分界值附近之 解析度，本發明採用不等距之量化技巧，亦即每個量化等 級的刻度間距並不相同。如圖三所示為最大量化值qniax為 12的量化示意圖。IEEE 5 9 9號標準的主要分界值為0. 1、1 及3，小於0. 1即設定其量化值為1，大於3則設定其量化值 為1 2，0. 1與1之間及1與3之間則各畫分出5個量化值。 [編碼與組合] 如表三所示為量化值與段位址映對之關係，此表係以 量化等級為8，激發的記憶體數目為4為例。假設C2H2/〇2丑4, CH4/H2, C2H2/C2H6濃度比之量化值分別為3、6、8，則C2H2/ C2H4所編碼出的四個段位址[vn，v12, v13, v14] = [ 5; 6, 3, 4 ]而 CH4/H2所編碼出的四個段位 it [ V21 , V22 ί V 23 , V24 ]=[9, 6, 7, 8]，C2H2/C2H6所編碼出的四個 段位址[v21，v22, v23, v24] = [ 9，1 0，1 1，8 ]。將各段位址組 合，並以二進制編碼表示，所激發到的4個位址可以下式 表示 〇

Vi=[vn, v21, v31] = [5, 9, 9]= 0 1 0 1 1 0 0 1 1 0 0 1 B V2=[v12，v22，v32] = [6,6，10]=011001101010B V3-[v13, v23, v33] = [3, 7, 11]=001101111011B V4=[v14, v24, v34] = [ 4, 8, 8 1- 0 1 0 0 1 0 0 0 1 0 0 OB 將此四個位址内的記憶權值加總，即可得到一輸出值。 [權值調整] 將CMAC應用於系統之分類或識別，由於有明確的輸出 目標（老師），因此所採用之學習法則為教導式學習法

第11頁 584732 五、發明說明（8) (supervised learning)，各權值的調整可以直接使用梯 度衰減法（steepest descent)，如下式所示 W v i ( n e w) - W v i (01 d) + ^ (Yd-y )/A*，v，l，2,…，A* (1 ) 其中wvKnew)為第Vi個激發記憶體調整後之新權值，wvl(C5ld) 為第v i個激發記憶體調整前之舊權值，/S為學習增益，yd 為目標值，y則為實際之輸出值，A*為激發之記憶體數 目。每一層記憶體所需之使用量Mniax與量化等級qniax，A* 及C M A C網路輸入信號組數η有關。 假設依表三所產生之段位址編碼所需之位元數為 b i t η，則 ⑩ b i tn = ce i 1 ( 1 og2( qn]ax+A*)) ( 2 ) 其中ceil(x)函數為往無窮大方向找尋最接近x的整數。 而Mniax可計算如下

Mn】ax=2nx bltn (3) [容錯能力] 本發明所提出之診斷架構具有良好之抗干擾性，其主 要理由乃因輸入之信號經過量化，如干擾之大小未超過量 化之區間（如圖三所示，量化區間非等距），則所激發的記 憶體位址仍相同，加總後之輸出並不受影響。而如果干擾 0 量超過量化之區間，例如以表三所示，若C2H2/C2H4的量化 值由3變為4，則C 2 Η 2 / C 2 Η 4所編碼出的四個段位址 由[Vu，ν12， ν13, ν14] = [5, 6, 3, 4]變 成[vn，v12, v13, v14 ] = [ 5，6，7，4 ]，因此激發到的記憶體位址

第12頁 584732 五、發明說明（9) 僅V3產生改變，亦即 V3=[Vi3，v23，v33] = [7，7，11]二 011101111011B，因此 CMAC 的力口 總輸出仍保有至少75%的正確量。如加大激發記憶體A*的 數目，則干擾量對輸出的影響將降低，CMAC輸出保有正確 量的百分比將提昇。此一行為與人類小腦的行為模式是一 致的。人類小腦進行分類識別時，除非干擾量超過太大範 圍，否則並不會影響其判別結果。CMAC應用於系統分類識 別時，與人類小腦的主要差異在於考慮系統成本時，記憶 體的用量必須加以控制，因此所能達成的效果也只能類小 腦而非真正的小腦。本發明較佳之記憶體數目，每層為 3 2 7 6 8個位址。 [學習成效評估] 假設第i ( i = 1，…，9 )層記憶體之輸出為1，即代表為第 i種故障。依程式一所產生之訓練資料筆數no可以下式表 示 no=fix[(〇.i-i)/step_l+l]· fix[(l-〇.l)/step_2+l]· fix[(3-l)/step一3+1] (4) 其中fix(x)為往〇方向找尋最接近x的整數。令 Ε= Σ (y-1)2, i = l, . . . , no

、JE之值可表示學習成效良好與否，令，£為一大於 ^的數’即可作為學習效果之評估，一旦Ε < £成立，即可 停止訓練之工作。 [診斷法則]

第13頁 584732 五、發明說明（ίο) 如前所述，本發明所提出之診斷法則可摘要如下，其 診斷流程如圖四所示。 —離線模式 步驟一建立診斷系統的類小腦模型，含三個輸入空間， 九層記憶體及九個輸出節點。決定量化等級、學 習增益及激發記憶體數目 。 步驟二依IEC5 9 9號標準產生訓練資料，送進CMAC模型， 以得到各節點之輸出值。 步驟三將輸出值與I EC5 9 9之標準值比較，利用公式（1 )進 行權值調整。 Ο 步驟四所有產生之訓練資料訓練完成否。否，則到步驟 三。是，下一步。 步驟五學習結果性能評估。若Ε< ε ，則將記憶權值存檔 。否，到步驟三。 步驟一到五為離線之學習模式，依訓練資料之精細度、濃 度比值之範圍設定，量化等級之選取及激發記憶體數目之 設定，其訓練時間可從數秒到數小時（以PENT I UM i i i 5 0 0 ，MATLAB程式語言設計）。所幸此離線訓練於設定前述參 數後，僅需執行一次，設定較佳之解析度進行訓練，可得 到較準確之權值。就人類小腦的學習模式而言，長時間的Φ 學習與訓練，自然可以累積豐富的經驗，而增進診斷的精 確度。 --線上模式 完成離線模式之訓練後，診斷系統即可進行變壓器之

第14頁 584732 五、發明說明（11) 故障診斷，其診斷步驟如下： 步驟六載入上一次記憶體權值存檔資料。 步驟七輸入診斷資料。 步驟八進行量化編碼及輸出映對運算，以診斷可能故障 種類。 步驟九診斷是否正確，若是，則至步驟十。若否則到步 驟十一。 步驟十是否有下一筆資料待診。是，則到步驟七。否， 則到步驟十二。 步驟十一利用公式（1 )，進行記憶體權值的調整，到步驟 步 將最新記憶體權值存檔，診斷結束 圖四左邊陰影區表不離線之訓練核式，右邊則為線上 診斷及學習模式。由左連至右之虛線表示第一次系統啟動 之流程，第二次以後之診斷，僅需載入先前之記憶值，執 行右半邊之流程即可。 【實測結果】 為測試本發明所提方法之實用性，本發明利用參考文獻 [附件一]中2 0組變壓器實測資料進行驗證，其氣體濃度數 據如表四所示。表五為CMAC所使用之網路參數表，依據此 表進行1 0次訓練後（E < 0 . 1 )，各層網路記憶體之權值分配

第15頁 584732 五、發明說明（12) 情形如圖五所示，圖五即如同小腦映對著各種故障分類的 圖像，各層之間的激發位址與權值的相異性愈大，即愈容 易區別出各種故障種類。將實測資料輸入CM AC神網網路 後，各節點之輸出值如表六所示。假設輸出1為故障之確 定診斷，取門檻值為0. 9，則診斷之結果即如表中最後一 行所示。表中所列之診斷結果有多組為具有多種故障。例 如屬於第5種故障（第4、7、8 ' 11、1 3組）的資料為高溫熱 故障，因此其自然亦具有某種程度的中溫熱故障，因此診 斷出具有第4、5種故障自屬合理，而觀察其輸出值亦可發 現第5種故障的機率亦高於第4種故障。而第8、9種故障依 I EC標準原本就不確定為何種，因此重複亦屬合理。第5、 6組的資料遠離了訓練資料，且遠離了 I EC 5 9 9號標準的邊 界值（C2H2/C2H4的邊界值為3，訓練資料僅取到6，而5、6 組之實際值為1 4、1 5. 9 4 )，但仍可診斷出可能的故障種類 為8、9，而又以故障9的機率較高。又第1 0和1 9組之資料， 若用I EC方法將無相對故障碼可供利用。但因CMAC的特 性，亦可聯想出最接近的可能故障種類傾向。而第2 0組變 壓器實際上有兩個過熱現象，分別為渦流和接觸不良產生 過熱，本診斷系統亦可正確診斷出此多種故障。表中RFC 表示實際之故障編號，IEC表示利用IEC標準5 9 9所診斷之 結果，CMC表示利用本發明提出方法所診斷出之結果。 [利用實測資料再訓練] 本發明所提出之方法，僅經初步之訓練後，均能正確

第16頁 584732 五、發明說明（13) 診斷出故障種類之傾向。如實測資料的濃度比值，並未落 於所產生訓練資料的區間，或遠離訓練資料區間太遠，可 能無法產生正確的故障診斷。因此針對誤診之資料，必須 作進一步之訓練，以修正過去的記憶權值。其調整的方式 如下，主要是將輸出值調至小於門檻值

Wnew = Wold+a(?7 - yerr)/A* (5) 其中yeu為錯誤診斷之輸出值，α值略大於1，本發明設α 為1. 1。由於本發明的特徵係提供故障發生之機率值，因 此對於多餘故障型態輸出並不採用反激發技術作調整，透 過門檻值的調高，或僅考慮最大輸出即可自然過濾多餘之 故障輸出。 [容錯能力測試] 為測試本方法之容錯能力，本研究直接於CMAC輸入節 點的輸出端，分別隨機加入± 5 %至入± 5 0 %的誤差，亦即 ± 50%x rand(l)的隨機誤差，其中rand(l)為0或1的隨機 函數，以比較不同方法之容錯能力，其結果如表八所示。 表中結果顯示，若使用IEC標準5 9 9其準確度最高為86%， 其中有二組資料無相對故障碼和一組雙重故障無法辨識， 當資料誤差為± 3 0 %時其辨識準確率僅剩約七成；相對 地，若使用本發明提出之方法，其準確率仍可維持至少 8 5 %以上的正確率。

第17頁 584732 五、發明說明（14) 綜上所述，本發明所提出之變壓器診斷技術深具產業 上之利用性，且所提出之診斷方法並未見於任何已公開發 行之刊物及已核准之專利公告中，因此本案亦具新穎性。 而相較於已知之變壓器診斷技術，本案無需專家技術之協 助，具備多種故障診斷之能力，提昇系統容錯之特性及高 診斷準確率等技術，亦顯然具備進步性之法定專利申請要 件，爰依法提出專利申請。懇請 貴審查委員能早曰賜予 本案專利，以確保申請人之權益。惟以上所揭露者，僅為 本發明之較佳實施例而已，自不能以此限定本發明之權利 範圍，凡依本發明精神所作之等效變化或修飾者，仍涵蓋 於本發明之申請專利範圍中。

第18頁 584732 圖式簡單說明 【圖式簡單說明】 表一 ：IEC故障編碼 表二：I EC溶解氣體分析故障碼對應表 表三··量化值與段位址映對表 表四：電力變壓器故障測試資料及診斷結果 表五：CMAC網路參數 表六：C M A C —般訓練的診斷結果 表七：C M A C —般訓練加入1 0 %雜訊的診斷結果 表八：C M A C —般訓練加入1 0 %〜5 0 %雜訊的診斷結果 表 九 :誤差 容 錯 能 力 測 言式 結 果 第 ___ 圖 CMAC 類 小 腦 模 式 神 經 網 路 示 意 圖 第 二 圖 類 小 腦 模 式 電 力 變 壓 器 故 障 診 斷 系 統架構 第 二 圖 量 化 示 意 圖 第 四 圖 類 小 腦 模 式 電 力 變 壓 器 診 斷 輸 體 流 程 第 五 圖 記 憶 體 權 值 分 佈 圖 【元件符號說明】 關聯（激發）記憶體數目 Φ β 訓練學習增益 a 再訓練學習增益 yd 希望的輸出值 y 實際的輸出值

第19頁 584732 圖式簡單說明 no訓練資料筆數 n CMAC神經網路的輸入信號數目 qn_最大量化等級數 Mmax每層最大記憶體位址數 η 門檻值

第20頁

Claims (1)

1. 修止補充 案號 91103086 年月日 修正 六、申請專利範圍 1 · 一種電力變壓器故障診斷方法，主要係以類小腦模式神 經網路（CMAC)為診斷架構，以遂行電力變壓器之初期故g 診斷，包括： 一虛擬訓練資料產生技術，係利用I E C 5 9 9號標準，依據 C2H2/C2H4、CH4/H2、C2H4/C2H6三組氣體故障碼所對應的 濃度分佈範圍，以可調間距之遞迴方式產生每一種故障型 態所需之訓練資料； 一類小腦模式神經網路架構，包括三個輸入節點，九層記 憶層及九個輸出節點，每一組輸入信號經由映對產生一組 激發記憶體位址，加總每一層記憶體對映的激發位址權值 以得到一組輸出信號； 一離線神經網路記憶權值之訓練流程，依據輸出信號與目 標值之差，將誤差平均分配到對映之激發位址，以進行記 憶權值的調整； 一變壓器故障診斷準則，係將C2H2/C2H4、CH4/H2、 C2H4/C2M三組氣體濃度比輸入到訓練完成之類小腦神經 網路，以映對輸出一組輸出信號，藉以判定可能之故障型 態； 及一線上神經網路權值調整機制，可針對誤判之資料進行 記憶權值的再訓練，以隨時更新最佳之記憶權值。 2.如專利申請範圍第1項所述之電力變壓器故障診斷方 法，其中虛擬訓練資料產生之C2H2/C2H4、CH4/H2、 C2H4/C2H6比值的主要訓練區間為0至〇·1、〇·1至1 ^至

   第21頁 91103086_年月日_ 六、申請專利範圍 3、以及大於3，各區間遞迴遞增值之大小依解析度之需求 可自由調整，大於3之區間可取任意數，較佳之實施例為 取3至6。 3. 如專利申請範圍第1項所述之電力變壓器故障診斷方 法，其中類小腦模式神經網路的三個輸入節點分別表示 C2H2/C2H4、CH4/H2、C2H4/C2H6三組氣體濃度的比值；九 層記憶層分別用以記憶變壓器的九種故障型態特徵；九個 輸出節點的值則代表該故障種類的可能診斷。 4. 如申請專利範圍第3項所述之電力變壓器故障診斷方 法，其中各輸出節點的值愈接近1即表示變壓器具備該層 記憶體所記憶的故障型別的機率愈高。 5. 如申請專利範圍第1項所述之電力變壓器故障診斷方 法，其中激發記憶體位址的產生係將三個輸入節點信號， 分別經由量化及段位址編碼以產生激發位址的段位址；將 三組輸入信號產生的段位址組合以產生激發的位址。 6. 如申請專利範圍第5項所述之電力變壓器故障診斷方 法，其中激發位址的數目（A*)為可調，依對輸入信號解析 度的需求可任意的調整，其中較佳值為6〜12。 7. 如申請專利範圍第5項所述之電力變壓器故障診斷方 法，其中輸入信號的量化等級（qmax)為可調，較佳值為8〜 障 故 器 即最 ，為 段1 四 為 分T 區3 要於 大 間及 區間 之之 級 等1 化、 量間 中之 疼1 #與 1X 法_· 與 於 等 、化 方 1 4 •量 斷？彳 、於的 診 、

   Γ_^ T nj

   第22頁

   修正 級’大於3為最大的量化等級，介於最大與最小量化等級的 量化值（qmax-2)則平均分配於（〇· 1，1 ]與（1，3]兩區間。 9 ·如申請專利範圍第5項所述之電力變壓器故障診斷方 法，其中每一輸入信號之量化值所編碼的段位址數目等於 激發的記憶體數目（A * )，相鄰的量化值所編碼的A *個段位 址部分相同，其中較佳為有（1 )個段位址相同。 1 0 ·如申請專利範圍第5項所述之電力變壓器故障診斷方 法，其中段位址的組合係將各輸入信號的A*個段位址依最 低有效位元（LSB)至最高有效位元（MSB)的方式相串接，以 產生A *個激發位址。 11·如申請專利範圍第1項所述之電力變壓器故障診斷方 法，其中各層記憶體之輸出節點值為A*個激發記憶體權值 的總和。 13.如申請專利範圍第12項所述之電力變壓器故障診斷方 法’其中針對每一筆訓練資料的權值調整方法為Wv = Wvi(〇ld) + y?(l-y)/A*，其中y 為輸出值，0< 点 s 益，較佳之点值為1。 〜馬劍練 12·如申請專利範圍第1項所述之電力變壓器故障診斷方 法，其中離線神經網路的權值訓練，係依序將所有產生的 虛擬資料輸入神經網路，對每一筆訓練資料所產生的節點 輸出值與希望值之差，部分平均分配至被激發的記你 址，以完成-遞迴的訓練工作。 嗯體位 嚅 1 4 ·如申請專利範圍第1 2項所述之電力變壓器故障診 法，其中一遞迴訓練工作的權值調整次數等於所產生訓練

   第23頁 素號 91103086 曰 修正 夫、▼請專利範龢 資料的筆數。 1 5.如申請專利範圍第1 2項所述之電力變壓器故障診斷方 法，其中遞迴的訓練工作次數可為多次，愈多的遞迴訓練 次數，可得到較佳的記憶權值，考慮訓練時間的長短，較 佳為6〜1 0次的遞迴訓練。 1 6.如申請專利範圍第1 2項所述之電力變壓器故障診斷方 法，其中遞迴訓練的終止可透過所有訓練資料所產生的誤 差平方和大小進行評量，當所有值訓練資料所產生的誤差 平方和（E)小於一預設值，即表示完成訓練的工作，較佳 之預設值為0. 0 1。 1 7.如申請專利範圍第1項所述之電力變壓器故障沴斷方 法，其中故障診斷準則之判定係依各節點的輸出值是否大 於預設的門檻值77而定，7/值為可調，依對電力系統運轉4 安全性需求作變更，一般門檻值為0. 8 S 7? S 1，較佳之7/仉 為 0· 9。 1 8.如申請專利範圍第1項所述之電力變壓器故障診斷方 法，其中線上神經網路權值的調整機制，係針對錯誤的故 障診斷所激發的記憶權值作調整，以將其輸出值調至小於 門檻值，亦即記憶權值的調整Wnew = Wold+a( 7y-yerr)/A* 其中yerr為錯誤診斷之輸出值，α值略大於1，較佳為

   第24頁