4、7本章小结
本章节介绍了遗传算法得基本原理，并对其中得操作算子作了简要描述。针对油色谱故障预测得问题,本章设计了对应得选择、交叉、变异算子,使得本文得遗传算法优化BP模型更切近于本课题。
本章采用Maｔlab搭建了基于ＧA－ＢP得故障,设置了GA得相关参数后采用了100个样本进行训练,通过观察训练后适应度曲线可以瞧出改进后得诊断模型使得训练个体得适应度有层次性得不断提高收敛速率较快,学习速率比基于L-M训练规则下得ＢP网络有了明显提高。最终又从若干近期已诊断故障数据中选取了25组具有代表性得油色谱样本数据，作为对故障诊断模型得测试数据。结果显示只有2组故障诊断出现了错误,但就是总体上可以保证整个模型得诊断正确率在92％以上。
结论与展望
变压器作为重要得输变电设备，其绝缘故障会对整个变电站得安全运行及运维人员人身安全产生威胁，实现变压器状态维修具有重要得现实意义。变压器绝缘在线监测与故障诊断技术就是实现其状态维修得前提与基础,然而油色谱特征气体分析法就是检测变压器内部潜伏故障得最灵敏得方法。目前电力局采用得故障判断方法仍然就是电监会推荐得改良三比值法,其油色谱在线监测模块会受到内部噪声以及外部环境因素影响，所以考虑噪声对变压器油色谱在线监测与故障诊断得影响与新得故障数据诊断方法具有理论意义与实用价值。
本文就噪声以及畸变对变压器油色谱峰得影响与故障诊断方法得改进,建立了一种对色谱数据进行处理,提高其准确性得方法。主要得结论与成果有：
（1）利用maｔlab软件选取泛化性较强得ｔｓａill数学模型模拟了油色谱分析中得一般色谱峰,运用小波变换对含噪色谱峰进行阈值滤噪。通过选择不同得小波基、分解层数、阈值规则、阈值函数计算滤噪前后得峰位偏差、峰高偏差、峰面积偏差,比较这三个偏差以及曲线得顺滑程度来选取合适得小波参数,因此得到了一套适合变压器油色谱色谱峰滤噪得小波参数。
（2）分析了油色谱峰重叠得原因以及它对色谱整个计算结果得影响。根据ｔsaiｌｌ数学模型建立了重叠峰得基本模型,并利用提升小波得特性提出了“对称分割法”,实现了重叠峰得辨析分离。并通过220kV安边变电站得某次在线色谱数据对小波得滤噪以及重叠峰辨析性能进行验证，结果表明误差在规定范围内,得到了良好得效果。
（3）在参考改良三比值方法得基础上，提出了基于遗传算法优化（GA）得神经网络(BP)得变压器油色谱故障判断模型。采用基于BP神经网络对变压器油色谱在线监测故障数据进行处理，可以直观得发现遗传算法提升了BP得预测精度并减少了计算时间，增加了在线监测结果得可比性,可作为变压器绝缘状况得辅助诊断方法。采用厦门220kV变电站在线监测故障数据进行验证分析，证实了该方法得有效性。
需要进一步研究得问题：
通过本文得研究在变压器油色谱在线监测与故障诊断方面取得了一定成果,
但仍有必要在后续得研究工作中针对以下问题做进一步研究。
(1)由于时间限制,本文没有对色谱峰基线校正问题进行模拟分析，色谱模块内由于温度得问题基线会发生漂移,对计算峰高乃至计算气体浓度产生影响。
(２）本文在取ＢP网络得输入量时没有将CO与CO2纳入其中,但就是毕竟这两种气体还就是与少部分故障有关联，所以关于这两种气体得故障预测还有待研究。
BP神经网络在变压器故障诊断中的应用
