（郑州铁路职业技术学院451460）
摘要：在目前的供电系统当中，变压器是重要的应用设备，其运行稳定和持续对于电力系统的价值发挥有着重要的影响，因此做好变压器的检查和维修现实意义巨大。就目前的分析来看，变压器的运行状态会因为负荷量大小、负荷类型、电压波动等诸多非自然因素和自然因素出现一些故障，发现这些故障并对其进行分析和解决可以保证变压器的使用安全和稳定运行，故针对变压器故障分析对现场安全稳定的运行就起到了至关重要的作用。当前针对牵引变压器的分相的这一特性，探讨牵引变压器故障分析。基于BP神经算法的检测对于牵引变压器故障的分析效果较好，本文对此做全面的探讨，旨在为变压器故障解决提供参考。
关键词：BP神经算法；牵引变压器；故障
在供电系统的运行当中，变压器的不可缺少，起着至关重要的作用。其对于供电系统的稳健、持续运行有着重要的意义，尽可能的降低变压器运行当中的故障，可以最大的发挥其应用价值。就目前的变压器运行来看，为了提高其检测的准确性和维修的针对性效果，需要利用较为精准的检测方法，而BP神经算法对于故障的分析和检测较为准确，其实效性意义也十分的突出，深入的探讨其在牵引变压器故障当中的应用现实利用价值巨大，对于变压器检修的参考性价值也较高。
一、BP神经网络的构建
利用BP神经算法进行牵引变压器的故障分析，首先要构建起BP神经网络。而BP神经网络的建立，主要需要进行三方面的工作。
（一）BP神经网络的建立
BP神经网络的建立是其作用发挥的基础，从目前的研究来看，BP神经网络是一种误差逆向传播的多层网络，在具体网络设计的时候需要对输入层、隐含层、输出层以及隔层之间的传输函数和学习算法进行详细的讨论。从现阶段的BP神将网络建立来看，要构建完整的网络，需要进行五个方面的内容探讨：第一是网络层数。BP神经网络的网络层数必须要进行明确，在达到网路层的基本标准之后，网络的任意非线性映射可以实现。第二是进行输入层节点数的确定。输入层有缓冲的作用，确定好节点数，可以有效的维系矢量。第三是进行输出层节点数的确定。输出层节点数的确定由输出数据的类型和该类型数据的大小决定。第四是隐含层的节点数。隐含层节点的设置主要目的是实现网络的非线性映射，所以确定好节点的数量，能够保证网络非线性映射的效果。第五是传输函数的确定。在目前的BP网络中，传输函数一般采用的是S（Sigmoid）型函数。
（二）样本的选择
在BP网路建设的过程中，另一项重要的内容是样本的选择，从目前的分析来看，BP网络应用的成败关键是训练样本，因为不合适的训练样本会导致网络出现错误的映射关系，不仅如此，训练样本的不合适还会使得网络训练的过程出现不收敛的情况。从实际应用来看，因为不能无限制的进行样本的增加，所以需要尽量选取具有代表性的训练样本。从目前的样本选择来看，需要在广泛性、代表性、紧凑性准则的基础上选择正常、局部放电、低温过热、低温放电、低能放电等20组数据作为训练样本，除此以外，还需要收集20组数据作为测试样本。从具体的分析中了解到，网络的输入数据通常具有不同的物理意义和不同的量纲，这种情况会造成训练时差别的增大，所以在具体的样本训练时，需要利用归一化的方法，将样本权值的调整进入到误差曲面的平坦区，这样，数据的具体利用效果会提升。
（三）BP算法实现
BP网络的构建还要对算法进行实现，这样，网络的价值才会充分的发挥出来。以3层的BP神经网络进行BP算法的具体实现说明，其过程如下。第一是要先了解BP神经网络的基本模型。下图表示的是BP网络的基本模型。
从上面的具体分析来看，ＢＰ网络的学习算法具体可归纳为五个步骤：第一是在网络中进行训练样本，训练某一样本的输入；第二是通过网络的正向传播对各层节点数进行确定。第三是计算出网络实际输出量和期望输出量的误差。第四是利用输出层的反向计算进入隐含层，进而进行连接权值的调整。第五是对训练样本进行上述步骤的重复。简单来讲，ＢＰ算法就是通过这样的方式来实现的。
二、牵引变压器故障诊断的仿真
利用网络的模型以及神经网络提供的多种学习算法和相关的工具函数，可以直观的对神经网络的应用进行设计、分析和计算，所以使用ＢＰ神经网络可以实现变压器诊断的仿真。就具体的仿真来看，分为三个步骤：第一是进行变压器的数据模型建立。第二是进行ＢＰ神经网络的各项准备，第三是基于ＢＰ神经网络进行数据模型的各项数据分析和计算。因为ＢＰ神经网络能够有效的将数据逻辑关系等进行计算和分析，所以从模型的数据分析可以看出模型状态具有的问题，这样，牵引变压器的故障线路会更加的彻底，简言之就是使用ＢＰ神经网络实现了对牵引变压器故障的细节性分析，从而暴露了隐藏故障，实现了检测效率的提升。
结束语
基于ＢＰ神经网络的变压器故障检测方法其准确性更高，分析的结果更为精确，所以其能够为牵引变压器的问题针对性解决提供有效的帮助，基于这方面的认识，探讨和分析基于ＢＰ神经网络的牵引变压器故障便有了重要的现实价值。
参考文献
[1]刘金辉,任小洪.LM算法BP神经网络的数控机床主轴系统故障诊断[J].机床与液压,2015,4321:193-196.
[2]秦景,王玥,秦波,吴庆朝.改进PSO优化模糊RBF神经网络的牵引变压器故障诊断研究[J].组合机床与自动化加工技术,2016,07:78-81+85.
[3]曹莉,唐玲,吴浩,高祥,乐英高.基于免疫神经网络的数控机床故障诊断研究[J].机床与液压,2016,4413:184-190.
[4]李猛,王友仁.电力电子电路软故障诊断方法对比分析[J].电子测量技术,2015,3807:110-114.
[5]谭晓东,覃德泽.提升小波包和改进BP神经网络相融合的新故障诊断算法[J].计算机测量与控制,2014,2208:2405-2408.
[6]张晴,高军伟,张彬,毛云龙,董宏辉.基于小波包-GABP的滚动轴承故障诊断分析[J].青岛大学学报(工程技术版),2017,3202:28-32+45.