隨著檢測技術，計算機技術，網絡技術等的發展，在線狀態監測技術是狀態監測技術的載體之一?，F出快速發展的趨勢。
　　變電站的電氣設備中，電容器類設備的數量約占40％。們中的大多數使用電容絕緣。過監測其介電特性，可以發現仍處于開發初期的缺陷。而，可以最好地反映設備的隔離狀態的介電特性的tanδ切向介電損耗正切（即，介電損耗因子）通常表現出大的數據波動。文使用人工神經網絡的一般描述來提出其應用。望這可以減少來自外部環境的干擾，并使設備絕緣狀態的監視更加穩定和準確。2011年以來的五年中，貴州電網已將在線監測技術應用于變壓器設備的普及和大規模應用。主要包括四個類別：變壓器油色譜在線監測，GIS局部放電在線監測，配電柜在線溫度監測和電容絕緣在線監測設備。中，對設備絕緣的電容監測，最能反映設備絕緣狀態的介電損耗因子，對外部干擾極為敏感，這增加了設備的難度。視人員可以準確確定被監視設備的狀況。為很難使用特定的函數來表達數據與這些因素之間的關系，所以人工神經網絡在這里可以發揮巨大作用。的大規模并行性，組計算，自學習容錯能力和自適應能力使得必須將人工智能技術盡快應用于電容設備的絕緣監測。
　　前，用于監視和測量電容性器件隔離的方法已形成兩個分支：硬件方法和軟件方法。件方法包括橋接方法，三相不平衡方法和零交叉比較方法。軟件方法分為諧波分析法和正弦波分析法。數法，高階正弦調整法，相關函數法。波分析方法是最常見的，監視的原理是使用高靈敏度的電流互感器麥克風發送電流信號，并將其從次級側電壓信號中提取出來。以消除模式干擾和濾波。序控制的放大信號的同步和仿真，使用A / D轉換為離散的數字信號，并使用計算機對數字信號執行傅立葉變換（FFT）處理，電纜可以獲得傅立葉系數在波相位上獲得2個基本差異。相系統是電力系統的主要體現，它以耦合形式存在，因此在三相高壓電容器的測試過程中會產生干擾，從而導致介電損耗角A和相同的相位會改變B和C。現場數據的分析表明，母線的平均變化曲線在同一側具有相同的位置，但是不同的平均損耗曲線之間的差異非常明顯。常，神經網絡與常規計算有很大不同。
　　經網絡的優越性更加明顯。些不能用數學模型表示的變量可以用神經網絡表示，例如非線性系統的故障診斷，預測和預控制。慮到高的介電損耗，基本功能不能用于表示數據之間的關系。此，通過使用神經網絡比較功能，可以預測介電損耗，可以比較實際的測量數據，并且可以了解設備的絕緣性。取每個級別的參考錯誤并獲取相應的連接權限。

　　k種模式中，模擬值模式AK =（alk，...，ank），CK =（cik，...，cqk）。誤差校正梯度下，可以使用離散方法來學習采樣數據。習完成后，人工神經網絡將根據存儲連接的權重做出響應。先是順序傳播過程，使用初始值來學習樣本數據。后分配初始值輸入層的連接權LA和LB，連接輸出層LB的Lc，然后連接LB層的閾值，并將Vj賦予[-1， 1]間隔內的隨機值；學習模式（AK，CK），使用層單元LA中的值AK，激活LA層的ak，連接到矩陣γ，將其傳輸到單元LB并刺激隱藏層。
　　Nnbox將提供由Newff（）表示的特定神經網絡功能。=紐夫（A，l，TrainFun）。上述格式中，net表示網絡的屬性和參數的值。
　　個輸入變量為：R * 2矩陣A，代表輸入向量以及每個元素的最大值和最小值。;線向量-1，代表每一層神經元的數量； c鏈載體，代表神經元的傳遞功能； TrainFun字符串變量，代表學習功能的域名。先創建一個模型實例，觀察時間序列刷新圖，然后建立一個預測模型，確定每個結構中隱藏神經元的數量，然后輸出預測數據。立一個神經網絡讓t-1浪費時間t。用U和C預測時間t 1處的介電損耗。

　　擇2350個數據，驗證數據的54％，將其分為兩組以預測介電損耗因子的值，然后創建MA，AR和ARMA模型作為相關函數和部分相關函數的函數。Matlab中，調用autocorr（），parcorr（）函數來考慮不同周期之間的相關性。
　　旦構建了神經網絡，它就會具有敏感的響應，并且準確性可以達到診斷指標。使用人工神經網絡預測電容性設備的介電損耗時，有必要結合實際的預測數據，充分收集歷史數據，并弄清相關的變量關系，以提高數據的準確性。測。著無人值守變電站的普及，人工智能檢測設備的狀況變得尤為重要。過對本文的討論和分析，可以理解，在線檢測設備是一種監視方法，可以減少外部環境對設備的影響，并真正反映出隔離情況。備。約。
　　本文轉載自
　　電纜 http://www.sup95.com