随着电网规模及容量的不断扩大，电力变压器作为电网中的关键设备，其内绝缘问题也变得越来越突出[1-2]。变压器的内绝缘材料主要采用矿物油和纤维纸，在长期运行过程中承受着热、电、机械应力等的作用，当绝缘劣化时，将会引起一些故障，如局部放电、过热等。故障点位置的能量较高，可以直接破坏变压器油中烃类分子的化学键，导致油纸分解而产生各种低分子烃类气体以及氢气等[3-6]。产生的气体溶于变压器油中，油中溶解气体分析技术DGA（dissolved gas analysis）作为发现变压器潜伏性故障的有效手段[7-8]，已经得到了国内外同行的公认，基于DGA技术的在线监测装置、状态评估系统等得到了国内外学者的广泛关注和深入研究[9-11]，变压器故障诊断技术作为在线监测装置测量数据的分析技术，是状态评估系统的基础，一直以来是电力科研工作者关注的焦点。

目前，国内外应用最为广泛的变压器故障诊断方法有IEC三比值法[12]、大卫三角形法[13]、Rogers比值法[14]、Doerneburg比值法[15]等，上述方法有编码简单、易于实现等优点，但也存在编码缺失、准确率不高等问题。近年来，随着人工智能算法的兴起，各种智能算法，比如遗传算法[16]、人工神经网络[17]、模糊推理算法[18]、支持向量机[19-21]等被引入到变压器故障诊断中。相比于传统方法，智能算法拥有自我学习能力和自我更新能力，可以对复杂的数据进行非线性的归纳和学习，大大提高了故障诊断正确率，但由于变压器油中溶解气体的产生涉及到油纸绝缘的放电击穿及热力学分解，是一个复杂的化学反应过程，本身属于一个动态非线性系统，具有系统结构复杂的特点。目前已有的研究多集中在电力变压器单一故障类型的诊断上，但是电力变压器多种故障同时存在的可能性较高，具有模糊性质，其故障诊断的准确率和实时性、有效性，尤其是多种故障共存时的故障诊断及状态评估方法仍然是一个值得研究的课题。

为了进一步提高变压器故障分类的正确率，为变压器状态评估专家系统提供决策支撑，本文采用具有良好线性数据分类能力的相关向量机RVM（relevance vector machine）对变压器的过热和放电故障进行分类。结合变压器油中溶解气体故障数据的高维度、有限样本、非线性、模糊性的特点，本文提出采用自适应神经模糊推理系统ANFIS（adap⁃tive neuro-fuzzy inference system）进一步对故障进行分类，并对算法进行了建模和仿真。研究结果表明，本文提出的RVM-ANFIS算法具有学习能力强、准确率和效率高、能诊断多重故障的优点，为变压器的故障分类和状态评估专家系统的实现提供了一种有效的途径。

先杀死自己，让梁诚名正言顺地单身，然后帮着安安杀死凌薇让安安继承遗产，然后梁诚与安安结婚后，再弄死安安，凌宇生那一大笔遗产就自然落到他们手上。

1　RVM-ANFIS算法的基本思想

以变压器油中溶解气体特征参量作为输入，以变压器故障类型作为输出的系统具有模糊性、不确定性、非线性、动态时变（故障随着时间的推进会发展）的特点，无法用精确的数学模型来描述。

根据变压器故障诊断系统具有模糊性、非线性的特点，本文提出采用ANFIS来实现故障的诊断和细分。模糊逻辑是一个通过基于人们的理解而不是纯粹的数学模型的语言规则使输入方便地与输出相匹配的逻辑系统。模糊逻辑推理主要由3个进程组成，包括模糊化、模糊推理、反模糊化。其中模糊化过程包括分配一个隶属度给一个相当精确的值，然后模糊推理根据定义的if-then语言规则来做出判定，反模糊化则是从基于模糊规则的模糊输出到精确值的转换。由于模糊控制系统的隶属度函数或控制规则对输出结果具有很大的影响，其设计方法存在很大的主观性。

本文通过利用自适应神经模糊推理系统(ANFIS)实现基于回跳电压的锂离子电池SOC预测模型的建立。ANFIS的学习算法过程和架构实际上综合了许多种有监督学习功能的前馈神经网络的学习方法。自适应网络就是一个由多节点以及连接它们的网络组成的网络结构,更进一步,部分或者所有节点具有自适应性,这意味着它们的输出取决于这些节点的激励函数的参数(一个或多个),同时学习规则规定了这些参数该如何改变以使规定的误差降到最小。自适应网络的基本学习规则是基于梯度下降和链式法则[7],梯度法由于它的缓慢以及容易陷入局部收敛,因此ANFIS采用混合学习规则,混合学习方法能够加速学习进程。

人工神经网络拥有着良好的学习能力和预测能力，适合对变压器故障诊断的非线性系统进行建模，但存在着收敛时间过长、运算较复杂、易陷入局部收敛的缺点。ANFIS将模糊推理系统的模糊化、模糊推理和反模糊化3个基本过程全部用神经网络来实现，这样做的好处是利用神经网络良好的学习机制自动地从输入输出数据中抽取规则，并能优化模糊控制规则和相应的隶属度函数，将一些专家知识预先分布到神经网络中去，不仅克服了BP神经网络直接应用时所存在的缺点，同时又发挥出了模糊系统语言推理能力和善于处理不确定问题的优点，这就是本文提出算法的基本理论出发点。

直接用神经模糊推理系统对非线性模糊系统进行建模时，输入与输出维度越大、数据越复杂，则需要学习和提取的规则数越多，导致算法的运算量大、算法运行时间长。在保证诊断准确率的同时，算法的运行效率也是需要重点考虑的问题，通过对典型故障数据的分析和研究，发现过热类故障和放电类故障的C2H2气体的含量有着较大的区别，具有线性可分特性。针对上述特点，若能采用具有良好线性分类能力的RVM，先将故障数据进行线性分类，把故障分成过热类和放电类，这样就能有效减少系统输出的维度，降低了数据的复杂性，从而极大减少了ANFIS系统需要学习的规则数，能有效提高算法的运行效率，从而为变压器状态评估专家系统提供实时性支撑。

2　基于RVM-ANFIS的故障诊断模型

2.1　二分类RVM

这篇文章就写得明白晓畅，可谓晓之以理，动之以情。开头先叙王朝以孝治天下的背景，可谓晓之以理，中叙皇帝对自己的天高地厚之恩以及父母年迈体弱的具体情况，又引用李密报刘的典故，可谓动之以情。整篇文章流畅自然，没有古奥文词，没有隐僻典故，读后给人一种情真意切、字字从肺腑中淌出的感觉。其写给友人的书札如《答叶中孚书》就写得极为风趣诙谐：

有鉴于此，在小学数学教学过程中渗透德育的时候，教师要对课堂教学进行充分的预设，预设课堂教学中的各种困境与生成。并以此为基础，找准德育渗透的切入点，“见缝插针”式地渗透德育。

在Bayes理论框架下，权值w可以通过最大似然法求得，但是为了避免出现“过学习”现象，RVM通过为每个权值定义高斯先验概率分布来约束参数，即

对于过热和放电故障判定的二分类问题，设训练样本集合为(xn,tn),n=1,2,…,N,x∈Rd,t∈{0,1}，其中x为输入向量，t为类别编号，d为特征向量的维数，RVM的分类函数定义为

式中：K(x,xi)为核函数；wi为模型的权值。将logis⁃tic sigmoid函数σ(y)=1/(1+e-y)应用于分类函数，对其进行归一化，得到数据集的似然估计概率满足Bernoulli分布，即

式中：t为类别向量，t=(t1…tn)T;w为权值向量，w=(w1…wN)T。

从艺术的角度探讨认同问题具有新意，艺术是族群认同的表达方式和符号表征，在不同的文化生态中呈现出不同的面貌，发挥着不同的作用。这些研究通过具体案例呈现了认同问题研究的新进展，拓展了艺术人类学研究的空间，具有一定的学术启示意义。

式中：p（w|α）为高斯先验概率；α为N+1 维超参数。为每一个权值引入超参数是RVM的重要特征，最终将导致算法求解具有稀疏特性。对于分类问题，不能利用卷积方式计算出权重的大小，所以并不能计算出式（2）和式（3）的解析解。因此，需要采用拉普拉斯逼近法求得近似解，具体方法见文献[22]。在RVM算法的应用过程中，核函数的选择对RVM的分类性能具有决定性的影响，跟SVM算法相似，一般常用的核函数有线性核函数、多项式核函数、高斯径向基核函数、Sigmoid核函数等，由于高斯径向基核函数具有收敛域较宽、局部学习能力强的特点，适用本文变压器油中溶解气体特征数据高维数、小样本的情况，故本文选择高斯径向基核函数作为分类函数核函数。

第2层的节点是固定节点，并对于输入的信号进行加和处理，第2层的输出公式为

2.2　ANFIS系统

ANFIS是将神经网络和模糊逻辑算法混合运用的学习系统，将其用于变压器故障诊断的细分时，神经网络方法优秀的学习能力能为模糊逻辑方法提供专家决策的知识库，从而自动建立模糊逻辑规则，充分发挥出模糊逻辑方法对描述不确定、不精确系统的良好建模能力的优势。ANFIS的系统结构主要由许多节点及节点间的连接方向所组成，一些节点是自适应的，节点的输出取决于节点的参数，而另外一些节点可以是固定的，节点的输出只依赖于上一层的输出。定向链路只需连接不同层的节点，并提供一个信号流的路径，而不需要提供权重来修改信号[23]，ANFIS系统结构如图1所示。

图1　ANFIS系统结构 Fig.1　Structure of ANFIS system

从图1中可以看出ANFIS网络由5层组成，每一层是通过由相互连接的固定节点或自适应节点组成。第1层由4个节点组成（A1，A2，B1和B2节点），而且每个节点都是1个模糊集。第1层节点用于输入信号的模糊化，第1层输出公式为

式中：μ为模糊隶属度函数；O为隶属度输出。式（4）～式（7）表示第1层节点输入归属这些模糊集合的程度。

第二术，“凤头说”。所谓“凤头”，即语文作为高考第一炮，重要性不言而喻，一定要打好、打响、打漂亮。“语文错，满盘皆落索”，第一科不好，后面的科目发挥就很可能受影响。而头炮打响了，才能给自己积极的心理暗示。这一术之后，学生对语文的态度正悄然改变。

带总苞菩提子卵圆形,长7-10毫米,直径6-8毫米,珐琅质,坚硬,有光泽,按压不破,有白、灰、蓝紫等各色,基端之孔大,易于穿线成串。但其颖果小,含淀粉少,常不饱满.一般不做药或食用。此种疑似民间所称草珠子。

第3层节点的功能主要是归一化，第3层输出公式为

土壤累计水损失量:将干土装入烧杯中,测量其面积为s,加400 mL水,含水量为40%,称重为m1.分别在第72,96,120,144 h测定重量,分别记为mt,则

式中，w*为归一化权值。第4层自适应节点的输出取决于节点参数，第4层输出公式为

(1)随车辆的前移，曲线以波动形式变化且挠度值逐渐增大，当车辆行驶到试验梁跨中附近时跨中挠度值最大，当车辆驶过跨中后，挠度值随之减小并逐渐趋于0；货车质量为62 kg、100 kg和150 kg时，FCB梁跨中最大动挠度分别为0.076 8 mm、0.108 mm和0.165 mm，PCB梁跨中最大动挠度分别为0.076 2 mm、0.115 1 mm和0.176 8 mm，均呈增大趋势。

式中：f1和f2由模糊Sugeno系统决定；p、q和r均为系统参数[20]。

第5层执行对O14和O24的求和功能，最终计算结果为

2.3　RVM-ANFIS神经模糊推理系统

用于变压器故障诊断时，由于ANFIS系统是一个多输入单输出系统，一个ANFIS系统只能有一个输出。本文根据IEC 60599的故障划分标准，将故障划分为6种故障类型，包括正常类型在内，共有7种故障类型，且每种故障类型之间彼此独立，没有相关性。因此，本文采用的方法是建立3个过热故障和3个放电故障诊断专用ANFIS系统，每一个ANFIS对应一种故障类型。进行训练时，对应故障输出为1，其他故障输出为0。故障诊断时先将诊断数据同时输入RVM，确定过热或者放电故障类型，再进一步利用训练好的过热或者放电专用AN⁃FIS系统对输出结果进行进一步诊断，诊断结果输出代表了其隶属于相应故障类型的隶属度，取最大值作为相应的故障类型输出。考虑有可能出现多种故障叠加发生的情况，输出值高于0.5的故障类型可作为参考，认为此种故障类型的发生概率也较大，RVM-ANFIS变压器故障诊断拓扑结构见图2。

图2　RVM-ANFIS变压器故障诊断拓扑 Fig.2　Topology of fault diagnosis for transformers based on RVM-ANFIS

从图2中可以看出本文是根据故障分类情况，建立一个RVM和6个ANFIS模型，然后根据选取的故障特征数据对RVM和ANFIS模糊推理系统进行训练，然后用训练好的RVM对变压器的过热、放电故障进行诊断，最后再进一步对变压器故障进行诊断。由于ANFIS是一个5层前馈网络，输入向量维数太多、训练样本数过大会导致模糊神经网络的节点数成倍增加，从而使得网络结构过于复杂，使得计算开销过大或者整个系统难以收敛。本文通过使用RVM先进行过热和放电故障的分类可以使每个ANFIS模型的训练样本数和需要提取的特征数减少一半，能有效提高训练的速度和诊断的正确率。

2.4　RVM-ANFIS算法步骤

1）输入向量选择及归一化处理

本文采用的输入数据包含 H2、CH4、C2H2、C2H4、和C2H65种气体的含量值，将其视为一个五维的数据向量。由于某些特征气体浓度值较大，所以要对数据进行归一化，可以防止某一维或某几维对整体数据的影响过大，且可以把所有数据统一到一个参考系下。在选取输入向量时，在已有文献的基础上[23]，本文对氢气和碳氢化合物的相对百分比含量、IEC三比值、Rogers比值、Doernenburg比值作为输入向量的特征模式进行研究。相对百分比含量的计算方法为单一气体含量值除以H2和所有碳氢化合物的含量值，比如对于H2，其中H2的相对百分比含量为%H2=H2/（H2+CH4+C2H2+C2H4+C2H6）。另外，本文通过实验发现，用于变压器故障诊断的ANFIS以输入向量不超过五维为宜，既可以满足故障诊断结果的精度要求，又能满足计算速度的要求。本文选取的输入向量输入模式如表1所示。

表1　输入向量模式 Tab.1　Patterns of input vectors

模式IEC Rogers Doernenburg RGC输入向量[CH4/H2，C2H2/C2H4，C2H4/C2H6][CH4/H2，C2H2/C2H4，C2H4/C2H6，C2H6/CH4][CH4/H2，C2H2/C2H4，C2H2/CH4，C2H6/C2H2][%H2，%CH4，%C2H2，%C2H4，%C2H6]

2）训练数据选择及模型训练

基于本文提出的算法，无论RVM分类还是神经模糊推理系统，都需要建立训练模型，先对模型进行训练才能用于预测，所以训练数据的选取是关键的一步。用于训练的数据要满足覆盖面广、真实可靠、有代表性和紧凑性的要求。根据IEC 60599的故障划分标准，将故障划分为6种故障类型，即局部放电（PD）、低能放电（D1）、高能放电（D2）、低温过热（T1）、中温过热（T2）、高温过热（T3）、放电兼过热（DT）。通过筛选本文从IEC TC 10 database及公开发的文献刊物中选出210组能够反映各种故障类型而不冗余的训练样本。测试数据130组，来自于中国电力公司的现场数据，其中，故障类型的划分及测试数据的安排如表2所示。

表2　训练与测试数据划分 Tab.2　Classification of training and test data

故障代号PD D1 D2 T1 T2 T3 DT故障类型局部放电低能放电高能放电低温过热中温过热高温过热放电兼过热训练数据35 35 35 35 35 35 0测试数据20 20 20 20 20 20 10

在训练RVM系统时，放电故障类型对应的训练输出为1，过热故障类型对应的训练输出为0，放电兼过热仅用做测试数据集。每个ANFIS的输出作为输出向量的一维，故输出向量为六维向量，每个分量代表对相应故障类型的模糊隶属度，故隶属度最大的判定为相应的故障类型。如果几个隶属度接近，则考虑几种故障类型均存在，所以本文模型可以诊断多种故障类型同时存在的情况，便于对故障类型的不确定性进行分析。

建筑符号还包含了初始功能与二次功能，一方面是外延的实用性“功能”，另一方面是“象征性”的内涵[1]19。乡村民宿传达的内涵是其精髓所在，内涵的传达来源于形式，而形式不可脱离功能性，脱离了体验的感受，显得空而乏力。当代乡村民宿的设计在注重“神”之传达的同时，也不忘却“体”之感受。揽清与即下山轴线的错位，增加了空间体感。

3）模型测试

通过样本数据对系统的训练，得到7个系统，分别是一个用于线性分类的RVM系统和6个专用的神经模糊推理诊断系统。本文通过130组检测数据对系统的准确率进行检测，这130组数据包含了局部放电、低能放电、高能放电、低温过热、中温过热、高温过热、放电兼过热等故障类型。其中7组典型测试数据如表3所示。

表3　典型测试数据 Tab.3　Typical test data

序号　气体浓度 /（µL·L-1）H2 1234567 650 305 210 181 58 150 109 CH4 53 100 43 262 290 22 42 C2H6 34 541 187 41 149 11 5 C2H4 20 161 102 28 373 60 40 C2H2 0 33 12 0091 4故障PD D1 D2 T1 T2 T3 DT

3　实例分析

3.1　RVM分类器的实验结果

为了比较算法的性能，采用相同的训练和测试数据集，本文同时实现了人工神经网络ANN（artifi⁃cial neural network）算法和SVM算法，其中ANN采用的输入节点为输入向量的维数，隐藏层节点数为9个，输出节点数为6个，隐藏层节点激活函数采用transig函数[21]，输出层采用purelin激励函数，初始权值矩阵和阈值向量采用遗传算法进行优化，遗传算法的参数设置如下：种群大小P=50，最大遗传代数Gen=50，变量的二进制位数Precision=10，交叉概率Px=0.75，变异概率Pm=0.01，代沟Gap=0.95。对于SVM来说，核函数类型和模型参数对模型的性能影响较大，本文采用具有较好泛化能力的RBF核函数[17]，采用网格搜索和交叉验证的方法寻找最佳的惩罚因子参数C和RBF核函数参数。其中，采用ANN、SVM和RVM的过热和放电故障分类统计结果如表4所示。

表4　不同输入模式下ANN、SVM和RVM线性分类结果 Tab.4　Linear classification results of ANN，SVM and RVM in different input modes

输入模式IEC Rogers Doernenburg RGC ANN/%86.92 86.15 87.69 96.15 SVM/%86.92 88.46 90.00 97.69 RVM/%93.07 93.84 95.38 99.23

由运行结果可以看出，在4种特征输入模式中，RVM的分类正确率均最高，优于SVM和ANN。当采用RGC模式输入时，RVM对变压器故障类型的放电和过热故障的划分正确率大于99%，130个预测数据中，仅出现一例误判。从实验结果可以看出，由于处理的数据是三维或者四维输入、一维输出的小样本数据，具有高维度、非线性的特点，RVM可以解决小样本情况下的问题及其学习问题，提高泛化性能，解决高维问题和非线性问题。故用RVM对变压器故障进行大类划分是最优方法之一。

3.2　RVM-ANFIS的实验结果

[8]陈伟根，万福，周渠，等（Chen Weigen，Wan Fu，Zhou Qu，et al）.基于光声光谱检测的变压器油中溶解乙炔气体的压强特性（Pressure characteristics of dissolved acetylene in transformer oil based on photoacoustic spec⁃troscopy detection）[J].电工技术学报（Transactions of China Electrotechnical Society），2015，30（1）：112-119.

表5　4种算法测试结果对比 Tab.5　Comparison of test result among four algorithms

诊断算法RVM-ANFIS SVM ANN IEC三比值无法诊断0006错误诊断5 12 18 35消耗时间/s 3.2 6.1 11.2 1.0准确率/%96.15 90.76 86.15 67.30

从上述分析可知，在相同的训练和测试样本的情况下，IEC三比值法、ANN、SVM、RVM-ANFIS方法的准确率依次增加，其中RVM-ANFIS的准确率最高，达到96.15%。IEC三比值法程序简单、效率高、清晰易懂，但忽略了变压器故障的复杂性、模糊性等特征，诊断得不够全面，准确率较低，且存在较多无法诊断的情况。ANN和SVM跟IEC三比值法相比，诊断的准确率有所提高，但是运行时间也相应的增加。综合整体情况分析可知，本文提出的RVM-ANFIS算法学习能力强、准确率高，不存在无法诊断的情况，且算法训练时间短、运行效率高，这一结果说明自适应的神经模糊推理系统能很好地解决具有模糊性、非线性特点的变压器故障诊断问题。对于表3的7台变压器故障测试数据，RVMANFIS的输出结果如表6所示。输出的行向量代表变压器的故障状态为PD、D1、D2、T1、T2、T3、DT模糊隶属度值，如[0.970 6 0.057 2 0.185 4 0.000 3 0.141 9 0.201 8]T表示编号1变压器的状态为PD、D1、D2、T1、T2、T3、DT 的隶属度分别为 0.970 6、0.057 2、0.185 4、0.000 3、0.141 9、0.201 8，其中变压器为局部放电的隶属值最大，所以诊断结果为PD。

RVM[22]是Tipping基于Sparse Bayes学习理论，提出的一种新的机器学习算法。RVM具有支持向量机SVM（support vector machine）需要训练样本数据少、泛化能力强等优点，同时克服SVM规则化系数难以确定、核函数受Mercer条件限制等固有局限。并且跟SVM相比，RVM算法的鲁棒性、解的稀疏性、分类准确性等方面有进一步的提升。RVM算法具有以下特点：①处理分类问题时，在有限样本、小样本的学习中优势明显；②以Bayes统计学习理论为基础，在解决分类问题时，可以给出概率性的解；③算法的适用范围广泛，特别适合处理两类模式识别问题。RVM也可以处理多分类问题，但由于多分类需要的分类器个数较多，运算复杂，速度相对较慢。基于RVM算法的以上特点，结合变压器放电和过热故障线性可分，属于二分类问题且样本有限的情况，本文首次提出将RVM算法引入到变压器的过热和放电类故障的模式识别问题中，专门用于对变压器的过热和放电故障进行诊断。

表6　变压器故障诊断及状态评估实例 Tab.6　Case study of fault diagnosis and status evaluation for transformers

序号1　2　3　4　5　6　7 RVM-ANFIS输出[0.814 7 0.105 8 0.127 0 0.013 4 0.032 4 0.097 5]T[0.078 5 0.946 9 0.157 5 0.061 2 0.157 6 0.170 6]T[0.157 2 0.285 4 0.800 3 0.141 9 0.121 8 0.115 7]T[0.092 2 0.059 5 0.155 7 0.949 1 0.035 7 0.134 0]T[0.031 8 0.046 2 0.097 1 0.276 9 0.823 5 0.106 0]T[0.381 6 0.165 5 0.095 2 0.186 9 0.089 8 0.915 6]T[0.034 4 0.517 1 0.381 6 0.438 7 0.694 8 0.150 2]T ANN PD D1 D2 T2 T2 T3 T2 SVM PD D1 D2 T1 T2 T3 D2 IEC PD无编码无编码正常T1 D1 D1实际故障类型PD D1 D2 T1 T2 T3 DT

另外，从表5可以看出，同样的特征变量，选用其他方法诊断结果为错误时，而选用RVM-ANFIS诊断结果则是正确的，尤其是过热和放电多重故障存在时，其他方法误判率较高。由此可见，RVMANFIS方法通过采用隶属度值的方法，以故障概率的方式从不同方面反映了变压器的运行状态。

4　结论

（1）变压器的过热和放电故障特征数据存在线性可分的特性，属于二分类问题且样本有限的情况，采用RVM算法对变压器的上述故障进行分类时准确率高，基本不会出现误判的情况。

（2）ANFIS系统模型自适应能力强，隶属度函数参数的初始值可以由系统自动确定，且可以根据样本数据的特征在训练过程中自动调整，从而减少了对专家知识的依赖和人为因素的干扰。

（3）RVM-ANFIS变压器故障诊断方法有很强的学习能力，适用于高纬度、小样本的故障数据，尤其对于存在重叠区的故障特征，用模糊集和隶属度的方法能够很好地解决。

（4）本文提出的RVM-ANFIS智能算法只需要确定输入向量，网络参数少、程序简单、易于开发，在变压器故障诊断中有着较高的准确率。

参考文献：

[1]陆杰，张淼，赵宏飞，等（Lu Jie，Zhang Miao，Zhao Hong⁃fei，et al）.基于振动的电力变压器状态监测系统设计（Design of power transformer condition monitoring system based on the vibration signal）[J].电力系统及其自动化学报（Proceedings of the CSU-EPSA），2016，28（4）：73-77.

[2]张炳达，冯鑫，黄杰，等（Zhang Bingda，Feng Xin，Huang Jie，et al）.多约简融合的数字化变电站故障诊断（Fault diagnosis of digital substation with multi-reduction fusion）[J].电力系统及其自动化学报（Proceedings of the CSUEPSA），2016，28（4）：1-5.

[3]Hashemnia N，Abu-Siada A，Islam S.Detection of power transformer bushing faults and oil degradation using fre⁃quency response analysis[J].IEEE Trans on Dielectrics and Electrical Insulation，2016，23（1）：222-229.

[4]Hashemnia N，Abu-Siada A，Islam S.Improved power transformer winding fault detection using FRA diagnostics part 1：Axial displacement simulation[J].IEEE Trans on Dielectrics and Electrical Insulation，2015，22（1）：556-563.

[5]Lima S L，Saavedra O R，Miranda V.A two-level frame⁃work to fault diagnosis and decision making for power transformers[J].IEEE Trans on Power Delivery，2015，30（1）：497-504.

[6]Jakob F，Noble P，Dukarm J J.A thermodynamic approach to evaluation of the severity of transformer faults[J].IEEE Trans on Power Delivery，2012，27（2）：554-559.

[7]陈伟根，万福，顾朝亮，等（Chen Weigen，Wan Fu，Gu Zhaoliang，et al）.变压器油中溶解气体拉曼剖析及定量检测优化研究（The research for Raman analysis of dis⁃solved gases in transformer oil and optimization of quanti⁃tative detection）[J].电工技术学报（Transactions of Chi⁃na Electrotechnical Society），2016，31（2）：236-243.

对数据进行第1步的过热和放电故障的线性分类之后，需要对过热和放电故障进行进一步诊断。本文利用Matlab模糊逻辑工具箱，建立了基于Takagi-Sugeno模型的ANFIS系统，该模糊推理系统利用BP反向传播和最小二乘算法来完成对输入、输出数据对的建模，提供了一种能够从数据集中提取相应信息的学习方法，通过学习能够自动计算出隶属度函数的最佳参数和模糊隶属度规则，使得设计出来的模糊推理系统能够很好地模拟出实际的DGA故障特征数据的输入、输出关系。为了确定RVM-ANFIS算法的整体性能以及相对于传统算法的优越性，继续用本文的训练数据和检测数据测试传统IEC三比值法，在RGC输入模式下的ANN、SVM的准确率和运行时间，再和RVM-ANFIS算法的准确率和运算时间进行对比，对比结果如表5所示。

[9]毛知新，文劲宇（Mao Zhixin，Wen Jinyu）.变压器油中溶解气体光声光谱检测技术研究（Research on the detec⁃tion of the dissolved gas in the transformer oil by photo⁃acoustic spectroscopy）[J].电工技术学报（Transactions of China Electrotechnical Society），2015，30（7）：135-143.

[10]李赢，舒乃秋（Li Ying，Shu Naiqiu）.基于模糊聚类和完全二叉树支持向量机的变压器故障诊断（Transformer fault diagnosis based on fuzzy clustering and complete bi⁃nary tree support vector machine）[J].电工技术学报（Transactions of China Electrotechnical Society），2016，31（4）：64-70.

巨轮在江中荡漾，火车在远方轰鸣。江河的养育在遥远的年代唤醒人类，工业的力量在混沌的近代缔造城市。钢筋与绿意，机床和生态，在这里和谐共存，一起吟唱，一同荡漾。

[11]陈伟根，赵立志，彭尚怡，等（Chen Weigen，Zhao Lizhi，Peng Shangyi，et al）.激光拉曼光谱应用于变压器油中溶解气体分析（Analysis of dissolved gas in transformer oil based on laser Raman spectroscopy）[J].中国电机工程学报（Proceedings of the CSEE），2014，34（15）：2485-2492.

英语是初中阶段一门重要的学科，对学生未来的学习与生活影响比较大。在传统教学模式中，教师过于注重理论知识的教学，对教学目标设计重视程度不高，导致课堂的出发点与归宿点不明确，课堂环节设计与教学实践也出现一定问题。为了改变这种状况，有效提升课堂教学质量，教师还需要更加注重课堂教学目标的设计，根据学生的实际情况与教学内容，有效设计课堂目标，并且按照课堂目标开展教学活动。

[12]IEEE Std C57.104—2008，IEEE Guide for the interpreta⁃tion of gases generated in oil-immersed transformers[S].

[13]Duval M，Lamarre L.The Duval pentagon：A new comple⁃mentary tool for the interpretation of dissolved gas analy⁃sis in transformers[J].IEEE Electrical Insulation Maga⁃zine，2014，30（6）：9-12.

[14]Rogers R R.IEEE and IEC codes to interpret incipient faults in transformers using gas-in-oil analysis[J].IEEE Trans on Electrical Insulation，1978，13（5）：349-354.

[15]Lee Soo-jin，Kim Young-min，Seo Hwang-dong，et al.New methods of DGA diagnosis using IEC TC 10 and related databases part 2：Application of relative content of fault gases[J].IEEE Trans on Dielectrics and Electrical Insula⁃tion，2013，20（2）：691-696.

[16]郑蕊蕊，赵继，赵婷婷，等（Zheng Ruirui，Zhao Ji，Zhao Tingting，et al）.基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断（Power transformer fault di⁃agnosis based on genetic support vector machine and grey artificial immune algorithm）[J].中国电机工程学报（Pro⁃ceedings of the CSEE），2011，31（7）：56-63.

一方面，大量显性或隐性的财税优惠政策使得化肥厂商在资源使用和能源消耗等要素投入方面成本都较为低廉，化肥生产真实成本被压低，经营利润严重“虚高”。另一方面，财税优惠政策与其他优惠政策如融资政策、土地政策等共同配合，形成一整套化肥产业扶持政策，释放出强有力的投资导向作用。企业生产经营的风险被低估，投资扩张的动力得以强化，市场规则失效。市场配置资源的功能被阻碍，化肥产业链上下游关系脱节，微观市场无法通过价格信号实现优胜劣汰的产业升级和行业净化，反而极大地扭曲了企业的行为。整个行业存在着较为严重的产能过剩，致使化肥产业结构失衡，创新不足且生产率低下，化肥中低端产品严重过剩。

[17]熊国江，石东源，朱林，等（Xiong Guojiang，Shi Dongyu⁃an，Zhu Lin，et al）.基于径向基函数神经网络的电网模糊元胞故障诊断（Fuzzy cellular fault diagnosis of power grids based on radial basis function neural network）[J].电力系统自动化（Automation of Electric Power Systems），2014，38（5）：59-65.

[18]Abu-Siada A，Hmood S，Islam S.A new fuzzy logic ap⁃proach for consistent interpretation of dissolved gas-in-oil analysis[J].IEEE Trans on Dielectrics and Electrical Insu⁃lation，2013，20（6）：2343-2349.

[19]郭创新，朱承治，张琳，等（Guo Chuangxin，Zhu Cheng⁃zhi，Zhang Lin，et al）.应用多分类多核学习支持向量机的变压器故障诊断方法（A fault diagnosis method for power transformer based on multiclass multiple-kernel learning support vector machine）[J].中国电机工程学报（Proceedings of the CSEE），2010，30（13）：128-134.

[20]郑含博，王伟，李晓纲，等（Zheng Hanbo，Wang Wei，Li Xiaogang，et al）.基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法（Fault diagnosis method of power transformers using multi-class LS-SVM and improved PSO）[J].高电压技术（High Volt⁃age Engineering），2014，40（11）：3424-3429.

[21]朱永利，尹金良（Zhu Yongli，Yin Jinliang）.组合核相关向量机在电力变压器故障诊断中的应用研究（Study on application of multi-kernel learning relevance vector ma⁃chines in fault diagnosis of power transformers）[J].中国电机工程学报（Proceedings of the CSEE），2013，33（22）：68-74.

[22]Tipping M E.Sparse Bayesian learning and the relevance vector machine[J].Journal of Machine Learning Research，2001，1（3）：211-244.

[23]Khan S A，Equbal M D，Islam T.A comprehensive compar⁃ative study of DGA based transformer fault diagnosis us⁃ing fuzzy logic and ANFIS models[J].IEEE Trans on Di⁃electrics and Electrical Insulation，2015，22（1）：590-596.