关于新型融合的变压器网从下面几点对其解说:

1模糊神经网络

2模糊积分数据融合

本文中变压器有9种故障状态，分别为：无故障；低能量密度的局部放电；高能量密度的局部放电；0低能量放电；1高能量放电；2<1503C的热故障；41503003C的低温过热故障；53007003C中温过热故障；6>7003C的高温过热故障。

根据训练好的神经网络，分别进行不同故障样本的识别，记录下每个神经网络分类器对各个故障的正确识别率作为该分类器对各个故障分类器的信息重要程度。在神经网络分类器进行故障诊断时，采用max算子运算，完成局部决策；在完成模糊融合决策时也采用max算子，将最大值作为最终故障诊断结果。诊断步骤如下：根据各个神经网络对不同故障的诊断准确率确定模糊密度值gi，且根据各个神经网络的实际输出通过max运算完成局部决策，计算出fk；由公式（2）计算出；由公式（5）计算出g模糊测度；0根据（4）式计算出最终的模糊积分结果，将融合结果作为诊断输出。

3仿真研究

三个输入分别为C2H2/C2H4，CH4/H2和C2H4/C2H6，取每种故障样本60个，分4组，每组15个样本对4个RBF网络进行识别检验来确定每个神经网络对每个故障的正确识别率，即每个神经网络的置信度，也就是用于模糊积分融合的模糊密度值。本文从训练以外的样本中选出18组故障样本进行仿真分析。

从仿真分析可看出无论各个神经网络的局部决策是否一致，均可做到对变压器各种故障的正确识别，融合结果的好坏与各模糊神经网络的局部决策的输出有密切关系，且与各神经网络的置信度有关，置信度越高其融合效果越好。样本7、12在4个神经网络的输出上看存在3种故障，通过模糊积分融合处理后得到了与实际情况相对应的故障。

4结论

提出了基于模糊积分融合技术的变压器故障识别方法。模糊径向基函数神经网络对故障进行初步识别；模糊积分融合在充分考虑各个模糊神经网络分类器输出信息重要程度的基础上进行决策层融合。该方法的结构体系决定了它具有一定的容错性，降低了故障误诊的风险，具有广阔的应用前景。