基于SOM人工神經(jīng)網(wǎng)絡(luò)變壓器故障診斷

張文輝+彭戰(zhàn)奎

摘要：利用神經(jīng)網(wǎng)絡(luò)的非線性映射，以及高度的自組織和自學(xué)習(xí)能力，經(jīng)SOM網(wǎng)絡(luò)應(yīng)用于變壓器的故障診斷。通過SOM神經(jīng)網(wǎng)絡(luò)對輸入樣本進(jìn)行“聚類”，實現(xiàn)對故障模式的自動分類。根據(jù)所取得的故障信息及其對應(yīng)的故障類型來構(gòu)造網(wǎng)絡(luò)結(jié)構(gòu)，用單一故障樣本對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，根據(jù)輸出神經(jīng)元在輸出層的位置對故障進(jìn)行判斷。通過仿真實驗驗證了SOM神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷的正確性。經(jīng)實例分析證明，該方法可對故障進(jìn)行有效診斷。

關(guān)鍵詞：變壓器；故障診斷；神經(jīng)網(wǎng)絡(luò)；SOM

1 前言

由于SOM人工神經(jīng)網(wǎng)絡(luò)具有網(wǎng)絡(luò)結(jié)構(gòu)簡單、自組織自學(xué)習(xí)力強(qiáng)和學(xué)習(xí)速度快等優(yōu)點(diǎn)，本文將采用SOM人工神經(jīng)網(wǎng)絡(luò)來診斷變壓器故障[1]。

2 SOM人工神經(jīng)網(wǎng)絡(luò)結(jié)學(xué)習(xí)算法

（1）初始化

對輸出層各權(quán)向量賦予較小的隨機(jī)數(shù)并進(jìn)行歸一化處理。

（2）接受輸入

從訓(xùn)練集中隨機(jī)取一輸入模式并進(jìn)行歸一化處理。

（3）尋找獲勝節(jié)點(diǎn)

計算 和 的點(diǎn)積，從中找到最大的獲勝節(jié)點(diǎn) 。

（4）定義優(yōu)勝鄰域

設(shè) 為中心確定t時間的權(quán)值調(diào)整域，訓(xùn)練過程中 隨訓(xùn)練時間收縮。

（5）調(diào)整權(quán)值

對優(yōu)勝鄰域 內(nèi)的所有節(jié)點(diǎn)調(diào)整權(quán)值。

（6）結(jié)束判定

當(dāng)學(xué)習(xí)率 時，結(jié)束訓(xùn)練；不滿足結(jié)束條件時，轉(zhuǎn)到步驟2繼續(xù)[6]

3 基于SOM模型的電力變壓器故障診斷

3.1電力變壓器常見的故障類型及診斷步驟

經(jīng)過大量的實地觀察，電力變壓器的故障類型主要有：（1）p1無故障（2）p2高溫過熱；（3）p3低能量放電；（4）p4高能量放電；（5）p5中低溫過熱；（6）p6高能量放電兼過熱[2]

對變壓器進(jìn)行故障診斷的步驟如下四步：

（1）選取具有典型特征的故障樣本；

（2）對具有典型特征的故障樣本進(jìn)行學(xué)習(xí)，學(xué)習(xí)完成后，對輸出獲勝的神經(jīng)元標(biāo)上該故障的標(biāo)記：

（3）把需要檢測的樣本輸入到SOM網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)；

（4）把待檢測樣本輸出神經(jīng)元的位置和標(biāo)準(zhǔn)輸出的位置進(jìn)行比較，和哪種樣本的輸出位置相同，說明待檢測的樣本就是那種故障。

3.2樣本數(shù)據(jù)的建立

在用SOM網(wǎng)絡(luò)訓(xùn)練的過程中，選取每種故障類型下的第一組數(shù)據(jù)組成訓(xùn)練樣本，見文獻(xiàn)[3]-[4]中數(shù)據(jù)；利用第二組數(shù)據(jù)進(jìn)行仿真驗證，見表2。

在SOM網(wǎng)絡(luò)中，根據(jù)訓(xùn)練的樣本可以看出，輸入神經(jīng)元的個數(shù)為5個，競爭層的神經(jīng)與那個數(shù)為9×9=81個。

網(wǎng)絡(luò)設(shè)置好以后對網(wǎng)絡(luò)開始進(jìn)行訓(xùn)練。

yc =

30 33 31 12 2 19

yc所展示的是36個神經(jīng)元中獲勝神經(jīng)元的位置。

根據(jù)對SOM分類結(jié)果可以看出，SOM將電力變壓器的故障類型分成了6類。接下來利用表2中的數(shù)據(jù)驗證SOM神經(jīng)網(wǎng)絡(luò)的正確性。結(jié)果如下所示：

yc =

30 33 31 12 3 20

4 結(jié)束語

SOM神經(jīng)網(wǎng)絡(luò)是前饋神經(jīng)網(wǎng)絡(luò)，是一種競爭式學(xué)習(xí)網(wǎng)絡(luò)，在學(xué)習(xí)中能無監(jiān)督地進(jìn)行自組織學(xué)習(xí)[5]。SOM神經(jīng)網(wǎng)絡(luò)不但能夠?qū)斎胂蛄窟M(jìn)行模式識別和區(qū)域分類，還研究輸入向量的分布特性和拓?fù)浣Y(jié)構(gòu)。本文提出關(guān)基于SOM電力變壓器的故障診斷的方法，運(yùn)用此模型建立診斷模型，訓(xùn)練過程中不斷調(diào)整訓(xùn)練次數(shù)，診斷結(jié)果表明SOM神經(jīng)網(wǎng)絡(luò)可以對電力變壓器的故障做出正確的區(qū)域劃分，進(jìn)一步可以說明SOM神經(jīng)網(wǎng)絡(luò)在電力變壓器故障診斷的有效性和實用性。

參考文獻(xiàn)：

[1]丁曉群，LIN，林鐘云.神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力變壓器故障診斷[J].電力系統(tǒng)自動化.2001（1）：76-78.

[2]徐文，王大忠，周澤群，等.結(jié)合遺傳算法的人工神經(jīng)網(wǎng)絡(luò)在電力變壓器故障診斷中的應(yīng)用[J].中國電機(jī)工程學(xué)報.1998（3）：21-23.

[3]王少芳，蔡金錠.GA-BP混合算法在變壓器色譜診斷中的應(yīng)用[J].高電壓技術(shù).2005（3）：35-37.

[4]王少芳，蔡金錠，劉慶珍.基于改進(jìn)GA-BP混合算法的電力變壓器故障診斷[J].電網(wǎng)技術(shù).2006（2）：13-17.

[5]大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京：科學(xué)出版社，2006（3）：67-70.[M].北京：科學(xué)出版社，2003（11）：66-69.endprint