基于SOM人工神經網絡變壓器故障診斷

張文輝+彭戰奎

摘要：利用神經網絡的非線性映射，以及高度的自組織和自學習能力，經SOM網絡應用于變壓器的故障診斷。通過SOM神經網絡對輸入樣本進行“聚類”，實現對故障模式的自動分類。根據所取得的故障信息及其對應的故障類型來構造網絡結構，用單一故障樣本對網絡進行訓練，根據輸出神經元在輸出層的位置對故障進行判斷。通過仿真實驗驗證了SOM神經網絡在變壓器故障診斷的正確性。經實例分析證明，該方法可對故障進行有效診斷。

關鍵詞：變壓器；故障診斷；神經網絡；SOM

1 前言

由于SOM人工神經網絡具有網絡結構簡單、自組織自學習力強和學習速度快等優點，本文將采用SOM人工神經網絡來診斷變壓器故障[1]。

2 SOM人工神經網絡結學習算法

（1）初始化

對輸出層各權向量賦予較小的隨機數并進行歸一化處理。

（2）接受輸入

從訓練集中隨機取一輸入模式并進行歸一化處理。

（3）尋找獲勝節點

計算 和 的點積，從中找到最大的獲勝節點 。

（4）定義優勝鄰域

設 為中心確定t時間的權值調整域，訓練過程中 隨訓練時間收縮。

（5）調整權值

對優勝鄰域 內的所有節點調整權值。

（6）結束判定

當學習率 時，結束訓練；不滿足結束條件時，轉到步驟2繼續[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行學習，學習完成后，對輸出獲勝的神經元標上該故障的標記：

（3）把需要檢測的樣本輸入到SOM網絡中進行學習；

（4）把待檢測樣本輸出神經元的位置和標準輸出的位置進行比較，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樣本數據的建立

在用SOM網絡訓練的過程中，選取每種故障類型下的第一組數據組成訓練樣本，見文獻[3]-[4]中數據；利用第二組數據進行仿真驗證，見表2。

在SOM網絡中，根據訓練的樣本可以看出，輸入神經元的個數為5個，競爭層的神經與那個數為9×9=81個。

網絡設置好以后對網絡開始進行訓練。

yc =

30 33 31 12 2 19

yc所展示的是36個神經元中獲勝神經元的位置。

根據對SOM分類結果可以看出，SOM將電力變壓器的故障類型分成了6類。接下來利用表2中的數據驗證SOM神經網絡的正確性。結果如下所示：

yc =

30 33 31 12 3 20

4 結束語

SOM神經網絡是前饋神經網絡，是一種競爭式學習網絡，在學習中能無監督地進行自組織學習[5]。SOM神經網絡不但能夠對輸入向量進行模式識別和區域分類，還研究輸入向量的分布特性和拓撲結構。本文提出關基于SOM電力變壓器的故障診斷的方法，運用此模型建立診斷模型，訓練過程中不斷調整訓練次數，診斷結果表明SOM神經網絡可以對電力變壓器的故障做出正確的區域劃分，進一步可以說明SOM神經網絡在電力變壓器故障診斷的有效性和實用性。

參考文獻：

[1]丁曉群，LIN，林鐘云.神經網絡應用于電力變壓器故障診斷[J].電力系統自動化.2001（1）：76-78.

[2]徐文，王大忠，周澤群，等.結合遺傳算法的人工神經網絡在電力變壓器故障診斷中的應用[J].中國電機工程學報.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用[J].高電壓技術.2005（3）：35-37.

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

[5]大奇，史慧.人工神經網絡原理及應用[M].北京：科學出版社，2006（3）：67-70.[M].北京：科學出版社，2003（11）：66-69.endprint