改進SOM神經網絡在電力調度故障診斷中的應用①

劉兆煒, 王漢軍, 李 丹, 周心圓

1(中國科學院 沈陽計算技術研究所,沈陽 110168)

2(中國科學院大學,北京 100049)

3(國家電網公司東北分部,沈陽 110180)

4(吉林大學 計算機科學與技術學院,長春 130000)

現階段隨著社會的飛速發展,無論是個人、集體,對電的使用需求也同樣旺盛. 為了保障用戶的正常和安全用電,除了在供電方做好必備工作外,在電力調度中也必須保證連貫性和可靠性. 所以,依托于某電力調控分中心,在系統基礎平臺之上,建設了電力調度自動化資源系統管理平臺. 該平臺充分利用了物聯網、無線網絡和三維建模等先進技術,采用分布式分區結構,具有一定的自動化工藝水平. 但是在實際中,故障發生的概率相對較高,而且在發生故障時,由于結構的復雜性,難以對系統結構、功能和狀態等進行有效的描述,因而給故障診斷工作帶來了很大的負擔.

近年來,隨著模式識別和神經網絡理論的引入,給以上工作帶來了不同于以往的技術思路. 但在實際電力調度系統運行過程中,要想獲得全部故障類型及故障位置幾乎不可能,因為現實發生的故障不會把所有的故障類型全部一一覆蓋,而且對系統進行故障檢測的目的就是在未發生故障前就采取措施來挽回不必要的損失. 如果電力調度系統已經出現故障,再加以故障分析和預測,意義就不大了.

假設要對電力調度自動化系統進行狀態監測和故障診斷,但現在只有該系統在正常運轉,未出現異常情況. 為了檢測到該系統未來可能會出現的故障,就需要用到神經網絡,來清楚分辨正常狀態和故障狀態的區別,下一步對發生故障的部位做細致的分析[1].

為解決上述的問題,可以采用SOM神經網絡.SOM神經網絡作為一典型的神經網絡,其特點尤為鮮明： 網絡兩端,即輸入端和輸出端上的變量充分考慮了實際生產中涉及因素較多等情況,其關系大多呈現非線性映射特性,網絡承載的信息呈分布式存儲,采用并行方式處理數據,并在全局集體應用,自主學習能力很強. 這些都促使SOM神經網絡成為輔助實際故障檢修不可缺少的方法. 為了讓SOM網絡訓練學習最后結果更為精確,本文結合LVQ網絡和SOM網絡構建了新的故障診斷模型,對SOM網絡中存在的初始權值具有不確定性和分類信息不足這兩點進行優化,有效解決了無監督SOM網絡在學習中存在分類信息不足的缺點. 在電力調度系統故障檢測中引入該模型,較大提高了系統檢測性能和精度.

1 SOM神經網絡基本原理

1.1 SOM神經網絡概述

SOM (Self-Organizing feature Map,自組織特征映射)神經網絡是一種無導師學習方法,具有良好的自組織、可視化等特性[2]. 在學習訓練時,采用“競爭”學習方式,每個輸入向量都能夠找到一個匹配的且距離最近的節點,稱為獲勝神經元(winning neuron). 隨后對其參數權值進行調整. 鑒于SOM網絡中的神經元間關系緊密這一特性,貫穿于整個權值調整過程中,這里采用函數的形式,把權值調整的規則形成權值調整函數,按照此規則函數對獲勝神經元周邊的神經元進行權值調整,在調整過程中需要考慮兩神經元間距離遠近這一因素. 隨著學習訓練的不斷進行,從開始得到一個獲勝神經元,到圍繞著獲勝神經元周邊與其相關的數據集合,最后形成一個具有鮮明特征的聚類集合[3].

1.2 SOM神經網絡結構

典型的SOM網絡結構如圖1所示. 在底層輸入層,神經元呈線性矩陣排列,這里神經元的個數是不固定的,具體有多少輸入神經元,需要看預備輸入到SOM網絡的向量數. 輸入神經元主要用于探測和接收網絡外部的輸入向量,在正式訓練前,將輸入向量根據某種特征進行排列分布,這充分說明SOM網絡具有的一個特殊的性能,即SOM可以選取輸入信號向量模式. 競爭層的神經元,則按照二維平面方式分布,輸入與輸出層的神經元通過權值連接在一起[4]. 當輸入層檢測到外部信號輸入時,類似于人的神經網絡,輸出層的某個神經元便會對輸入信號向量模式進行系統化的學習和訓練,找出規律將相似特征的向量數據聚合成集合.

圖1 二層結構的SOM神經網絡

1.3 SOM神經網絡學習算法[5-7]

(1)網絡初始化

初始化的變量有： 一是定義輸入神經元的個數,這里我們設置為m個; 二是定義輸入層與輸出層神經元的權值,并給予權值以初值,一般給予的初值都會較大,方便后續算法的學習和訓練.

(2)輸入向量的輸入層,同時對該樣本數據歸一化處理,得到,

(3)尋找獲勝神經元

SOM網絡算法的實質是通過前期的競爭,讓輸入

式中,wij(t)代表輸入層的i神經元和映射層的j神經元之間的權值. 在計算上述距離的過程中,找到距離最小時的神經元,即為獲勝神經元,記為j*.

(4)定義優勝鄰域

我們假設Nj*(t)為以j*為中心確定t時刻的權值調整域,這里,對于權值調整域形狀的選擇,這里選六邊形即可. 一般定義初始鄰域Nj*(0)較大,隨著SOM網絡訓練的進行,Nj*(t)領域范圍會不停向聚類中心靠攏,直至為0[8].

圖2 定義優勝鄰域過程

(5)權值的學習

SOM神經網絡是一種無監督的競爭型網絡. 在各神經元相互競爭的過程中,可以學習得到對輸入向量模式的分類結果,以此達到將具有相同特征的向量聚集在一起的目的. 但競爭層進行的分類絕大多數取決于輸入向量之間的距離,如果兩個不同類輸入向量之間的距離非常近,則在競爭層中就很有可能把他們歸為一類,這樣得到的聚類效果就會大打折扣. 在競爭層的設計中,若出現上述任意兩輸入向量距離過近情況,則對于他們是否屬于同一類并沒有嚴格區別[9]. 為了減少SOM網絡在這一方面的不足,這里我們使用LVQ(Learning Vector Quantization,學習向量量化)網絡學習這一將無監督、有監督和競爭學習思想結合的算法,在SOM網絡中神經元已經被標識為它們所代表的類型之后,每個訓練模式對應的獲勝神經元權值向量進行調整： 如果獲勝神經元與連接向量具有相同的類型標簽,則權值向量被調整接近連接向量. 相反地,如果獲勝神經元與連接向量具有不同類型標簽,那么權值向量被調整偏離被誤分類的連接向量,重復該過程,整個訓練集循環執行多次,實現對輸入向量模式的準確分類[10]. 這樣改進后的SOM神經算法將使得學習訓練的準確度有進一步的提升[11].

LVQ具體的網絡結構如圖3所示,LVQ競爭層是由若干組不同神經元構成,且每個神經元皆與輸出層神經元相連接[12,13],每個競爭層神經元指定一個子分類,輸出層中的每個神經元指定競爭層中的每一個子分類. 可以發現,LVQ比SOM網絡多了一個輸出層.由上述算法可知,根據式(1)計算歐式距離,得到相關數據,按距離數據搜索離它最近的兩個神經元,對于同類神經元采取拉攏,異類神經元采取排斥,這樣相對于只拉攏不排斥就能加快算法收斂的速度,最終得到數據的分布模式. 經LVQ網絡改造后的SOM結構簡單,通過神經元間的相互作用就可以完成復雜的分類處理.

圖3 LVQ神經網絡結構

在網絡訓練中,可以通過式(1)計算找出獲勝神經元,根據最后獲勝神經元具有的類型標簽與連接向量具有的類型標簽是否一致來調整優勝鄰域Nj*(t)內所有“鄰接神經元”的權值,若一致采用式(2)調整權值,否則采用式(3)進行計算[14].

式中,t為網絡在學習訓練上花費的時間,N代表鄰域內第j個神經元與獲勝神經元j*之間的拓撲距離,即為權值調整規則的函數形式. 該函數一般介于0～1之間,隨著時間(離散的訓練迭代次數)變長,和拓撲距離的增加逐漸下降到0,即調整的范圍和幅度越來越小,漸漸趨近于聚類中心,確保分類的準確性.

上述用LVQ對SOM網絡訓練改進的方法執行要構成一個循環往復的過程,以此來達到更為準確的分類結果,減少在訓練集中誤分類數量. 同時,跟SOM相比,LVQ是一個有監督的學習過程,即要實現明確訓練集中訓練模式的標簽. 但在用LVQ改進前,SOM網絡依然以無監督學習方式來訓練確定權值.

(6)結束訓練學習(2),進入下一輪學習.

2 基于改進SOM網絡故障診斷模型

由上述改進后SOM神經網絡結構和學習方法可知,對應于不同的故障就會對應于不同處理方法,然而一個完整的電力調度自動化系統是由多個子系統組成,當不同的系統出現不同的問題時,這就可以應用SOM神經網絡將先前歷史故障數據聚集到一起,經過仿真之后,確定某種故障屬于預先設定好的第幾種故障,從而達到修理目的[3].

將SOM神經網絡應用于電力調度自動化系統故障檢測診斷的模型如圖4所示.

首先,初始化后根據原始數據樣本,選取故障特征,組成故障樣本庫,作為輸入向量輸入到網絡的輸入層;接著運行程序,確定好輸入故障特性后,在初始化SOM神經網絡中,學習訓練每一個輸入量. 待訓練結束后,從輸出層中找出最大神經元,并把它規定為標準故障. 隨后讓SOM網絡接收待檢測的數據,利用經LVQ網絡改進后的SOM網絡對輸入與競爭神經元間的權值向量進行調整,并按照標準故障類型進行分類.最后對分類結果分析,比較競爭層中在訓練和測試結果中神經元的位置,若前后兩個位置是相同的,說明待檢測樣本屬于該標準故障[15]. 若不相同,則此樣本介于幾種標準故障樣本的位置之間,相似度與其測試位置距離相應標準位置的歐式距離有關[16],需要使用改進的SOM網絡進一步的優化.

圖4 電力調度自動化系統故障檢測模型

3 實驗構建和分析結果

為了驗證上述故障診斷模型是否有效,本文采用了某電力調控分中心提供的故障樣本數據集. 該電力調度自動化系統資源管理平臺的業務重點主要集中在機房IT設備及系統運維管理、機房檔案資料綜合管理、機房資源管理、機房運行狀態監測及告警管理、機房環境監測數據集成管理等方面. 其中,在狀態監測中,監測的數據較為全面,比如針對服務器,監測數據如表1所示.

3.1 建立故障樣本庫

利用在表1介紹的服務器常見監測數據,在此時間T1～T8提取的樣本數據集共有8個故障樣本,每個故障樣本中有8個特征,分別是P1(網口)、P2(電源)、P3(內存)、P4(硬盤)、P5(CPU)、P6(溫度)、P7(風扇)、P8(應用進程),使用SOM神經網絡進行故障診斷. 所有數據均為歸一化后的結果,如表2所示.

表1 服務器常見監測數據

3.2 實驗設備和條件

本實驗的硬件平臺： 操作系統為Windows 8.1專業版,CPU為英特爾酷睿TMi3-4030U,1.90 GHz,內存4 GB,硬盤150 GB,軟件平臺為MATLAB R2016a.

在本實驗中,我們使用MATLAB語言來創建SOM神經網絡并用數據在網絡中學習訓練.MATLAB為我們提供了豐富的工具函數[17],本實驗用到的工具函數如表3所示.

表2 歸一化后故障庫提取的故障特征

表3 本實驗所用的MATLAB工具函數

3.3 實驗結果和分析

在實驗中,由表2中的歸一化數據,通過改變訓練步數來逐漸提升訓練精度. 首先采用SOM神經網絡對其進行網絡診斷的結果如表4所示,接著采用改進的SOM網絡再進行一次實驗,實驗結果如表5所示.

表4 使用SOM網絡的分類結果

表5 使用改進的SOM網絡的分類結果

通過表4數據表明,在改進前,使用SOM網絡正常訓練學習,當進一步提升訓練強度,可以發現,若訓練步數調整到200,每一類訓練樣本都劃分成一類故障,這樣就可以顯而易見地觀察到分類效果了. 當訓練步數在200以上再提升時,樣本劃分的結果是一樣的,所以可以推斷若進一步提高訓練步數,不僅不會提高精確度,反而降低了學習速度. 但和表5數據對比,可以發現,在用LVQ網絡改進SOM算法后,聚類效果也是有了顯著的提升. 在表5中,隨著訓練步數的增加,分類的結果開始向第一類故障P1聚集. 最后經改進的SOM網絡將未知的故障樣本分到了第一類故障中. 可以看出經LVQ改進的SOM神經網絡的效果比SOM網絡要好,這也表明LVQ神經網絡用于故障檢測是有效的.

在這里設置競爭層神經元有6*6=36個神經元. 圖5和圖6為SOM網絡改進前后訓練臨近神經元之間的距離情況,在圖中,紫色六邊形代表神經元,紅線表示各神經元間存在的一定連接,每個四邊形中的顏色表示神經元間相距的遠近程度,顏色由淺入深,說明神經元間由近致遠. 由圖可以看到,圖6相比于圖5,淺色所占的比例更大,且更為集中,說明神經元間的聚合程度比改進前有了較大的提高,在電力調度系統故障檢測中,可以充分利用此方法,更為精確地明確故障原因,排除其他故障.

圖5 SOM網絡臨近神經元間的距離

圖6 改進SOM網絡臨近神經元間的距離

各神經元在經過改進SOM網絡訓練前后,最后得出的分類情況如圖7和圖8所示,紫色六邊形表示在競爭獲得勝利的神經元,每一個獲勝的神經元代表著一類具體的故障. 由分類情況可以發現,改進前各故障之間分布相對集中,尤其在圖7中,左下角的部分兩個神經元彼此相鄰,這兩種故障的界定就不是很明顯,在診斷時容易誤診,因此需要進一步的診斷. 但在改進SOM后,各神經元之間分布相對分散,對故障比改進前有了更為精確的分類.

圖7 SOM網絡各神經元的分類情況

圖8 改進SOM網絡各神經元的分類情況

4 結束語

本文在分析SOM神經網絡原理基礎上,圍繞著電力調度自動化系統的故障檢測問題,利用LVQ網絡和SOM網絡,初步設計實現了改進SOM神經網絡的故障檢測模型,并利用數據進行了仿真實驗. 結果表明,改進SOM神經網絡算法可以初步解決電力系統故障診斷問題,故障檢測能力也優于SOM網絡,在實際生產實踐中有著重要的現實意義. 雖然本文對SOM作出了一些實效性的改進,但對于SOM算法本身,仍然發現了一些不足,比如關于學習速度和最終權值向量的穩定性,SOM算法不能兼顧兩者等問題. 這將是要在下一步需要努力攻克的. 當然,在本文實驗中,實驗環境等其他一些忽略的故障因素等問題,也是今后要考慮解決的.

1謝天才,張玉娟,楊宏剛. SOM神經網絡在風力發電機組故障診斷中的應用. 電子技術與軟件工程,2016,(10)：30-32.

2彭紅毅,蔣春福,朱思銘. 一種改進的高維數據可視化模型. 計算機科學,2007,34(4)： 175-178.

3高飛. 基于計算智能技術的精益物流信息化平臺的研究與實現[碩士學位論文]. 杭州： 浙江理工大學,2016.

4周晶,余家祥,司南,等. 基于SOM神經網絡的航舵故障分類方法. 信息與電子工程,2012,10(3)： 339-342.

5張靜. 基于SOM的變壓器故障診斷研究. 電力學報,2014,29(4)： 318-321.

6印洪浩,彭中波. 船用離心泵故障SOM網絡診斷方法. 中國航海,2012,35(2)： 24-28.

7王小川,史峰,郁磊,等. Matlab神經網絡43個案例分析.北京： 北京航空航天大學出版社,2013： 8.

8王智勇. 基于統計降維和Kohonen網絡的文本聚類和分類研究[碩士學位論文]. 天津： 天津大學,2005.

9周豫蘋,鄭荔萍. 基于LVQ算法的SOM神經網絡在入侵檢測系統中的應用. 電腦與信息技術,2009,17(6)： 1-3.

10劉文軒,嚴鳳,田霖,等. 基于LVQ神經網絡的配電網故障定位方法. 電力系統保護與控制,2012,40(5)： 90-95. [doi：10.7667/j.issn.1674-3415.2012.05.017]

11夏飛,羅志疆,張浩,等. 混合神經網絡在變壓器故障診斷中的應用. 電子測量與儀器學報,2017,31(1)： 118-124.

12Martín-Valdivia MT,Ure?a-López LA,García-Vega M. The learning vector quantization algorithm applied to automatic text classification tasks. Neural Networks,2007,20(6)：748-756. [doi： 10.1016/j.neunet.2006.12.005]

13Nayef BH,Sahran S,Hussain RI,et al. Brain imaging classification based on learning vector quantization.Proceedings of the 1st International Conference on Communications,Signal Processing,and Their Applications.Sharjah,Sharjah. 2013. 1-6.

14朱玉斌,李華聰. 基于LVQ網絡的航空發動機氣路故障特征提取方法研究. 測控技術,2014,33(6)： 24-27.

15董文龍. 基于性能特征和故障征兆的數控機床故障診斷方法[碩士學位論文]. 武漢： 華中科技大學,2013.

16馬旭凱,谷立臣,李世龍. 基于SOM神經網絡的柴油機故障診斷. 機械制造與研究,2009,38(2)： 81-83.

17董長虹. Matlab神經網絡與應用. 北京： 國防工業出版社,2007.