基于模糊關系與自組織競爭網絡的變壓器故障診斷

張旭

摘? 要：縱觀現階段變壓器故障診斷的相關研究，發現傳統的診斷方式存在著諸多的弊端，對比于人工智能網絡診斷方法來說，其發揮出的作用并不明顯。基于人工智能網絡診斷方法的研究，構建自組織競爭網絡模型，在此基礎上的電力變壓器故障診斷方法更加的科學。基于此，文章將重點闡述模糊關系與自組織競爭網絡的變壓器故障診斷。

關鍵詞：模糊關系;自組織競爭網絡;變壓器故障;診斷方式

中圖分類號：TP391? ? ? ? ?文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）08-0059-02

Abstract： Throughout the relevant research of transformer fault diagnosis at the present stage， it is found that the traditional diagnosis method has many disadvantages， compared with the artificial intelligence network diagnosis method， its role is not obvious. Based on the research of artificial intelligence network diagnosis method， the self-organizing competitive network model is constructed， and the power transformer fault diagnosis method is more scientific. Based on this， this paper will focus on the transformer fault diagnosis based on fuzzy relation and self-organizing competitive network.

Keywords： fuzzy relation; self-organizing competitive network; transformer fault; diagnosis mode

為了更好的實現對變壓器故障的合理分析，需要結合智能化技術的應用趨勢，分析實時在線診斷和高可靠性診斷的實踐價值[1]。依照變壓器故障狀態的等級劃分和特征參數分析，在存在著諸多不確定性問題的基礎上，借助于模糊理論中的隸屬度函數實現對故障特征數據的合理化判斷，可以獲取更為可靠地故障類型分析，同時還能進一步總結故障數據的模糊關系。依照國家電網互聯目標的實施情況，分析當前龐大的智能互聯網在變電、輸電及配電環境中扮演的重要角色，擬定科學的故障診斷方法，促使變壓器始終保持在相對穩定的運行狀態，給電網建設提供有效的支撐[2]。

1 變壓器故障診斷模型分析

油中溶解氣體分析法屬于一種較為可靠的變壓器故障診斷方法，屬于電力變壓器故障現場診斷較為直接的手段。但是在實際運用這種方法的過程中，反映出采集精確性不高、穩定性不強的問題，并且氣相色譜柱無法迎合相對復雜的現場環境的需要。分析電力變壓器故障識別體現出較為明顯的模糊性，現階段傳統的油中溶解性氣體故障診斷方式無法更好的反映變壓器出現的故障種類及征兆存在的對應關系，可見其存在著弊端[3]。為了讓非線性映射關系充分的反映出來，神經網絡這類存在著自組織以及自學習能力的強大工具被合理的運用至具體的工作實踐中。為了更好的解讀電力變壓器故障的基本情況，同時明確故障診斷的基本技術，主張在模糊理論的基礎上，將其和自組織競爭神經網絡建立起密切的聯系，將其合理的運用至電力變壓器故障識別工作中，由此對變壓器故障的診斷精度提供可靠地保障[4]。

2 基于模糊理論和關系的變壓器故障數據處理

電力變壓器油中多種溶解性的故障特征氣體存在著復雜的成分，同時還需要明確基本的含量問題，其與變壓器的故障性質和嚴重的程度等存在著極為密切的關聯，數學上也反映出諸多的映射關系。應該考慮的問題是電力變壓器的故障存在著相應的產氣機理，其存在著極為明顯的特征，較為復雜且細化，油中氣體的含量實際的分布情況無法通過相對簡易的手段加以推測。受到不同運行環境的影響，電力變壓器故障氣體的組分以及相應的濃度等，往往可以彰顯出較為明顯的復雜特征，其中的映射問題也是一個非常重要的方面，所以依照特定環境下變壓器的故障數據難以將故障的基本特征和類型之間的關系加以判斷。基于上述的相關問題，對電力變壓器故障診斷實踐實際統計的故障樣本做出合理的判斷，具體的故障種類對應的溶解特征氣體具體的隸屬度值向量差異顯著。也就是說在電力變壓器的故障確定之后，不同特征的氣體中存有三種以上的氣體濃度關系密切，若是對這些氣體的濃度進行合理科學的處理，可以獲取對應的隸屬度值，而五種特征氣體隸屬度值便使得變壓器的故障特征輸入向量得以獲取。

3 自組織競爭網絡結構的概述

這種神經元網絡屬于相對獨立的一種網絡結構，其主要是一種單層網絡，對應的輸入和輸出節點之間始終建立著極為顯著的完全互聯模式，同時構建起對應的完全互聯模式體系[5]。網絡在學習中的競爭特性得以充分的表現，具體反映在輸出層上，因此可以通過基本的輸出過程彰顯出基本的特點，在競爭網絡中將輸出層稱作競爭層，其擔負著至關重要的職責，突出一種競爭關系，對比于輸入節點相連的權值和輸入，主要被稱之為輸入層。自組織競爭網絡中涵蓋著輸入層和競爭層，兩者之間的關系十分的密切，同時還反映出對應的競爭模式。依照競爭的規則，競爭層中所涉及到的神經元體現出最大加權值的神經元取得最終的勝利，輸出的權值則是依照權值的公式進行合理的調整。權值調整公式中往往涉及到不同的項，若是其中一項是1的時候，權值則會增加;若是存在著0時，則權值會逐漸的減小。在網絡競爭層中，不同的神經元競爭針對于輸入模式的響應機會表現的較為突出，而反映出的成果也證實了具體的工作模式，最后僅有一個神經元能夠成為競爭中的獲勝方，這個獲勝的神經元也就是最終模式需要輸出的結果。

4 基于模糊關系與自組織競爭網絡的變壓器故障診斷

4.1 網絡學習的訓練實踐

依照上述相關步驟實際分析的基本情況，了解到收集到的不同電力變壓器故障種類及無故障種類的相關樣本數據，在對獲取的基本信息進行了模糊處理后，獲取了對應的故障數據樣本向量，為后續相關任務的開展奠定了可靠的基礎。通過將實施了對應處理后的變壓器故障樣本向量合理的輸入至已經構建起的神經網絡模型之中，使得相應的神經網絡模型關注到相關樣本的實際狀態，在對其進行合理的分析后，借助于MATLAB仿真軟件進行科學的學習訓練。整個訓練的過程會涉及到部分細節性的問題，考慮到自組織競爭神經網絡的特殊性，明確其本身就是一種無監督、自學習的網絡模式，同時還能實現無預期的輸出，屬于融合了人工智能技術的網絡。這種模型在實際學習的時候，不需要對訓練停止的有效誤差項進行設置，僅僅需要對模型訓練的相關次數予以明確即可。在設定這種模型訓練循環迭代次數的時候，應該將其控制在200次為最佳，學習的速率需要適當的設置于0.1，當這種網絡的學習訓練在模型達到了最大循環迭代次數的時候即可停止。經過對學習訓練的數據及時的輸出，分析相關的結果和原始樣本的分類結果情況，在相互對比的過程中，發現網絡分類結果處于吻合的狀態。

4.2 故障的具體實踐測試

在變電站的電力變壓器故障數據的相關記錄中，能夠清楚的了解到分析的主體，隨機的選出對應的變壓器故障種類和無故障種類，將其適當的組合，使其成為100組故障特征輸入向量，將其作為主要的分析對象，同時根據其實際的情況做出合理的判斷[6]。將其適當的導入至自組織競爭神經網絡模型中，之后落實相應的變壓器故障診斷工作，將獲取的結果做出科學的判斷和分析，使其與變壓器故障數據加以分析，前提是確保相關的數據未經模糊關系的處理，還是通過直接的構成特征向量完成了有效的導入，適時的導入至自組織精神網絡模型的診斷過程中，促使診斷的結果能夠及時的完成對比分析，讓實際的故障診斷對比結果更加的直觀且真實。經過合理的統計與對比，在模糊理論的影響下，借助于模糊關系的處理方式，使得變壓器故障數據被自組織競爭網絡進行合理科學的判斷，正確的劃分出不同的類型，分類診斷結果和實際故障的結果呈現出相對吻合的狀態，處于完全吻合的模式之下，但是沒有經過模糊關系處理的變壓器故障數據，通過借助于自組織競爭網絡的作用，使其劃分出三種類型，反映出故障診斷錯誤的問題，這對于故障的實際結果不相符。可見在具體的實踐中，還是應該重視理論和實踐的相互結合，只有兩者密切聯系，才能保證結果符合實際的情況，給相關工作的開展提供有效的參考依據。

5 結束語

借助于自組織競爭神經網絡實際存在的自組織以及自學習特征，可以在開展相關工作的時候，積極的將相關的特征利用起來，保證對電力變壓器故障及時的判定，實現實時在線診斷的目標，這將富有現實意義。借助于模糊理論中隸屬度函數知識，變壓器的故障種類以及相應的故障特征等表現出極為顯著的含量模糊關系，為建立在自組織競爭網絡上的變壓器故障診斷提供了合理的數據預處理機會，確保含有故障特征氣體含量值充分反映出來，同時又能充分的映射至特定的區間中，構成方便網絡識別和判斷的輸入數據。就是因為相關實踐方案的存在，使得自組織競爭網絡本身存有的弊端加以規避，在具體運用的時候，避免了無規律、突變冗余的變壓器故障數據問題，這對于完成電力變壓器的故障在線診斷目標有著較大的幫助，并且反映出極為理想的可靠性識別成效。

參考文獻：

[1]葛燕燕，李鑫，馮爍，等.基于熵權模糊綜合評價模型的多層疊置含煤層氣系統合層排采水源判別[J].煤炭技術，2019，38（12）：73-75.

[2]劉存香，劉學軍，莫韋花.多序關系分析——模糊綜合評價法在轎車電液制動系統方案評判中的應用[J].機電工程，2019，36（10）：1089-1093.

[3]馬海龍.基于多信息融合的刮板輸送機減速機模糊故障診斷專家系統[J].煤礦機械，2019，40（09）：174-176.

[4]薛敏，史軒亞，杜義飛.企業關鍵主體二元網絡關系對其能力進階的影響——基于模糊集定性比較分析[J].技術經濟，2019，38（05）：21-28.

[5]黃柯，熊清泉.Addition-Max合成模糊關系不等式系統的極大解[J].模糊系統與數學，2018，32（06）：106-116.

[6]朱天翔，林海濤，楊曉鵬.約束條件為加法-取小模糊關系系統的帶權min-max規劃[J].運籌與管理，2018，27（10）：97-101.