混合神經網絡在變壓器故障診斷中的應用分析

摘要：本文首先詳細分析了混合神經網絡系統原理，并且以此作為基礎條件和核心因素，進一步總結出混合神經網絡應用策略。

關鍵詞：混合神經網絡;變壓器;故障診斷;系統原理

變壓器是一種用于電能轉換的重要電器設備，在工業生產中占據著舉足輕重的地位，它的可靠運行對維護電力系統的安全穩定具有重大意義，因此，對變壓器進行故障的早期預測、檢測是十分必要的。

一、混合神經網絡系統原理

（一）SOM神經網絡基礎原理

SOM神經網絡在建設過程中，最初由芬蘭提出了無監督神經網絡學習模式，此種學習模式將人腦相關的神經元基礎屬性應用至神經網絡結構中，并且經過多次、頻繁的訓練，完成和實現了對互聯網輸入模式的凝聚劃分。SOM神經網絡內部結構包含信息輸入階層以及系統競爭結構層兩種發展結構模式，其中信息輸入階層所產生的輸入節點與競爭結構層的神經元相互連接，為此需要使用連接權數值提高標識連接基礎強度。其中當傳輸信息量為T參數傳輸至網絡結構時，則需要按照標準公式針對輸入向量與競爭神經元之間計算標準距離，進而選找出距離最小的神經元參數。而使用其他參數公式則需要針對網絡神經元先關領域中所包含的神經權利數值系數進行調整和控制。

（二）PSO-SOM計算原則

PSO-SOM計算過程中，神經網絡與其他無監督凝聚類精算方式相比較，基礎收斂速度和效率極快并且學習過程更加精準，加上凝聚類計算結果的權利數值對于其初始分布影響相對較大，加上權利參數初始分布情況是隨機分布，所以越來越多技術人員將PSO計算方式與SOM計算方式相互結合，最終完善系統計算問題和不足[1]。

由于PSO參數計算方式主要計算原則和思想是以粒子最優化，進一步模擬鳥類覓食等相關行為，并且通過數據迭代記錄等管理方式不斷更新最佳參數信息，而每次信息更新迭代環節中，其粒子物質與該物質具體位置需要按照標準公式進行全面更新和完善。其中在隨機數據不斷更新和完善環節上，第i個粒子物質需要在第d維度上保證位置的標準性，粒子運轉速度需要在第i個粒子物質上現出第d維度上的個體極限數值，并且還需要在其他維度上展現出全局極限數值。除此之外，采用PSO算法優化SOM神經網絡的初始權值向量，優化得到的結果即為SOM網絡的最佳連接權值參數，以此為基礎構建SOM網絡并進行網絡訓練，實現樣本分類。

二、混合神經網絡應用策略

本次研究過程中，變壓設備可能產生的故障問題需要以設備運行現狀作為研究理論基礎條件，并且結合絕緣性氣體物質的核心含量開展深入探索，為此技術人員實際開展混合神經網絡研究時，應該根據物質不同參數，對無故障設備、中低溫、高熱量以及低熱量等相關互聯網種類進行詳細區分。其中0-1數值示所對應的運轉狀態產生概率，數值越接近1時，表示混合神經網絡處于異常狀態的可能性以及嚴重程度越大。所以本次實驗環境所使用的硬件平臺操作系統的CPU 為酷睿 2 雙核 E7500，2.93 GHz，內存4 GB，硬盤150 GB，而軟件系統的平臺則為MATLAB7.9.0，并且軟件運轉系統需要為Windows旗艦版。

其中整個實驗環節包含至少5個不同類型的小組數值和參數，其測試樣本則需要由至少22組信息數據共同構成，最終將整個實驗制作成訓練樣本之后輸入SOM、PSO-SOM神經網絡開展基礎訓練，隨后針對統一化的測試數據樣本進行互聯網故障問題診斷，進而相互比較至少3種不同類型的計算方式之間的實際性能，最終實現對變壓設備所產生故障問題進行全面診斷和分析[2]。

本次實驗基礎參數設置為了保證基礎可行性，其粒子個數為50，并且保證粒子之間的運動學習質量和效率為0.8，由于PSO計算方式與LVQ神經互聯網更新次數與頻率分別為50，100，所以輸入階層節點數量為5，并且實驗過程中所隱含的階層點數量為8，輸出階層節點為5。

針對變壓器故障診斷的訓練樣本數量進行統一化技術處理后，需要使用SOM神經網絡結構，針對其網格化訓練開展全面分析，由于其訓練次數和頻率為200次，為此需要將經過互聯網所訓練的樣本神經元進行準確分類，對變壓設備所產生的故障問題進行詳細診斷，至少將22組測試樣本開展歸一化處理。

而在混合神經網絡測試過程中，針對表格傳輸編碼進行詳細描述之后，進而針對變壓設備實際運行狀態和故障診斷繼續詳細對比，并且利用對比SOM神經網絡參數計算方式進一步針對基礎診斷性能進行正確且合理的了解。通過對混合神經網絡運轉現狀進行詳細分析，使用SOM神經網絡計算方式所產生的互聯網問題診斷所得到效果并不完整且理想化，所以所得到的診斷精準程度明顯不高。

PSO-SOM計算方式在實施過程中，應該在SOM神經網絡系統基礎上進行不斷優化和改進，所以該計算方式所產生的迭代更新頻率和次數需要設置為180次左右，并且經過互聯網進行項目訓練之后，需要使用22小組測試樣本進行互聯網問題診斷。從變壓器故障診斷問題現狀能夠進一步觀察出，PSO-SOM計算方式在變壓設備所產生故障問題中應用效果明顯不高，并且長期計算之后會存在大量誤差。為此，將兩種計算方式進行對比處理之后，PSO-SOM混合神經計算方式在變壓器故障問題診斷環節上，其計算質量明顯高于單一SOM計算方式最終效果，其中互聯網診斷數據模式使用混合方式相比單獨使用神經網絡計算方式效率明顯高，但是其問題診斷仍然存在著誤差和遺漏[3]。

為了提高故障問題診斷效果和質量水平，則需要使用PSO-SOM混合神經網絡進行故障診斷以及網絡判斷，以此作為基礎條件設置PSO更新頻率以及互聯網診斷次數。使預計診斷數值與實際參數相互結合，確保判斷結果與實際運轉類型完全一致，保證預測結果的正確效率能夠達到100%。所以想要有效對比出不同類型的神經網絡診斷中所產生的明顯差異性，需要針對不同類型的參數使用不同類型的數據計算方式，最終得出相關結論：變壓設備故障問題診斷測試樣本條件完全相同下，混合神經網絡針對故障問題診斷程度最高，最終得到診斷正確率為100%，為此與單一混合神經網絡相互比較，使用PSO-SOM神經網絡故障診斷精準程度明顯較高，其精準程度為81%。

在所有故障問題診斷種類運轉過程中，由于傳統神經網絡針對高溫放電以及高能量放電兩種故障問題診斷能力相對較低，其中高能量放電成為了電壓設備故障問題診斷的主要樣本信息數據主體，所以至少有4組樣本信息數據得到了成功診斷，而在高壓過熱處理過程中，針對變壓器所產生的故障問題則不能全部有效診斷和處理。從不同的計算方式進行比較，SOM神經網絡對測試樣本故障問題的基礎效果明顯最差，其測算精準程度為72%。低能量放電所產生的故障問題則需要利用不同類型的信息數據進行分別診斷，最終得出相關結論：穩定測試環境下，該混合神經網絡對低溫過熱或者高溫過熱等兩種故障問題診斷效果并不理想。

結束語：

與此可見，本次實驗使用PSO計算方式和SOM神經網絡相互結合等進一步優化了該神經網絡平臺的權利數值，從而完善了SOM神經網絡平臺的初始結構固定信息，隨后再結合有效監督學習模式針對其計算方式所產生的問題進行全面優化和改進。

參考文獻：

[1]徐新， 蔣波濤， 曹雯. 蝗蟲優化神經網絡在變壓器故障診斷中的應用[J]. 電網與清潔能源， 2021， 37（5）：7-7.

[2]賈亦敏， 史麗萍， 嚴鑫. 基于精英混沌蜂群算法優化小波神經網絡的變壓器故障診斷[J]. 高壓電器， 2020， 56（8）：7-7.

[3]孔德錢， 張新燕， 童濤，等. 基于差分進化算法與BP神經網絡的變壓器故障診斷[J]. 電測與儀表， 2020， 57（5）：5-5.

作者簡介;

馮安強（1991.11.26），性別：女;籍貫：泰安;民族：漢;學歷：研究生、碩士;職稱：工程師;研究方向：電氣工程