基于SOM人工神经网络变压器故障诊断

张文辉+彭战奎

摘要：利用神经网络的非线性映射，以及高度的自组织和自学习能力，经SOM网络应用于变压器的故障诊断。通过SOM神经网络对输入样本进行“聚类”，实现对故障模式的自动分类。根据所取得的故障信息及其对应的故障类型来构造网络结构，用单一故障样本对网络进行训练，根据输出神经元在输出层的位置对故障进行判断。通过仿真实验验证了SOM神經网络在变压器故障诊断的正确性。经实例分析证明，该方法可对故障进行有效诊断。

关键词：变压器；故障诊断；神经网络；SOM

1 前言

由于SOM人工神经网络具有网络结构简单、自组织自学习力强和学习速度快等优点，本文将采用SOM人工神经网络来诊断变压器故障[1]。

2 SOM人工神经网络结学习算法

（1）初始化

对输出层各权向量赋予较小的随机数并进行归一化处理。

（2）接受输入

从训练集中随机取一输入模式并进行归一化处理。

（3）寻找获胜节点

计算 和 的点积，从中找到最大的获胜节点 。

（4）定义优胜邻域

设 为中心确定t时间的权值调整域，训练过程中 随训练时间收缩。

（5）调整权值

对优胜邻域 内的所有节点调整权值。

（6）结束判定

当学习率 时，结束训练；不满足结束条件时，转到步骤2继续[6]

3 基于SOM模型的电力变压器故障诊断

3.1电力变压器常见的故障类型及诊断步骤

经过大量的实地观察，电力变压器的故障类型主要有：（1）p1无故障（2）p2高温过热；（3）p3低能量放电；（4）p4高能量放电；（5）p5中低温过热；（6）p6高能量放电兼过热[2]

对变压器进行故障诊断的步骤如下四步：

（1）选取具有典型特征的故障样本；

（2）对具有典型特征的故障样本进行学习，学习完成后，对输出获胜的神经元标上该故障的标记：

（3）把需要检测的样本输入到SOM网络中进行学习；

（4）把待检测样本输出神经元的位置和标准输出的位置进行比较，和哪种样本的输出位置相同，说明待检测的样本就是那种故障。

3.2样本数据的建立

在用SOM网络训练的过程中，选取每种故障类型下的第一组数据组成训练样本，见文献[3]-[4]中数据；利用第二组数据进行仿真验证，见表2。

在SOM网络中，根据训练的样本可以看出，输入神经元的个数为5个，竞争层的神经与那个数为9×9=81个。

网络设置好以后对网络开始进行训练。

yc =

30 33 31 12 2 19

yc所展示的是36个神经元中获胜神经元的位置。

根据对SOM分类结果可以看出，SOM将电力变压器的故障类型分成了6类。接下来利用表2中的数据验证SOM神经网络的正确性。结果如下所示：

yc =

30 33 31 12 3 20

4 结束语

SOM神经网络是前馈神经网络，是一种竞争式学习网络，在学习中能无监督地进行自组织学习[5]。SOM神经网络不但能够对输入向量进行模式识别和区域分类，还研究输入向量的分布特性和拓扑结构。本文提出关基于SOM电力变压器的故障诊断的方法，运用此模型建立诊断模型，训练过程中不断调整训练次数，诊断结果表明SOM神经网络可以对电力变压器的故障做出正确的区域划分，进一步可以说明SOM神经网络在电力变压器故障诊断的有效性和实用性。

参考文献：

[1]丁晓群，LIN，林钟云.神经网络应用于电力变压器故障诊断[J].电力系统自动化.2001（1）：76-78.

[2]徐文，王大忠，周泽群，等.结合遗传算法的人工神经网络在电力变压器故障诊断中的应用[J].中国电机工程学报.1998（3）：21-23.

[3]王少芳，蔡金锭.GA-BP混合算法在变压器色谱诊断中的应用[J].高电压技术.2005（3）：35-37.

[4]王少芳，蔡金锭，刘庆珍.基于改进GA-BP混合算法的电力变压器故障诊断[J].电网技术.2006（2）：13-17.

[5]大奇，史慧.人工神经网络原理及应用[M].北京：科学出版社，2006（3）：67-70.[M].北京：科学出版社，2003（11）：66-69.endprint