基于SOM人工神经网络变压器故障诊断

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
阅读技巧Ctrl+D 收藏本篇文章

  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?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。
下载论文网 /8/view-10853419.htm
  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.

转载请注明来源。原文地址:http://www./html/zhlw/20181123/7963486.html   

基于SOM人工神经网络变压器故障诊断相关推荐


联系方式
微信号 biyelunwen
热点论文