混合神经网络在变压器故障诊断中的应用分析

摘要：本文首先详细分析了混合神经网络系统原理，并且以此作为基础条件和核心因素，进一步总结出混合神经网络应用策略。

关键词：混合神经网络;变压器;故障诊断;系统原理

变压器是一种用于电能转换的重要电器设备，在工业生产中占据着举足轻重的地位，它的可靠运行对维护电力系统的安全稳定具有重大意义，因此，对变压器进行故障的早期预测、检测是十分必要的。

一、混合神经网络系统原理

（一）SOM神经网络基础原理

SOM神经网络在建设过程中，最初由芬兰提出了无监督神经网络学习模式，此种学习模式将人脑相关的神经元基础属性应用至神经网络结构中，并且经过多次、频繁的训练，完成和实现了对互联网输入模式的凝聚划分。SOM神经网络内部结构包含信息输入阶层以及系统竞争结构层两种发展结构模式，其中信息输入阶层所产生的输入节点与竞争结构层的神经元相互连接，为此需要使用连接权数值提高标识连接基础强度。其中当传输信息量为T参数传输至网络结构时，则需要按照标准公式针对输入向量与竞争神经元之间计算标准距离，进而选找出距离最小的神经元参数。而使用其他参数公式则需要针对网络神经元先关领域中所包含的神经权利数值系数进行调整和控制。

（二）PSO-SOM计算原则

PSO-SOM计算过程中，神经网络与其他无监督凝聚类精算方式相比较，基础收敛速度和效率极快并且学习过程更加精准，加上凝聚类计算结果的权利数值对于其初始分布影响相对较大，加上权利参数初始分布情况是随机分布，所以越来越多技术人员将PSO计算方式与SOM计算方式相互结合，最终完善系统计算问题和不足[1]。

由于PSO参数计算方式主要计算原则和思想是以粒子最优化，进一步模拟鸟类觅食等相关行为，并且通过数据迭代记录等管理方式不断更新最佳参数信息，而每次信息更新迭代环节中，其粒子物质与该物质具体位置需要按照标准公式进行全面更新和完善。其中在随机数据不断更新和完善环节上，第i个粒子物质需要在第d维度上保证位置的标准性，粒子运转速度需要在第i个粒子物质上现出第d维度上的个体极限数值，并且还需要在其他维度上展现出全局极限数值。除此之外，采用PSO算法优化SOM神经网络的初始权值向量，优化得到的结果即为SOM网络的最佳连接权值参数，以此为基础构建SOM网络并进行网络训练，实现样本分类。

二、混合神经网络应用策略

本次研究过程中，变压设备可能产生的故障问题需要以设备运行现状作为研究理论基础条件，并且结合绝缘性气体物质的核心含量开展深入探索，为此技术人员实际开展混合神经网络研究时，应该根据物质不同参数，对无故障设备、中低温、高热量以及低热量等相关互联网种类进行详细区分。其中0-1数值示所对应的运转状态产生概率，数值越接近1时，表示混合神经网络处于异常状态的可能性以及严重程度越大。所以本次实验环境所使用的硬件平台操作系统的CPU 为酷睿 2 双核 E7500，2.93 GHz，内存4 GB，硬盘150 GB，而软件系统的平台则为MATLAB7.9.0，并且软件运转系统需要为Windows旗舰版。

其中整个实验环节包含至少5个不同类型的小组数值和参数，其测试样本则需要由至少22组信息数据共同构成，最终将整个实验制作成训练样本之后输入SOM、PSO-SOM神经网络开展基础训练，随后针对统一化的测试数据样本进行互联网故障问题诊断，进而相互比较至少3种不同类型的计算方式之间的实际性能，最终实现对变压设备所产生故障问题进行全面诊断和分析[2]。

本次实验基础参数设置为了保证基础可行性，其粒子个数为50，并且保证粒子之间的运动学习质量和效率为0.8，由于PSO计算方式与LVQ神经互联网更新次数与频率分别为50，100，所以输入阶层节点数量为5，并且实验过程中所隐含的阶层点数量为8，输出阶层节点为5。

针对变压器故障诊断的训练样本数量进行统一化技术处理后，需要使用SOM神经网络结构，针对其网格化训练开展全面分析，由于其训练次数和频率为200次，为此需要将经过互联网所训练的样本神经元进行准确分类，对变压设备所产生的故障问题进行详细诊断，至少将22组测试样本开展归一化处理。

而在混合神经网络测试过程中，针对表格传输编码进行详细描述之后，进而针对变压设备实际运行状态和故障诊断继续详细对比，并且利用对比SOM神经网络参数计算方式进一步针对基础诊断性能进行正确且合理的了解。通过对混合神经网络运转现状进行详细分析，使用SOM神经网络计算方式所产生的互联网问题诊断所得到效果并不完整且理想化，所以所得到的诊断精准程度明显不高。

PSO-SOM计算方式在实施过程中，应该在SOM神经网络系统基础上进行不断优化和改進，所以该计算方式所产生的迭代更新频率和次数需要设置为180次左右，并且经过互联网进行项目训练之后，需要使用22小组测试样本进行互联网问题诊断。从变压器故障诊断问题现状能够进一步观察出，PSO-SOM计算方式在变压设备所产生故障问题中应用效果明显不高，并且长期计算之后会存在大量误差。为此，将两种计算方式进行对比处理之后，PSO-SOM混合神经计算方式在变压器故障问题诊断环节上，其计算质量明显高于单一SOM计算方式最终效果，其中互联网诊断数据模式使用混合方式相比单独使用神经网络计算方式效率明显高，但是其问题诊断仍然存在着误差和遗漏[3]。

为了提高故障问题诊断效果和质量水平，则需要使用PSO-SOM混合神经网络进行故障诊断以及网络判断，以此作为基础条件设置PSO更新频率以及互联网诊断次数。使预计诊断数值与实际参数相互结合，确保判断结果与实际运转类型完全一致，保证预测结果的正确效率能够达到100%。所以想要有效对比出不同类型的神经网络诊断中所产生的明显差异性，需要针对不同类型的参数使用不同类型的数据计算方式，最终得出相关结论：变压设备故障问题诊断测试样本条件完全相同下，混合神经网络针对故障问题诊断程度最高，最终得到诊断正确率为100%，为此与单一混合神经网络相互比较，使用PSO-SOM神经网络故障诊断精准程度明显较高，其精准程度为81%。

在所有故障问题诊断种类运转过程中，由于传统神经网络针对高温放电以及高能量放电两种故障问题诊断能力相对较低，其中高能量放电成为了电压设备故障问题诊断的主要样本信息数据主体，所以至少有4组样本信息数据得到了成功诊断，而在高压过热处理过程中，针对变压器所产生的故障问题则不能全部有效诊断和处理。从不同的计算方式进行比较，SOM神经网络对测试样本故障问题的基础效果明显最差，其测算精准程度为72%。低能量放电所产生的故障问题则需要利用不同类型的信息数据进行分别诊断，最终得出相关结论：稳定测试环境下，该混合神经网络对低温过热或者高温过热等两种故障问题诊断效果并不理想。

结束语：

与此可见，本次实验使用PSO计算方式和SOM神经网络相互结合等进一步优化了该神经网络平台的权利数值，从而完善了SOM神经网络平台的初始结构固定信息，随后再结合有效监督学习模式针对其计算方式所产生的问题进行全面优化和改进。

参考文献：

[1]徐新， 蒋波涛， 曹雯. 蝗虫优化神经网络在变压器故障诊断中的应用[J]. 电网与清洁能源， 2021， 37（5）：7-7.

[2]贾亦敏， 史丽萍， 严鑫. 基于精英混沌蜂群算法优化小波神经网络的变压器故障诊断[J]. 高压电器， 2020， 56（8）：7-7.

[3]孔德钱， 张新燕， 童涛，等. 基于差分进化算法与BP神经网络的变压器故障诊断[J]. 电测与仪表， 2020， 57（5）：5-5.

作者简介;

冯安强（1991.11.26），性别：女;籍贯：泰安;民族：汉;学历：研究生、硕士;职称：工程师;研究方向：电气工程