摘 要：分析了電力變壓器故障氣體和故障類型之間的關(guān)系，利用SOM網(wǎng)絡具有自組織、自學習的特點對電力變壓器的故障類型進行分類診斷建模。實例分析表明，SOM網(wǎng)絡能很好的對電力變壓器的故障類型進行分類診斷。

關(guān)鍵詞：人工智能；SOM網(wǎng)絡；故障診斷

中圖分類號：TM407

隨著我國經(jīng)濟社會的不斷發(fā)展，對電力能源的需求量及其穩(wěn)定性要求不斷提高。用來改變電壓和電流的電力變壓器是電力傳輸系統(tǒng)中的關(guān)鍵設(shè)備，它運行的穩(wěn)定與否直接影響到民用和工業(yè)用電的安全和穩(wěn)定，直接影響著社會生活的各個方面[1]。因此，電力部門每年都投入大量的人力、物力來檢查、維修所屬轄區(qū)內(nèi)的各個變壓器，以此保障變壓器的工作安全及穩(wěn)定。這種對電力變壓器定期檢查的方法具有很大的盲目性，浪費了大量的人力和物力資源。

電力變壓器故障具有多種類型，比較復雜。如果能在變壓器工作過程中及早對其隱含的故障進行預測性的診斷，就能進一步提高電力供應的穩(wěn)定性和安全性[2]，更好的保障社會的生產(chǎn)和生活。為了能對電力變壓器的故障進行有效的診斷，本文嘗試引入人工智能技術(shù)中的自組織映射網(wǎng)絡[3]（Self-Organizing Feature Maps，簡稱SOM）方法對電力變壓器的故障進行診斷，以期能更早、更快的發(fā)現(xiàn)變壓器中潛在的故障問題，便于對變壓器進行維護和維修。

1 SOM網(wǎng)絡的基本原理

1.1 SOM網(wǎng)絡的基本結(jié)構(gòu)

SOM網(wǎng)絡[3]也稱為Kohonen網(wǎng)絡，1981年由芬蘭學者Teuvo Kohonen提出。SOM網(wǎng)絡模型模擬人體大腦神經(jīng)系統(tǒng)的自組織功能，采用無監(jiān)督學習方法對網(wǎng)絡進行訓練，本質(zhì)上它是一種競爭型的神經(jīng)網(wǎng)絡模型。一個最基本的SOM網(wǎng)絡結(jié)構(gòu)如圖1所示。

圖1 SOM網(wǎng)絡的基本結(jié)構(gòu)

從圖1中可以看到，在SOM網(wǎng)絡中，網(wǎng)絡結(jié)構(gòu)分為兩層：輸入層和競爭層。SOM網(wǎng)絡的神經(jīng)元之間具有兩種不同類型的權(quán)值：一種是輸入層和競爭層神經(jīng)元之間的連接權(quán)值；另一種是競爭層神經(jīng)元之間的互連權(quán)值，該權(quán)值的大小控制著競爭層神經(jīng)元之間相互作用的強弱。輸入層和競爭層的神經(jīng)元通過連接權(quán)值wij進行連接，競爭層中的神經(jīng)元也通過它們之間的互聯(lián)權(quán)值進行聯(lián)系。輸入層接收信號的輸入，通過連接權(quán)值wij把信號向競爭層傳輸。信號到達競爭層后，競爭層的神經(jīng)元對輸入的信號進行分析，尋找當中的規(guī)律，最后對相似的信號類別進行歸類、合并。SOM網(wǎng)絡的學習過程分為三個階段：（1）競爭階段。在該階段，網(wǎng)絡接收信號的輸入，網(wǎng)絡中的神經(jīng)元分別計算每個輸入信號的判別函數(shù)值Y。當網(wǎng)絡中的神經(jīng)元滿足MAX（Y）時，則該神經(jīng)元就為獲勝者；（2）合作階段。興奮神經(jīng)元鄰近處理神經(jīng)元的空間位置由獲勝神經(jīng)元決定；（3）權(quán)值調(diào)整階段。興奮神經(jīng)元修正它們的激勵參數(shù)，以便使它們對今后相似的輸入信號能有一個增強的響應。

1.2 SOM網(wǎng)絡的基本步驟[4]

2 變壓器故障診斷概述

目前，大部分充油電力變壓器主要采用油-紙結(jié)構(gòu)進行絕緣[5]。大量的研究實驗和運行經(jīng)驗表明，工作中的充油電力變壓器在長期的熱和電的作用下，有機絕緣材料將逐漸老化、分解，此時在變壓器內(nèi)部將會產(chǎn)生少量的CO、CO2以及各種低分子烴類溶解于變壓器的油中，當變壓器內(nèi)部出現(xiàn)隱藏的問題時，就會大量產(chǎn)生CO、CO2以及各種低分子烴類氣體。當前對充油電力變壓器最常用的故障檢測手段是油中溶解氣體分析（Dissolved Gases Analysis，簡稱DGA）技術(shù)[6]。通過對溶于油中的氣體進行測量，并利用各種方法，如色譜技術(shù)等，對測量到的氣體進行分析，根據(jù)分析結(jié)果就能進一步判斷變壓器設(shè)備內(nèi)部是否存在異常，進而推斷變壓器設(shè)備的故障類型。

不同故障類型所產(chǎn)生的氣體也不同，根據(jù)1999年國際電工委員會（International Electrotechnical Commission，簡稱IEC）制定的60599導則并結(jié)合實際情況，本文將電力變壓器典型故障確定為低能放電、高能放電、低溫過熱、高溫過熱、圍屏放電、匝間故障、開關(guān)故障以及接地故障等8種類型。

3 SOM網(wǎng)絡在變壓器故障診斷中的應用

收集了某電網(wǎng)共225筆電力變壓器故障數(shù)據(jù)，如表1所示。其中，除了CO和CO2這兩種氣體外，其它烴類氣體所給出的數(shù)值都代表該故障氣體占總烴量的比例。

表1 收集到的變壓器故障樣本數(shù)據(jù)（部分）

以表1中的數(shù)據(jù)共9筆進行驗證，其余的216筆數(shù)據(jù)進行網(wǎng)絡訓練。本文實驗的輸出為8種不同類型的變壓器故障，連同正常狀態(tài)公共9種變壓器狀態(tài)，因此把SOM網(wǎng)絡的競爭層設(shè)計為3×3的二維平面。實驗硬件環(huán)境為P4 3G Hz、2G 內(nèi)存，在WinXP下利用MATLAB 7.0編程進行仿真測試，經(jīng)過600次訓練后，SOM網(wǎng)絡的權(quán)值趨于穩(wěn)定。利用測試數(shù)據(jù)對訓練好的網(wǎng)絡進行測試，最終結(jié)果為：3 5 1 7 9 2 3 4 6。從結(jié)果中很容易知道，編號為3和8的變壓器同屬于同一故障，其余測試樣本分屬于不同的故障。測試數(shù)據(jù)顯示，利用SOM網(wǎng)絡對變壓器故障進行診斷，效果良好。

4 結(jié)束語

電力變壓器正常工作與否關(guān)系到社會的生產(chǎn)和居民生活的用電安全和穩(wěn)定。針對常規(guī)電壓器定期檢查維護費時費力的缺點，本文引入人工智能技術(shù)中的SOM神經(jīng)網(wǎng)絡方法對電力變壓器的故障進行診斷。實例分析表明，SOM網(wǎng)絡能很好的對電力變壓器的故障進行診斷，具有一定的推廣前景。

參考文獻：

[1]史江萍，修偉光，王大玲.變壓器故障診斷專家系統(tǒng)的設(shè)計[J].沈陽工程學院學報，2007（01）：61-65.

[2]杜文霞，呂峰，句希源.基于BP神經(jīng)網(wǎng)絡的電力變壓器故障診斷[J].變壓器，2007（44）：45-47.

[3]Vesanto J，Alhoniemi E.Clustering of the Self- organizing map[J].IEEE Transaction on Neural Networks，2000（03）：586-600.

[4]李春華，李寧，史陪軍.自組織特征映射神經(jīng)網(wǎng)絡原理和應用研究[J].北京師范大學學報（自然科學版），2006：543-547.

[5]彭劍，羅安，周柯等.變壓器故障診斷中信息融合技術(shù)的應用[J].高電壓技術(shù)，2007（33）：144-147.

[6]銀濤.基于概率神經(jīng)網(wǎng)絡的變壓器故障診斷的應用[J].電氣應用，2006（10）：15-17.

作者簡介：譚子平（1978-），男，壯族，廣西柳州人，助理工程師，研究方向：電氣自動化。

作者單位：廣西中煙工業(yè)有限責任公司柳州卷煙廠，廣西柳州 545006