李愛英，李四海

（1.蘭州市經(jīng)濟管理干部學校，甘肅蘭州730000；2.甘肅中醫(yī)藥大學信息工程學院，甘肅 蘭州730000）

基于CP-ANN對向傳播神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷

李愛英1，李四海2△

（1.蘭州市經(jīng)濟管理干部學校，甘肅蘭州730000；2.甘肅中醫(yī)藥大學信息工程學院，甘肅 蘭州730000）

變壓器油中溶解性氣體分析是變壓器故障診斷的重要手段，其中改良三比值法是目前被廣泛采用的方法。針對當前變壓器故障診斷系統(tǒng)存在的不足，建立了變壓器故障診斷的對向傳播神經(jīng)網(wǎng)絡(luò)(CP-ANN)模型，對5種變壓器故障類型進行診斷，采用5-折交叉驗證對模型性能進行評價。實驗結(jié)果表明，模型能夠?qū)?3個故障樣本中的32個樣本的故障類型進行準確識別，模型在校正集和驗證集上的準確率分別為97%和81.8%，模型穩(wěn)定性較好，說明本文提出的變壓器故障診斷方法是可行和有效的。

人工智能;變壓器故障診斷；對向傳播神經(jīng)網(wǎng)絡(luò);遺傳算法

電力變壓器的可靠性直接關(guān)系到電力系統(tǒng)的穩(wěn)定運行和經(jīng)濟效益，因此，電力變壓器故障診斷一直受到學術(shù)界和工程技術(shù)人員的廣泛關(guān)注。油中溶解氣體分析(Dissolved gas analysis，DGA)是對油浸式變壓器進行故障診斷最重要的手段，其中改良三比值法是目前應(yīng)用最廣泛的方法，在工程實踐中有著廣泛應(yīng)用。其優(yōu)點包括：改良三比值法具有較高的故障診斷準確率；使用改良三比值法能夠得到明確的診斷結(jié)果，不會產(chǎn)生模棱兩可的結(jié)論；應(yīng)用方便，利于在工程實際中使用［1］。

BP神經(jīng)網(wǎng)絡(luò)具有分布式并行處理、自適應(yīng)、自學習、非線性映射等優(yōu)點，目前被廣泛用于電力變壓器的故障診斷。但由于BP神經(jīng)網(wǎng)絡(luò)采用梯度下降學習算法，對樣本量要求較大，網(wǎng)絡(luò)收斂速度慢且容易陷入局部極小值，其對電力變壓器故障診斷結(jié)果不夠穩(wěn)定。

針對這一問題，本文將有監(jiān)督的對向傳播神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于變壓器故障診斷，對變壓器的5種故障類型進行了識別，結(jié)果表明，模型能夠?qū)?種故障模式進行準確識別，模型穩(wěn)定性及可解釋性較好。

1 CP-ANN神經(jīng)網(wǎng)絡(luò)

Kohonen教授提出的自組織特征映射 (self-organizing feature map,SOM)神經(jīng)網(wǎng)絡(luò)也稱Kohonen映射，該網(wǎng)絡(luò)由輸入層和輸出層組成。其中輸入層神經(jīng)元個數(shù)與樣本的變量個數(shù)一致,輸入神經(jīng)元接收網(wǎng)絡(luò)的輸入信號,輸出層則是由神經(jīng)元按一定的方式排列成的一個平面陣列［2］。SOM是無監(jiān)督的神經(jīng)網(wǎng)絡(luò)，主要用于聚類分析等模式識別問題。

對向傳播神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的神經(jīng)網(wǎng)絡(luò)，對Kohonen映射進行了改進，CP-ANN網(wǎng)絡(luò)有兩層：Kohonen層和輸出層，Kohonen層的神經(jīng)元通常以N×N正方形的形式排列。與Kohonen映射神經(jīng)網(wǎng)絡(luò)的不同之處在于：在Kohonen層的基礎(chǔ)上增加了一個輸出層。有監(jiān)督訓練的情況下，輸出層神經(jīng)元的個數(shù)與樣本的類別個數(shù)一致。

假設(shè)樣本個數(shù)為I，樣本的類別個數(shù)為G，則單個樣本依次訓練的情況下，輸出層神經(jīng)元的權(quán)重更新公式為［3］：

其中，矩陣向量C為I行G列的樣本類別編碼矩陣，類別編碼值為二進制的0或1，Yr為輸出層第i個神經(jīng)元的權(quán)重，η為學習率，dri為輸出層第i個神經(jīng)元和Kohonen層競爭獲勝神經(jīng)元之間的網(wǎng)絡(luò)拓撲距離。

對向傳播神經(jīng)網(wǎng)絡(luò)對樣本的訓練結(jié)束后，Kohonen層的神經(jīng)元會對樣本的不同模式產(chǎn)生響應(yīng)，即絕大多數(shù)神經(jīng)元都會有自己的類別模式；樣本被分配到不同區(qū)域、具有不同類模式的神經(jīng)元之中，從而實現(xiàn)樣本的自動聚類或分類。

2 基于CP-ANN的變壓器故障診斷

2.1變壓器故障樣本的建立

文獻［4］基于改良三比值法建立了變壓器故障的概率神經(jīng)網(wǎng)絡(luò)診斷模型，對33個變壓器故障樣本進行了分類預(yù)測，取得了較好的效果。

本文根據(jù)該文獻中的變壓器故障數(shù)據(jù)，建立33個樣本的對向傳播神經(jīng)網(wǎng)絡(luò)變壓器故障診斷模型。由于CP-ANN網(wǎng)絡(luò)是有監(jiān)督的神經(jīng)網(wǎng)絡(luò)，因此，首先對樣本的故障類型進行編碼，33個樣本共有5種故障類型，以下分別用1、2、3、4、5表示這5種變壓器故障，部分樣本的情況見表1。

表1 變壓器故障樣本

2.2 對向傳播神經(jīng)網(wǎng)絡(luò)的學習和訓練

將以上變壓器故障樣本數(shù)據(jù)導入kohonen and cpann toobox神經(jīng)網(wǎng)絡(luò)工具箱，建立CP-ANN神經(jīng)網(wǎng)絡(luò)。由于對向傳播神經(jīng)網(wǎng)絡(luò)的性能受Kohonen層神經(jīng)元個數(shù)及網(wǎng)絡(luò)訓練步數(shù)的影響較大。因此，使用網(wǎng)格法進行對這兩個參數(shù)進行搜索，優(yōu)選最優(yōu)的競爭層神經(jīng)元個數(shù)及網(wǎng)絡(luò)訓練步數(shù)［5］。最終確定的競爭層神經(jīng)元個數(shù)為6×6，網(wǎng)絡(luò)訓練步數(shù)為150epochs，模型性能使用5-折交叉驗證方法進行評估。圖1和圖2分別給出了訓練結(jié)束后，變壓器故障類型和33個變壓器故障樣本在Kohonen層的分布情況。

圖1 故障類型在Kohonen層神經(jīng)元上的分布圖

圖2 33個樣本在Kohonen層神經(jīng)元上的分布圖

從圖1可知，Kohonen層的36個神經(jīng)元分別以5種顏色著色，表示5種變壓器故障類型。絕大多數(shù)神經(jīng)元都對變壓器故障產(chǎn)生了響應(yīng)。神經(jīng)元中的數(shù)字代表故障類型，絕大多數(shù)神經(jīng)元中的故障類型均相同，說明相應(yīng)的樣本分類正確，只有第25個神經(jīng)元(神經(jīng)元自上至下行序優(yōu)先編號)中的故障類型不一致，說明有1個樣本被錯分。圖2是所有33個樣本在Kohonen層36個神經(jīng)元上的分布圖，圖中數(shù)字代表變壓器故障樣本編號。對照圖1和圖2發(fā)現(xiàn)，第17個樣本被錯誤分類。

2.3 變壓器故障診斷混淆矩陣

表2給出了對象傳播神經(jīng)網(wǎng)絡(luò)在校正集上的擬合混淆矩陣。可以看出，5種故障類型的變壓器樣本數(shù)分別為7、2、11、6、7，其中故障類型為1、2、3、5的所有變壓器樣本都被準確分類，只有故障類型4的一個樣本被錯誤地判斷為故障類型1，模型的準確率為32/33=97%，說明模型在校正集上的準確率較高。

表2 CP-ANN神經(jīng)網(wǎng)絡(luò)在校正集上的混淆矩陣

2.4 模型交叉驗證結(jié)果

為進一步檢驗CP-ANN神經(jīng)網(wǎng)絡(luò)在驗證集上的分類準確率，表3給出了網(wǎng)絡(luò)在不同神經(jīng)元大小和訓練步數(shù)下，模型在校正集和驗證集上的分類準確率。

TP183

△

：李四海，男，碩士，副教授。研究方向：機器學習，數(shù)據(jù)挖掘，智能信息處理。