劉兆煒, 王漢軍, 李 丹, 周心圓

1(中國(guó)科學(xué)院 沈陽(yáng)計(jì)算技術(shù)研究所,沈陽(yáng) 110168)

2(中國(guó)科學(xué)院大學(xué),北京 100049)

3(國(guó)家電網(wǎng)公司東北分部,沈陽(yáng) 110180)

4(吉林大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,長(zhǎng)春 130000)

現(xiàn)階段隨著社會(huì)的飛速發(fā)展,無(wú)論是個(gè)人、集體,對(duì)電的使用需求也同樣旺盛. 為了保障用戶的正常和安全用電,除了在供電方做好必備工作外,在電力調(diào)度中也必須保證連貫性和可靠性. 所以,依托于某電力調(diào)控分中心,在系統(tǒng)基礎(chǔ)平臺(tái)之上,建設(shè)了電力調(diào)度自動(dòng)化資源系統(tǒng)管理平臺(tái). 該平臺(tái)充分利用了物聯(lián)網(wǎng)、無(wú)線網(wǎng)絡(luò)和三維建模等先進(jìn)技術(shù),采用分布式分區(qū)結(jié)構(gòu),具有一定的自動(dòng)化工藝水平. 但是在實(shí)際中,故障發(fā)生的概率相對(duì)較高,而且在發(fā)生故障時(shí),由于結(jié)構(gòu)的復(fù)雜性,難以對(duì)系統(tǒng)結(jié)構(gòu)、功能和狀態(tài)等進(jìn)行有效的描述,因而給故障診斷工作帶來(lái)了很大的負(fù)擔(dān).

近年來(lái),隨著模式識(shí)別和神經(jīng)網(wǎng)絡(luò)理論的引入,給以上工作帶來(lái)了不同于以往的技術(shù)思路. 但在實(shí)際電力調(diào)度系統(tǒng)運(yùn)行過(guò)程中,要想獲得全部故障類型及故障位置幾乎不可能,因?yàn)楝F(xiàn)實(shí)發(fā)生的故障不會(huì)把所有的故障類型全部一一覆蓋,而且對(duì)系統(tǒng)進(jìn)行故障檢測(cè)的目的就是在未發(fā)生故障前就采取措施來(lái)挽回不必要的損失. 如果電力調(diào)度系統(tǒng)已經(jīng)出現(xiàn)故障,再加以故障分析和預(yù)測(cè),意義就不大了.

假設(shè)要對(duì)電力調(diào)度自動(dòng)化系統(tǒng)進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷,但現(xiàn)在只有該系統(tǒng)在正常運(yùn)轉(zhuǎn),未出現(xiàn)異常情況. 為了檢測(cè)到該系統(tǒng)未來(lái)可能會(huì)出現(xiàn)的故障,就需要用到神經(jīng)網(wǎng)絡(luò),來(lái)清楚分辨正常狀態(tài)和故障狀態(tài)的區(qū)別,下一步對(duì)發(fā)生故障的部位做細(xì)致的分析[1].

為解決上述的問(wèn)題,可以采用SOM神經(jīng)網(wǎng)絡(luò).SOM神經(jīng)網(wǎng)絡(luò)作為一典型的神經(jīng)網(wǎng)絡(luò),其特點(diǎn)尤為鮮明： 網(wǎng)絡(luò)兩端,即輸入端和輸出端上的變量充分考慮了實(shí)際生產(chǎn)中涉及因素較多等情況,其關(guān)系大多呈現(xiàn)非線性映射特性,網(wǎng)絡(luò)承載的信息呈分布式存儲(chǔ),采用并行方式處理數(shù)據(jù),并在全局集體應(yīng)用,自主學(xué)習(xí)能力很強(qiáng). 這些都促使SOM神經(jīng)網(wǎng)絡(luò)成為輔助實(shí)際故障檢修不可缺少的方法. 為了讓SOM網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)最后結(jié)果更為精確,本文結(jié)合LVQ網(wǎng)絡(luò)和SOM網(wǎng)絡(luò)構(gòu)建了新的故障診斷模型,對(duì)SOM網(wǎng)絡(luò)中存在的初始權(quán)值具有不確定性和分類信息不足這兩點(diǎn)進(jìn)行優(yōu)化,有效解決了無(wú)監(jiān)督SOM網(wǎng)絡(luò)在學(xué)習(xí)中存在分類信息不足的缺點(diǎn). 在電力調(diào)度系統(tǒng)故障檢測(cè)中引入該模型,較大提高了系統(tǒng)檢測(cè)性能和精度.

1 SOM神經(jīng)網(wǎng)絡(luò)基本原理

1.1 SOM神經(jīng)網(wǎng)絡(luò)概述

SOM (Self-Organizing feature Map,自組織特征映射)神經(jīng)網(wǎng)絡(luò)是一種無(wú)導(dǎo)師學(xué)習(xí)方法,具有良好的自組織、可視化等特性[2]. 在學(xué)習(xí)訓(xùn)練時(shí),采用“競(jìng)爭(zhēng)”學(xué)習(xí)方式,每個(gè)輸入向量都能夠找到一個(gè)匹配的且距離最近的節(jié)點(diǎn),稱為獲勝神經(jīng)元(winning neuron). 隨后對(duì)其參數(shù)權(quán)值進(jìn)行調(diào)整. 鑒于SOM網(wǎng)絡(luò)中的神經(jīng)元間關(guān)系緊密這一特性,貫穿于整個(gè)權(quán)值調(diào)整過(guò)程中,這里采用函數(shù)的形式,把權(quán)值調(diào)整的規(guī)則形成權(quán)值調(diào)整函數(shù),按照此規(guī)則函數(shù)對(duì)獲勝神經(jīng)元周邊的神經(jīng)元進(jìn)行權(quán)值調(diào)整,在調(diào)整過(guò)程中需要考慮兩神經(jīng)元間距離遠(yuǎn)近這一因素. 隨著學(xué)習(xí)訓(xùn)練的不斷進(jìn)行,從開(kāi)始得到一個(gè)獲勝神經(jīng)元,到圍繞著獲勝神經(jīng)元周邊與其相關(guān)的數(shù)據(jù)集合,最后形成一個(gè)具有鮮明特征的聚類集合[3].

1.2 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

典型的SOM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示. 在底層輸入層,神經(jīng)元呈線性矩陣排列,這里神經(jīng)元的個(gè)數(shù)是不固定的,具體有多少輸入神經(jīng)元,需要看預(yù)備輸入到SOM網(wǎng)絡(luò)的向量數(shù). 輸入神經(jīng)元主要用于探測(cè)和接收網(wǎng)絡(luò)外部的輸入向量,在正式訓(xùn)練前,將輸入向量根據(jù)某種特征進(jìn)行排列分布,這充分說(shuō)明SOM網(wǎng)絡(luò)具有的一個(gè)特殊的性能,即SOM可以選取輸入信號(hào)向量模式. 競(jìng)爭(zhēng)層的神經(jīng)元,則按照二維平面方式分布,輸入與輸出層的神經(jīng)元通過(guò)權(quán)值連接在一起[4]. 當(dāng)輸入層檢測(cè)到外部信號(hào)輸入時(shí),類似于人的神經(jīng)網(wǎng)絡(luò),輸出層的某個(gè)神經(jīng)元便會(huì)對(duì)輸入信號(hào)向量模式進(jìn)行系統(tǒng)化的學(xué)習(xí)和訓(xùn)練,找出規(guī)律將相似特征的向量數(shù)據(jù)聚合成集合.

圖1 二層結(jié)構(gòu)的SOM神經(jīng)網(wǎng)絡(luò)

1.3 SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[5-7]

(1)網(wǎng)絡(luò)初始化

初始化的變量有： 一是定義輸入神經(jīng)元的個(gè)數(shù),這里我們?cè)O(shè)置為m個(gè); 二是定義輸入層與輸出層神經(jīng)元的權(quán)值,并給予權(quán)值以初值,一般給予的初值都會(huì)較大,方便后續(xù)算法的學(xué)習(xí)和訓(xùn)練.

(2)輸入向量的輸入層,同時(shí)對(duì)該樣本數(shù)據(jù)歸一化處理,得到,

(3)尋找獲勝神經(jīng)元

SOM網(wǎng)絡(luò)算法的實(shí)質(zhì)是通過(guò)前期的競(jìng)爭(zhēng),讓輸入

式中,wij(t)代表輸入層的i神經(jīng)元和映射層的j神經(jīng)元之間的權(quán)值. 在計(jì)算上述距離的過(guò)程中,找到距離最小時(shí)的神經(jīng)元,即為獲勝神經(jīng)元,記為j*.

(4)定義優(yōu)勝鄰域

我們假設(shè)Nj*(t)為以j*為中心確定t時(shí)刻的權(quán)值調(diào)整域,這里,對(duì)于權(quán)值調(diào)整域形狀的選擇,這里選六邊形即可. 一般定義初始鄰域Nj*(0)較大,隨著SOM網(wǎng)絡(luò)訓(xùn)練的進(jìn)行,Nj*(t)領(lǐng)域范圍會(huì)不停向聚類中心靠攏,直至為0[8].

圖2 定義優(yōu)勝鄰域過(guò)程

(5)權(quán)值的學(xué)習(xí)

SOM神經(jīng)網(wǎng)絡(luò)是一種無(wú)監(jiān)督的競(jìng)爭(zhēng)型網(wǎng)絡(luò). 在各神經(jīng)元相互競(jìng)爭(zhēng)的過(guò)程中,可以學(xué)習(xí)得到對(duì)輸入向量模式的分類結(jié)果,以此達(dá)到將具有相同特征的向量聚集在一起的目的. 但競(jìng)爭(zhēng)層進(jìn)行的分類絕大多數(shù)取決于輸入向量之間的距離,如果兩個(gè)不同類輸入向量之間的距離非常近,則在競(jìng)爭(zhēng)層中就很有可能把他們歸為一類,這樣得到的聚類效果就會(huì)大打折扣. 在競(jìng)爭(zhēng)層的設(shè)計(jì)中,若出現(xiàn)上述任意兩輸入向量距離過(guò)近情況,則對(duì)于他們是否屬于同一類并沒(méi)有嚴(yán)格區(qū)別[9]. 為了減少SOM網(wǎng)絡(luò)在這一方面的不足,這里我們使用LVQ(Learning Vector Quantization,學(xué)習(xí)向量量化)網(wǎng)絡(luò)學(xué)習(xí)這一將無(wú)監(jiān)督、有監(jiān)督和競(jìng)爭(zhēng)學(xué)習(xí)思想結(jié)合的算法,在SOM網(wǎng)絡(luò)中神經(jīng)元已經(jīng)被標(biāo)識(shí)為它們所代表的類型之后,每個(gè)訓(xùn)練模式對(duì)應(yīng)的獲勝神經(jīng)元權(quán)值向量進(jìn)行調(diào)整： 如果獲勝神經(jīng)元與連接向量具有相同的類型標(biāo)簽,則權(quán)值向量被調(diào)整接近連接向量. 相反地,如果獲勝神經(jīng)元與連接向量具有不同類型標(biāo)簽,那么權(quán)值向量被調(diào)整偏離被誤分類的連接向量,重復(fù)該過(guò)程,整個(gè)訓(xùn)練集循環(huán)執(zhí)行多次,實(shí)現(xiàn)對(duì)輸入向量模式的準(zhǔn)確分類[10]. 這樣改進(jìn)后的SOM神經(jīng)算法將使得學(xué)習(xí)訓(xùn)練的準(zhǔn)確度有進(jìn)一步的提升[11].

LVQ具體的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示,LVQ競(jìng)爭(zhēng)層是由若干組不同神經(jīng)元構(gòu)成,且每個(gè)神經(jīng)元皆與輸出層神經(jīng)元相連接[12,13],每個(gè)競(jìng)爭(zhēng)層神經(jīng)元指定一個(gè)子分類,輸出層中的每個(gè)神經(jīng)元指定競(jìng)爭(zhēng)層中的每一個(gè)子分類. 可以發(fā)現(xiàn),LVQ比SOM網(wǎng)絡(luò)多了一個(gè)輸出層.由上述算法可知,根據(jù)式(1)計(jì)算歐式距離,得到相關(guān)數(shù)據(jù),按距離數(shù)據(jù)搜索離它最近的兩個(gè)神經(jīng)元,對(duì)于同類神經(jīng)元采取拉攏,異類神經(jīng)元采取排斥,這樣相對(duì)于只拉攏不排斥就能加快算法收斂的速度,最終得到數(shù)據(jù)的分布模式. 經(jīng)LVQ網(wǎng)絡(luò)改造后的SOM結(jié)構(gòu)簡(jiǎn)單,通過(guò)神經(jīng)元間的相互作用就可以完成復(fù)雜的分類處理.

圖3 LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在網(wǎng)絡(luò)訓(xùn)練中,可以通過(guò)式(1)計(jì)算找出獲勝神經(jīng)元,根據(jù)最后獲勝神經(jīng)元具有的類型標(biāo)簽與連接向量具有的類型標(biāo)簽是否一致來(lái)調(diào)整優(yōu)勝鄰域Nj*(t)內(nèi)所有“鄰接神經(jīng)元”的權(quán)值,若一致采用式(2)調(diào)整權(quán)值,否則采用式(3)進(jìn)行計(jì)算[14].

式中,t為網(wǎng)絡(luò)在學(xué)習(xí)訓(xùn)練上花費(fèi)的時(shí)間,N代表鄰域內(nèi)第j個(gè)神經(jīng)元與獲勝神經(jīng)元j*之間的拓?fù)渚嚯x,即為權(quán)值調(diào)整規(guī)則的函數(shù)形式. 該函數(shù)一般介于0～1之間,隨著時(shí)間(離散的訓(xùn)練迭代次數(shù))變長(zhǎng),和拓?fù)渚嚯x的增加逐漸下降到0,即調(diào)整的范圍和幅度越來(lái)越小,漸漸趨近于聚類中心,確保分類的準(zhǔn)確性.

上述用LVQ對(duì)SOM網(wǎng)絡(luò)訓(xùn)練改進(jìn)的方法執(zhí)行要構(gòu)成一個(gè)循環(huán)往復(fù)的過(guò)程,以此來(lái)達(dá)到更為準(zhǔn)確的分類結(jié)果,減少在訓(xùn)練集中誤分類數(shù)量. 同時(shí),跟SOM相比,LVQ是一個(gè)有監(jiān)督的學(xué)習(xí)過(guò)程,即要實(shí)現(xiàn)明確訓(xùn)練集中訓(xùn)練模式的標(biāo)簽. 但在用LVQ改進(jìn)前,SOM網(wǎng)絡(luò)依然以無(wú)監(jiān)督學(xué)習(xí)方式來(lái)訓(xùn)練確定權(quán)值.

(6)結(jié)束訓(xùn)練學(xué)習(xí)(2),進(jìn)入下一輪學(xué)習(xí).

2 基于改進(jìn)SOM網(wǎng)絡(luò)故障診斷模型

由上述改進(jìn)后SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)方法可知,對(duì)應(yīng)于不同的故障就會(huì)對(duì)應(yīng)于不同處理方法,然而一個(gè)完整的電力調(diào)度自動(dòng)化系統(tǒng)是由多個(gè)子系統(tǒng)組成,當(dāng)不同的系統(tǒng)出現(xiàn)不同的問(wèn)題時(shí),這就可以應(yīng)用SOM神經(jīng)網(wǎng)絡(luò)將先前歷史故障數(shù)據(jù)聚集到一起,經(jīng)過(guò)仿真之后,確定某種故障屬于預(yù)先設(shè)定好的第幾種故障,從而達(dá)到修理目的[3].

將SOM神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力調(diào)度自動(dòng)化系統(tǒng)故障檢測(cè)診斷的模型如圖4所示.

首先,初始化后根據(jù)原始數(shù)據(jù)樣本,選取故障特征,組成故障樣本庫(kù),作為輸入向量輸入到網(wǎng)絡(luò)的輸入層;接著運(yùn)行程序,確定好輸入故障特性后,在初始化SOM神經(jīng)網(wǎng)絡(luò)中,學(xué)習(xí)訓(xùn)練每一個(gè)輸入量. 待訓(xùn)練結(jié)束后,從輸出層中找出最大神經(jīng)元,并把它規(guī)定為標(biāo)準(zhǔn)故障. 隨后讓SOM網(wǎng)絡(luò)接收待檢測(cè)的數(shù)據(jù),利用經(jīng)LVQ網(wǎng)絡(luò)改進(jìn)后的SOM網(wǎng)絡(luò)對(duì)輸入與競(jìng)爭(zhēng)神經(jīng)元間的權(quán)值向量進(jìn)行調(diào)整,并按照標(biāo)準(zhǔn)故障類型進(jìn)行分類.最后對(duì)分類結(jié)果分析,比較競(jìng)爭(zhēng)層中在訓(xùn)練和測(cè)試結(jié)果中神經(jīng)元的位置,若前后兩個(gè)位置是相同的,說(shuō)明待檢測(cè)樣本屬于該標(biāo)準(zhǔn)故障[15]. 若不相同,則此樣本介于幾種標(biāo)準(zhǔn)故障樣本的位置之間,相似度與其測(cè)試位置距離相應(yīng)標(biāo)準(zhǔn)位置的歐式距離有關(guān)[16],需要使用改進(jìn)的SOM網(wǎng)絡(luò)進(jìn)一步的優(yōu)化.

圖4 電力調(diào)度自動(dòng)化系統(tǒng)故障檢測(cè)模型

3 實(shí)驗(yàn)構(gòu)建和分析結(jié)果

為了驗(yàn)證上述故障診斷模型是否有效,本文采用了某電力調(diào)控分中心提供的故障樣本數(shù)據(jù)集. 該電力調(diào)度自動(dòng)化系統(tǒng)資源管理平臺(tái)的業(yè)務(wù)重點(diǎn)主要集中在機(jī)房IT設(shè)備及系統(tǒng)運(yùn)維管理、機(jī)房檔案資料綜合管理、機(jī)房資源管理、機(jī)房運(yùn)行狀態(tài)監(jiān)測(cè)及告警管理、機(jī)房環(huán)境監(jiān)測(cè)數(shù)據(jù)集成管理等方面. 其中,在狀態(tài)監(jiān)測(cè)中,監(jiān)測(cè)的數(shù)據(jù)較為全面,比如針對(duì)服務(wù)器,監(jiān)測(cè)數(shù)據(jù)如表1所示.

3.1 建立故障樣本庫(kù)

利用在表1介紹的服務(wù)器常見(jiàn)監(jiān)測(cè)數(shù)據(jù),在此時(shí)間T1～T8提取的樣本數(shù)據(jù)集共有8個(gè)故障樣本,每個(gè)故障樣本中有8個(gè)特征,分別是P1(網(wǎng)口)、P2(電源)、P3(內(nèi)存)、P4(硬盤)、P5(CPU)、P6(溫度)、P7(風(fēng)扇)、P8(應(yīng)用進(jìn)程),使用SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷. 所有數(shù)據(jù)均為歸一化后的結(jié)果,如表2所示.

表1 服務(wù)器常見(jiàn)監(jiān)測(cè)數(shù)據(jù)

3.2 實(shí)驗(yàn)設(shè)備和條件

本實(shí)驗(yàn)的硬件平臺(tái)： 操作系統(tǒng)為Windows 8.1專業(yè)版,CPU為英特爾酷睿TMi3-4030U,1.90 GHz,內(nèi)存4 GB,硬盤150 GB,軟件平臺(tái)為MATLAB R2016a.

在本實(shí)驗(yàn)中,我們使用MATLAB語(yǔ)言來(lái)創(chuàng)建SOM神經(jīng)網(wǎng)絡(luò)并用數(shù)據(jù)在網(wǎng)絡(luò)中學(xué)習(xí)訓(xùn)練.MATLAB為我們提供了豐富的工具函數(shù)[17],本實(shí)驗(yàn)用到的工具函數(shù)如表3所示.

表2 歸一化后故障庫(kù)提取的故障特征

表3 本實(shí)驗(yàn)所用的MATLAB工具函數(shù)

3.3 實(shí)驗(yàn)結(jié)果和分析

在實(shí)驗(yàn)中,由表2中的歸一化數(shù)據(jù),通過(guò)改變訓(xùn)練步數(shù)來(lái)逐漸提升訓(xùn)練精度. 首先采用SOM神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行網(wǎng)絡(luò)診斷的結(jié)果如表4所示,接著采用改進(jìn)的SOM網(wǎng)絡(luò)再進(jìn)行一次實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表5所示.

表4 使用SOM網(wǎng)絡(luò)的分類結(jié)果

表5 使用改進(jìn)的SOM網(wǎng)絡(luò)的分類結(jié)果

通過(guò)表4數(shù)據(jù)表明,在改進(jìn)前,使用SOM網(wǎng)絡(luò)正常訓(xùn)練學(xué)習(xí),當(dāng)進(jìn)一步提升訓(xùn)練強(qiáng)度,可以發(fā)現(xiàn),若訓(xùn)練步數(shù)調(diào)整到200,每一類訓(xùn)練樣本都劃分成一類故障,這樣就可以顯而易見(jiàn)地觀察到分類效果了. 當(dāng)訓(xùn)練步數(shù)在200以上再提升時(shí),樣本劃分的結(jié)果是一樣的,所以可以推斷若進(jìn)一步提高訓(xùn)練步數(shù),不僅不會(huì)提高精確度,反而降低了學(xué)習(xí)速度. 但和表5數(shù)據(jù)對(duì)比,可以發(fā)現(xiàn),在用LVQ網(wǎng)絡(luò)改進(jìn)SOM算法后,聚類效果也是有了顯著的提升. 在表5中,隨著訓(xùn)練步數(shù)的增加,分類的結(jié)果開(kāi)始向第一類故障P1聚集. 最后經(jīng)改進(jìn)的SOM網(wǎng)絡(luò)將未知的故障樣本分到了第一類故障中. 可以看出經(jīng)LVQ改進(jìn)的SOM神經(jīng)網(wǎng)絡(luò)的效果比SOM網(wǎng)絡(luò)要好,這也表明LVQ神經(jīng)網(wǎng)絡(luò)用于故障檢測(cè)是有效的.

在這里設(shè)置競(jìng)爭(zhēng)層神經(jīng)元有6*6=36個(gè)神經(jīng)元. 圖5和圖6為SOM網(wǎng)絡(luò)改進(jìn)前后訓(xùn)練臨近神經(jīng)元之間的距離情況,在圖中,紫色六邊形代表神經(jīng)元,紅線表示各神經(jīng)元間存在的一定連接,每個(gè)四邊形中的顏色表示神經(jīng)元間相距的遠(yuǎn)近程度,顏色由淺入深,說(shuō)明神經(jīng)元間由近致遠(yuǎn). 由圖可以看到,圖6相比于圖5,淺色所占的比例更大,且更為集中,說(shuō)明神經(jīng)元間的聚合程度比改進(jìn)前有了較大的提高,在電力調(diào)度系統(tǒng)故障檢測(cè)中,可以充分利用此方法,更為精確地明確故障原因,排除其他故障.

圖5 SOM網(wǎng)絡(luò)臨近神經(jīng)元間的距離

圖6 改進(jìn)SOM網(wǎng)絡(luò)臨近神經(jīng)元間的距離

各神經(jīng)元在經(jīng)過(guò)改進(jìn)SOM網(wǎng)絡(luò)訓(xùn)練前后,最后得出的分類情況如圖7和圖8所示,紫色六邊形表示在競(jìng)爭(zhēng)獲得勝利的神經(jīng)元,每一個(gè)獲勝的神經(jīng)元代表著一類具體的故障. 由分類情況可以發(fā)現(xiàn),改進(jìn)前各故障之間分布相對(duì)集中,尤其在圖7中,左下角的部分兩個(gè)神經(jīng)元彼此相鄰,這兩種故障的界定就不是很明顯,在診斷時(shí)容易誤診,因此需要進(jìn)一步的診斷. 但在改進(jìn)SOM后,各神經(jīng)元之間分布相對(duì)分散,對(duì)故障比改進(jìn)前有了更為精確的分類.

圖7 SOM網(wǎng)絡(luò)各神經(jīng)元的分類情況

圖8 改進(jìn)SOM網(wǎng)絡(luò)各神經(jīng)元的分類情況

4 結(jié)束語(yǔ)

本文在分析SOM神經(jīng)網(wǎng)絡(luò)原理基礎(chǔ)上,圍繞著電力調(diào)度自動(dòng)化系統(tǒng)的故障檢測(cè)問(wèn)題,利用LVQ網(wǎng)絡(luò)和SOM網(wǎng)絡(luò),初步設(shè)計(jì)實(shí)現(xiàn)了改進(jìn)SOM神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)模型,并利用數(shù)據(jù)進(jìn)行了仿真實(shí)驗(yàn). 結(jié)果表明,改進(jìn)SOM神經(jīng)網(wǎng)絡(luò)算法可以初步解決電力系統(tǒng)故障診斷問(wèn)題,故障檢測(cè)能力也優(yōu)于SOM網(wǎng)絡(luò),在實(shí)際生產(chǎn)實(shí)踐中有著重要的現(xiàn)實(shí)意義. 雖然本文對(duì)SOM作出了一些實(shí)效性的改進(jìn),但對(duì)于SOM算法本身,仍然發(fā)現(xiàn)了一些不足,比如關(guān)于學(xué)習(xí)速度和最終權(quán)值向量的穩(wěn)定性,SOM算法不能兼顧兩者等問(wèn)題. 這將是要在下一步需要努力攻克的. 當(dāng)然,在本文實(shí)驗(yàn)中,實(shí)驗(yàn)環(huán)境等其他一些忽略的故障因素等問(wèn)題,也是今后要考慮解決的.

1謝天才,張玉娟,楊宏剛. SOM神經(jīng)網(wǎng)絡(luò)在風(fēng)力發(fā)電機(jī)組故障診斷中的應(yīng)用. 電子技術(shù)與軟件工程,2016,(10)：30-32.

2彭紅毅,蔣春福,朱思銘. 一種改進(jìn)的高維數(shù)據(jù)可視化模型. 計(jì)算機(jī)科學(xué),2007,34(4)： 175-178.

3高飛. 基于計(jì)算智能技術(shù)的精益物流信息化平臺(tái)的研究與實(shí)現(xiàn)[碩士學(xué)位論文]. 杭州： 浙江理工大學(xué),2016.

4周晶,余家祥,司南,等. 基于SOM神經(jīng)網(wǎng)絡(luò)的航舵故障分類方法. 信息與電子工程,2012,10(3)： 339-342.

5張靜. 基于SOM的變壓器故障診斷研究. 電力學(xué)報(bào),2014,29(4)： 318-321.

6印洪浩,彭中波. 船用離心泵故障SOM網(wǎng)絡(luò)診斷方法. 中國(guó)航海,2012,35(2)： 24-28.

7王小川,史峰,郁磊,等. Matlab神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析.北京： 北京航空航天大學(xué)出版社,2013： 8.

8王智勇. 基于統(tǒng)計(jì)降維和Kohonen網(wǎng)絡(luò)的文本聚類和分類研究[碩士學(xué)位論文]. 天津： 天津大學(xué),2005.

9周豫蘋,鄭荔萍. 基于LVQ算法的SOM神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)系統(tǒng)中的應(yīng)用. 電腦與信息技術(shù),2009,17(6)： 1-3.

10劉文軒,嚴(yán)鳳,田霖,等. 基于LVQ神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位方法. 電力系統(tǒng)保護(hù)與控制,2012,40(5)： 90-95. [doi：10.7667/j.issn.1674-3415.2012.05.017]

11夏飛,羅志疆,張浩,等. 混合神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用. 電子測(cè)量與儀器學(xué)報(bào),2017,31(1)： 118-124.

12Martín-Valdivia MT,Ure?a-López LA,García-Vega M. The learning vector quantization algorithm applied to automatic text classification tasks. Neural Networks,2007,20(6)：748-756. [doi： 10.1016/j.neunet.2006.12.005]

13Nayef BH,Sahran S,Hussain RI,et al. Brain imaging classification based on learning vector quantization.Proceedings of the 1st International Conference on Communications,Signal Processing,and Their Applications.Sharjah,Sharjah. 2013. 1-6.

14朱玉斌,李華聰. 基于LVQ網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)氣路故障特征提取方法研究. 測(cè)控技術(shù),2014,33(6)： 24-27.

15董文龍. 基于性能特征和故障征兆的數(shù)控機(jī)床故障診斷方法[碩士學(xué)位論文]. 武漢： 華中科技大學(xué),2013.

16馬旭凱,谷立臣,李世龍. 基于SOM神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷. 機(jī)械制造與研究,2009,38(2)： 81-83.

17董長(zhǎng)虹. Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用. 北京： 國(guó)防工業(yè)出版社,2007.