摘要：本文首先詳細分析了混合神經(jīng)網(wǎng)絡(luò)系統(tǒng)原理，并且以此作為基礎(chǔ)條件和核心因素，進一步總結(jié)出混合神經(jīng)網(wǎng)絡(luò)應(yīng)用策略。

關(guān)鍵詞：混合神經(jīng)網(wǎng)絡(luò);變壓器;故障診斷;系統(tǒng)原理

變壓器是一種用于電能轉(zhuǎn)換的重要電器設(shè)備，在工業(yè)生產(chǎn)中占據(jù)著舉足輕重的地位，它的可靠運行對維護電力系統(tǒng)的安全穩(wěn)定具有重大意義，因此，對變壓器進行故障的早期預(yù)測、檢測是十分必要的。

一、混合神經(jīng)網(wǎng)絡(luò)系統(tǒng)原理

（一）SOM神經(jīng)網(wǎng)絡(luò)基礎(chǔ)原理

SOM神經(jīng)網(wǎng)絡(luò)在建設(shè)過程中，最初由芬蘭提出了無監(jiān)督神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模式，此種學(xué)習(xí)模式將人腦相關(guān)的神經(jīng)元基礎(chǔ)屬性應(yīng)用至神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，并且經(jīng)過多次、頻繁的訓(xùn)練，完成和實現(xiàn)了對互聯(lián)網(wǎng)輸入模式的凝聚劃分。SOM神經(jīng)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)包含信息輸入階層以及系統(tǒng)競爭結(jié)構(gòu)層兩種發(fā)展結(jié)構(gòu)模式，其中信息輸入階層所產(chǎn)生的輸入節(jié)點與競爭結(jié)構(gòu)層的神經(jīng)元相互連接，為此需要使用連接權(quán)數(shù)值提高標識連接基礎(chǔ)強度。其中當傳輸信息量為T參數(shù)傳輸至網(wǎng)絡(luò)結(jié)構(gòu)時，則需要按照標準公式針對輸入向量與競爭神經(jīng)元之間計算標準距離，進而選找出距離最小的神經(jīng)元參數(shù)。而使用其他參數(shù)公式則需要針對網(wǎng)絡(luò)神經(jīng)元先關(guān)領(lǐng)域中所包含的神經(jīng)權(quán)利數(shù)值系數(shù)進行調(diào)整和控制。

（二）PSO-SOM計算原則

PSO-SOM計算過程中，神經(jīng)網(wǎng)絡(luò)與其他無監(jiān)督凝聚類精算方式相比較，基礎(chǔ)收斂速度和效率極快并且學(xué)習(xí)過程更加精準，加上凝聚類計算結(jié)果的權(quán)利數(shù)值對于其初始分布影響相對較大，加上權(quán)利參數(shù)初始分布情況是隨機分布，所以越來越多技術(shù)人員將PSO計算方式與SOM計算方式相互結(jié)合，最終完善系統(tǒng)計算問題和不足[1]。

由于PSO參數(shù)計算方式主要計算原則和思想是以粒子最優(yōu)化，進一步模擬鳥類覓食等相關(guān)行為，并且通過數(shù)據(jù)迭代記錄等管理方式不斷更新最佳參數(shù)信息，而每次信息更新迭代環(huán)節(jié)中，其粒子物質(zhì)與該物質(zhì)具體位置需要按照標準公式進行全面更新和完善。其中在隨機數(shù)據(jù)不斷更新和完善環(huán)節(jié)上，第i個粒子物質(zhì)需要在第d維度上保證位置的標準性，粒子運轉(zhuǎn)速度需要在第i個粒子物質(zhì)上現(xiàn)出第d維度上的個體極限數(shù)值，并且還需要在其他維度上展現(xiàn)出全局極限數(shù)值。除此之外，采用PSO算法優(yōu)化SOM神經(jīng)網(wǎng)絡(luò)的初始權(quán)值向量，優(yōu)化得到的結(jié)果即為SOM網(wǎng)絡(luò)的最佳連接權(quán)值參數(shù)，以此為基礎(chǔ)構(gòu)建SOM網(wǎng)絡(luò)并進行網(wǎng)絡(luò)訓(xùn)練，實現(xiàn)樣本分類。

二、混合神經(jīng)網(wǎng)絡(luò)應(yīng)用策略

本次研究過程中，變壓設(shè)備可能產(chǎn)生的故障問題需要以設(shè)備運行現(xiàn)狀作為研究理論基礎(chǔ)條件，并且結(jié)合絕緣性氣體物質(zhì)的核心含量開展深入探索，為此技術(shù)人員實際開展混合神經(jīng)網(wǎng)絡(luò)研究時，應(yīng)該根據(jù)物質(zhì)不同參數(shù)，對無故障設(shè)備、中低溫、高熱量以及低熱量等相關(guān)互聯(lián)網(wǎng)種類進行詳細區(qū)分。其中0-1數(shù)值示所對應(yīng)的運轉(zhuǎn)狀態(tài)產(chǎn)生概率，數(shù)值越接近1時，表示混合神經(jīng)網(wǎng)絡(luò)處于異常狀態(tài)的可能性以及嚴重程度越大。所以本次實驗環(huán)境所使用的硬件平臺操作系統(tǒng)的CPU 為酷睿 2 雙核 E7500，2.93 GHz，內(nèi)存4 GB，硬盤150 GB，而軟件系統(tǒng)的平臺則為MATLAB7.9.0，并且軟件運轉(zhuǎn)系統(tǒng)需要為Windows旗艦版。

其中整個實驗環(huán)節(jié)包含至少5個不同類型的小組數(shù)值和參數(shù)，其測試樣本則需要由至少22組信息數(shù)據(jù)共同構(gòu)成，最終將整個實驗制作成訓(xùn)練樣本之后輸入SOM、PSO-SOM神經(jīng)網(wǎng)絡(luò)開展基礎(chǔ)訓(xùn)練，隨后針對統(tǒng)一化的測試數(shù)據(jù)樣本進行互聯(lián)網(wǎng)故障問題診斷，進而相互比較至少3種不同類型的計算方式之間的實際性能，最終實現(xiàn)對變壓設(shè)備所產(chǎn)生故障問題進行全面診斷和分析[2]。

本次實驗基礎(chǔ)參數(shù)設(shè)置為了保證基礎(chǔ)可行性，其粒子個數(shù)為50，并且保證粒子之間的運動學(xué)習(xí)質(zhì)量和效率為0.8，由于PSO計算方式與LVQ神經(jīng)互聯(lián)網(wǎng)更新次數(shù)與頻率分別為50，100，所以輸入階層節(jié)點數(shù)量為5，并且實驗過程中所隱含的階層點數(shù)量為8，輸出階層節(jié)點為5。

針對變壓器故障診斷的訓(xùn)練樣本數(shù)量進行統(tǒng)一化技術(shù)處理后，需要使用SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，針對其網(wǎng)格化訓(xùn)練開展全面分析，由于其訓(xùn)練次數(shù)和頻率為200次，為此需要將經(jīng)過互聯(lián)網(wǎng)所訓(xùn)練的樣本神經(jīng)元進行準確分類，對變壓設(shè)備所產(chǎn)生的故障問題進行詳細診斷，至少將22組測試樣本開展歸一化處理。

而在混合神經(jīng)網(wǎng)絡(luò)測試過程中，針對表格傳輸編碼進行詳細描述之后，進而針對變壓設(shè)備實際運行狀態(tài)和故障診斷繼續(xù)詳細對比，并且利用對比SOM神經(jīng)網(wǎng)絡(luò)參數(shù)計算方式進一步針對基礎(chǔ)診斷性能進行正確且合理的了解。通過對混合神經(jīng)網(wǎng)絡(luò)運轉(zhuǎn)現(xiàn)狀進行詳細分析，使用SOM神經(jīng)網(wǎng)絡(luò)計算方式所產(chǎn)生的互聯(lián)網(wǎng)問題診斷所得到效果并不完整且理想化，所以所得到的診斷精準程度明顯不高。

PSO-SOM計算方式在實施過程中，應(yīng)該在SOM神經(jīng)網(wǎng)絡(luò)系統(tǒng)基礎(chǔ)上進行不斷優(yōu)化和改進，所以該計算方式所產(chǎn)生的迭代更新頻率和次數(shù)需要設(shè)置為180次左右，并且經(jīng)過互聯(lián)網(wǎng)進行項目訓(xùn)練之后，需要使用22小組測試樣本進行互聯(lián)網(wǎng)問題診斷。從變壓器故障診斷問題現(xiàn)狀能夠進一步觀察出，PSO-SOM計算方式在變壓設(shè)備所產(chǎn)生故障問題中應(yīng)用效果明顯不高，并且長期計算之后會存在大量誤差。為此，將兩種計算方式進行對比處理之后，PSO-SOM混合神經(jīng)計算方式在變壓器故障問題診斷環(huán)節(jié)上，其計算質(zhì)量明顯高于單一SOM計算方式最終效果，其中互聯(lián)網(wǎng)診斷數(shù)據(jù)模式使用混合方式相比單獨使用神經(jīng)網(wǎng)絡(luò)計算方式效率明顯高，但是其問題診斷仍然存在著誤差和遺漏[3]。

為了提高故障問題診斷效果和質(zhì)量水平，則需要使用PSO-SOM混合神經(jīng)網(wǎng)絡(luò)進行故障診斷以及網(wǎng)絡(luò)判斷，以此作為基礎(chǔ)條件設(shè)置PSO更新頻率以及互聯(lián)網(wǎng)診斷次數(shù)。使預(yù)計診斷數(shù)值與實際參數(shù)相互結(jié)合，確保判斷結(jié)果與實際運轉(zhuǎn)類型完全一致，保證預(yù)測結(jié)果的正確效率能夠達到100%。所以想要有效對比出不同類型的神經(jīng)網(wǎng)絡(luò)診斷中所產(chǎn)生的明顯差異性，需要針對不同類型的參數(shù)使用不同類型的數(shù)據(jù)計算方式，最終得出相關(guān)結(jié)論：變壓設(shè)備故障問題診斷測試樣本條件完全相同下，混合神經(jīng)網(wǎng)絡(luò)針對故障問題診斷程度最高，最終得到診斷正確率為100%，為此與單一混合神經(jīng)網(wǎng)絡(luò)相互比較，使用PSO-SOM神經(jīng)網(wǎng)絡(luò)故障診斷精準程度明顯較高，其精準程度為81%。

在所有故障問題診斷種類運轉(zhuǎn)過程中，由于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)針對高溫放電以及高能量放電兩種故障問題診斷能力相對較低，其中高能量放電成為了電壓設(shè)備故障問題診斷的主要樣本信息數(shù)據(jù)主體，所以至少有4組樣本信息數(shù)據(jù)得到了成功診斷，而在高壓過熱處理過程中，針對變壓器所產(chǎn)生的故障問題則不能全部有效診斷和處理。從不同的計算方式進行比較，SOM神經(jīng)網(wǎng)絡(luò)對測試樣本故障問題的基礎(chǔ)效果明顯最差，其測算精準程度為72%。低能量放電所產(chǎn)生的故障問題則需要利用不同類型的信息數(shù)據(jù)進行分別診斷，最終得出相關(guān)結(jié)論：穩(wěn)定測試環(huán)境下，該混合神經(jīng)網(wǎng)絡(luò)對低溫過熱或者高溫過熱等兩種故障問題診斷效果并不理想。

結(jié)束語：

與此可見，本次實驗使用PSO計算方式和SOM神經(jīng)網(wǎng)絡(luò)相互結(jié)合等進一步優(yōu)化了該神經(jīng)網(wǎng)絡(luò)平臺的權(quán)利數(shù)值，從而完善了SOM神經(jīng)網(wǎng)絡(luò)平臺的初始結(jié)構(gòu)固定信息，隨后再結(jié)合有效監(jiān)督學(xué)習(xí)模式針對其計算方式所產(chǎn)生的問題進行全面優(yōu)化和改進。

參考文獻：

[1]徐新， 蔣波濤， 曹雯. 蝗蟲優(yōu)化神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J]. 電網(wǎng)與清潔能源， 2021， 37（5）：7-7.

[2]賈亦敏， 史麗萍， 嚴鑫. 基于精英混沌蜂群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J]. 高壓電器， 2020， 56（8）：7-7.

[3]孔德錢， 張新燕， 童濤，等. 基于差分進化算法與BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J]. 電測與儀表， 2020， 57（5）：5-5.

作者簡介;

馮安強（1991.11.26），性別：女;籍貫：泰安;民族：漢;學(xué)歷：研究生、碩士;職稱：工程師;研究方向：電氣工程