基于模糊关系与自组织竞争网络的变压器故障诊断

来源:用户上传      作者:

　　摘  要：纵观现阶段变压器故障诊断的相关研究，发现传统的诊断方式存在着诸多的弊端，对比于人工智能网络诊断方法来说，其发挥出的作用并不明显。基于人工智能网络诊断方法的研究，构建自组织竞争网络模型，在此基础上的电力变压器故障诊断方法更加的科学。基于此，文章将重点阐述模糊关系与自组织竞争网络的变压器故障诊断。
　　关键词：模糊关系;自组织竞争网络;变压器故障;诊断方式
　　中图分类号：TP391         文献标志码：A         文章编号：2095-2945（2020）08-0059-02
　　Abstract： Throughout the relevant research of transformer fault diagnosis at the present stage， it is found that the traditional diagnosis method has many disadvantages， compared with the artificial intelligence network diagnosis method， its role is not obvious. Based on the research of artificial intelligence network diagnosis method， the self-organizing competitive network model is constructed， and the power transformer fault diagnosis method is more scientific. Based on this， this paper will focus on the transformer fault diagnosis based on fuzzy relation and self-organizing competitive network.
　　Keywords： fuzzy relation; self-organizing competitive network; transformer fault; diagnosis mode
　　為了更好的实现对变压器故障的合理分析，需要结合智能化技术的应用趋势，分析实时在线诊断和高可靠性诊断的实践价值[1]。依照变压器故障状态的等级划分和特征参数分析，在存在着诸多不确定性问题的基础上，借助于模糊理论中的隶属度函数实现对故障特征数据的合理化判断，可以获取更为可靠地故障类型分析，同时还能进一步总结故障数据的模糊关系。依照国家电网互联目标的实施情况，分析当前庞大的智能互联网在变电、输电及配电环境中扮演的重要角色，拟定科学的故障诊断方法，促使变压器始终保持在相对稳定的运行状态，给电网建设提供有效的支撑[2]。
　　1 变压器故障诊断模型分析
　　油中溶解气体分析法属于一种较为可靠的变压器故障诊断方法，属于电力变压器故障现场诊断较为直接的手段。但是在实际运用这种方法的过程中，反映出采集精确性不高、稳定性不强的问题，并且气相色谱柱无法迎合相对复杂的现场环境的需要。分析电力变压器故障识别体现出较为明显的模糊性，现阶段传统的油中溶解性气体故障诊断方式无法更好的反映变压器出现的故障种类及征兆存在的对应关系，可见其存在着弊端[3]。为了让非线性映射关系充分的反映出来，神经网络这类存在着自组织以及自学习能力的强大工具被合理的运用至具体的工作实践中。为了更好的解读电力变压器故障的基本情况，同时明确故障诊断的基本技术，主张在模糊理论的基础上，将其和自组织竞争神经网络建立起密切的联系，将其合理的运用至电力变压器故障识别工作中，由此对变压器故障的诊断精度提供可靠地保障[4]。
　　2 基于模糊理论和关系的变压器故障数据处理
　　电力变压器油中多种溶解性的故障特征气体存在着复杂的成分，同时还需要明确基本的含量问题，其与变压器的故障性质和严重的程度等存在着极为密切的关联，数学上也反映出诸多的映射关系。应该考虑的问题是电力变压器的故障存在着相应的产气机理，其存在着极为明显的特征，较为复杂且细化，油中气体的含量实际的分布情况无法通过相对简易的手段加以推测。受到不同运行环境的影响，电力变压器故障气体的组分以及相应的浓度等，往往可以彰显出较为明显的复杂特征，其中的映射问题也是一个非常重要的方面，所以依照特定环境下变压器的故障数据难以将故障的基本特征和类型之间的关系加以判断。基于上述的相关问题，对电力变压器故障诊断实践实际统计的故障样本做出合理的判断，具体的故障种类对应的溶解特征气体具体的隶属度值向量差异显著。也就是说在电力变压器的故障确定之后，不同特征的气体中存有三种以上的气体浓度关系密切，若是对这些气体的浓度进行合理科学的处理，可以获取对应的隶属度值，而五种特征气体隶属度值便使得变压器的故障特征输入向量得以获取。
　　3 自组织竞争网络结构的概述
　　这种神经元网络属于相对独立的一种网络结构，其主要是一种单层网络，对应的输入和输出节点之间始终建立着极为显著的完全互联模式，同时构建起对应的完全互联模式体系[5]。网络在学习中的竞争特性得以充分的表现，具体反映在输出层上，因此可以通过基本的输出过程彰显出基本的特点，在竞争网络中将输出层称作竞争层，其担负着至关重要的职责，突出一种竞争关系，对比于输入节点相连的权值和输入，主要被称之为输入层。自组织竞争网络中涵盖着输入层和竞争层，两者之间的关系十分的密切，同时还反映出对应的竞争模式。依照竞争的规则，竞争层中所涉及到的神经元体现出最大加权值的神经元取得最终的胜利，输出的权值则是依照权值的公式进行合理的调整。权值调整公式中往往涉及到不同的项，若是其中一项是1的时候，权值则会增加;若是存在着0时，则权值会逐渐的减小。在网络竞争层中，不同的神经元竞争针对于输入模式的响应机会表现的较为突出，而反映出的成果也证实了具体的工作模式，最后仅有一个神经元能够成为竞争中的获胜方，这个获胜的神经元也就是最终模式需要输出的结果。 　　4 基于模糊关系与自组织竞争网络的变压器故障诊断
　　4.1 网络学习的训练实践
　　依照上述相关步骤实际分析的基本情况，了解到收集到的不同电力变压器故障种类及无故障种类的相关样本数据，在对获取的基本信息进行了模糊处理后，获取了对应的故障数据样本向量，为后续相关任务的开展奠定了可靠的基础。通过将实施了对应处理后的变压器故障样本向量合理的输入至已经构建起的神经网络模型之中，使得相应的神经网络模型关注到相关样本的实际状态，在对其进行合理的分析后，借助于MATLAB仿真软件进行科学的学习训练。整个训练的过程会涉及到部分细节性的问题，考虑到自组织竞争神经网络的特殊性，明确其本身就是一种无监督、自学习的网络模式，同时还能实现无预期的输出，属于融合了人工智能技术的网络。这种模型在实际学习的时候，不需要对训练停止的有效误差项进行设置，仅仅需要对模型训练的相关次数予以明确即可。在设定这种模型训练循环迭代次数的时候，应该将其控制在200次为最佳，学习的速率需要适当的设置于0.1，当这种网络的学习训练在模型达到了最大循环迭代次数的时候即可停止。經过对学习训练的数据及时的输出，分析相关的结果和原始样本的分类结果情况，在相互对比的过程中，发现网络分类结果处于吻合的状态。
　　4.2 故障的具体实践测试
　　在变电站的电力变压器故障数据的相关记录中，能够清楚的了解到分析的主体，随机的选出对应的变压器故障种类和无故障种类，将其适当的组合，使其成为100组故障特征输入向量，将其作为主要的分析对象，同时根据其实际的情况做出合理的判断[6]。将其适当的导入至自组织竞争神经网络模型中，之后落实相应的变压器故障诊断工作，将获取的结果做出科学的判断和分析，使其与变压器故障数据加以分析，前提是确保相关的数据未经模糊关系的处理，还是通过直接的构成特征向量完成了有效的导入，适时的导入至自组织精神网络模型的诊断过程中，促使诊断的结果能够及时的完成对比分析，让实际的故障诊断对比结果更加的直观且真实。经过合理的统计与对比，在模糊理论的影响下，借助于模糊关系的处理方式，使得变压器故障数据被自组织竞争网络进行合理科学的判断，正确的划分出不同的类型，分类诊断结果和实际故障的结果呈现出相对吻合的状态，处于完全吻合的模式之下，但是没有经过模糊关系处理的变压器故障数据，通过借助于自组织竞争网络的作用，使其划分出三种类型，反映出故障诊断错误的问题，这对于故障的实际结果不相符。可见在具体的实践中，还是应该重视理论和实践的相互结合，只有两者密切联系，才能保证结果符合实际的情况，给相关工作的开展提供有效的参考依据。
　　5 结束语
　　借助于自组织竞争神经网络实际存在的自组织以及自学习特征，可以在开展相关工作的时候，积极的将相关的特征利用起来，保证对电力变压器故障及时的判定，实现实时在线诊断的目标，这将富有现实意义。借助于模糊理论中隶属度函数知识，变压器的故障种类以及相应的故障特征等表现出极为显著的含量模糊关系，为建立在自组织竞争网络上的变压器故障诊断提供了合理的数据预处理机会，确保含有故障特征气体含量值充分反映出来，同时又能充分的映射至特定的区间中，构成方便网络识别和判断的输入数据。就是因为相关实践方案的存在，使得自组织竞争网络本身存有的弊端加以规避，在具体运用的时候，避免了无规律、突变冗余的变压器故障数据问题，这对于完成电力变压器的故障在线诊断目标有着较大的帮助，并且反映出极为理想的可靠性识别成效。
　　参考文献：
　　[1]葛燕燕，李鑫，冯烁，等.基于熵权模糊综合评价模型的多层叠置含煤层气系统合层排采水源判别[J].煤炭技术，2019，38（12）：73-75.
　　[2]刘存香，刘学军，莫韦花.多序关系分析——模糊综合评价法在轿车电液制动系统方案评判中的应用[J].机电工程，2019，36（10）：1089-1093.
　　[3]马海龙.基于多信息融合的刮板输送机减速机模糊故障诊断专家系统[J].煤矿机械，2019，40（09）：174-176.
　　[4]薛敏，史轩亚，杜义飞.企业关键主体二元网络关系对其能力进阶的影响——基于模糊集定性比较分析[J].技术经济，2019，38（05）：21-28.
　　[5]黄柯，熊清泉.Addition-Max合成模糊关系不等式系统的极大解[J].模糊系统与数学，2018，32（06）：106-116.
　　[6]朱天翔，林海涛，杨晓鹏.约束条件为加法-取小模糊关系系统的带权min-max规划[J].运筹与管理，2018，27（10）：97-101.
转载注明来源:https://www.xzbu.com/1/view-15126451.htm