CN106526373A - 一种基于Spiking神经网络的变压器故障状态监测方法 - Google Patents

Abstract

一种基于Spiking神经网络的变压器故障状态监测方法。其包括利用特征气体法确定Spiking神经网络的输入层、输出层神经元个数，并确定输入样本数据；确定Spiking神经网络隐含层的神经元个数；对输入样本数据进行归一化处理；对输入样本数据进行编码；将输入样本数据输入到Spiking神经网络中而对其进行训练，输出即为变压器的故障状态监测结果。本发明：针对变压器故障状态监测问题，以充油电力变压器作为研究对象，所采用的Spiking神经网络采用精确脉冲时间的编码方式，更接近真实的生物神经系统，相比其它神经网络具有强大的计算能力，能有效判别变压器故障类型、减少错判、误判比率、提供诊断的准确性。

Description

一种基于Spiking神经网络的变压器故障状态监测方法

技术领域

本发明属于变压器故障状态监测技术领域，特别是涉及一种基于Spiking神经网络的变压器故障状态监测方法。

背景技术

电力变压器是电力网络能量传输的枢纽设备，其工作状态的好坏会直接关系到整个电网的负荷分配、供电可靠性等。运用故障诊断方法可以及时查出内部的早期故障，评估变压器状态，为负荷调度提供决策参考，制定状态检修计划，保证电网可靠安全运行。变压器内绝缘油和有机绝缘材料随着运行时间的增加，在热和电的长期作用下会逐渐老化和分解，并产生极少量的气体,这些绝缘油中溶解的特征气体包括氢气、甲烷、乙烯、乙烷、乙炔、一氧化碳和二氧化碳等。在长期的科学研究和变压器故障诊断实践中摸索、总结出来了可通过绝缘油中溶解的特征气体的浓度信息来直接反映故障信息或通过简单的比值计算来判断故障类型的方法而对变压器故障进行诊断，通常称之为溶解气体分析(DGA)方法。基于DGA的变压器故障诊断的传统方法主要有特征气体法和三比值法，但这些传统诊断方法又存在很多不足。尽管有学者基于BP、RBF神经网络理论、灰色系统理论、专家系统理论、模糊数学理论等提出了一些智能诊断方法，但这些诊断方法在处理大量历史数据以及故障监测精度方面仍面临着巨大的挑战。近年来，研究人员发现Spiking神经网络(SNN)即第三代神经网络采用时间编码的方法进行信息的传递和计算，能更逼真地反映反映实际生物神经系统。SNN在模式识别和分类中具有优越的性能，特别适用于解决高维聚类和非线性分类等问题。而且已经证实SNN可以完成任意前向Sigmoid神经网络的功能，并且可以逼近任意连续函数，因而比其他类型的神经网络具有更强的计算能力和更好的适用性。依托SNN形成一种更为有效的方法以提高故障诊断的速度与精度已经成为变压器故障诊断工作者的研究目标之一。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于Spiking神经网络的变压器故障状态监测方法。

为了达到上述目的，本发明提供的基于Spiking神经网络的变压器故障状态监测方法包括包括按顺序执行的下列步骤：

1)利用特征气体法确定Spiking神经网络的输入层、输出层神经元个数，并确定输入样本数据；

2)确定Spiking神经网络隐含层的神经元个数；

3)对上述输入样本数据进行归一化处理；

4)对上述经过归一化处理后的输入样本数据进行编码；

5)将上述编码后的输入样本数据输入到Spiking神经网络中而对其进行训练，输出即为变压器的故障状态监测结果。

在步骤1)中，所述的Spiking神经网络的输入层神经元为H₂、CH₄、C₂H₆、C₂H₄、C₂H₂这5种气体的浓度；输入样本数据由多组这些气体的浓度数据组成；Spiking神经网络输出层的4个神经元q选取中低温过热、高温过热、低能放电和高能放电这4种故障类型。

在步骤2)中，所述的Spiking神经网络隐含层的神经元个数按照确定BP神经网络隐含层神经元个数的经验公式(1)来确定：

式中：p为隐含层I神经元个数；n为输入层H神经元个数；q为输出层J神经元个数；a为1～10之间的整数。

在步骤3)中，所述的对上述输入样本数据进行归一化处理的方法是：将输入样本数据限制在[0,1]或[-1,1]区间内。

在步骤4)中，所述的对上述经过归一化处理后的输入样本数据进行编码的方法是：采用Time-to-first-spike方法对Spiking神经网络的输入样本数据进行编码；在上述经过归一化到区间[0,1]内的输入样本数据中，记最大值1对应的神经元发射时间为0ms，其将首先发射脉冲，记最小值0对应的神经元发射时间为T_max，其最后发射脉冲；将模拟量的输入样本数据转换成脉冲时间的公式如下：

T＝T_max(1-p^*) (2)

式中：p^*为经过归一化的输入样本数据；T_max为最大脉冲发射时间；T为神经元的脉冲发射时间，ms。

在步骤5)中，所述的对piking神经网络进行训练的方法是：采用Bohte提出的有监督学习方法—SpikeProp算法，该算法具体步骤如下：

5.2.1)设置网络参数，初始化权值为小的随机值；计当前迭代次数t＝1，最大迭代次数cnt；

5.2.2)依次输入P个输入样本数据，对于当前输入样本数据cp，将其输入向量作为输入层H的输入，计算输出层J中任意神经元j的实际脉冲发射时间

式中：ε(t)是脉冲响应函数(SRF)；τ为PSP衰减时间常数，ms；为隐含层I中神经元i对输出层J神经元未加权重的激励；t_i为神经元i的脉冲发射时间，ms；X_j(t)为输出层J神经元j的膜电位值，mV；m为连续层任意两神经元间突触子连接的个数；为神经元i和j之间第k个突触子连接的权值；

5.2.3)若cp＜P，则令cp＝cp+1，跳转到步骤5.2.2，否则转步骤5.2.4；

5.2.4)计算网络训练误差E，并按照权值修正公式修正各层连接权值；

式中：为输出层J神经元实际发射脉冲的时间；为期望的脉冲发射时间。

式中：分别为隐含层I—输出层J和输入层H—隐含层I之间的权值修正量；η为网络学习率；δ_j、δ_i为便于公式推导引入的中间变量；_Γj为与输出层J神经元j直接相连的隐含层I中的神经元的集合；_Γi为与隐含层I神经元i直接相连的输入层H中的神经元的集合；_Γ ⁱ为与隐含层I神经元i直接相连的输出层J中的神经元的集合；

5.2.5)按照修正后的连接权值，计算各层输出和网络训练误差E，若E＜ε(设定的误差上限)或t＞cnt，则训练终止，否则，令t＝t+1，转入步骤5.2.2重新进行训练；输出结果为1表示属于此类故障，0则表示不属于此类故障。

本发明提供的基于Spiking神经网络的变压器故障状态监测方法的效果：本发明针对变压器故障状态监测问题，以充油电力变压器作为研究对象，所采用的Spiking神经网络采用精确脉冲时间的编码方式，更接近真实的生物神经系统，相比其它神经网络具有强大的计算能力，能有效判别变压器故障类型、减少错判、误判比率、提供诊断的准确性。

附图说明

图1为第h和i个神经元间多个有延迟突触终端的连接图；

图2为训练算法流程图；

图3为本发明提供的基于Spiking神经网络的变压器故障状态监测方法流程图；

图4为三种方法故障诊断训练过程误差变化图。

具体实施方式

下面结合附图和具体实施例对本发明提供的基于Spiking神经网络的变压器故障状态监测方法进行详细说明。

如图3所示，本发明提供的基于Spiking神经网络的变压器故障状态监测方法包括按顺序执行的下列步骤：

1)利用特征气体法确定Spiking神经网络的输入层、输出层神经元个数，并确定输入样本数据；

变压器绝缘油中溶解的特征气体可以反映故障点引起的周围绝缘油、绝缘纸的热分解本质。特征气体的组分随着故障类型、故障能量及其涉及的绝缘材料的不同而各异。由于特征气体法对故障性质具有较强的针对性，比较直观、方便，但缺点是没有明确量的概念。表1，2分别给出了采用特征气体法确定的变压器故障性质与绝缘油中溶解的特征气体的特点以及特征气体中主要成分与变压器异常情况的关系。

表1 变压器故障性质与特征气体的特点的关系

表2 特征气体中主要成分与变压器异常情况的关系

因为变压器故障常常以低能量的潜伏性故障开始，若不及时采取相应的措施，可能会发展成较严重的高能量故障。从表1、2的内容可以看出，变压器故障与绝缘油中溶解的特征气体浓度有关，因此，本发明选取H₂、CH₄、C₂H₆、C₂H₄、C₂H₂这5种气体的浓度作为Spiking神经网络输入层H的5个神经元n，由多组这些气体的浓度数据组成输入样本数据，选取中低温过热、高温过热、低能放电和高能放电这4种故障类型作为Spiking神经网络输出层J的4个神经元q。

2)确定Spiking神经网络隐含层的神经元个数；

Spiking神经网络隐含层I神经元个数p的确定是网络结构的重要内容之一，目前关于其个数的选取没有明确的方法和公式可以应用。本发明按照确定BP神经网络隐含层神经元个数的经验公式(1)来确定隐含层I的神经元个数p：

式中：p为隐含层I神经元个数；n为输入层H神经元个数；q为输出层J神经元个数；a为1～10之间的整数。

经过多次试验，本发明确定Spiking神经网络隐含层I的最佳神经元个数为13。

3)对上述输入样本数据进行归一化处理；

将上述步骤1)确定的输入样本数据进行归一化处理，以将其限制在[0,1]或[-1,1]区间内，这样可使所有分量都在0～1或-1～1之间变化，从而使网络训练一开始就给各输入分量以同等重要的地位，以消除原始数据形式不同所带来的不利，进而提高网络的泛化能力和预测精度。

4)对上述经过归一化处理后的输入样本数据进行编码；

由于Spiking神经网络是基于精确的脉冲发射时间进行信息的传递和计算的，因此必须将模拟量的输入样本数据转换成脉冲时间，本发明采用Time-to-first-spike方法对Spiking神经网络的输入样本数据进行编码。神经元发射脉冲的时刻与模拟量的输入样本数据值成比例，一般模拟量的输入样本数据值越大，对应发射脉冲的时间越早。在上述经过归一化到区间[0,1]内的输入样本数据中，记最大值1对应的神经元发射时间为0ms，其将首先发射脉冲，记最小值0对应的神经元发射时间为T_max，其最后发射脉冲。将模拟量的输入样本数据转换成脉冲时间的公式如下：

T＝T_max(1-p^*) (2)

式中：p^*为经过归一化的输入样本数据；T_max为最大脉冲发射时间；T为神经元的脉冲发射时间，ms。

5)将上述编码后的输入样本数据输入到Spiking神经网络中而对其进行训练，输出即为变压器的故障状态监测结果；

5.1)Spiking神经网络结构

Spiking神经网络的基本单元是Spiking神经元，其模型选用脉冲响应模型(SRM)。本发明采用3层前向Spiking神经网络，网络连续层中任意神经元h和i间的连接结构如图1所示。

由图1可以看出，Spiking神经网络连续层中任意两个神经元，比如h和i之间，均有多个突触子连接，而且每个突触子连接具有可调节的突触延时d^k和连接权值W_hi ^k，这是其与BP神经网络结构上最大的区别。在编码方式上，Spiking神经网络采用时间编码的方式直接将神经元脉冲发射的时间信息作为输入输出信号，当神经元i接收到突触前神经元的输入，使其膜电位值由低到高并超过预先设定的神经元激发阈值θ时，其就发射一个脉冲，并发送一个输出信号，称为突触后电位(PSP)。Spiking神经网络特有的多突触结构以及时间编码方式，使其不仅具有强大的计算能力，较好的适用性，而且特别善于处理基于时间的问题。

5.2)Spiking神经网络的训练方法

Spiking神经网络的训练方法采用Bohte提出的有监督学习方法—SpikeProp算法，该算法的流程如图2所示，具体步骤如下。

5.2.1)设置网络参数，初始化权值为小的随机值；计当前迭代次数t＝1，最大迭代次数cnt；

5.2.2)依次输入P个输入样本数据，对于当前输入样本数据cp，将其输入向量作为输入层H的输入，计算输出层J中任意神经元j的实际脉冲发射时间

式中：ε(t)是脉冲响应函数(SRF)；τ为PSP衰减时间常数，ms；为隐含层I中神经元i对输出层J神经元未加权重的激励；t_i为神经元i的脉冲发射时间，ms；X_j(t)为输出层J神经元j的膜电位值，mV；m为连续层任意两神经元间突触子连接的个数；为神经元i和j之间第k个突触子连接的权值；

5.2.3)若cp＜P，则令cp＝cp+1，跳转到步骤5.2.2，否则转步骤5.2.4；

5.2.4)计算网络训练误差E，并按照权值修正公式修正各层连接权值；

式中：为输出层J神经元实际发射脉冲的时间；为期望的脉冲发射时间。

式中：分别为隐含层I—输出层J和输入层H—隐含层I之间的权值修正量；η为网络学习率；δ_j、δ_i为便于公式推导引入的中间变量；_Γj为与输出层J神经元j直接相连的隐含层I中的神经元的集合；_Γi为与隐含层I神经元i直接相连的输入层H中的神经元的集合；_Γ ⁱ为与隐含层I神经元i直接相连的输出层J中的神经元的集合；

5.2.5)按照修正后的连接权值，计算各层输出和网络训练误差E，若E＜ε(设定的误差上限)或t＞cnt，则训练终止，否则，令t＝t+1，转入步骤5.2.2重新进行训练；输出结果为1表示属于此类故障，0则表示不属于此类故障。

本发明人通过对400组溶解气体分析数据进行前期处理，挖掘出各类故障的典型数据200组作为Spiking神经网络的输入样本数据，然后分别将采用BP神经网络、RBF神经网络方法与本发明中的Spiking神经网络的训练过程进行了对比，图4为三种方法故障诊断训练过程误差变化图。

由图4可以看出，在诊断正确率方面，BP神经网络的故障诊断正确率为91％，高于RBF神经网络的89％，但与本发明方法中的Spiking神经网络94％还有一定差距；在网络的收敛速度方面，本发明方法较单纯RBF网络也有了一定提高，相对于BP神经网络收敛速度明显提高，并且相对于BP和RBF神经网络具有更高的预测精度和速度。

Claims (6)

1.一种基于Spiking神经网络的变压器故障状态监测方法，其特征在于：所述的基于Spiking神经网络的变压器故障状态监测方法包括按顺序执行的下列步骤：

1)利用特征气体法确定Spiking神经网络的输入层、输出层神经元个数，并确定输入样本数据；

2)确定Spiking神经网络隐含层的神经元个数；

3)对上述输入样本数据进行归一化处理；

4)对上述经过归一化处理后的输入样本数据进行编码；

5)将上述编码后的输入样本数据输入到Spiking神经网络中而对其进行训练，输出即为变压器的故障状态监测结果。

2.根据权利要求1所述的基于Spiking神经网络的变压器故障状态监测方法，其特征在于：在步骤1)中，所述的Spiking神经网络的输入层神经元为H₂、CH₄、C₂H₆、C₂H₄、C₂H₂这5种气体的浓度；输入样本数据由多组这些气体的浓度数据组成；Spiking神经网络输出层的4个神经元q选取中低温过热、高温过热、低能放电和高能放电这4种故障类型。

3.根据权利要求1所述的基于Spiking神经网络的变压器故障状态监测方法，其特征在于：在步骤2)中，所述的Spiking神经网络隐含层的神经元个数按照确定BP神经网络隐含层神经元个数的经验公式(1)来确定：

$p=\sqrt{n+q}+a---\left(1\right)$

式中：p为隐含层I神经元个数；n为输入层H神经元个数；q为输出层J神经元个数；a为1～10之间的整数。

4.根据权利要求1所述的基于Spiking神经网络的变压器故障状态监测方法，其特征在于：在步骤3)中，所述的对上述输入样本数据进行归一化处理的方法是：将输入样本数据限制在[0,1]或[-1,1]区间内。

5.根据权利要求1所述的基于Spiking神经网络的变压器故障状态监测方法，其特征在于：在步骤4)中，所述的对上述经过归一化处理后的输入样本数据进行编码的方法是：采用Time-to-first-spike方法对Spiking神经网络的输入样本数据进行编码；在上述经过归一化到区间[0,1]内的输入样本数据中，记最大值1对应的神经元发射时间为0ms，其将首先发射脉冲，记最小值0对应的神经元发射时间为T_max，其最后发射脉冲；将模拟量的输入样本数据转换成脉冲时间的公式如下：

T＝T_max(1-p^*) (2)

式中：p^*为经过归一化的输入样本数据；T_max为最大脉冲发射时间；T为神经元的脉冲发射时间，ms。

6.根据权利要求1所述的基于Spiking神经网络的变压器故障状态监测方法，其特征在于：在步骤5)中，所述的对piking神经网络进行训练的方法是：采用Bohte提出的有监督学习方法—SpikeProp算法，该算法具体步骤如下：

5.2.1)设置网络参数，初始化权值为小的随机值；计当前迭代次数t＝1，最大迭代次数cnt；

5.2.2)依次输入P个输入样本数据，对于当前输入样本数据cp，将其输入向量作为输入层H的输入，计算输出层J中任意神经元j的实际脉冲发射时间

$\mathrm{\ϵ}\left(t\right)=\left\{\begin{array}{cc}\frac{t}{\mathrm{\τ}}{e}^{1-\frac{t}{\mathrm{\τ}}}& t>0\\ 0& t\≤0\end{array}\right.---\left(3\right)$

Y_i ^k(t)＝ε(t-t_i-d^k) (4)

$X_j\left(t\right)=\underset{i}{\Σ}\underset{k=1}{\overset{m}{\Σ}}{W}_{ij}^k{Y}_i^k\left(t\right)---\left(5\right)$

式中：ε(t)是脉冲响应函数(SRF)；τ为PSP衰减时间常数，ms；为隐含层I中神经元i对输出层J神经元未加权重的激励；t_i为神经元i的脉冲发射时间，ms；X_j(t)为输出层J神经元j的膜电位值，mV；m为连续层任意两神经元间突触子连接的个数；为神经元i和j之间第k个突触子连接的权值；

5.2.3)若cp＜P，则令cp＝cp+1，跳转到步骤5.2.2，否则转步骤5.2.4；

5.2.4)计算网络训练误差E，并按照权值修正公式修正各层连接权值；

$E=\frac{1}{2}\underset{j\∈J}{\Σ}{(t_j^a-t_j^d)}^2---\left(7\right)$

式中：为输出层J神经元实际发射脉冲的时间；为期望的脉冲发射时间。

${\mathrm{\ΔW}}_{ij}^k=-{\mathrm{\η\δ}}_j{Y}_i^k\left(t_j^a\right)---\left(8\right)$

${\mathrm{\ΔW}}_{hi}^k=-{\mathrm{\η\δ}}_i{Y}_h^k\left(t_j^a\right)---\left(9\right)$

${\mathrm{\δ}}_j=\frac{(t_j^d-t_j^a)}{\underset{i\∈{\mathrm{\Γ}}_j}{\Σ}\underset{k}{\Σ}{W}_{ij}^k\frac{\∂Y_i^k\left(t_j^a\right)}{\∂t_j^a}}---\left(10\right)$

${\mathrm{\δ}}_i=\frac{\underset{j\∈{\mathrm{\Γ}}^i}{\mathrm{\Σ}}{\mathrm{\δ}}_j\left\{\underset{k}{\mathrm{\Σ}}{W}_{ij}^k\frac{\∂Y_i^k\left(t_j^a\right)}{\∂t_i^a}\right\}}{\underset{h\∈{\mathrm{\Γ}}_i}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{W}_{hi}^k\frac{\∂Y_h^k\left(t_i^a\right)}{\∂t_i^a}}---\left(11\right)$

式中：分别为隐含层I—输出层J和输入层H—隐含层I之间的权值修正量；η为网络学习率；δ_j、δ_i为便于公式推导引入的中间变量；Γ_j为与输出层J神经元j直接相连的隐含层I中的神经元的集合；Γ_i为与隐含层I神经元i直接相连的输入层H中的神经元的集合；Γⁱ为与隐含层I神经元i直接相连的输出层J中的神经元的集合；

5.2.5)按照修正后的连接权值，计算各层输出和网络训练误差E，若E＜ε(设定的误差上限)或t＞cnt，则训练终止，否则，令t＝t+1，转入步骤5.2.2重新进行训练；输出结果为1表示属于此类故障，0则表示不属于此类故障。