基于模糊关系与自组织竞争网络的变压器故障诊断.doc

基于模糊关系与自组织竞争网络的变压器故障诊断
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****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
网络学****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****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****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****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,,当这种网络的学****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****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。
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