李爱英，李四海

（1.兰州市经济管理干部学校，甘肃兰州730000；2.甘肃中医药大学信息工程学院，甘肃 兰州730000）

基于CP-ANN对向传播神经网络的变压器故障诊断

李爱英1，李四海2△

（1.兰州市经济管理干部学校，甘肃兰州730000；2.甘肃中医药大学信息工程学院，甘肃 兰州730000）

变压器油中溶解性气体分析是变压器故障诊断的重要手段，其中改良三比值法是目前被广泛采用的方法。针对当前变压器故障诊断系统存在的不足，建立了变压器故障诊断的对向传播神经网络(CP-ANN)模型，对5种变压器故障类型进行诊断，采用5-折交叉验证对模型性能进行评价。实验结果表明，模型能够对33个故障样本中的32个样本的故障类型进行准确识别，模型在校正集和验证集上的准确率分别为97%和81.8%，模型稳定性较好，说明本文提出的变压器故障诊断方法是可行和有效的。

人工智能;变压器故障诊断；对向传播神经网络;遗传算法

电力变压器的可靠性直接关系到电力系统的稳定运行和经济效益，因此，电力变压器故障诊断一直受到学术界和工程技术人员的广泛关注。油中溶解气体分析(Dissolved gas analysis，DGA)是对油浸式变压器进行故障诊断最重要的手段，其中改良三比值法是目前应用最广泛的方法，在工程实践中有着广泛应用。其优点包括：改良三比值法具有较高的故障诊断准确率；使用改良三比值法能够得到明确的诊断结果，不会产生模棱两可的结论；应用方便，利于在工程实际中使用［1］。

BP神经网络具有分布式并行处理、自适应、自学习、非线性映射等优点，目前被广泛用于电力变压器的故障诊断。但由于BP神经网络采用梯度下降学习算法，对样本量要求较大，网络收敛速度慢且容易陷入局部极小值，其对电力变压器故障诊断结果不够稳定。

针对这一问题，本文将有监督的对向传播神经网络模型应用于变压器故障诊断，对变压器的5种故障类型进行了识别，结果表明，模型能够对5种故障模式进行准确识别，模型稳定性及可解释性较好。

1 CP-ANN神经网络

Kohonen教授提出的自组织特征映射 (self-organizing feature map,SOM)神经网络也称Kohonen映射，该网络由输入层和输出层组成。其中输入层神经元个数与样本的变量个数一致,输入神经元接收网络的输入信号,输出层则是由神经元按一定的方式排列成的一个平面阵列［2］。SOM是无监督的神经网络，主要用于聚类分析等模式识别问题。

对向传播神经网络是一种有监督的神经网络，对Kohonen映射进行了改进，CP-ANN网络有两层：Kohonen层和输出层，Kohonen层的神经元通常以N×N正方形的形式排列。与Kohonen映射神经网络的不同之处在于：在Kohonen层的基础上增加了一个输出层。有监督训练的情况下，输出层神经元的个数与样本的类别个数一致。

假设样本个数为I，样本的类别个数为G，则单个样本依次训练的情况下，输出层神经元的权重更新公式为［3］：

其中，矩阵向量C为I行G列的样本类别编码矩阵，类别编码值为二进制的0或1，Yr为输出层第i个神经元的权重，η为学习率，dri为输出层第i个神经元和Kohonen层竞争获胜神经元之间的网络拓扑距离。

对向传播神经网络对样本的训练结束后，Kohonen层的神经元会对样本的不同模式产生响应，即绝大多数神经元都会有自己的类别模式；样本被分配到不同区域、具有不同类模式的神经元之中，从而实现样本的自动聚类或分类。

2 基于CP-ANN的变压器故障诊断

2.1变压器故障样本的建立

文献［4］基于改良三比值法建立了变压器故障的概率神经网络诊断模型，对33个变压器故障样本进行了分类预测，取得了较好的效果。

本文根据该文献中的变压器故障数据，建立33个样本的对向传播神经网络变压器故障诊断模型。由于CP-ANN网络是有监督的神经网络，因此，首先对样本的故障类型进行编码，33个样本共有5种故障类型，以下分别用1、2、3、4、5表示这5种变压器故障，部分样本的情况见表1。

表1 变压器故障样本

2.2 对向传播神经网络的学习和训练

将以上变压器故障样本数据导入kohonen and cpann toobox神经网络工具箱，建立CP-ANN神经网络。由于对向传播神经网络的性能受Kohonen层神经元个数及网络训练步数的影响较大。因此，使用网格法进行对这两个参数进行搜索，优选最优的竞争层神经元个数及网络训练步数［5］。最终确定的竞争层神经元个数为6×6，网络训练步数为150epochs，模型性能使用5-折交叉验证方法进行评估。图1和图2分别给出了训练结束后，变压器故障类型和33个变压器故障样本在Kohonen层的分布情况。

图1 故障类型在Kohonen层神经元上的分布图

图2 33个样本在Kohonen层神经元上的分布图

从图1可知，Kohonen层的36个神经元分别以5种颜色着色，表示5种变压器故障类型。绝大多数神经元都对变压器故障产生了响应。神经元中的数字代表故障类型，绝大多数神经元中的故障类型均相同，说明相应的样本分类正确，只有第25个神经元(神经元自上至下行序优先编号)中的故障类型不一致，说明有1个样本被错分。图2是所有33个样本在Kohonen层36个神经元上的分布图，图中数字代表变压器故障样本编号。对照图1和图2发现，第17个样本被错误分类。

2.3 变压器故障诊断混淆矩阵

表2给出了对象传播神经网络在校正集上的拟合混淆矩阵。可以看出，5种故障类型的变压器样本数分别为7、2、11、6、7，其中故障类型为1、2、3、5的所有变压器样本都被准确分类，只有故障类型4的一个样本被错误地判断为故障类型1，模型的准确率为32/33=97%，说明模型在校正集上的准确率较高。

表2 CP-ANN神经网络在校正集上的混淆矩阵

2.4 模型交叉验证结果

为进一步检验CP-ANN神经网络在验证集上的分类准确率，表3给出了网络在不同神经元大小和训练步数下，模型在校正集和验证集上的分类准确率。

TP183

△

：李四海，男，硕士，副教授。研究方向：机器学习，数据挖掘，智能信息处理。