本發(fā)明屬于變壓器故障狀態(tài)監(jiān)測(cè)技術(shù)領(lǐng)域，特別是涉及一種基于Spiking神經(jīng)網(wǎng)絡(luò)的變壓器故障狀態(tài)監(jiān)測(cè)方法。

背景技術(shù)：

電力變壓器是電力網(wǎng)絡(luò)能量傳輸?shù)臉屑~設(shè)備，其工作狀態(tài)的好壞會(huì)直接關(guān)系到整個(gè)電網(wǎng)的負(fù)荷分配、供電可靠性等。運(yùn)用故障診斷方法可以及時(shí)查出內(nèi)部的早期故障，評(píng)估變壓器狀態(tài)，為負(fù)荷調(diào)度提供決策參考，制定狀態(tài)檢修計(jì)劃，保證電網(wǎng)可靠安全運(yùn)行。變壓器內(nèi)絕緣油和有機(jī)絕緣材料隨著運(yùn)行時(shí)間的增加，在熱和電的長期作用下會(huì)逐漸老化和分解，并產(chǎn)生極少量的氣體,這些絕緣油中溶解的特征氣體包括氫氣、甲烷、乙烯、乙烷、乙炔、一氧化碳和二氧化碳等。在長期的科學(xué)研究和變壓器故障診斷實(shí)踐中摸索、總結(jié)出來了可通過絕緣油中溶解的特征氣體的濃度信息來直接反映故障信息或通過簡(jiǎn)單的比值計(jì)算來判斷故障類型的方法而對(duì)變壓器故障進(jìn)行診斷，通常稱之為溶解氣體分析(DGA)方法。基于DGA的變壓器故障診斷的傳統(tǒng)方法主要有特征氣體法和三比值法，但這些傳統(tǒng)診斷方法又存在很多不足。盡管有學(xué)者基于BP、RBF神經(jīng)網(wǎng)絡(luò)理論、灰色系統(tǒng)理論、專家系統(tǒng)理論、模糊數(shù)學(xué)理論等提出了一些智能診斷方法，但這些診斷方法在處理大量歷史數(shù)據(jù)以及故障監(jiān)測(cè)精度方面仍面臨著巨大的挑戰(zhàn)。近年來，研究人員發(fā)現(xiàn)Spiking神經(jīng)網(wǎng)絡(luò)(SNN)即第三代神經(jīng)網(wǎng)絡(luò)采用時(shí)間編碼的方法進(jìn)行信息的傳遞和計(jì)算，能更逼真地反映反映實(shí)際生物神經(jīng)系統(tǒng)。SNN在模式識(shí)別和分類中具有優(yōu)越的性能，特別適用于解決高維聚類和非線性分類等問題。而且已經(jīng)證實(shí)SNN可以完成任意前向Sigmoid神經(jīng)網(wǎng)絡(luò)的功能，并且可以逼近任意連續(xù)函數(shù)，因而比其他類型的神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的計(jì)算能力和更好的適用性。依托SNN形成一種更為有效的方法以提高故障診斷的速度與精度已經(jīng)成為變壓器故障診斷工作者的研究目標(biāo)之一。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述問題，本發(fā)明的目的在于提供一種基于Spiking神經(jīng)網(wǎng)絡(luò)的變壓器故障狀態(tài)監(jiān)測(cè)方法。

為了達(dá)到上述目的，本發(fā)明提供的基于Spiking神經(jīng)網(wǎng)絡(luò)的變壓器故障狀態(tài)監(jiān)測(cè)方法包括包括按順序執(zhí)行的下列步驟：

1)利用特征氣體法確定Spiking神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層神經(jīng)元個(gè)數(shù)，并確定輸入樣本數(shù)據(jù)；

2)確定Spiking神經(jīng)網(wǎng)絡(luò)隱含層的神經(jīng)元個(gè)數(shù)；

3)對(duì)上述輸入樣本數(shù)據(jù)進(jìn)行歸一化處理；

4)對(duì)上述經(jīng)過歸一化處理后的輸入樣本數(shù)據(jù)進(jìn)行編碼；

5)將上述編碼后的輸入樣本數(shù)據(jù)輸入到Spiking神經(jīng)網(wǎng)絡(luò)中而對(duì)其進(jìn)行訓(xùn)練，輸出即為變壓器的故障狀態(tài)監(jiān)測(cè)結(jié)果。

在步驟1)中，所述的Spiking神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元為H₂、CH₄、C₂H₆、C₂H₄、C₂H₂這5種氣體的濃度；輸入樣本數(shù)據(jù)由多組這些氣體的濃度數(shù)據(jù)組成；Spiking神經(jīng)網(wǎng)絡(luò)輸出層的4個(gè)神經(jīng)元q選取中低溫過熱、高溫過熱、低能放電和高能放電這4種故障類型。

在步驟2)中，所述的Spiking神經(jīng)網(wǎng)絡(luò)隱含層的神經(jīng)元個(gè)數(shù)按照確定BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)的經(jīng)驗(yàn)公式(1)來確定：

式中：p為隱含層I神經(jīng)元個(gè)數(shù)；n為輸入層H神經(jīng)元個(gè)數(shù)；q為輸出層J神經(jīng)元個(gè)數(shù)；a為1～10之間的整數(shù)。

在步驟3)中，所述的對(duì)上述輸入樣本數(shù)據(jù)進(jìn)行歸一化處理的方法是：將輸入樣本數(shù)據(jù)限制在[0,1]或[-1,1]區(qū)間內(nèi)。

在步驟4)中，所述的對(duì)上述經(jīng)過歸一化處理后的輸入樣本數(shù)據(jù)進(jìn)行編碼的方法是：采用Time-to-first-spike方法對(duì)Spiking神經(jīng)網(wǎng)絡(luò)的輸入樣本數(shù)據(jù)進(jìn)行編碼；在上述經(jīng)過歸一化到區(qū)間[0,1]內(nèi)的輸入樣本數(shù)據(jù)中，記最大值1對(duì)應(yīng)的神經(jīng)元發(fā)射時(shí)間為0ms，其將首先發(fā)射脈沖，記最小值0對(duì)應(yīng)的神經(jīng)元發(fā)射時(shí)間為T_max，其最后發(fā)射脈沖；將模擬量的輸入樣本數(shù)據(jù)轉(zhuǎn)換成脈沖時(shí)間的公式如下：

T＝T_max(1-p^*) (2)

式中：p^*為經(jīng)過歸一化的輸入樣本數(shù)據(jù)；T_max為最大脈沖發(fā)射時(shí)間；T為神經(jīng)元的脈沖發(fā)射時(shí)間，ms。

在步驟5)中，所述的對(duì)piking神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的方法是：采用Bohte提出的有監(jiān)督學(xué)習(xí)方法—SpikeProp算法，該算法具體步驟如下：

5.2.1)設(shè)置網(wǎng)絡(luò)參數(shù)，初始化權(quán)值為小的隨機(jī)值；計(jì)當(dāng)前迭代次數(shù)t＝1，最大迭代次數(shù)cnt；

5.2.2)依次輸入P個(gè)輸入樣本數(shù)據(jù)，對(duì)于當(dāng)前輸入樣本數(shù)據(jù)cp，將其輸入向量作為輸入層H的輸入，計(jì)算輸出層J中任意神經(jīng)元j的實(shí)際脈沖發(fā)射時(shí)間

式中：ε(t)是脈沖響應(yīng)函數(shù)(SRF)；τ為PSP衰減時(shí)間常數(shù)，ms；為隱含層I中神經(jīng)元i對(duì)輸出層J神經(jīng)元未加權(quán)重的激勵(lì)；t_i為神經(jīng)元i的脈沖發(fā)射時(shí)間，ms；X_j(t)為輸出層J神經(jīng)元j的膜電位值，mV；m為連續(xù)層任意兩神經(jīng)元間突觸子連接的個(gè)數(shù)；為神經(jīng)元i和j之間第k個(gè)突觸子連接的權(quán)值；

5.2.3)若cp＜P，則令cp＝cp+1，跳轉(zhuǎn)到步驟5.2.2，否則轉(zhuǎn)步驟5.2.4；

5.2.4)計(jì)算網(wǎng)絡(luò)訓(xùn)練誤差E，并按照權(quán)值修正公式修正各層連接權(quán)值；

式中：為輸出層J神經(jīng)元實(shí)際發(fā)射脈沖的時(shí)間；為期望的脈沖發(fā)射時(shí)間。

式中：分別為隱含層I—輸出層J和輸入層H—隱含層I之間的權(quán)值修正量；η為網(wǎng)絡(luò)學(xué)習(xí)率；δ_j、δ_i為便于公式推導(dǎo)引入的中間變量；_Γj為與輸出層J神經(jīng)元j直接相連的隱含層I中的神經(jīng)元的集合；_Γi為與隱含層I神經(jīng)元i直接相連的輸入層H中的神經(jīng)元的集合；_Γⁱ為與隱含層I神經(jīng)元i直接相連的輸出層J中的神經(jīng)元的集合；

5.2.5)按照修正后的連接權(quán)值，計(jì)算各層輸出和網(wǎng)絡(luò)訓(xùn)練誤差E，若E＜ε(設(shè)定的誤差上限)或t＞cnt，則訓(xùn)練終止，否則，令t＝t+1，轉(zhuǎn)入步驟5.2.2重新進(jìn)行訓(xùn)練；輸出結(jié)果為1表示屬于此類故障，0則表示不屬于此類故障。

本發(fā)明提供的基于Spiking神經(jīng)網(wǎng)絡(luò)的變壓器故障狀態(tài)監(jiān)測(cè)方法的效果：本發(fā)明針對(duì)變壓器故障狀態(tài)監(jiān)測(cè)問題，以充油電力變壓器作為研究對(duì)象，所采用的Spiking神經(jīng)網(wǎng)絡(luò)采用精確脈沖時(shí)間的編碼方式，更接近真實(shí)的生物神經(jīng)系統(tǒng)，相比其它神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的計(jì)算能力，能有效判別變壓器故障類型、減少錯(cuò)判、誤判比率、提供診斷的準(zhǔn)確性。

附圖說明

圖1為第h和i個(gè)神經(jīng)元間多個(gè)有延遲突觸終端的連接圖；

圖2為訓(xùn)練算法流程圖；

圖3為本發(fā)明提供的基于Spiking神經(jīng)網(wǎng)絡(luò)的變壓器故障狀態(tài)監(jiān)測(cè)方法流程圖；

圖4為三種方法故障診斷訓(xùn)練過程誤差變化圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明提供的基于Spiking神經(jīng)網(wǎng)絡(luò)的變壓器故障狀態(tài)監(jiān)測(cè)方法進(jìn)行詳細(xì)說明。

如圖3所示，本發(fā)明提供的基于Spiking神經(jīng)網(wǎng)絡(luò)的變壓器故障狀態(tài)監(jiān)測(cè)方法包括按順序執(zhí)行的下列步驟：

1)利用特征氣體法確定Spiking神經(jīng)網(wǎng)絡(luò)的輸入層、輸出層神經(jīng)元個(gè)數(shù)，并確定輸入樣本數(shù)據(jù)；

變壓器絕緣油中溶解的特征氣體可以反映故障點(diǎn)引起的周圍絕緣油、絕緣紙的熱分解本質(zhì)。特征氣體的組分隨著故障類型、故障能量及其涉及的絕緣材料的不同而各異。由于特征氣體法對(duì)故障性質(zhì)具有較強(qiáng)的針對(duì)性，比較直觀、方便，但缺點(diǎn)是沒有明確量的概念。表1，2分別給出了采用特征氣體法確定的變壓器故障性質(zhì)與絕緣油中溶解的特征氣體的特點(diǎn)以及特征氣體中主要成分與變壓器異常情況的關(guān)系。

表1 變壓器故障性質(zhì)與特征氣體的特點(diǎn)的關(guān)系

表2 特征氣體中主要成分與變壓器異常情況的關(guān)系

因?yàn)樽儔浩鞴收铣３Ｒ缘湍芰康臐摲怨收祥_始，若不及時(shí)采取相應(yīng)的措施，可能會(huì)發(fā)展成較嚴(yán)重的高能量故障。從表1、2的內(nèi)容可以看出，變壓器故障與絕緣油中溶解的特征氣體濃度有關(guān)，因此，本發(fā)明選取H₂、CH₄、C₂H₆、C₂H₄、C₂H₂這5種氣體的濃度作為Spiking神經(jīng)網(wǎng)絡(luò)輸入層H的5個(gè)神經(jīng)元n，由多組這些氣體的濃度數(shù)據(jù)組成輸入樣本數(shù)據(jù)，選取中低溫過熱、高溫過熱、低能放電和高能放電這4種故障類型作為Spiking神經(jīng)網(wǎng)絡(luò)輸出層J的4個(gè)神經(jīng)元q。

2)確定Spiking神經(jīng)網(wǎng)絡(luò)隱含層的神經(jīng)元個(gè)數(shù)；

Spiking神經(jīng)網(wǎng)絡(luò)隱含層I神經(jīng)元個(gè)數(shù)p的確定是網(wǎng)絡(luò)結(jié)構(gòu)的重要內(nèi)容之一，目前關(guān)于其個(gè)數(shù)的選取沒有明確的方法和公式可以應(yīng)用。本發(fā)明按照確定BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)的經(jīng)驗(yàn)公式(1)來確定隱含層I的神經(jīng)元個(gè)數(shù)p：

式中：p為隱含層I神經(jīng)元個(gè)數(shù)；n為輸入層H神經(jīng)元個(gè)數(shù)；q為輸出層J神經(jīng)元個(gè)數(shù)；a為1～10之間的整數(shù)。

經(jīng)過多次試驗(yàn)，本發(fā)明確定Spiking神經(jīng)網(wǎng)絡(luò)隱含層I的最佳神經(jīng)元個(gè)數(shù)為13。

3)對(duì)上述輸入樣本數(shù)據(jù)進(jìn)行歸一化處理；

將上述步驟1)確定的輸入樣本數(shù)據(jù)進(jìn)行歸一化處理，以將其限制在[0,1]或[-1,1]區(qū)間內(nèi)，這樣可使所有分量都在0～1或-1～1之間變化，從而使網(wǎng)絡(luò)訓(xùn)練一開始就給各輸入分量以同等重要的地位，以消除原始數(shù)據(jù)形式不同所帶來的不利，進(jìn)而提高網(wǎng)絡(luò)的泛化能力和預(yù)測(cè)精度。

4)對(duì)上述經(jīng)過歸一化處理后的輸入樣本數(shù)據(jù)進(jìn)行編碼；

由于Spiking神經(jīng)網(wǎng)絡(luò)是基于精確的脈沖發(fā)射時(shí)間進(jìn)行信息的傳遞和計(jì)算的，因此必須將模擬量的輸入樣本數(shù)據(jù)轉(zhuǎn)換成脈沖時(shí)間，本發(fā)明采用Time-to-first-spike方法對(duì)Spiking神經(jīng)網(wǎng)絡(luò)的輸入樣本數(shù)據(jù)進(jìn)行編碼。神經(jīng)元發(fā)射脈沖的時(shí)刻與模擬量的輸入樣本數(shù)據(jù)值成比例，一般模擬量的輸入樣本數(shù)據(jù)值越大，對(duì)應(yīng)發(fā)射脈沖的時(shí)間越早。在上述經(jīng)過歸一化到區(qū)間[0,1]內(nèi)的輸入樣本數(shù)據(jù)中，記最大值1對(duì)應(yīng)的神經(jīng)元發(fā)射時(shí)間為0ms，其將首先發(fā)射脈沖，記最小值0對(duì)應(yīng)的神經(jīng)元發(fā)射時(shí)間為T_max，其最后發(fā)射脈沖。將模擬量的輸入樣本數(shù)據(jù)轉(zhuǎn)換成脈沖時(shí)間的公式如下：

T＝T_max(1-p^*) (2)

式中：p^*為經(jīng)過歸一化的輸入樣本數(shù)據(jù)；T_max為最大脈沖發(fā)射時(shí)間；T為神經(jīng)元的脈沖發(fā)射時(shí)間，ms。

5)將上述編碼后的輸入樣本數(shù)據(jù)輸入到Spiking神經(jīng)網(wǎng)絡(luò)中而對(duì)其進(jìn)行訓(xùn)練，輸出即為變壓器的故障狀態(tài)監(jiān)測(cè)結(jié)果；

5.1)Spiking神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Spiking神經(jīng)網(wǎng)絡(luò)的基本單元是Spiking神經(jīng)元，其模型選用脈沖響應(yīng)模型(SRM)。本發(fā)明采用3層前向Spiking神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)連續(xù)層中任意神經(jīng)元h和i間的連接結(jié)構(gòu)如圖1所示。

由圖1可以看出，Spiking神經(jīng)網(wǎng)絡(luò)連續(xù)層中任意兩個(gè)神經(jīng)元，比如h和i之間，均有多個(gè)突觸子連接，而且每個(gè)突觸子連接具有可調(diào)節(jié)的突觸延時(shí)d^k和連接權(quán)值W_hi^k，這是其與BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上最大的區(qū)別。在編碼方式上，Spiking神經(jīng)網(wǎng)絡(luò)采用時(shí)間編碼的方式直接將神經(jīng)元脈沖發(fā)射的時(shí)間信息作為輸入輸出信號(hào)，當(dāng)神經(jīng)元i接收到突觸前神經(jīng)元的輸入，使其膜電位值由低到高并超過預(yù)先設(shè)定的神經(jīng)元激發(fā)閾值θ時(shí)，其就發(fā)射一個(gè)脈沖，并發(fā)送一個(gè)輸出信號(hào)，稱為突觸后電位(PSP)。Spiking神經(jīng)網(wǎng)絡(luò)特有的多突觸結(jié)構(gòu)以及時(shí)間編碼方式，使其不僅具有強(qiáng)大的計(jì)算能力，較好的適用性，而且特別善于處理基于時(shí)間的問題。

5.2)Spiking神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法

Spiking神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法采用Bohte提出的有監(jiān)督學(xué)習(xí)方法—SpikeProp算法，該算法的流程如圖2所示，具體步驟如下。

5.2.1)設(shè)置網(wǎng)絡(luò)參數(shù)，初始化權(quán)值為小的隨機(jī)值；計(jì)當(dāng)前迭代次數(shù)t＝1，最大迭代次數(shù)cnt；

5.2.2)依次輸入P個(gè)輸入樣本數(shù)據(jù)，對(duì)于當(dāng)前輸入樣本數(shù)據(jù)cp，將其輸入向量作為輸入層H的輸入，計(jì)算輸出層J中任意神經(jīng)元j的實(shí)際脈沖發(fā)射時(shí)間

式中：ε(t)是脈沖響應(yīng)函數(shù)(SRF)；τ為PSP衰減時(shí)間常數(shù)，ms；為隱含層I中神經(jīng)元i對(duì)輸出層J神經(jīng)元未加權(quán)重的激勵(lì)；t_i為神經(jīng)元i的脈沖發(fā)射時(shí)間，ms；X_j(t)為輸出層J神經(jīng)元j的膜電位值，mV；m為連續(xù)層任意兩神經(jīng)元間突觸子連接的個(gè)數(shù)；為神經(jīng)元i和j之間第k個(gè)突觸子連接的權(quán)值；

5.2.3)若cp＜P，則令cp＝cp+1，跳轉(zhuǎn)到步驟5.2.2，否則轉(zhuǎn)步驟5.2.4；

5.2.4)計(jì)算網(wǎng)絡(luò)訓(xùn)練誤差E，并按照權(quán)值修正公式修正各層連接權(quán)值；

式中：為輸出層J神經(jīng)元實(shí)際發(fā)射脈沖的時(shí)間；為期望的脈沖發(fā)射時(shí)間。

式中：分別為隱含層I—輸出層J和輸入層H—隱含層I之間的權(quán)值修正量；η為網(wǎng)絡(luò)學(xué)習(xí)率；δ_j、δ_i為便于公式推導(dǎo)引入的中間變量；_Γj為與輸出層J神經(jīng)元j直接相連的隱含層I中的神經(jīng)元的集合；_Γi為與隱含層I神經(jīng)元i直接相連的輸入層H中的神經(jīng)元的集合；_Γⁱ為與隱含層I神經(jīng)元i直接相連的輸出層J中的神經(jīng)元的集合；

5.2.5)按照修正后的連接權(quán)值，計(jì)算各層輸出和網(wǎng)絡(luò)訓(xùn)練誤差E，若E＜ε(設(shè)定的誤差上限)或t＞cnt，則訓(xùn)練終止，否則，令t＝t+1，轉(zhuǎn)入步驟5.2.2重新進(jìn)行訓(xùn)練；輸出結(jié)果為1表示屬于此類故障，0則表示不屬于此類故障。

本發(fā)明人通過對(duì)400組溶解氣體分析數(shù)據(jù)進(jìn)行前期處理，挖掘出各類故障的典型數(shù)據(jù)200組作為Spiking神經(jīng)網(wǎng)絡(luò)的輸入樣本數(shù)據(jù)，然后分別將采用BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)方法與本發(fā)明中的Spiking神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程進(jìn)行了對(duì)比，圖4為三種方法故障診斷訓(xùn)練過程誤差變化圖。

由圖4可以看出，在診斷正確率方面，BP神經(jīng)網(wǎng)絡(luò)的故障診斷正確率為91％，高于RBF神經(jīng)網(wǎng)絡(luò)的89％，但與本發(fā)明方法中的Spiking神經(jīng)網(wǎng)絡(luò)94％還有一定差距；在網(wǎng)絡(luò)的收斂速度方面，本發(fā)明方法較單純RBF網(wǎng)絡(luò)也有了一定提高，相對(duì)于BP神經(jīng)網(wǎng)絡(luò)收斂速度明顯提高，并且相對(duì)于BP和RBF神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測(cè)精度和速度。