1.一种基于SOM神经网络的变压器故障检测方法,其特征在于,所述方法包括:
S100:选取变压器为试验对象,采集变压器正常状态、绕组轴向变形、绕组径向变形、铁芯故障4种状态下变压器振动信号为样本数据;
S200:利用希尔伯特-黄变换中的集合经验模态分解来分解提取特征矢量;
S300:将特征矢量输入到SOM神经网络中;
S400:计算映射层的权值和输入向量的距离;
S500:调整胜出神经元及邻接神经元的权值;
S600:判断是否到达预设条件,完成SOM神经网络训练,并重新采集变压器振动信号作为测试样本;
S700:将测试样本输入训练好的SOM神经网络,根据SOM神经网络输出测试样本所对应的变压器故障类型。
2.根据权利要求1所述的基于SOM神经网络的变压器故障检测方法,其特征在于,利用希尔伯特-黄变换中集合经验模式分解分解样本数据得到本征模函数具体包括:
向原始信号x(t)中加入M次的高斯白噪音序列ni(t),(i=1,2,…,M),即:
Xi(t)=x(t)+ni(t)
对Xi(t)分别进行经验模态分解,得到各个IMF分量和余量,即:
其中,hij为第i次加入高斯白噪声后,对Xi(t)进行分解得到的第j个IMF分量;rin为第i次加入高斯白噪声后,对Xi(t)进行分解后的余项;n为分解层数;
将IMF分量进行总体平均运算,得到的EEMD后的IMF分量为:
式中,hj(t)表示对原始信号进行EEMD分解得到的第j个IMF分量;N为加入白噪声的次数。
3.根据权利要求2所述的基于SOM神经网络的变压器故障检测方法,其特征在于,提取IMF分量中特征矢量V计算方式为:
选取每个IMF分量进行希尔伯特分析,并对相对应下的幅值构成特征矢量V:
V=[v1,v2,…,vz]
式中,Aj(i)为第j个IMF分量的振幅,vz表示特征矢量V的特征值。
4.根据权利要求1所述的基于SOM神经网络的变压器故障检测方法,其特征在于,计算映射层的权值和输入向量的距离包括:
映射层的第j个神经元的权值向量和输入向量的欧氏距离计算方式为:
其中,dj表示映射层的第j个神经元的权值向量和输入向量的欧氏距离,xi表示输入向量的第i个数值,ωij为输入层的i神经元和映射层j神经元之间的权值,计算后得到胜出神经元j*,同时,获得胜出神经元j*邻接神经元集合。
5.根据权利要求1所述的基于SOM神经网络的变压器故障检测方法,其特征在于,调整胜出神经元j*及邻接神经元的权值具体方式为:
△ωij=ηh(j,j*)(xi-ωij)
其中,Δωij为调整后的权值,η为常数,取值范围为[0,1];h(j,j*)为领域函数,表示为:
其中,σ为标准差。
6.根据权利要求1所述的基于SOM神经网络的变压器故障检测方法,其特征在于,所述步骤S600具体包括:
比较σ2与设定的σ2min,当σ2大于σ2min时,返回步骤S003;当σ2小于σ2min时,完成SOM神经网络训练。