一种基于SOM神经网络的变压器故障检测方法与流程

技术特征：

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n_i(t)，(i＝1,2，…，M)，即：

X_i(t)＝x(t)+n_i(t)

对X_i(t)分别进行经验模态分解，得到各个IMF分量和余量，即：

$X_i\left(t\right)=\underset{j=1}{\overset{n}{\Σ}}{h}_{ij}+r_{in}$

其中，h_ij为第i次加入高斯白噪声后，对X_i(t)进行分解得到的第j个IMF分量；r_in为第i次加入高斯白噪声后，对X_i(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：

$h_j\left(t\right)=\frac{1}{N}\underset{j=1}{\overset{N}{\Σ}}{h}_{ij}\left(t\right)$

式中，h_j(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：

$v_z=\sqrt{\underset{i=1}{\overset{j}{\Σ}}{A}_j^2\left(i\right)}$

V＝[v₁,v₂,…,v_z]

式中，A_j(i)为第j个IMF分量的振幅，v_z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：

$d_j=\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(x_i-{\mathrm{\ω}}_{ij})}^2}$

其中，d_j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，x_i表示输入向量的第i个数值，ω_ij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：

△ω_ij＝ηh(j,j*)(x_i-ω_ij)

其中，Δω_ij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σ²_min，当σ²大于σ²_min时，返回步骤S003；当σ²小于σ²_min时，完成SOM神经网络训练。