Page 54 - 电力与能源2024年第五期

586 贾金伟，等：基于 PSO-SOM 神经网络算法的串联电弧故障检测

表 3 电磁炉负载电路电流频域特征值
故障电流幅值 正常电流幅值
负载名称
平均值/% 平均值/%
0.138 3 1.771 0
0.050 0 0.248 2
0.113 1 1.443 6
0.077 4 0.281 9
0.048 0 0.053 3
电磁炉
0.111 9 0.129 8
0.072 3 0.053 9
图 1 LVQ 神经网络拓扑结构
0.066 4 0.030 6
0.074 8 0.035 3 （1）随机初始化竞争层与输入层之间的连接
0.066 0 0.034 9
权值和学习率；
表 4 计算机负载电路电流频域特征值
（2）计算竞争层神经元权值向量与输入向量
故障电流幅值 正常电流幅值
负载名称 的欧氏距离，并找出距离最近的神经元；
平均值/% 平均值/%
0.635 3 0.019 7 （3）如果距离最近的神经元所对应的线性输
0.755 1 0.003 3
出层神经元所属类别与该组数据实际所属类别相
0.683 8 0.002 6
同，则对竞争神经元的权值进行修正。
0.689 8 0.001 9
0.729 7 0.001 2
计算机 3 PSO 优化 SOM 神经网络的算法设计
0.790 2 0.000 6
0.501 1 0.001 6
传统的 SOM 神经网络能够解决很多分类问
0.656 2 0.001 1
0.674 3 0.001 6 题，但是对至高无上某些较为复杂的问题，仅靠
0.618 1 0.000 6
SOM 神经网络自身的学习能力很难获得较好的
表 5 手电钻负载电路电流频域特征值
分类结果。针对此问题，本文对 SOM 神经网络的
故障电流幅值 正常电流幅值
负载名称 权值优化问题进行研究，并提出了一种使用 PSO
平均值/% 平均值/%
15.421 9 16.330 4 算法对 SOM 网络权值进行优化的方法。
0.257 1 0.350 4
在 SOM 神经网络学习过程中，竞争层拓扑结
0.323 2 0.325 3
构中相距较近的神经元对应的权值向量能够趋向
0.167 7 0.167 4
0.071 4 0.057 4 于同一类样本数据。当学习结束后，网络会根据
手电钻
0.089 4 0.125 5
神经元与待分类样本的欧氏距离大小关系来判断
0.070 4 0.056 7
该样本属于哪一类。因此，在竞争层拓扑结构中，
0.056 9 0.077 3
0.113 5 0.093 7 相距较近的神经元对应的权值向量的聚集程度越
0.055 2 0.064 0
高，而相距较远的神经元对应的权值向量越分散，
来解决分类问题，并对 SOM 神经网络进行优化， 表示网络的学习效果越好，越能够明确地将样本
比较 3 种模型的分类准确率。 数据区分开来。
LVQ 神经网络又被称为学习向量量化神经 为了提高 SOM 神经网络的学习效果，本文从
网络，是一种有监督学习方法的前向神经网络，由 神经元权值向量入手，引入类内密度、标准差和样
Kohonen 竞争算法改进而来，主要用于模式识别 本差异度 3 个指标来衡量 SOM 神经网络学习效

等领域。LVQ 神经网络主要由输入层、竞争层和 果的好坏，并以此作为 PSO 算法的适应度函数。
线性输出层构成。LVQ 神经网络的拓扑结构如 （1）类内密度。类内密度是投影寻踪法中的

图 1 所示。 一个指标，可以用来衡量数据向量的聚集程度，该
LVQ 神经网络的学习步骤如下。 指标越大表明数据点的聚集程度也越大。类内密