基于LKAN神经网络的变压器故障诊断模型研究

doi:10.12422/j.issn.1672-6952.2026.01.009

摘要/Abstract

摘要：

针对传统神经网络在变压器故障诊断中存在可解释性不足、时序特征提取能力弱等问题，提出了一种融合长短期记忆网络（LSTM）与柯尔莫戈洛夫-阿诺德网络（Kolmogorov?Arnold Network，KAN）的新型诊断模型——LKAN。该模型首先利用LSTM对变压器运行时序数据进行建模，并从隐藏状态中提取关键时序特征；随后将特征输入KAN层，通过B?spline基函数实现非线性映射与函数分解，提升模型的表达能力与可解释性。在真实电力变压器数据集上的实验结果表明，LKAN模型的故障诊断准确率达到98.80%，优于LSTM、卷积神经网络（CNN）、门控循环单元（GRU）及单一KAN模型，同时展现出较强的泛化能力与稳定性。LKAN模型有效融合了LSTM的时序建模能力与KAN的可解释性优势，为变压器智能故障诊断提供了一种高精度、可解释性强的技术路径，具有良好的工程推广价值。

关键词: 变压器故障诊断, LKAN模型, LSTM, KAN, 可解释性神经网络

Abstract:

In transformer fault diagnosis accuracy, addressing the limitations of traditional neural networks such as insufficient interpretability and weak temporal feature extraction capabilities, this study proposes a novel diagnostic model,LKAN which integrates Long Short?Term Memory (LSTM) with Kolmogorov?Arnold Network (KAN). The model first employs LSTM to model time?series data from transformer operations, extracting hidden states as temporal features. These features are then fed into the KAN layer, where B?spline functions enable nonlinear mapping and function decomposition, thereby enhancing both the model's expressiveness and interpretability. Experimental results on real?world power transformer datasets demonstrate that the LKAN model achieves a diagnostic accuracy of 98.80%, outperforming LSTM, Convolutional Neural Network（CNN）, Gated Recurrent Unit（GRU）, and single KAN models.Meanwhile, it exhibits strong generalization ability and stability. The LKAN model effectively integrates the temporal modeling capability of LSTM and the interpretability advantage of KAN. It provides a technical path with high accuracy and strong interpretability for intelligent fault diagnosis of transformers, and has good engineering promotion value.

Key words: Transformer fault diagnosis, LKAN model, LSTM, KAN, Interpretable neural network

中图分类号:

TM411.4

赵子天, 陈帅, 邱海洋. 基于LKAN神经网络的变压器故障诊断模型研究[J]. 辽宁石油化工大学学报, 2026, 46(1): 71-80.

Zitian ZHAO, Shuai CHEN, Haiyang QIU. Research on Transformer Fault Diagnosis Model Based on LKAN Neural Network[J]. Journal of Liaoning Petrochemical University, 2026, 46(1): 71-80.

图/表 13

图1 KAN模型[17]

Fig.1 Kolmogorov?arnold model[17]

图2 LSTM时序图

Fig.2 Timing diagram of the LSTM network

图3 LKAN模型

Fig.3 LKAN model

表1 实验数据集

Table 1 Experimental datasets

符号	描述	符号	描述	符号	描述
VL1	第一相线路电压	IL1	第一相线路电流	VL12	第一相和第二相之间的线路电压
VL2	第二相线路电压	IL2	第二相线路电流	VL23	第二相和第三相之间的线路电压
VL3	第三相线路电压	IL3	第三相线路电流	VL31	第三相和第一相之间的线路电压
INUT	中性电流	OTI	油温指示器	WTI	绕组温度指示器
ATI	环境温度指示器	OLI	油位指示器	OTI_A	油温指示器警报
OTI_T	油温指示器跳闸	MOG_A	磁性油位指示器

图4 数据热力图

Fig.4 Data heatmap

图5 特征数据随时间的变化

Fig.5 Temporal variation of features

图6 基于LKAN模型的变压器故障诊断流程

Fig.6 Transformer fault diagnosis process based on the LKAN model

图7 LKAN、CNN、GRU、LSTM、KAN的混淆矩阵图

Fig.7 Confusion matrices of LKAN， CNN， GRU， LSTM and KAN

表2 模型的精度、召回率与F1分数

Table 2 Precision、recall and F1-score of the model

模型	精度/%	召回率/%	F1分数/%
KAN	98.67	99.18	98.92
LSTM	99.13	98.83	98.97
LKAN	99.34	99.16	99.25
CNN	99.13	98.83	98.97
GRU	99.13	98.83	98.97

图8 模型的训练损失值曲线

Fig.8 Training loss curve of the model

表3 模型的平均损失值

Table 3 Average loss of the model

模型	平均损失值
LKAN	0.041 8
KAN	0.051 9
CNN	0.184 0
GRU	0.253 2
LSTM	0.313 2

图9 模型的训练与测试准确率曲线

Fig.9 Training and testing accuracy curves of the models

表4 模型的准确率

Table 4 Accuracy of the model

模型	训练准确率/%	测试准确率/%
KAN	98.02	98.17
LSTM	90.06	90.29
CNN	96.00	95.94
GRU	96.36	96.95
LKAN	98.83	98.80

参考文献 20

[1]	梁栋，朱建华，张翠，等.变压器状态评估及故障诊断研究综述［J］.变压器，2024，61（2）：35⁃43.
	LIANG D，ZHU J H，ZHANG C，et al.A review of transformer condition assessment and fault diagnosis［J］.Transformer，2024，61（2）：35⁃43.
[2]	郭炬.基于深度学习算法的电力系统故障监测与诊断分析［J］.电子技术，2024，53（4）：338⁃339.
	GUO J.Analysis of power system fault monitoring and diagnosis based on deep learning algorithms［J］.Electronic Technology，2024，53（4）：338⁃339.
[3]	NANFAK A，HECHIFA A，EKE S，et al.A combined technique for power transformer fault diagnosis based on k⁃means clustering and support vector machine［J］.IET Nanodielectrics，2024，7（3）：175⁃187.
[4]	裴小邓，罗林，陈帅，等.面向电力变压器油中溶解气体的卷积神经网络诊断方法［J］.辽宁石油化工大学学报，2020，40（5）：79⁃85.
	PEI X D，LUO L，CHEN S，et al.A convolutional neural network diagnosis method for dissolved gas in power transformer oil［J］.Journal of Liaoning Shihua University，2020，40（5）：79⁃85.
[5]	徐阳，谢天喜，周志成，等.基于多维度信息融合的实用型变压器故障诊断专家系统［J］.中国电力，2017，50（1）：85⁃91.
	XU Y，XIE T X，ZHOU Z C，et al.Practical expert system for transformer fault diagnosis based on multi⁃dimensional information fusion technology［J］.Electric Power，2017，50（1）：85⁃91.
[6]	师瑞峰，史永锋，牟军，等.油中溶解气体电力变压器故障诊断专家系统［J］.电力系统及其自动化学报，2014，26（12）：49⁃54.
	SHI R F，SHI Y F，MU J，et al.Power transformer fault diagnosis expert system with dissolved gas analysis in oil［J］.Proceedings of the CSU⁃EPSA，2014，26（12）：49⁃54.
[7]	郑蕊蕊，赵继印，赵婷婷，等.基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断［J］.中国电机工程学报，2011，31（7）：56⁃63.
	ZHENG R R，ZHAO J Y，ZHAO T T，et al.Power transformer fault diagnosis based on genetic support vector machine and gray artificial immune algorithm［J］.Proceedings of the CSEE，2011，31（7）：56⁃63.
[8]	杨涛，黄军凯，许逵，等.基于深度学习的变压器故障诊断方法研究［J］.电力大数据，2018，21（6）：23⁃30.
	YANG T，HUANG J K，XU K，et al.Diagnosis method of power transformer fault based on deep learning［J］.Power Systems and Big Data，2018，21（6）：23⁃30.
[9]	龙玉江，姜超颖，钟掖，等.极端气象条件下基于深度学习网络特征的变压器故障预测［J］.现代电子技术，2024，47（4）：91⁃96.
	LONG Y J，JIANG C Y，ZHONG Y，et al.Transformer fault prediction based on deep learning network characteristics under extreme weather conditions［J］.Modern Electronics Technique，2024，47（4）：91⁃96.
[10]	杜江，张知杰，孙铭阳，等.深广神经网络在变压器故障诊断中的应用［J］.中北大学学报（自然科学版），2019，40（1）：90⁃96.
	DU J，ZHANG Z J，SUN M Y，et al.Deep & wide model and its application in transformer fault diagnosis［J］.Journal of North University of China（Natural Science Edition），2019，40（1）：90⁃96.
[11]	牟善仲，徐天赐，符奥，等.基于自适应深度学习模型的变压器故障诊断方法［J］.南方电网技术，2018，12（10）：14⁃19.
	MU S Z，XU T C，FU A，et al.Fault diagnosis method of transformer based on adaptive deep learning model［J］.Southern Power System Technology，2018，12（10）：14⁃19.
[12]	祁升龙，芦翔，刘海涛，等.基于遗传算法优化的BP神经网络在配电网故障诊断中的应用［J］.电力科学与技术学报，2023，38（3）：182⁃187.
	QI S L，LU X，LIU H T，et al.Application of genetic algorithm optimization based BP Neural Network in fault diagnosis of distribution network［J］.Journal of Electric Power Science and Technology，2023，38（3）：182⁃187.
[13]	赵文清，严海，周震东，等.基于残差BP神经网络的变压器故障诊断［J］.电力自动化设备，2020，40（2）：143⁃148.
	ZHAO W Q，YAN H，ZHOU Z D，et al.Transformer fault diagnosis based on residual BP neural network［J］.Electric Power Automation Equipment，2020，40（2）：143⁃148.
[14]	冯志亮，肖涵麒，任文凤，等.基于主成分分析的海鸥优化支持向量机变压器故障诊断［J］.中国测试，2023，49（2）：99⁃105.
	FENG Z L，XIAO H Q，REN W F，et al.Transformer fault diagnosis based on principal component analysis and seagull optimization support vector machine［J］.China Measurement & Testing Technology，2023，49（2）：99⁃105.
[15]	霍浩，马天龙，李宁瑞，等.基于贝叶斯与深度学习结合的变压器故障诊断［J］.电力系统及其自动化学报，2023，35（9）：137⁃144.
	HUO H，MA T L，LI N R，et al.Transformer fault diagnosis based on bayesian method and deep learning［J］.Proceedings of the CSU⁃EPSA，2023，35（9）：137⁃144.
[16]	赵珣，陈帅，邱海洋.基于改进双向循环神经网络的变压器故障诊断模型研究［J］.辽宁石油化工大学学报，2023，43（5）：75⁃83.
	ZHAO X，CHEN S，QIU H Y.Research on transformer fault diagnosis model based on improved bidirectional recurrent neural network［J］.Journal of Liaoning Petrochemical University，2023，43（5）：75⁃83.
[17]	HARYONO A T，SARNO R，ANGGRAINI R N E，et al.Permuted temporal kolmogorov⁃arnold networks for stock price forecasting using generative aspect⁃based sentiment analysis［J］.IEEE Access，2024，12：178672⁃178689.
[18]	WU Y H，SUN X B，ZHANG Y，et al.A power transformer fault diagnosis method⁃based hybrid improved seagull optimization algorithm and support vector machine［J］.IEEE Access，2022，10：17268⁃17286.
[19]	ZHANG Y Y，WEI H，LIAO R J，et al.A new support vector machine model based on improved imperialist competitive algorithm for fault diagnosis of oil⁃immersed transformers［J］.Journal of Electrical Engineering and Technology，2017，12（2）：830⁃839.
[20]	HINTON G E，SALAKHUTDINOV R R.Reducing the dimensionality of data with neural networks［J］.Science，2006，313（5786）：504⁃507.