多种智能理论联合作用的电力变压器故障诊断.pdf

多种智能理论联合作用的电力变压器故障诊断 邱朝阳 1，王景林1，陈伟根2 （1.云南电力试验研究院 （集团 ） 有限责任公司电力研究院，云南 昆明 650051； 2.重庆大学输配电装备及系统安全与新技术国家重点实验室，重庆 400044 ） 摘要：提出了一种基于粗糙集理论、神经网络理论和证据理论的变压器故障综合诊断的新方法，并通过实例证明了 该方法的诊断性能。 关键词：电力变压器；粗糙集理论；故障诊断 中图分类号：TM406文献标识码：B文章编号：10018425（2010）12005605 Diagnosis of Power Transformer Fault Based on Multi-AI Theory QIU Chao-yang1, WANG Jing-lin1, CHEN Wei-gen2 （1.Yunnan Electric Power Test 2.Chongqing University, Chongqing 400044, China） Abstract：A new diagnosis method of transformer fault based on rough set theory, neural network and evidence theory is presented. The diagnosis performance of the method is proved by examples. Key words：Power transformer；Rough set theory；Fault diagnosis 1 前言 近年来，各种智能理论，如神经网络、专家系统、 决策树、 粗糙集和信息融合等被用于变压器的故障 诊断，虽取得了一定的研究成果，但亦存在一定的不 足。 通常粗糙集（Rough Set, RS）理论对对象噪声 比较敏感，而神经网络对对象噪声不敏感，但过量冗 余数据会造成神经网络训练过度、 训练时间漫长等 问题； 证据理论基于Dempsters的组合方法虽为多 种不确定证据体的组合提供了一个强有力手段，但 它没有区分证据体的信度。 鉴于此， 笔者将RS理 论、神经网络理论和D-S证据理论引入到变压器诊 断中， 提出一种基于多参量的变压器故障综合诊断 的新方法，即用RS理论作为神经网络的前置，通过 RS对原始数据进行约简，根据一定规则选取代表性 约简分别构造神经网络从不同侧面反映变压器故 障，利用D-S证据理论对各神经网络的诊断结果进 行融合诊断， 以最大限度的提高诊断准确率和可靠 性。 通过实例仿真结果表明该模型具有较好的诊断 性能。 2 粗糙集基本理论 RS理论是一种数据分析理论，它是一种新的处 理模糊和不确定性知识的数学工具， 其主要思想就 是在保持分类能力不变的前提下，通过知识约简，导 出问题的决策和分类规则，目前已在决策分析、过程 控制、数据挖掘和模式识别等领域得到广泛应用。 3 证据理论的基本原理 证据理论采用信度的“半可加性”原则，较好地 对不确定性推理问题中主、 客观性之间的矛盾进行 了处理， 已经成为构造具有不确定性处理能力专家 系统的一种有效手段。 3.1分辨框 定义代表某一事物的参数为， 它所有可能取 值的集合为=h1，h2，hn，则称为分辨框，的 所有子集所构成的集合是的幂集，记为2。 3.2基本概率指派函数 设m：20，1， 即对于任一个属于2的子集 A，令它对应一个数m（A）0，1，并且满足： TRANSFORMER 第 47 卷 第 12 期 2010 年 12 月 Vol.47 December No.12 2010 邱朝阳、 王景林、 陈伟根： 多种智能理论联合作用的电力变压器故障诊断第 12 期 A奂 m（A）=1（m（准）=0）（1） 则称函数m为基本概率指派函数。 对于分辨框 中任意子集A，如果它的基本概率指派m（A）0，则 此子集被称为焦点元素。 3.3信任函数与似然函数 （1）信任函数。 设函数Bel：20，1，并且满足： Bel（A）=m（B），坌A（2） 则称此函数为信任函数。 （2）似然函数。 设函数Pal：20，1，并且满足： Pal（A）= BA准 m（B），坌A（3） 则称此函数为似然函数。 3.4证据组合 假设m1和m2是识别框架中两个不同的基本 概率赋值，m1和m2合成的一个新的基本概率指派 函数为m1茌m2，相应的信任函数用Bel1茌Bel2表示， 函数m1茌m2其定义为： m1茌m2（C）= OC=准 AB=C m1（A）m2（B） 1- AB=C m1（A）m2（B） C 茌 茌 茌 茌 茌 茌 茌 茌茌 茌 茌 茌 茌 茌 茌 茌 茌茌 茌 准 （4） 式中k=1- AB=C m1（A）m2（B）是一个标准化因子，表 示不同证据体间的冲突，多证据体组合依次类推。 4 诊断模型的结构和原理 本文中采用的综合诊断模型结构如图1所示。 该模型由三个模块组成， 即基于RS数据预处 理模块、 基于多神经网络初级诊断模块和基于D-S 论据理论的综合融合诊断模块。 4.1数据预处理模块决策表属性约简 知识约简就是在保持知识库分类能力不变的条 件下删除其中不相关或不重要的知识。 笔者采用区 分矩阵与区分函数算法得到约简和核。 决策表属性的相对约简是子网络划分和构建的 依据，在约简数目较多的情况下，综合考虑系统复杂 性和信息利用率，约简选择应遵循以下原则： （1）两两约简的交集尽量小。 （2）所有约简的并集尽量大，最好等于条件属性 集合C。 （3）除核外，其他属性在各个约简中出现的次数 尽量少。 （4）满足以上几点后，为避免系统过于复杂，选 取约简的个数不可过多。 4.2神经网络系统的设计 根据所选取最具有代表性的k个约简构造k个 子诊断网络。 由于小波神经网络（WNN）兼具小波理 论和神经网络的优良性能。 对不确定信息处理具有 较强的鲁棒性， 所以本文中笔者选择小波神经网络 作为子诊断网络构造神经网系统， 网络参数结构的 优化的采用遗传算法来实现。 4.3D-S证据理论融合 假设神经网络系统有M个子诊断神经网络，若 第i个子神经网络输出层第j个神经元输出为Oi （j），且第i个子神经网络的故障识别率、误判率和 拒绝率分别为ir、is、id，则子神经网络i的故障识别 精度i为： i= ir 1-id （i=1，2，M）（5） 则子神经网络i对各故障的基本概率分配为： mi（j）= Oi（j）i N j=1 Oi（j） m（）=1-i（6） 式中i表示对第i个证据体的信 任程度；mi（j）表示第i个证据对第j类 故障的信度分配；mi（）表示对第i个证 据诊断不确定性的信任度分配。 根据基本概率分配计算单个证据 作用下变压器各种故障模式的信度函 数Bel（Fi）和似真函数Pal（Fi），在利用 Dempsters组合规则，式（4）计算多证据 体联合作用下各种故障的信度函数Bel （Fi）和似真函数Pal（Fi）。 4.4决策规则 样 本 输 入 数 据 离 散 化 形 成 决 策 表 决 策 表 属 性 的 约 简 形 成 并 选 择 约 简 神经网络1 神经网络2 神经网络k 决 策 输 出 D-S 证 据 理 论 融 合 诊断样本集 数据预处理模块 神经网络系统 多神经网络初级诊断模块融合综合诊断模块 图1故障诊断模型结构框图 Fig.1Diagram of fault diagnosis model 57 第 47 卷 根据多证据体联合作用下识别框架中各故障模 式的信度函数Bel（Fi）和似真函数Pl（Fi）及证据体 的不确定性mi（），依据以下规则判断变压器故障： （1）判别的故障类型应具有最大的信度函数值， 即Bel（Fc）=maxBel（Fj）。 （2）判定的故障类型和其他类型的信度函数值 之差要大于某个阈值，即Bel（Fc）-Bel（Fj）。 （3）判定故障类型的信度函数值与不确定信度 函数值之差要大于某个阈值，即Bel（Fc）-Bel（） 。 （4）不确定信度函数值必须小于某个阈值，即m （）。 本文中、和分别取0.3、0.1和0.2， 这是咨 询专家和大量测试数据的经验取值， 其科学性有待 进一步验证。若四条规则同时满足则可以做出诊断， 不同时满足则可能是故障类型不在识别框架中，或 是证据选择不合理、不充分。 为准确诊断出故障，需 重新确定包括新故障模式的识别框架或进一步找出 更多的证据体进行融合计算诊断。 5 电力变压器故障特征及故障模型 作为理论研究，笔者根据变压器的容量、运行环 境等因素， 从试验研究单位和出版文献搜集得到经 过吊芯检查确定存在故障的数据305组， 选取变压 器故障特征（条件属性C）和故障模型（决策属性D） 分别如表1和表2所示。 从305组数据中选择270组构造决策表， 另外 84组作为检测数据， 以C1=0、C1=1、C1=2、C2=0、C2= 1、C2=2分别表示油中溶解气体分析结果为无过热、 低温过热、高温过热、无放电、低能量放电和高能量 放电。C3、C4、C5、C6、C7、C8、C9、C10值为0、1、2分别表 值示属性值和趋势均不超标、属性值或趋势值超标、 属性值和趋势值均超标，“*”表示不能确定的条件属 性值。 对条件属性和决策属性值相同的归并为一条 记录，以k表示样本总数，则最终的决策表如表3所 示。 表3中每一行记录代表一个变压器故障类型； 第一列代表条件属性在不同情况下的取值。 求出决 策表3的区分函数的极小析取范式中的所有合取 式，然后根据约简的选取规则选取（C2、C6、C8、C10）， （C2、C3、C4、C5、C9），（C5、C6、C7、C8、C9）作为代表性约 简构造三个神经网络（WNN1、WNN2、WNN3）对变压 器故障作初步诊断，对所构造的三个神经网络，利用 构造决策表的270组原始数据经过模糊化处理后， 用遗传算法来优化网络的结构和参数， 网络的输入 神经元数与选取约简包含的属性个数相符， 输出神 经元数与表2故障模式数相符， 隐层神经元数经过 自适应遗传算法优化确定。 三个遗传神经网络参数 的设置均为： （1）种群规模为50；（2）迭代次数为100次；（3） 交叉率Pc和变异率Pm的初始值分别为0.8和0.1； （4） 以网络实际输出与期望输出之间误差平方和的 表1故障特征集合 Table 1Set of fault characteristics 编号条件属性编号条件属性 C1DGA结果为过热C6油中气体比值CO2/CO C2DGA结果为放电C7局部放电参数 C3油中微水含量C8绕组直流电阻不平衡系数 C4绝缘介质损耗C9绕组的吸收比 C5极化指数C10铁心接地电流 编号决策属性编号决策属性 F0无故障F6绝缘老化、受潮 F1裸金属过热F7分接开关接触不良 F2绕组变形F8悬浮放电 F5铁心多点接地或局部短路 F3绕组对地绝缘损坏F9围屏放电 F4变压器油流受阻引起过热 F10 漏磁引起过热或 磁屏过热 表2故障模式集合 Table 2Set of fault modes 表3决策表 Table 3Decision table 序 号 k 决策属性决 策 C1C2C3C4C5C6C7C8C9C10 1180000000000F0 22020*0*1*1*F1 3140200200121F2 4801*000*000F2 5190200111110F2 680010010*0*F3 761001*001*0F4 82020101*112F5 982*0*111*11F5 1011101*12001*F6 119201*001*0*F7 1271210101*10F7 1312020*102011F8 14150210*220*0F9 15132000*0*0F10 1617200*000*00F10 58 邱朝阳、 王景林、 陈伟根： 多种智能理论联合作用的电力变压器故障诊断第 12 期 倒数为适应度；（5）网络的训练误差目标均为0.001。 经 过 优 化 后 三 个 网 络 的 拓 扑 结 构 分 别 为 WNN1：4610，WNN2：5810，WNN3：51010，同 时用剩下的84组数据分别检验三个神经网络，确定 出每个神经网络的识别率ir、 误判率is、 拒绝率id 和识别精度i如表4所示。 6 实例分析 某故 障 电 力 变 压 器 型 号 为SFPSZ1-240000/ 220，2006年5月和8月两次的油色谱数据如表5 所示。 从表5看出，2002年8月特征气体C2H4、CO和 CO2均超过注意值，三比值编码为0 0 1，故障类型 表为低温过热。 对故障变压器做电力预防性试验得 到数据如表6所示。 将油色谱数据和变压器电气试验数据对比所选 取的约简的属性经过预处理后分别输入到训练好的 神经网络，输出值经过式（5）和式（6）折算后的结果 经过D-S证据理论融合规则式（4），依次得到多证 据体联合作用下变压器各故障模式的信度区间如表 7所示。 从表7诊断结果看出险子网络2外，其余网 络均能准确诊断出故障F6， 说明经过RS理论处理 后的约简基本都能准确识别变压器的故障， 即能完 全表达决策表所包含的知识；其次经过D-S证据理 论融合后，故障模式的信度值明显得到增强，信度区 间和不确定性均明显减小， 非故障模式的信度值急 剧减少， 融合后的信度值和信度区的有较好的峰值 性和可区分性，准确识别出变压器故障模式F6（绝 缘老化、受潮），与实际吊芯检查结果（变压器油箱顶 部与套管将军帽密封不严导致绝缘受潮）相符合，说 明了采用D-S证据理论融合多个证据体的诊断效 果比采用单一证据体的诊断效果好； 单证据体识别 错误对整体诊断结果没有影响， 系统的容错性比较 强。 但是文中笔者所采取的方法仅作为变压器离线 诊断理论研究， 其诊断的响应速度受子诊断网络的 规模及原始训练数据等条件的限制， 离在线应用还 有一定的距离。 7 结论 本文中笔者提出一种基于RS理论、 神经网络 理论及D-S证据理论的变压器故障综合诊断的新 方法。 采用RS理论作为神经网络的前置，通过RS属 性纸币间功能去除冗余信息， 根据所选取约简构造 的小波神经网络拓扑结构简单， 并且均能对变压器 故障做出初步诊断。 采用D-S证据理论作为神经网 络的后置，融合各个网络的输出结果，融合结果表示 该方法的诊断性能较好， 在个别网络诊断出错的情 况下也能准确诊断出故障。 该方法通过选取多个约 简构造神经网络， 全面利用了反映变压器故障的特 征信息，最大限度地提高了诊断准确率，对其他电气 设备的诊断也有参考意义。 参考文献： 1莫娟，王雪，董明，等.基于粗糙集理论的 电力变压器故障诊断方法J.电机工程学报， 2004，27（4）：162-167. 2尚勇，闫春江，严璋，等.基于信息融合的大 型油浸电力变压器故障诊断J.电机工程学报， 2002，22（7）：116-118. 3孙辉，李卫东，孙启忠.判决树方法用于变压器诊断的 研究J.中国电机工程学报，2001，21（2）：50-55. 4莫娟，严璋，李华，等.基于多种智能方法的变压器 故障综合诊断模型J.电力系统自动化，2005，29（18）： 85-89. 5魏星，舒乃秋，崔鹏程，等.基于改进Pso-BP神经网络 和D-S证据理论的大型变压器故障综合诊断J.电力系 统自动化，2006，30（7）：46-50. 6李静，涂光瑜，罗毅，等.基于多数据源的电力变压器 分层故障诊断系统设计J电力系统自动化，2004，28 （23）：85-88. 表4神经网络性能 Table 4Characteristics of neural network 网络irisidi WNN10.8630.1150.0120.873 WNN20.8570.1020.0410.893 WNN30.8850.0960.0190.902 表6变压器电气试验数据 Table 6Data of electric test of transformer 绕组直流电阻 不平衡系数/% 吸收比 极化 指数 介质损 /% 铁心接地 电流/mA 微水含量 /mgL-1 0.551.281.720.5937.421 表5DGA数据 Table 5Data of DGA 日期H2CH4C2H6C2H4C2H2COCO2 2006-05647.72.5101.130.6310 2006-0892.1289.1273.21972 481 L/L 59 第 47 卷 7董立新，肖登明，李姑，等.基于油中溶解气体分析数据 挖掘的变压器绝缘故障诊断J.电力系统 自 动 化 ， 2004，28（15）：85-89. 8廖瑞金，廖玉祥，杨丽君，等.多种神经网络与证据理论融 合的变压器故障综合诊断方法研究J.中国电机工程学 报，2006，26（3）：119-124. 9蔡兴国，马平.基于信息融合技术的并发故障诊断的研 究J.电机工程学报，2003，23（5）：112-115. 10张文修，吴伟志，梁吉业，等.粗糙集理论与方法M.北 京：科学出版社，2001. 11傅晓林，王兴家，蔡辰光.粗糙集与神经网络在发动机故 障诊断中的融合应用J.重庆交通学院学报，2006，25 （6）：130-134. 12于刚，徐治皋.基于粗糙集约简的信息融合故障诊断研 究J.汽轮机技术，2003，45（5）：304-306. 13黄敏，方晓柯，王建辉，等.基于多值编码的混合遗传算 法的小波神经网络优化J.系统仿真学报，2004，16（9）： 2080-2082，2114. 14王永强，律方成，李和明.基于粗糙集理论和贝叶斯网络 的电力变压器故障诊断方法J.电机工程学报，2006，26 （8）：137-141. 15张景明，刘建国.粗糙集和BP神经网络在变压器故障诊 断中的应用J.变压器2009，46（4）：18-21. 16臧宓志，俞晓东.基于粗糙集理论与支持向量机的变压器 故障诊断J.变压器，2008，45（8）：61-65. 17江玉蓉，朱帆，符杨，等.基于条件信息熵与贝叶斯网 络的变压器故障诊断研究J.变压器，2009，46（7）：48- 51. 表7各证据体融合作用的信度区间和诊断结果 Table 7Believable section and diagnostic result by combination of evidence 证据mi（） Beli，Pli 诊断 结论 F1F2F3F4F5F6F7F8F9F10 10.124 7 0.0730.0640.0790.0270.0410.328 20.068 10.0850.0950.015 F6 0.197 70.188 70.203 70.151 70.165 70.452 90.152 80.249 70.219 70.139 7 20.185 5 0.013 30.0360.0520.014 10.0360.407 20.051 90.1810.012 30.024 未知 0.218 80.24 150.247 50.219 60.241 50.612 70.247 40.386 50.217 80.229 5 30.153 6 0.0910.0430.0410.013 70.0260.442 30.056 30.0570.0640.012 1 F6 0.021 390.021 770.022 310.089 10.025 620.915 590.059 30.022 990.022 90.024 18 0.244 60.196 60.194 60.167 30.179 60.575 90.209 90.210 60.217 60.165 7 1&20.099 9 0.053 230.045 220.050 510.083 320.030 360.378 280.067 320.071 930.057 890.062 07 F6 0.053 130.145 120.150 410.183 220.013 260.478 180.167 220.171 830.157 790.224 04 1&30.089 62 0.048 530.036 830.047 860.025 380.022 580.563 390.040 570.053 810.047 980.023 45 F6 0.138 150.126 450.137 480.1150.112 20.653 010.130 190.143 430.137 60.113 07 2&30.045 13 0.043 557 0.037 520.043 190.026 740.043 390.571 510.053 220.060 40.037 420.038 03 F6 0.088 680.082 660.088 320.071 870.088 520.616 640.983 50.105 530.082 550.083 16 1&2&30.018 03 0.003 360.003 740.004 280.008 80.007 590.897 560.041 270.004 960.004 260.006 15 F6 收稿日期：2008-11-21 作者简介：邱朝阳（1977-），男，四川资阳人，云南电力试验研究院高级工程师，长期从事高电压试验技术、变压器故障诊断 方面的研究工作； 王景林（1948-），男，上海人，云南电力试验研究院教授级高级工程师，从事高电压试验技术，变压器故障诊断方 面的研究工作； 陈伟根（1967-），男，浙江绍兴人，重庆大学教授，长期从事电气设备在线监测及诊断技术研究工作。 ! （上接第42页） T2计=2 Lo Rct（75）+Rn =2 4.5748 43.77+18 =0.148s 计算方法2: T2计=2 Rm Rct（75）+Rn 测=2 36.67 43.77+18 0.124=0.147s 方法1与方法2计算结果近似。（待续） 60