基于多信息融合的變壓器運行狀態(tài)評估模型

陳發(fā)廣，周步祥，曾瀾鈺

（1.四川大學電氣信息學院，成都 610065；2.中山市凱能集團有限公司，中山 528400）

基于多信息融合的變壓器運行狀態(tài)評估模型

陳發(fā)廣1，周步祥1，曾瀾鈺2

（1.四川大學電氣信息學院，成都 610065；2.中山市凱能集團有限公司，中山 528400）

變壓器狀態(tài)評估是變壓器運行、檢修與維護的重要依據，而其狀態(tài)參數(shù)的類型雜、數(shù)量多及參數(shù)間關聯(lián)關系不明確等是該環(huán)節(jié)工作的瓶頸問題。針對上述問題，文中構建了基于多信息融合的狀態(tài)綜合評估模型。在深入分析變壓器狀態(tài)評估的需求與研究現(xiàn)狀的基礎上，利用變壓器的試驗數(shù)據、運行數(shù)據、歷史數(shù)據，設計了基于粗糙集、層次分析法、多神經網絡、證據理論的多信息融合評估模型，且通過算例進行校驗。結果表明：所提模型能有效對變壓器狀態(tài)進行評估，可為當前變壓器的運行與維護提供參考。

狀態(tài)評估；變壓器；粗糙集；層次分析法；神經網絡；證據理論

長期以來，對變壓器的研究側重于故障發(fā)生后，利用故障前后特征量的變化而進行故障診斷。但在實際運行中，相比故障診斷，更關心變壓器的實時運行狀態(tài)。另外，現(xiàn)在大力提倡狀態(tài)檢修，對變壓器的狀態(tài)評估也是狀態(tài)檢修的重要依據[1-2]。

在過去幾年，已有不少學者對狀態(tài)評估進行了研究。文獻[3]針對電力變壓器絕緣狀態(tài)不確定性以及難以有效評估的問題提出了基于集對分析方法的變壓器絕緣狀態(tài)評估策略。文獻[4]提出了基于模糊綜合評判的電力變壓器運行狀態(tài)評估模型。文獻[5]也涉及到對變壓器色譜數(shù)據和電氣數(shù)據的有效結合，提出了對色譜數(shù)據進行RBF （radical basis function）分析、對電氣試驗數(shù)據進行BP（back propagation）分析的多神經網絡模式，并結合證據理論進行綜合分析。文獻[6]提出對于復雜裝備結構和功能的層次性，可運用粗糙集和層次分析法AHP（analytic hierarchy process）相結合來進行健康特征向量的約簡優(yōu)化和權重系數(shù)的確定。文獻[7]建立了多信息狀態(tài)評估模型，但只融合了粗糙集、神經網絡和證據理論，且未詳細闡述。

綜上研究，由于每種評估方法的側重點不一樣，且比較單一，本文構建基于多信息融合的變壓器運行狀態(tài)評估模型，各種評估方法有機結合，使得優(yōu)勢互補，進而提高評估準確性。主要工作包括有：①運用粗糙集和層次分析法對試驗數(shù)據（溶解氣體、色譜、電氣數(shù)據）、運行數(shù)據（負荷溫度、負載、短路情況等）、歷史數(shù)據（檢修記錄、不良運行工況、缺陷記錄、投運時間等）進行約簡；②通過神經網絡進行訓練，以及專家評分，實現(xiàn)從狀態(tài)特征到評估狀態(tài)的復雜映射；③通過層次分析法確定各證據體的權重，再將試驗數(shù)據、運行數(shù)據、歷史數(shù)據這三種不同的證據體進行有效的融合，形成一個新的證據體，從而得到評估決策。

1 狀態(tài)評估指標體系

表征電力變壓器的狀態(tài)特征類型繁多，為了全面而真實地反映變壓器的實時運行狀態(tài)，本文擬構建如圖1所示的狀態(tài)分層評估體系。圖中，可以從試驗數(shù)據分析（U1）、運行數(shù)據分析（U2）、歷史數(shù)據分析（U3）3個一級評估指標獲得變壓器的運行狀態(tài)。對每個一級指標又有相應的二級、三級評估指標等。

圖1 變壓器運行評估指標層次分析圖Fig.1Hierarchy analysis for evaluation index of transformer operation

其中，試驗數(shù)據分析是變壓器狀態(tài)評估至關重要的信息，它反映了變壓器基本的運行特性。試驗數(shù)據一級指標又可以分為溶解氣體色譜分析（U11）、絕緣油試驗分析（U12）、電氣試驗分析（U13）3個二級指標。溶解氣體色譜分析包括H2、CH4、C2H6、C2H4、C2H2、CO、CO2、CO產氣速率、總烴相對產氣速率等。絕緣油試驗分析包括油中微水、油介損、油擊穿電壓等。電氣試驗分析包括繞組直流電阻、繞組絕緣電阻、吸收比、繞組介損、電容型套管介損、鐵心接地電流、鐵心接地電阻等。運行數(shù)據分析在變壓器狀態(tài)評估中也是非常關鍵的，它表征了變壓器運行的實時參數(shù)，更能真實準確體現(xiàn)變壓器的狀態(tài)。運行數(shù)據分析包括負荷水平、運行環(huán)境、溫升水平、繼電保護數(shù)據、開關運行情況等。歷史數(shù)據分析給變壓器狀態(tài)評估提供一個過去運行情況的參考。它包含了檢修記錄（包括同類對比）、局部放電過熱過電壓等缺陷情況、短路情況、投運時間、自身系列的設計技術指標等[3-4，8]。

2 狀態(tài)評估模型

2.1 總體模型

狀態(tài)評估整體分為3個部分：基于粗糙集試驗數(shù)據指標約簡的初級評估層，多神經網絡和專家評分的判斷評估層，層次分析法權重確定和D-S證據理論的融合決策評估層。邏輯過程如下：

1）運用粗糙集對圖1中的試驗數(shù)據指標進行屬性約簡；

2）結合評估狀態(tài)對得出的必要屬性指標集合網絡訓練和運行數(shù)據及歷史數(shù)據進行專家評估，建立各個子神經網絡和專家評估模型；

3）針對每個子網絡得到的評估證據體進行權重確定進而合成，從而得出最終評估決策。

依據《國網狀態(tài)檢修試驗規(guī)程及主設備評價檢修導則》，將變壓器的運行狀態(tài)劃分為良好狀態(tài)、一般狀態(tài)、注意狀態(tài)和嚴重狀態(tài)四種等級。

2.2 初級評估層

基于粗糙集理論，首先針對試驗數(shù)據分析初級特征指標進行離散化處理。最初給出的原始指標數(shù)據都是連續(xù)性，所以要對這些連續(xù)性的數(shù)據進行離散化處理。離散化處理可以由領域專家根據自己相應的經驗給出對應的區(qū)間。然后，對于離散化的數(shù)據建立狀態(tài)評估決策表。以初始的狀態(tài)特征指標作為條件屬性，評估狀態(tài)G作為決策屬性，G={1/良好，2/一般，3/注意，4/嚴重}。最后，根據決策表建立區(qū)分矩陣，得出屬性約簡指標，剔除冗余的、不重要的狀態(tài)特征指標。

2.3 判斷評估層

基于多神經網絡和專家評分的判斷評估層是整個模型的關鍵。此評估層針對之前粗糙集約簡后的狀態(tài)指標進行分類訓練或專家評估。

2.3.1 多神經網絡

1）數(shù)據預處理

由于最初的狀態(tài)特征數(shù)據都是連續(xù)的，各數(shù)據之間的量值、格式都有很大的差別，因此必須對原始數(shù)據進行預處理。本文采用廣泛應用的相對劣化度xm解決這一問題[6]，其取值范圍為[0，1]。當xm為0時，表明特征狀態(tài)指標處于最優(yōu)狀態(tài)，當xm為1時，表明處于最劣狀態(tài)。

式中：uinv為狀態(tài)特征指標的正常值（初值）；uthr為指標相應的注意值（閥值），其值的確定參考Q/ CSG1 007-2004《電力設備預防性試驗規(guī)程》和Q/ GDW 169-2008《油浸式變壓器（電抗器）狀態(tài)評價導則》；um為指標實際測量值。本文α取值為1。

2）構造并訓練評估子網絡

由相對劣化度進行預處理后的數(shù)據可以構造并訓練各神經子網絡。此模型中，神經網絡主要應用溶解氣體分析、絕緣油試驗分析、電氣試驗分析和運行數(shù)據分析3個子網絡中。神經網絡很好地解決了從狀態(tài)特征信息到評估狀態(tài)的復雜非線性映射。迄今為止，RBF網絡和BP網絡是神經網絡中應用最廣、理論最成熟的模型。基于數(shù)據本身和網絡的特點，對溶解氣體分析、絕緣油試驗分析采用RBF神經網絡進行分析，對于電氣試驗分析采用BP神經網絡進行訓練。

2.3.2 專家評分法

對于歷史數(shù)據分析和運行數(shù)據分析，無法定量數(shù)據計算，本文采用廣泛應用的專家評分法進行量化評估。

1）專家權重的確定

式中：k表示主觀權重和客觀權重的重要程度。

2）綜合評估計算

假設有m位評估專家，前面初級評估層粗糙集約簡后得到n項歷史數(shù)據狀態(tài)指標。Rij表示第i位評估專家對第j項狀態(tài)特征指標的評估分值，βij的取值范圍為[0，1]。從而形成了專家狀態(tài)特征指標評估矩陣m×n階矩陣R。

式中：Rijl為第i個專家對第j項特征狀態(tài)關于評估等級l的概率估計，且有：

最后綜合評估值B。第l個評估等級Bl的計算式為

2.4 決策評估層

決策評估層，就之前判斷評估層得出的評估結果進行證據組合，形成更為精確的評估結果。

2.4.1 基于層次分析法的變權確定

依據前面判斷評估層中溶解氣體分析、絕緣油試驗分析和電氣試驗分析3個神經網絡訓練得出的結果進行彼此權重確定，以及試驗數(shù)據分析、運行數(shù)據分析和歷史數(shù)據分析三者之間的權重確定。得出的評估結果指標集進行權重確定。參考文獻[4]采用多位專家群組決策層次分析法，先對各指標重要度進行兩兩比較，對不同指標的權重進行主觀確定，建立判斷矩陣，然后再客觀數(shù)學處理，從而求出常權值權向量[ω（x1），ω（x2），…，ω（xn）]。

2.4.2 基于證據理論的融合評估

在決策評估層中，用D-S證據理論將之前判斷評估層子網絡的評估結果進行融合成一個新的證據體。融合過程中關鍵在于如何構造出各個子證據體的基本概率分配函數(shù)。假設第i個子網絡對第j個評估狀態(tài)的輸出值為Oi（j），那么對應的基本概率分配函數(shù)為式中：αi為2.4.1節(jié)中求出的各子網絡權重（理論上，αi是各單證據體的可靠性系數(shù)，本例直接運用各證據體的權重系數(shù)代替）；mi（Θ）為對應的不確定性信任度分配；p表示證據體數(shù)目。

由上面的基本概率分配函數(shù)，計算各子網絡證據體單獨評估的信任函數(shù)和似然函數(shù)，對應各子網絡單獨作用的信度區(qū)間為[Beli，pli]。最后根據證據理論正交合成規(guī)則，求出所有證據體聯(lián)合后的概率分配函數(shù)m（j），計算公式如下：

3 算例分析

[9]共收集了40組同家族、同類型變壓器試驗數(shù)據樣本，其中包含10組故障數(shù)據樣本。其中30例進行網絡訓練，10例用于檢驗，并對文獻[9]中實例進行驗證。限于篇幅，本文只列出部分溶解氣體數(shù)據如表1所示。

表1 部分溶解氣體數(shù)據表Tab.1Part of the dissolved gas

1）根據之前介紹的粗糙集將30組數(shù)據進行離散化處理，去除冗余信息，得到必要特征指標。該實例經過粗糙集約簡后得到的數(shù)據特征指標如表2所示。

表2 約簡后數(shù)據特征指標Tab.2Characteristic index of the data after the reduction

2）將以上各指標按照相對劣化度的方法進行處理。然后通過神經網絡進行訓練。輸出為變壓器狀態(tài)對于4評估狀態(tài)等級的概率（貝葉斯）。神經網絡的應用發(fā)展已比較成熟，所以這里就不給出具體過程。本例，對于溶解氣體色譜分析RBF1神經子網絡，通過學習算法得網絡結構為8×16×4；絕緣油試驗分析網絡RBF2結構為3×8×4；電氣試驗分析BP網絡為4×7×4。將某組數(shù)據經過預處理，輸入3個子神經網絡后，其輸出值轉成基本概率分配。

3）用專家評估的方法評估運行數(shù)據分析和歷史數(shù)據。本例中運行數(shù)據和歷史數(shù)據分析有5位專家。經過2.3.1節(jié)計算后，k取0.5。得出專家的綜合權重為

對于歷史數(shù)據分析，由于專家對歷史數(shù)據的了解和分析差別不是很大，所以采用等權重進行分析，每位專家對每個歷史指標的權重均為0.2。

根據5位專家對各評估等級的概率性評估結果，并結合前面求出的綜合權重求出B1和B2。同樣，根據5位專家，利用層次分析法求出各證據體的權重。見表3所示。

表3 專家對各指標的權重分配表Tab.3Weight distribution of each index by the experts

根據表3數(shù)據，求得權重見表4所示。

表4 各證據體的權重Tab.4Weight of the evidence body

文獻[9]中實例，結合神經網絡和專家評分法得出的輸出值，經轉化成基本概率分配，如表5。

表5 各證據體以及融合后的基本概率分配Tab.5Basic probability distribution of the evidence body

由表5知，由于忽略使用的權重，而非轉化成可靠性系數(shù)導致計算出的融合概率分配很小，但從各評估狀態(tài)等級之間的對比可得出，評估結果為G1（良好）。同時，對比采用單一評估方法的評估結果，如多神經網絡的試驗數(shù)據分析以及專家評分法的運行數(shù)據和歷史數(shù)據分析，可發(fā)現(xiàn)，采用單一評估方法得到的概率分配在G1和G2之間，差別不是很大，狀態(tài)辨識效果不明顯，證據融合后，評估的狀態(tài)越明顯，評估結果的可靠性和精度隨之提高。另外，對10組檢驗樣本進行評估得出9組與實際結果一致，由此可見本文模型是有效的。

4 結論

本文在結合已有變壓器評估方法基礎上，利用變壓器的試驗數(shù)據、運行數(shù)據、歷史數(shù)據，構建了基于粗糙集、層次分析法、多神經網絡、證據理論的多信息融合評估模型。實例表明所提模型對變壓器運行狀態(tài)辨識效果明顯，且評估結果的精度與準度均所有提高，滿足當前變壓器實際運行需求。同時，所提模型尚存不足包括：

（1）樣本數(shù)量不充分，以及某些數(shù)據不具代表性導致評估結果出現(xiàn)偏差；

（2）證據融合時，直接采用了權重系數(shù)，而未轉換成可靠性系數(shù)，導致融合出結果概率分配很小。以后的研究重點解決從權重系數(shù)到可靠性系數(shù)的轉化；

（3）用專家評分法去評估運行數(shù)據，沒有充分利用實時運行數(shù)據的應有價值，應按照試驗數(shù)據分析的方法去研究它的量化處理。

參考文獻：

[1]熊浩，孫才新，張昀，等（Xiong Hao，Sun Caixin，Zhang Yun，et al）.電力變壓器運行狀態(tài)的灰色層次評估模型（A hierarchical grey evaluation model for operation condition of power transformers）[J].電力系統(tǒng)自動化（Automation of Electric Power Systems），2007，31（7）：55-60.

[2]吳米佳，盧錦玲（Wu Mijia，Lu Jinling）.基于改進粒子群算法與支持向量機的變壓器狀態(tài)評估（Condition assessment for power transformer based on improved particle swarm optimization and support vector machine）[J].電力科學與工程（Electric Power Science and Engineering），2011，27（3）：27-31.

[3]廖瑞金，鄭含博，楊麗君，等（Liao Ruijin，Zheng Hanbo，Yang Lijun，et al）.基于集對分析方法的電力變壓器絕緣狀態(tài)評估策略（A power transformer insulation condition assessment method based on set pair analysis）[J].電力系統(tǒng)自動化（Automation of Electric Power Systems），2010，34（21）：55-60.

[4]廖瑞金，王謙，駱思佳，等（Liao Ruijin，Wang Qian，Luo Sijia，et al）.基于模糊綜合評判的電力變壓器運行狀態(tài)評估模型（Condition assessment model for power transformer in service based on fuzzy synthetic evaluation）[J].電力系統(tǒng)自動化（Automation of Electric Power Systems），2008，32（3）：70-75.

[5]廖瑞金，廖玉祥，楊麗君，等（Liao Ruijin，Liao Yuxiang，Yang Lijun，et al）.多神經網絡與證據理論融合的變壓器故障綜合診斷方法研究（Study on synthetic diagnosis method of transformer fault using multi-neural network and evidence theory）[J].中國電機工程學報（Proceedings of the CSEE），2006，26（3）：119-124.

[6]張亮，張鳳鳴，杜純（Zhang Liang，Zhang Fengming，Du Chun）.復雜裝備健康狀態(tài)評估的粗糙核距離度量方法（Research on health condition assessment method for complex equipment based on rough set and kernel space distance metric）[J].計算機工程與設計（Computer Engineering and Design），2009，30（18）：4269-4271.

[7]齊振忠（Qi Zhenzhong）.多信息融合的變壓器實時狀態(tài)評估（Real-time status evaluation of transformer with multi-information fusion technology）[J].高壓電器（High Voltage Apparatus），2012，48（1）：95-100.

[8]姚建剛，肖輝耀，章建，等（Yao Jiangang，Xiao Huiyao，Zhang Jian，et al）.電力設備運行安全狀態(tài)評估系統(tǒng)的方案設計（Design of electric equipment operation security condition assessment system）[J].電力系統(tǒng)及其自動化學報（Proceedings of the CSU-EPSA），2009，21（1）：52-58.

[9]王謙（Wang Qian）.基于模糊理論的電力變壓器運行狀態(tài)綜合評估方法研究（Study of the Comprehensive Assessment Method for the Power Transformer Condition in Service with Fuzzy Theory）[D].重慶：重慶大學電氣工程學院（Chongqing：College of Electrical Engineering of Chongqing University），2005.

State Evaluation Model of Transformer Operation Based on Multi-information Fusion

CHEN Fa-guang1，ZHOU Bu-xiang1，ZENG Lan-yu2
（1.School of Electrical Engineering and Information，Sichuan University，Chengdu 610065，China；2.The Power Technology Service Branch Company of Kaineng Group Limited Company，ZhongShan 528400，China）

Condition assessment is important to the operation，repair and maintenance of transformer.However，the complex state parameters and the unclear relationship between the parameters are the bottleneck problems.Therefore，this paper constructs the state evaluation model of transformer operation based on multi-information fusion.Base on the further analysis of demand and present researches for the state evaluation，the test data，the operation data and the history data are used to establish a evaluation model based on the multi-information fusion，which includes the rough set，the analytic hierarchy process，multi-neural network theory and evidence theory.And then，the model is checked by the examples.The results show that the proposed model can effectively evaluate the transformer state，which can be the reference for the operation and maintenance of transformers.

condition assessment；transformer；rough set；analytic hierarchy process；neural network；evidence theory

TM732

A

1003-8930（2013）04-0140-05

陳發(fā)廣（1987—），男，碩士研究生，研究方向為電力系統(tǒng)穩(wěn)定運行分析、調度自動化及計算機信息處理。Email：rb19871021@163.com

2013-01-04；

2013-04-01

周步祥（1965—），男，博士，教授，碩士生導師，研究方向為電力系統(tǒng)穩(wěn)定與控制、電網可靠性與規(guī)劃以及計算機應用和信息工程等。Email：hiway_scu@126.com

曾瀾鈺（1986—），女，助理工程師，研究方向為配電網自動化。Email：353905649@qq.com