基于數(shù)據(jù)挖掘技術(shù)的SF6氣體分析和故障診斷研究

張鑫

(廣西省電力公司柳州供電局，廣西 柳州 545005)

1 引言

目前，國內(nèi)狀態(tài)檢修主要還是利用狀態(tài)監(jiān)視和診斷技術(shù)獲取設備的狀態(tài)和故障信息，進而做出檢修決策的階段。狀態(tài)檢修的重點在于預測故障發(fā)展趨勢，在故障發(fā)生前，根據(jù)設備狀態(tài)決定對其檢修。因此，在電氣設備的狀態(tài)監(jiān)測與故障診斷中，尋找設備故障與其外在表象之間的相關(guān)關(guān)系是很重要的。當建立故障與表象之間的相關(guān)關(guān)系越全面、越準確，進行故障診斷準確性就越高。

在生產(chǎn)實踐中比較常用的判斷方法是利用統(tǒng)計方法，從大量的現(xiàn)場檢修記錄中，總結(jié)出一些存在于故障狀態(tài)與表現(xiàn)之間的相關(guān)關(guān)系，從而為故障的判定提供依據(jù)，但其具有一定的局限性[1]，統(tǒng)計方法的本質(zhì)是一種歸納總結(jié)的方法，因此很難發(fā)現(xiàn)隱含在大量數(shù)據(jù)中的結(jié)構(gòu)。在日常的檢修試驗中，基層單位積累了大量的試驗數(shù)據(jù)，這本身就是個巨大的資源，如何利用這個資源并發(fā)揮其巨大的作用顯得越來越重要。

數(shù)據(jù)挖掘就是為了滿足大量數(shù)據(jù)的處理，并從中抽取有價值的潛在知識，而應運而生的。它可以利用計算機技術(shù)對大量數(shù)據(jù)進行自動處理，從而發(fā)現(xiàn)其中隱含的關(guān)系或規(guī)律[2，3]。數(shù)據(jù)挖掘作為信息處理的一個新領域，發(fā)展很快，在科學技術(shù)領域也發(fā)揮著越來越大的作用。本文對數(shù)據(jù)挖掘技術(shù)在SF6氣體分析和故障診斷做一嘗試研究，通過探索希望對數(shù)據(jù)挖掘技術(shù)在在線監(jiān)測上的發(fā)展上做一努力。

2 數(shù)據(jù)挖掘

2.1 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的，但又是潛在有用的信息和知識的過程[4]。數(shù)據(jù)挖掘需要明確的是:數(shù)據(jù)源必須是真實的、大量的、可能含噪聲的:從數(shù)據(jù)源中可發(fā)現(xiàn)用戶感興趣的知識;發(fā)現(xiàn)的知識是可接受、可理解、可運用的;并不需要發(fā)現(xiàn)放之四海而皆準的知識，僅支持特定的發(fā)現(xiàn)問題(即支持特定主題的知識發(fā)現(xiàn));它主要以數(shù)據(jù)庫或數(shù)據(jù)倉庫作為工作對象，但是也可以直接從操作數(shù)據(jù)中挖掘信息。

2.2 基于粗糙集的模糊神經(jīng)網(wǎng)絡

進行數(shù)據(jù)挖掘可采用許多不同的算法，如神經(jīng)網(wǎng)絡、決策樹、遺傳算法和粗糙集等。模糊神經(jīng)網(wǎng)絡一方面可以對專家描述的事件直接編碼，跟蹤推理過程，使網(wǎng)絡中的權(quán)值具有明顯的含義;另一方面，它也具有學習功能，可以通過學習提高代碼精度。模糊神經(jīng)網(wǎng)絡一般有5層，分別是輸入層，模糊化層，規(guī)則控制層，或神經(jīng)元，輸出層，如圖1所示。

圖1 模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)

粗糙集理論是一種刻劃不完整性和不確定性的數(shù)學工具，能有效地分析和處理不精確、不一致、不完整等各種不完備信息，通過發(fā)現(xiàn)數(shù)據(jù)間隱藏的關(guān)系，揭示潛在的規(guī)律，從而提取有用信息，簡化信息的處理[5]。理論中應用決策表描述論域中對象。它是一張二維表格，每一行描述一個對象，每一列描述對象的一種屬性。屬性分為條件屬性和決策屬性，論域中的對象根據(jù)條件屬性的不同，被劃分到具有不同決策屬性的決策類。表1為一張決策表，論域U有8個對象，編號1～8，{a，b，c}是條件屬性集，d為決策屬性。對于分類來說，并非所有的條件屬性都是必要的，有些是多余的，去除這些屬性不會影響原來的分類效果。約簡是為不含多余屬性并保證分類正確的最小條件屬性集。一個決策表可能同時存在幾個約簡，這些約簡的交集定義為決策表的核，核中的屬性是影響分類的重要屬性。“約簡”和“核”這兩個概念很重要，是粗糙集方法的精華。粗糙集理論提供了搜索約簡和核的方法。計算約簡的復雜性隨著決策表的增大呈指數(shù)增長，引入啟發(fā)式的搜索方法如遺傳算法有助于找到較優(yōu)的約簡，即所含條件屬性最少的約簡[6]。

表1 原始決策表

本文選擇基于粗糙集的模糊神經(jīng)網(wǎng)絡理論，它能充分發(fā)揮粗糙集和模糊神經(jīng)網(wǎng)絡各自的優(yōu)點。一般神經(jīng)網(wǎng)絡結(jié)構(gòu)不易理解，各條連接，各層節(jié)點，各個輸出輸入含義不清晰;模糊神經(jīng)網(wǎng)絡雖然結(jié)構(gòu)易于理解，但連接復雜，學習時間長，而基于粗糙集理論的模糊神經(jīng)網(wǎng)絡則克服了上述缺點，結(jié)構(gòu)清晰簡單，易于理解，訓練時間大大縮短。粗糙集理論特別適用于處理模糊和不精確性問題。模糊神經(jīng)網(wǎng)絡優(yōu)異的逼近和分類能力可實現(xiàn)SF6氣體分析和故障故障診斷。粗糙集方法能有效地對樣本數(shù)據(jù)進行約簡，去除冗余屬性、簡化規(guī)則集，在保證分類能力的前提下，優(yōu)化了模糊神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)，使網(wǎng)絡更清晰、簡單，大大降低了網(wǎng)絡規(guī)模，提高了學習速度。如圖2所示，為基于粗糙集的模糊神經(jīng)網(wǎng)絡。

圖2 基于粗糙集理論的模糊神經(jīng)網(wǎng)絡結(jié)構(gòu)

第1層為輸入層，輸入變量為b，c(a為冗余條件屬性，已被約簡掉)。

第2層為規(guī)則的前件，實現(xiàn)輸入變量的模糊化。

第3層的各節(jié)點分別表示各條規(guī)則。第2層與第3層之間的連接方式由粗糙集最終約簡規(guī)則決定。圖2 中，u1=b0，u2=b1，u3=b2c0，u4=c1。

第4層為各條規(guī)則的后件，與第5層之間的連接由粗糙集最終約簡規(guī)則決定。圖2中，wi為有權(quán)系數(shù)，d1=u1w1+u4w4，d1=u1w1+u4w4。

3 數(shù)據(jù)挖掘過程及知識發(fā)現(xiàn)

3.1 建模準備

數(shù)據(jù)挖掘的過程如圖3所示。

圖3 數(shù)據(jù)挖掘過程

SF6氣體分析和故障診斷是一個多輸入多輸出系統(tǒng)，SF6氣體成分分析是判斷SF6設備故障的主要方法。通過分析各種氣體的含量，判斷其故障類型。本文收集了某些變電站SF6設備歷史數(shù)據(jù)，共100個樣本?？紤]到SF6氣體成分分析較全面地反映了SF6設備的運行狀態(tài)。因此，選擇了“SF6、SO2、CO、HF、H2S、氣體濕度體積分數(shù)、露點、故障原因、故障否”作為預測變量。確定數(shù)據(jù)挖掘的主題為:(1)該研究以SF6設備故障狀態(tài)與故障表現(xiàn)(SF6氣體分析結(jié)果)之間的關(guān)系作為挖掘處理的目標:(2)選擇“故障否”作為因變量。

3.2 建立模型

利用基于粗糙集的模糊神經(jīng)網(wǎng)絡理論建模需要構(gòu)建一個7輸入，7輸出的模糊神經(jīng)網(wǎng)絡，輸入為SF6、SO2、CO、HF、H2S、氣體濕度體積分數(shù)和露點，輸出為導電金屬對地放電，懸浮電位放電，導電桿連接接觸不良，互感器匝間和套管電容屏短路，及影響值，頻率和聯(lián)合。首先要隨機選擇80個樣本訓練，另外20個用來測試模型。

模型建立之后，就可以檢查有關(guān)模型的信息。其中頻率和影響值是用來表明輸入和輸出元素之間存在著密切的聯(lián)系。Freq說明各分組數(shù)據(jù)中故障記錄占當前記錄的百分比。Impact用以說明一個記錄值對預測的重要性，其值在0～100之間。對于有兩個結(jié)果的研究，若Impact值超過60或70，預測準則將隨之產(chǎn)生。一般來說，Impact為100表示非常具有預測性。中間值50表示沒有預測性，Impact在0～30之間表明有很大的負面影響。

聯(lián)合指的是有兩個或者更多的共同影響某個輸出結(jié)果的輸入元素的集合，只要聯(lián)合中的一個元素出現(xiàn)在包含特殊輸出結(jié)果的記錄中，其余的元素也總會同時出現(xiàn)。Conjunction為l并不重要，它代表的規(guī)則是多余的。

3.3 理解模型

首先對80個訓練樣本進行數(shù)據(jù)模糊化處理，形成原始決策表，然后根據(jù)前面介紹的約簡方法，可以方便地將這些規(guī)則精簡35%，得到最終決策表，獲得相關(guān)模型，有利于得出SF6中各種氣體成分含量與故障之間的直觀聯(lián)系，為判斷SF6設備的運行狀態(tài)提供了有力的依據(jù)。生成的模型對 SO2、CO、HF、H2S比較敏感，都得到了與SF6設備發(fā)生故障密切相關(guān)的各種氣體含量的范圍，見表2，結(jié)果與電力設備預防性試驗規(guī)程的規(guī)定相差不大，很有利用價值。

表2 與故障密切的各種氣體含量范圍

4 運用模型進行預測

選擇歷史數(shù)據(jù)中的某一數(shù)據(jù)進行單例預測，并選擇相關(guān)數(shù)據(jù)進行批預測。單例預測根據(jù)發(fā)現(xiàn)的模型，以交互的方式預測某一情況的結(jié)果;批預測一次性獲得一系列情況，在沒有用戶干預的情況下直接進行預測。

選擇表3的記錄值作為預測的輸入。預測結(jié)果是104CT，水分超標，故障。作出故障判斷的主要原因是濕度體積分數(shù)和SO2含量，這兩個分類對的Impact值都為100。

批預測的結(jié)果是104CT，故障，其余均無故障。將預測結(jié)果與實際記錄逐條分析比較，因變量“故障否=否”時，有個記錄預測失敗;“故障否=是”時，預測準確度是100%;為“無法判斷”時，僅有條記錄預測失敗。這樣的預測準確度是可以接受的。

5 結(jié)語

通過對SF6設備故障和檢修記錄中的SF6氣體成分數(shù)據(jù)進行挖掘，建立了SF6設備運行狀態(tài)與各種氣體含量之間的直觀聯(lián)系，所建立的模型具有較高的預測準確度，可以作為SF6設備運行狀態(tài)診斷的判斷依據(jù)。而且，數(shù)據(jù)量越大，數(shù)據(jù)越復雜，數(shù)據(jù)挖掘模型的適應性越強，預測結(jié)果也越有實際價值。

表3 某變電站SF6測試數(shù)據(jù)

研究說明，數(shù)據(jù)挖掘技術(shù)具備在電力設備故障診斷中應用的前景，SF6氣體分析是現(xiàn)在SF6設備故障分析的主要方法，且在不斷發(fā)展中，更多的成分分析被引入其中，數(shù)據(jù)的分析量也在不斷增大，因此對于應用于此的數(shù)據(jù)挖掘技術(shù)還需要更多的研究和補充。

[1]Hand D J.Data Mining：Statistics and More[J].The American Statistician，l998，52(1)：112 － l18.

[2]Groth R.Data Mining：Building Competitive Advantage[M].New York：Prentice-Hall Inc，1997.

[3]D.Hawkins.Identification of Outliers[M].Chapman and Hall，London，1980.

[4]Anand T，Kahn G.Opportunity Explorer：Navigation Large Datable U-sing Knowledge Discovery Templates[A].Proc.AAAI-93 Workshop Knowledge Discovery in Databases[C].Washington DC，1993.

[5]劉璨，陳統(tǒng)堅，彭永紅，等.基于粗集理論的模糊神經(jīng)網(wǎng)絡建模方法研究[J].中國機械工程，2001，12(11)：1256 －1259.

[6]Jelonek J.，Krawiec K.，Slowinski R.Rough set reduction of attributes and their domains for neutral networks[J].Computational Intelligence，1995，11(2)：339 －347.