基于RS優(yōu)化的電力變壓器故障診斷方法

摘 要： 針對(duì)現(xiàn)有的故障診斷技術(shù)應(yīng)用在電力變壓器故障診斷中存在的冗余信息過(guò)多，診斷結(jié)果不準(zhǔn)確等問(wèn)題將粗糙集理論與概率神經(jīng)網(wǎng)絡(luò)相結(jié)合，先利用粗糙集理論對(duì)故障系統(tǒng)前期數(shù)據(jù)進(jìn)行最大限度的約簡(jiǎn)，再經(jīng)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行故障模式分類，可簡(jiǎn)化故障診斷網(wǎng)絡(luò)規(guī)模，且相比于單一的概率神經(jīng)網(wǎng)絡(luò)的診斷方法，能夠更精確地診斷出變壓器故障類型，其研究成果在油浸式電力變壓器故障診斷方面具有廣闊的應(yīng)用前景。

關(guān)鍵詞： 電力變壓器； 故障診斷； 粗糙集； 概率神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)： TN710?34； TP183 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）24?0152?04

Power transformer fault diagnosis based on RS optimization

SONG Yuqin， ZHU Zijuan， JI Yinfei

（College of Electronics and Information Engineering， Xi’an Polytechnic University， Xi’an 710048， China）

Abstract： In view of too much redundant information， inaccurate diagnosis result and other shortcomings existing in power transformer fault diagnosis with available fault diagnosis technology， the rough set theory is combined with probability neural network， in which the rough set theory is used to make the maximum reduction of early data of the fault system， and then fault pattern classification is done by means of the probability neural network， which can simplify diagnosis network scale and determine the fault type of power transformer more accurately than the diagnosis method of only probabilistic neural network can do. The research achievement has a broad application prospect in the aspect of oil?immersed power transformer fault diagnosis.

Keywords： power transformer； fault diagnosis； rough set； probabilistic neural network

電力變壓器是電力系統(tǒng)中最重要、最昂貴的設(shè)備之一，它承擔(dān)著電壓變換，電能分配與傳輸?shù)闹厝危请娏ο到y(tǒng)的樞紐設(shè)備，其運(yùn)行狀態(tài)直接關(guān)系到整個(gè)電力系統(tǒng)的安全與穩(wěn)定[1]。

盡管已有大量的現(xiàn)代診斷技術(shù)應(yīng)用于電力變壓器故障診斷中，但進(jìn)一步的理論研究和應(yīng)用結(jié)果表明，這些診斷方法仍存在許多不足之處：文獻(xiàn)[2]提出基于Petri網(wǎng)的變壓器故障診斷方法，利用Petri網(wǎng)進(jìn)行知識(shí)的表示和推理，其只涉及矩陣計(jì)算，適用范圍較小，且故障特征與故障類別之間的對(duì)應(yīng)關(guān)系不完善；文獻(xiàn)[3]提出的一種基于粗糙集理論的變壓器故障診斷方法，能夠較好處理不完備信息條件下的診斷，但故障類別劃分結(jié)果較為模糊，尤其不能區(qū)分對(duì)多重故障的診斷；文獻(xiàn)[4]采用了信息融合技術(shù)來(lái)解決變壓器故障診斷問(wèn)題，模糊均值算法受樣本的分布和初始參數(shù)影響較大；文獻(xiàn)[5]基于證據(jù)理論的故障診斷方法，當(dāng)故障樣本量發(fā)生變化時(shí)，難以獲得準(zhǔn)確的故障診斷結(jié)果。

因此，在全面了解電力變壓器故障情況和故障診斷相關(guān)技術(shù)的基礎(chǔ)上，結(jié)合已有的神經(jīng)網(wǎng)絡(luò)在電力變壓器智能故障診斷方面的研究成果[6?7]，本文提出基于粗糙集優(yōu)化的電力變壓器綜合故障診斷方法，提高了油浸式電力變壓器故障診斷的準(zhǔn)確性。既有很強(qiáng)的學(xué)術(shù)理論價(jià)值，又有很強(qiáng)的工程實(shí)用價(jià)值。

1 電力變壓器故障診斷模型

基于粗糙集（RS）優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)（PNN）故障診斷方法是依據(jù)粗糙集理論本身具有嚴(yán)謹(jǐn)?shù)膬?nèi)在邏輯關(guān)系，無(wú)需對(duì)預(yù)處理信息進(jìn)行經(jīng)驗(yàn)或知識(shí)積累，是處理模糊性和不精確性問(wèn)題的較為理想的數(shù)學(xué)工具。因而利用粗糙集理論對(duì)電力變壓器故障系統(tǒng)大量數(shù)據(jù)進(jìn)行前期處理，能夠在保留關(guān)鍵信息的前提下對(duì)故障數(shù)據(jù)進(jìn)行最大限度的約簡(jiǎn)，既去除了大量冗余信息，縮減了故障信息的規(guī)模，又保證了變壓器故障診斷數(shù)據(jù)的客觀性和精確性。再將粗糙集約簡(jiǎn)后的變壓器故障數(shù)據(jù)用于概率神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)的訓(xùn)練，縮短了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，提高了變壓器故障診斷系統(tǒng)的快速性，且神經(jīng)網(wǎng)絡(luò)一旦訓(xùn)練好就無(wú)需因故障數(shù)據(jù)的變化而重新訓(xùn)練故障診斷系統(tǒng)網(wǎng)絡(luò)。因此，粗糙集和概率神經(jīng)網(wǎng)絡(luò)相結(jié)合的電力變壓器故障診斷方法相比于其他的故障診斷方法，具有非常明顯的優(yōu)勢(shì)。其故障診斷系統(tǒng)框圖如圖1所示，分為學(xué)習(xí)階段（即網(wǎng)絡(luò)訓(xùn)練階段）和應(yīng)用階段（即故障診斷階段）兩個(gè)階段。

圖1 基于RS優(yōu)化的PNN故障診斷系統(tǒng)框圖圖

2 粗糙集理論的決策表約簡(jiǎn)法

2.1 樣本數(shù)據(jù)的選取

依據(jù)樣本數(shù)據(jù)的選取原則，通過(guò)收集華北電網(wǎng)虹橋220 kV變電站多臺(tái)油浸式電力變壓器的歷史故障數(shù)據(jù)，共得到近200個(gè)樣本，選擇其中比較有代表性的10組樣本數(shù)據(jù)為例來(lái)表明粗糙集的優(yōu)化過(guò)程。

將這10組數(shù)據(jù)整理成原始樣本決策表，如表1所示，其中每組數(shù)據(jù)包含了12個(gè)條件屬性，即12種故障樣本氣體含量的比值和一維結(jié)論屬性即故障類型序號(hào)，該故障類型序號(hào)對(duì)應(yīng)的實(shí)際診斷結(jié)果為：1，無(wú)故障；2，低能放電；3，高能放電；4，中低溫過(guò)熱；5，高溫過(guò)熱。

2.2 決策表的約簡(jiǎn)

粗糙集理論是一種智能信息處理技術(shù)，是處理不精確、不完備信息的有效工具，其核心內(nèi)容是知識(shí)的約簡(jiǎn)，即在保持其分類能力不變的情況下，無(wú)需先驗(yàn)知識(shí)，通過(guò)約簡(jiǎn)方法，導(dǎo)出問(wèn)題的分類或決策規(guī)則。粗糙集理論在許多領(lǐng)域得到了廣泛的應(yīng)用，如圖像處理、模式識(shí)別、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、決策分析、過(guò)程控制等。若用粗糙集理論處理決策表時(shí)，則要求決策表中的各值均用離散值。

本文先利用等頻率劃分離散法對(duì)原始決策數(shù)據(jù)進(jìn)行離散化，再由粗糙集約簡(jiǎn)法對(duì)原始樣本決策表進(jìn)行故障數(shù)據(jù)的約簡(jiǎn)。等頻率劃分離散法是根據(jù)給定的參數(shù)將這個(gè)屬性的取值從小到大進(jìn)行排列，最后平均劃分為最佳狀態(tài)的段數(shù)，即得到斷點(diǎn)集。任意兩個(gè)相鄰斷點(diǎn)間所包含屬性值的個(gè)數(shù)是相等的。

其中以[C2H2C2H4]兩種氣體的比值為例，其經(jīng)等頻離散化后的結(jié)果如表2所示，將原始決策表中的數(shù)據(jù)劃分為10個(gè)斷點(diǎn)集，從0.000～1.343按最佳狀態(tài)平均劃分。然后再進(jìn)行樣本數(shù)據(jù)的約簡(jiǎn)，其結(jié)果見表3。當(dāng)[C2H2C2H4]的比值落在區(qū)間{[0.000，0.002]}中，記作0；當(dāng)[C2H2C2H4]的比值落在區(qū)間{[0.002，0.005]，[0.005，0.007]，[0.007，0.008]，[0.008，0.051]，[0.051，0.211]}中，記作1；當(dāng)[C2H2C2H4]的比值落在區(qū)間{[0.211，1.131]，[1.131，1.165]，[1.165，1.210] ，[1.210，1.343]}中，記作2。其他氣體比值的離散化和約簡(jiǎn)形式同上，在此不一一列出。

以上12種故障樣本氣體含量的比值在經(jīng)過(guò)屬性約簡(jiǎn)后，若刪除第n個(gè)決策屬性，與未刪除前的決策屬性沒有什么本質(zhì)區(qū)別，則說(shuō)明該決策屬性可以省略，反之，該決策屬性則不可省略。以此方法對(duì)這12個(gè)條件屬性進(jìn)行進(jìn)一步約簡(jiǎn)，形成最終決策表，如表4所示，約簡(jiǎn)后的故障特征屬性由原始決策表中的12個(gè)減少為現(xiàn)在的5個(gè)，決策表規(guī)模大大縮減，為下一步的PNN網(wǎng)絡(luò)訓(xùn)練做好了優(yōu)化工作。

表2 等頻離散化后的結(jié)果

表3 樣本數(shù)據(jù)約簡(jiǎn)后的結(jié)果

表4 樣本約簡(jiǎn)后形成的最終決策表

3 概率神經(jīng)網(wǎng)絡(luò)的故障診斷

概率神經(jīng)網(wǎng)絡(luò)PNN是廣泛應(yīng)用于模式分類的一種神經(jīng)網(wǎng)絡(luò)，在故障診斷過(guò)程中利用其強(qiáng)大的非線性分類能力，將故障樣本空間映射到故障模式空間中，形成較為準(zhǔn)確的故障診斷模型。它可描述為：假設(shè)有兩種已知的故障模式qA，qB，對(duì)于要判斷的故障特征樣本：[X=（x1，x2，…，xn）若hAlAfA（X）>hBlBfB（X），則X∈θA；若hAlAfA（X）

式中：hA，hB為故障模式qA，qB的先驗(yàn)概率，hA=[NAN]，hB=[NBN]；NA，NB分別為故障模式qA，qB的訓(xùn)練樣本數(shù)；n為訓(xùn)練樣本總數(shù)；lA是將本屬于模式qA的故障特征樣本X錯(cuò)誤地劃分到模式qA的代價(jià)因子；lB是將本屬于模式qB的故障特征樣本X錯(cuò)誤地劃分到模式qB的代價(jià)因子；fA，fB分別是故障模式qA，qB的概率密度函數(shù)，通常概率密度函數(shù)不能精確地獲得，只能根據(jù)現(xiàn)有的故障特征樣本求其統(tǒng)計(jì)值。

以表4所示的最終決策表為例，根據(jù)約簡(jiǎn)后的決策屬性由原始決策表中的12個(gè)減少為現(xiàn)在的5個(gè)，于是設(shè)PNN網(wǎng)絡(luò)輸入層有5個(gè)神經(jīng)元，對(duì)應(yīng)5個(gè)輸入特征屬性；模式層有12個(gè)神經(jīng)元，對(duì)應(yīng)12種故障模式；隱含層和輸出層有5個(gè)，對(duì)應(yīng)于上述5種故障類型。

4 診斷結(jié)果判定

本實(shí)驗(yàn)將收集到的油浸式電力變壓器的200組原始樣本數(shù)據(jù)分為兩部分，前100組樣本作為概率神經(jīng)網(wǎng)絡(luò)和粗糙集優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，后100組樣本作為檢驗(yàn)樣本進(jìn)行故障診斷。

將100組驗(yàn)證樣本分別代入已經(jīng)訓(xùn)練好的概率神經(jīng)網(wǎng)絡(luò)和粗糙集優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)的進(jìn)行故障診斷，并輸出診斷結(jié)果。

4.1 概率神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果

概率神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果如圖2所示，圓圈所對(duì)應(yīng)的數(shù)值表示該樣本經(jīng)診斷后的故障類型序號(hào)，星號(hào)所對(duì)應(yīng)的數(shù)值表示該樣本的實(shí)際故障類型序號(hào)。診斷誤差圖中的誤差值0表示診斷后的故障類型序號(hào)與實(shí)際故障類型序號(hào)相同，診斷結(jié)果正確，誤差值2、-3表示診斷后的故障序號(hào)與實(shí)際故障序號(hào)的差值，診斷結(jié)果不正確。最后經(jīng)過(guò)仿真發(fā)現(xiàn)診斷結(jié)果中有21個(gè)故障類型跟樣本實(shí)際故障類型不一樣，其故障診斷準(zhǔn)確率為79%。

4.2 粗糙集優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果

粗糙集優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)診斷結(jié)果如圖3所示，最后經(jīng)過(guò)仿真發(fā)現(xiàn)診斷結(jié)果中只有3個(gè)故障類型跟樣本實(shí)際故障類型不一樣，其故障診斷準(zhǔn)確率為97%。

可見，基于粗糙集優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷準(zhǔn)確率比單一的概率神經(jīng)網(wǎng)絡(luò)的要高，其方法應(yīng)用于變壓器故障診斷中，可以去除大量冗余信息，簡(jiǎn)化故障診斷系統(tǒng)的規(guī)模，且大大提高了故障診斷的準(zhǔn)確性。

圖2 概率神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果及誤差圖

圖3 粗糙集優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)故障診斷結(jié)果及誤差圖

5 結(jié) 語(yǔ)

該研究成果在油浸式電力變壓器故障診斷方面具有廣闊的應(yīng)用前景，將粗糙集理論與概率神經(jīng)網(wǎng)絡(luò)結(jié)合，利用粗糙集在處理模糊性和不確定性問(wèn)題上的優(yōu)勢(shì)對(duì)原始故障數(shù)據(jù)進(jìn)行約簡(jiǎn)，既不受樣本分布的影響，又對(duì)不完備信息具有較強(qiáng)的適用性，可在保證關(guān)鍵信息不丟失的情況下簡(jiǎn)化診斷網(wǎng)絡(luò)規(guī)模，增強(qiáng)診斷系統(tǒng)的抗干擾性。進(jìn)而利用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行故障類型分類，令故障特征與故障類別一一對(duì)應(yīng)，且可區(qū)分多重故障類型，使診斷網(wǎng)絡(luò)有較高的準(zhǔn)確性。另外，將電力變壓器在線監(jiān)測(cè)技術(shù)與故障診斷技術(shù)相結(jié)合，把在線監(jiān)測(cè)得到的數(shù)據(jù)整合到變壓器故障分析里，能夠更及時(shí)、更精確地診斷出變壓器故障類型。

參考文獻(xiàn)

[1] 黃新波.變電設(shè)備在線監(jiān)測(cè)與故障診斷[M].2版.北京：中國(guó)電力出版社，2013.

[2] 王建元，紀(jì)延超.Petri網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào)，2010，26（8）：21?24.

[3] 陳小青，劉覺民，黃英偉，等.采用改進(jìn)人工魚群優(yōu)化粗糙集算法的變壓器故障診斷[J].高電壓技術(shù)，2012，38（6）：1403?1409.

[4] 張巖，張勇，文福拴，等.融合信息理論的電力系統(tǒng)故障診斷解析模型[J].電力自動(dòng)化設(shè)備，2014，34（2）：158?164.

[5] 司馬莉萍，舒乃秋，李自品，等.基于 SVM 和 D?S 證據(jù)理論的電力變壓器內(nèi)部故障部位識(shí)別[J].電力自動(dòng)化設(shè)備，2012，32（11）：72?76.

[6] PAYDARNIA H， HAJIAGHASI S， ABBASZADEH K. Improved structure of PNN using PCA in transformer fault diagnostic [J]. Arabian Journal for Science and Engineering， 2014， 39（6）： 4845?485.

[7] BHALLA D， BANSAL R K， GUPTA H O. Integrating AI based DGA fault diagnosis using dempster?shafer theory [J]. International Journal of Electrical Power and Energy Systems， 2013， 48（6）： 31?38.

[8] 宋玉琴，朱紫娟，姬引飛.多傳感器信息融合的智能故障診斷策略[J].西安工程大學(xué)學(xué)報(bào)，2014，28（5）：568?573.

[9] 郭創(chuàng)新，王越，王媚，等.表征內(nèi)部潛伏性故障的變壓器時(shí)變停運(yùn)模型研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2013，33（1）：63?69.

[10] 張翔，宋子彤，楊致慧，等.一種基于負(fù)載率和設(shè)備檢測(cè)信息的油浸式變壓器故障率模型[J].電網(wǎng)技術(shù)，2013，37（4）：1159?1165.

[11] 周晶晶，吳文全，許炎義，等.基于小波神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究[J].現(xiàn)代電子技術(shù)，2015，38（6）：36?38.

[12] 馬仲能，鐘立華，盧鍇，等.基于電力設(shè)備全壽命周期成本最優(yōu)的檢修策略研究[J].電力系統(tǒng)保護(hù)與控制，2011，39（16）：34?39.

[13] 姬東朝，宋筆鋒，易華輝.基于概率神經(jīng)網(wǎng)絡(luò)的設(shè)備故障診斷及仿真分析[J].火力與指揮控制，2009，34（1）：82?85.