粗糙模糊神經(jīng)網(wǎng)絡在變壓器診斷中的應用

焦萬章，錢國超，顏冰，黃禾

(1.云南電網(wǎng)有限責任公司昆明供電局，昆明 650011；2.云南電網(wǎng)有限責任公司電力科學研究院，昆明 650217)

粗糙模糊神經(jīng)網(wǎng)絡在變壓器診斷中的應用

焦萬章1，錢國超2，顏冰2，黃禾1

(1.云南電網(wǎng)有限責任公司昆明供電局，昆明 650011；2.云南電網(wǎng)有限責任公司電力科學研究院，昆明 650217)

針對變壓器故障的復雜性、模糊性以及模糊集理論、神經(jīng)網(wǎng)絡和粗糙集理論的優(yōu)缺點，利用粗糙集理論的屬性約簡和規(guī)則生成能力和模糊神經(jīng)網(wǎng)絡在模式識別方面具有容錯和分類優(yōu)勢。采用粗集理論對采集到的變壓器油中溶解氣體數(shù)據(jù)形成的規(guī)則進行約簡處理，建立精簡的規(guī)則集，根據(jù)規(guī)則集建變壓器故障診斷的神經(jīng)網(wǎng)絡模型，采用自適應遺傳算法優(yōu)化神經(jīng)網(wǎng)絡連接的權值，通過仿真驗證了該網(wǎng)絡較好的診斷性能。

粗糙集；模糊神經(jīng)網(wǎng)絡；電力變壓器；故障診斷

0 前言

人工神經(jīng)網(wǎng)絡具有優(yōu)越的非線性模式分類性能和強大的自組織、自學習、聯(lián)想記憶、分布式并行信息處理和泛化能力，但是不能將輸入空間的維數(shù)減少，當輸入空間維數(shù)過大，網(wǎng)絡結構復雜，必將導致訓練時間很長[1]；模糊集理論雖能處理變量模糊數(shù)據(jù)，但是在模糊隸屬函數(shù)、模糊規(guī)則和模糊算法上很難根據(jù)時間系統(tǒng)確定；另外實際上測試數(shù)據(jù)的過程中有許多不確定因素，導致得到的數(shù)據(jù)不完備或者冗余數(shù)據(jù)較多。而粗糙集理論 (Rough Set Theory：RST)是一種刻畫不完整性和不確定性的數(shù)學工具，能有效分析處理不精確、不完整等各種不完備信息，并從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律，常用于數(shù)據(jù)挖掘得數(shù)據(jù)預處理、數(shù)據(jù)壓縮、規(guī)則生成、數(shù)據(jù)關系依賴發(fā)現(xiàn)等方面因[2-3]。此可以將粗糙集、模糊集和神經(jīng)網(wǎng)絡結合起來，相互彌補不足。通過粗糙集約簡降低模糊神經(jīng)網(wǎng)絡的輸入維數(shù)，簡化網(wǎng)絡結構，縮短訓練時間。其次針對傳統(tǒng)的神經(jīng)網(wǎng)絡是以梯度下降算法 (Back-propagation：BP)為參數(shù)選擇的依據(jù)，當學習樣本數(shù)較多，輸入輸出關系復雜時，網(wǎng)絡收斂速度較慢，甚至不收斂，由于遺傳算法的全局優(yōu)化性和隱含并行性在解決復雜問題方面的優(yōu)越性，同時為了克服傳統(tǒng)遺傳算法早熟的問題，本文采用自適應遺傳算法 (A-daptive genetic algorithm：AGA)對模糊神經(jīng)網(wǎng)絡連接權系數(shù)進行優(yōu)化。

常用的故障診斷方法有三比值法、特征氣體分析判斷法、大衛(wèi)三角形法等，三比值法判據(jù)簡單，分類詳細，但存在編碼缺損和邊界處理絕對的問題；特征氣體分析法直觀、簡單、易于掌握，但只能做定性描述；大衛(wèi)三角形法對于比值落在三角形外的故障無法判斷。本文將粗糙集理論、模糊神經(jīng)網(wǎng)絡和遺傳算法引入到變壓器故障診斷中，通過構建基于粗糙集理論的模糊神經(jīng)網(wǎng)絡變壓器故障診斷模型，來對變壓器進行故障診斷，通過仿真表明該網(wǎng)絡有較好的診斷性能。

1 粗糙集與模糊神經(jīng)網(wǎng)絡的建模

1.1 構建網(wǎng)絡模型

模糊神經(jīng)網(wǎng)絡兼具模糊系統(tǒng)和神經(jīng)網(wǎng)絡二者的優(yōu)點，一方面可以方便地獲取專家的經(jīng)驗，另一方面又具有學習能力，已廣泛用于模式分類、邊沿檢測以及加速神經(jīng)網(wǎng)絡學習等方面，并取得了明顯的效果。模糊神經(jīng)網(wǎng)絡每層都有具體的含義，結構清晰，如圖1所示[5](基于全連結的兩輸入一輸出5層模糊神經(jīng)網(wǎng)絡)：

圖1 模糊神經(jīng)網(wǎng)絡結構

該網(wǎng)絡分為五層，第一層為輸入層，第t個節(jié)點對應x的第t個分量；第二層為模糊化層，當給輸入層一個輸入分量時，須確定其與每個相應分類之間的聯(lián)系。與第t個輸入節(jié)點相連結的一組神經(jīng)元的作用是對輸入向量的第t個分量進行解釋，神經(jīng)元Njt的輸出為：

式 (2)中Njt是與第t個輸入節(jié)點相連結的第j個神經(jīng)元，其含義是與第t個分量相關的分類中的第j個類，Zjt為Xt與Njt間的模糊連結權，含義為第j個類所代表的模糊集。

第三層是各接點的規(guī)則控制層，該層神經(jīng)元的個數(shù)為由最簡決策表所得出的初始規(guī)則的條數(shù)確定，則第k個神經(jīng)元的輸出為：

第四層是或神經(jīng)元，用于控制規(guī)則后件的功能，產(chǎn)生每條規(guī)則對應于輸入所產(chǎn)生的輸出：

式 (4)中ωkm為第三層第k個神經(jīng)元與第四層第m個神經(jīng)元之間連接的權值。

第五層是輸出層 (去模糊化層)，用于產(chǎn)生控制規(guī)則的總輸出。

在網(wǎng)絡的訓練過程中，本文采用自適應遺傳算法優(yōu)化神經(jīng)網(wǎng)絡連接的權值，保證網(wǎng)絡以較快的速度收斂。

1.2 決策表的約簡

設粗集的知識表達系統(tǒng)S=(U，A)，其中U為非空的有限集論域，A為非空的屬性有限集。CD決策表為，其中C、D是兩個屬性子集，分別為條件屬性集和決策屬性集。決策表中每行表示實例，列表示屬性，表中的每個值是對應行 (實例)在對應列 (屬性)下的值稱為屬性值。一般對決策表進行化簡，消去決策表中包含的冗余項目，化簡分三步[6-8]：

1)從決策表中去除冗余條件屬性列。若刪除某條件屬性列后，剩余規(guī)則發(fā)生沖突，則此條件屬性列不可刪除，否則可以刪除；

2)計算條件屬性核值；

3)決策規(guī)則簡化。將相同的規(guī)則合并，得到最終決策表。例如構造CD一個決策表如表1所示，根據(jù)表1的規(guī)則屬性而建立的神經(jīng)網(wǎng)絡如圖2所示：

表1 原始決策表

圖2 基于原始決策表的模糊神經(jīng)網(wǎng)絡結構

從表一中看出，論域U中有7個對象，C1，C2，C3，C4為條件屬性，d為決策屬性，根據(jù)d取值的不同，可將這7個對象分為3類。按決策表的簡化步驟，逐一去除條件屬性，消除決策表中的冗余項目，得到最終決策表如表二所示：

表2 最終決策表

根據(jù)表二中的規(guī)則構建的模糊神經(jīng)網(wǎng)絡如圖3所示：

與圖2相比較，基于粗集最終決策表構建的模糊神經(jīng)網(wǎng)絡從輸入隸屬度層到輸出隸屬度層的網(wǎng)絡連接簡單，去除了冗余信息，保留了主要的信息，規(guī)則了一對多或多對一的關系，優(yōu)化了網(wǎng)絡的拓撲結構，降低網(wǎng)絡的規(guī)模，可以大大提高網(wǎng)絡的訓練速度。

因此最終決策表用產(chǎn)生式規(guī)則表示如下：

Rule1：If C1=1，C2=0，then d=1；

Rule2：If C1=0，then d=1；

Rule3：If C2=1，C4=1，then d=0；

Rule4：If C4=2，then d=2；

圖3 基于粗集理論的模糊神經(jīng)網(wǎng)絡結構

2 數(shù)據(jù)預處理

2.1 數(shù)據(jù)的模糊化

為了充分發(fā)掘原始數(shù)據(jù)中的有效信息，本文采用模糊技術對數(shù)據(jù)進行預處理，選取Sigmoid函數(shù)作為隸屬函數(shù)[9]

其中，x表示待診斷數(shù)據(jù)的實際值；xa表示其注意值；y表示預處理后的輸出值。

2.2 數(shù)據(jù)的離散化[10]

本文采用的油中氣體模糊化連續(xù)值離散化的方法為：

3 電力變壓器故障診斷

變壓器的故障診斷是一個多輸入多輸出的系統(tǒng)，實現(xiàn)的是故障特征空間到故障屬性空間的一種非線性映射。本文模糊神經(jīng)網(wǎng)絡的輸入為H2，CH4，C2H6，C2H4，C2H2，C0，CO2等氣體的模糊歸一化值，輸出按故障模式分類為： {低能量放電F1、高能量放電F2、低溫熱故障 (＜300℃)F3，中溫熱故障 (300～700℃)F4、高溫熱故障 (＞700℃)F5}，對從試驗研究單位得到的150組數(shù)據(jù)構建知識決策表，見表3：

表3 初始決策表

對決策表3中的規(guī)則采用粗糙集方法進行約簡，得到的最終決策表見表4。對比表4和表3看出，表4簡單，規(guī)則大概精簡了65%，但同時保存了決策所必需的條件屬性和決策規(guī)則，具有和原始決策表相同的知識表達分類能力和故障診斷能力。根據(jù)表4中的各條規(guī)則構建神經(jīng)網(wǎng)絡，并采用遺傳算法訓練網(wǎng)絡的連接權值，直到誤差達到所要求的精度為止。最后并用50檢測樣本集進行檢驗，獲得了較高的正確率，達到90.33% (見表5)。

表4 初始決策表

表5 網(wǎng)絡的診斷效果

4 事例分析

實例1：某變壓器[11]，事故后變壓器本體油DGA結果如表6所示：

表6 某變壓器故障后各特征氣體體積分數(shù) μl/L

經(jīng)本方法診斷為變壓器工作正常，出現(xiàn)正常老化，與后經(jīng)吊心檢查為分節(jié)開關燒毛，固體絕緣老化相吻合，判斷正確。

實例2：某發(fā)電廠變壓器額定容量為 63 MVA，額定電壓為110/35/10.5 kV，DGA采樣數(shù)據(jù)見表7所示：

經(jīng)過本方法診斷為防電性故障，由于氫氣含量、乙炔含量、總烴含量均超過注意值，經(jīng)IEC三比值法判斷為放電性故障。兩者一致，與后經(jīng)吊心檢查證實為放電故障 (匝絕緣損傷并匝間短路)，判斷正確。

實例3：某單位變壓器故障后檢查后油中溶解氣體數(shù)據(jù)見表8所示：

表8 某變壓器故障后各特征氣體體積分數(shù) μl/L

經(jīng)過IEC三比值法無法判斷故障，經(jīng)過本網(wǎng)絡診斷為高能量放電，與實際故障檢測結果 (發(fā)現(xiàn)有接地電流，鐵心存在多點接地現(xiàn)象)相吻合，判斷正確。

5 結束語

考慮變壓器故障的復雜性、模糊性，粗糙理論處理模糊性和不精確性問題的優(yōu)點和神經(jīng)網(wǎng)絡在模式識別方面的優(yōu)勢，本文構建的基于粗糙集的模糊神經(jīng)網(wǎng)絡，并采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的連接權值，與傳統(tǒng)的模糊神經(jīng)網(wǎng)絡相比，它結構簡單，容錯能力強，診斷正確率高。不僅可以直接從完備的故障特征氣體中導出正確的診斷結論，而且能從不完整的故障特征氣體中導出滿意的診斷結論。它揭示了故障特征氣體信息的冗余性，提高了故障的識別率并且此方法對于其他高壓設備的診斷也有很好的參考價值。

[1] 王雪梅，李文申，嚴璋.BP網(wǎng)絡在電力變壓器故障診斷中的應用 [J].高電壓技術，2005，31(7)：12-14.

[2] Pawlak Z，Busse J G，et al.Rough sets.Communications on the ACM，1995，38(11)：89-95.

[3] 李仁璞，王正歐.基于粗集理論和神經(jīng)網(wǎng)絡結合的數(shù)據(jù)挖掘新方法 [J].情報學報，2002，21(6)：674-679.

[4] 莫娟，王雪，董明，等.基于粗糙集理論的電力變壓器故障診斷方法 [J].中國電機工程學報，2004，24(7)：162-167. [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.中國機械工程，2001，12(11)：56-58.

[6] 俞曉冬，孫瑩，臧宏志.基于粗糙集與模糊神經(jīng)網(wǎng)絡的變壓器故障診斷方法 [J].電力自動化設備，2003，23 (2)：15-17.

[7] 徐德友，胡壽松.一種基于粗糙集的近似質(zhì)量求取屬性約簡的決策算法 [J].控制與決策，2003，18(3)：313 -316.

[8] 王楠，律方成，劉云鵬，等.基于決策表約簡的變壓器故障診斷Petri網(wǎng)絡模型及其應用研究 [J].電工技術學報，2003，18(6)：88-92，76.

[9] 孫才新，郭俊峰，廖瑞金，等.變壓器油中溶解氣體分析中的模糊模式多層聚類故障診斷方法的研究 [J].中國電機工程學報，2001，21(2)：37-41.

[10] 董立新，肖登明，李拮，等.基于油中溶解氣體分析數(shù)據(jù)挖掘的變壓器絕緣故障診斷 [J].電力系統(tǒng)自動化，2004，28(5)：85-89.

[11] 王永強，方成，和明.基于貝葉斯網(wǎng)絡和油中溶解氣體分析的變壓器故障診斷方法 [J].電工技術學報，2004，19(12)：74-77.

Research on Application of Rough Sets and Fuzzy Neural Network in Power Transformer Fault Diagnosis

JIAO Wanzhang1，QIAN Guochao2，YAN Bin2，HUANG He1
(1.Kunming Electric Power Supply Bureau，Kunming 650011，China；2.Yunnan Electric Power Research Institute，Kunming 650217，China)

Considering the complexity and Ambiguity of transformer fault diagnosis and the advantages and disadvantages of fuzzy set theory，neural network and of rough set theory，this article makes fully using the attribute reduction and rule generation of rough sets and pattern recognition and fault-tolerant Category advantages of fuzzy neural network.Using rough set theory dealing the reduction rules from collected data about gas dissolved in oil into a streamlined set of rules，transformer fault diagnosis model of the neural network is built in accordance with the Streamlining rules set，connection weights of neural network are optimized by genetic algorithm. At last the method is proved having superior diagnostic performance.

rough set；fuzzy neural network；power transformer；fault diagnosis

TM76

B

1006-7345(2015)03-0009-04

2014-12-01

焦萬章 (1985)，男，助理工程師，云南電網(wǎng)有限責任公司昆明供電局，從事變電運行及檢修工作 (e-mail)413698381＠qq.com。

錢國超 (1981)，男，碩士，高級工程師，云南電網(wǎng)有限責任公司電力科學研究院，從事高電壓試驗技術及電氣設備在線監(jiān)測與故障診斷方面的研究 (e-mail)410375004＠qq.com。

顏冰，男，碩士，工程師，云南電網(wǎng)有限責任公司電力科學研究院，從事高電壓實驗技術研究 (e-mail)497036819＠qq.com。