基于數(shù)據(jù)不確定性的變壓器故障診斷研究

楊杰明，沈勝楠，董玉坤，曲朝陽(yáng)，劉志穎

(1.東北電力大學(xué)信息工程學(xué)院，吉林 吉林132012； 2.哈爾濱理工大學(xué)電氣與電子工程學(xué)院，黑龍江 哈爾濱 150080； 3.國(guó)網(wǎng)河北省電力公司信息通信分公司，河北 石家莊 050000)

基于數(shù)據(jù)不確定性的變壓器故障診斷研究

楊杰明1，沈勝楠2，董玉坤3，曲朝陽(yáng)1，劉志穎1

(1.東北電力大學(xué)信息工程學(xué)院，吉林 吉林132012； 2.哈爾濱理工大學(xué)電氣與電子工程學(xué)院，黑龍江 哈爾濱 150080； 3.國(guó)網(wǎng)河北省電力公司信息通信分公司，河北 石家莊 050000)

針對(duì)采集的變壓器油中溶解氣體數(shù)據(jù)的波動(dòng)性和不確定性，通過(guò)引入蒙特卡洛算法進(jìn)行數(shù)據(jù)處理.根據(jù)油中溶解氣體試驗(yàn)，將處理后的變壓器油中溶解氣體數(shù)據(jù)進(jìn)行兩兩比值.分別根據(jù)變壓器運(yùn)行規(guī)程、DGA知識(shí)以及模糊c均值聚類法對(duì)氣體含量和比值進(jìn)行離散化處理，再進(jìn)行屬性約簡(jiǎn)，并將約簡(jiǎn)結(jié)果作為神經(jīng)網(wǎng)絡(luò)的前置輸入，對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練及故障進(jìn)行診斷.實(shí)驗(yàn)結(jié)果表明，該方法可以對(duì)變壓器故障進(jìn)行準(zhǔn)確判定，具有更好的工程實(shí)用性.

不確定數(shù)據(jù)；蒙特卡洛；粗糙集；神經(jīng)網(wǎng)絡(luò)

大型電力變壓器是電力系統(tǒng)核心的變電設(shè)備，電力變壓器安全與否直接影響著整個(gè)電力系統(tǒng)的安全運(yùn)行水平.[1-3]因此，對(duì)變壓器進(jìn)行故障以及狀態(tài)評(píng)估，從而確定變壓器的運(yùn)行狀態(tài)以及故障類型具有十分重要的實(shí)用意義[4].在變壓器實(shí)際運(yùn)行中，由于采集方式、測(cè)量設(shè)備以及相關(guān)技術(shù)手段的限制，都會(huì)導(dǎo)致采集數(shù)據(jù)的波動(dòng)性以及不確定性[5].這些波動(dòng)性以及不確定數(shù)據(jù)的存在，影響了現(xiàn)有方法對(duì)變壓器故障診斷的精確度，同時(shí)也對(duì)采集數(shù)據(jù)的相關(guān)處理提出了更嚴(yán)格的要求.[6-7]

本文提出運(yùn)用蒙特卡洛方法對(duì)電力變壓器采集數(shù)據(jù)的不確定性進(jìn)行處理，并對(duì)處理后的數(shù)據(jù)進(jìn)行兩兩比值后，結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)進(jìn)行變壓器故障診斷研究，從而為變壓器故障診斷提出一種新的思路.

1 基礎(chǔ)理論分析

1.1 粗糙集理論

粗糙集可以用來(lái)處理分析不精確、不確定信息.還可以在保持分類前提下發(fā)現(xiàn)屬性間的隱藏知識(shí)以及規(guī)律，從而獲得最小知識(shí)屬性集.[8-9]由于本文使用油色譜氣體含量以及兩兩氣體比值進(jìn)行故障診斷，而變壓器故障類型并不是跟所有氣體含量和比值都有很密切的關(guān)系，所以本文采用粗糙集對(duì)氣體含量以及氣體比值進(jìn)行屬性約簡(jiǎn)，確定與故障類型關(guān)系最密切的屬性.

1.2 BP神經(jīng)網(wǎng)絡(luò)

本文將粗糙集理論和神經(jīng)網(wǎng)絡(luò)相結(jié)合分析電力變壓器故障模式，充分利用神經(jīng)網(wǎng)絡(luò)智能化的特點(diǎn)進(jìn)行處理變壓器故障診斷問(wèn)題.同時(shí)為簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)的輸入，將粗糙集作為神經(jīng)網(wǎng)絡(luò)的前置輸入進(jìn)行屬性約簡(jiǎn)，將約簡(jiǎn)結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練，通過(guò)測(cè)試集數(shù)據(jù)進(jìn)行試驗(yàn)驗(yàn)證.

2 基于粗糙集理論的變壓器屬性約簡(jiǎn)

2.1 變壓器故障診斷知識(shí)表

變壓器油色譜中H2、CH4、C2H4、C2H6、C2H2、CO、CO2、總烴8種氣體的含量和比值與變壓器故障類型、程度密切相關(guān).分析油中溶解氣體含量以及比值關(guān)系，就可以判斷變壓器的故障類型、故障性質(zhì)以及危險(xiǎn)程度[10].因此，變壓器故障診斷表選取變壓器油中8種氣體含量以及相應(yīng)兩兩氣體28個(gè)比值作為其條件屬性.選取了室溫、高溫過(guò)熱、中溫過(guò)熱、低溫過(guò)熱、充油套管問(wèn)題、局部放電6種變壓器狀態(tài)類型作為決策屬性，并依次用編號(hào)d0，d1，d2，d3，d4，d5表示.

本文選取了某500 kV變壓器歷年故障狀態(tài)數(shù)據(jù)，并將其中70%作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集，30%作為測(cè)試數(shù)據(jù)集.某500 kV變壓器部分油色譜數(shù)據(jù)如表1所示.

表1 某變壓器油中溶解氣體部分?jǐn)?shù)據(jù) μL/L

2.2 不確定數(shù)據(jù)處理

采用蒙特卡羅算法來(lái)處理變壓器采集數(shù)據(jù)的波動(dòng)性以及不確定性.根據(jù)某500 kV變壓器采集的油色譜數(shù)據(jù)進(jìn)行分析，經(jīng)過(guò)歷史統(tǒng)計(jì)，變壓器油色譜數(shù)據(jù)取值范圍為0.9xt，1.1xt，設(shè)定模擬次數(shù)為5×104次，使用蒙特卡羅算法進(jìn)行處理，某變電站油色譜部分?jǐn)?shù)據(jù)以及經(jīng)蒙特卡洛處理部分結(jié)果如表2所示.

表2 油色譜部分?jǐn)?shù)據(jù)及蒙特卡洛處理部分結(jié)果 μL/L

2.3 連續(xù)屬性離散化

根據(jù)各油色譜氣體的閾值，對(duì)于8種氣體進(jìn)行離散化處理.對(duì)于兩兩氣體的比值，有些比值編碼與故障間的關(guān)系已經(jīng)很明確，可運(yùn)用DGA知識(shí)進(jìn)行離散化.對(duì)于其他比值，本文考慮使用模糊c均值聚類算法(FCM)進(jìn)行屬性離散化.FCM算法是一種基于聚類和最小距離的屬性離散化算法，其樣本數(shù)據(jù)隸屬度公式為

(1)

2.4 變壓器故障診斷決策表屬性約簡(jiǎn)

離散后的變壓器故障診斷決策表具有36個(gè)條件屬性和1個(gè)決策屬性.在不影響原有知識(shí)表達(dá)的前提下，利用粗糙集理論進(jìn)行屬性約簡(jiǎn)，從而發(fā)現(xiàn)決策表中蘊(yùn)含的規(guī)律.約簡(jiǎn)后的部分最小決策表如表3所示.

表3 部分最終約簡(jiǎn)結(jié)果

圖1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用單隱層的BP網(wǎng)絡(luò)，輸入層是7種經(jīng)過(guò)屬性約簡(jiǎn)后的條件屬性，輸出層6種變壓器狀態(tài).網(wǎng)絡(luò)中間層的傳遞函數(shù)采用S型的正切函數(shù)，輸出層傳遞函數(shù)同樣采用S型的對(duì)數(shù)函數(shù).神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)設(shè)為1×103次，最終的訓(xùn)練目標(biāo)設(shè)為0.001，學(xué)習(xí)速率設(shè)為0.1進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練.訓(xùn)練結(jié)果如圖1所示.

4 結(jié)果分析與比較

經(jīng)過(guò)粗糙集屬性約簡(jiǎn)后，36個(gè)條件屬性輸入減少為7個(gè).利用測(cè)試數(shù)據(jù)集對(duì)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)進(jìn)行試驗(yàn)驗(yàn)證，測(cè)試數(shù)據(jù)集經(jīng)過(guò)處理并編碼如表4所示.故障診斷結(jié)果表明，在經(jīng)過(guò)蒙特卡洛算法對(duì)采集數(shù)據(jù)經(jīng)過(guò)處理后，采用本文方法能正確預(yù)測(cè)21個(gè)故障，診斷準(zhǔn)確率為87.5%，突破了傳統(tǒng)三比值法僅能識(shí)別個(gè)別故障類型的缺陷.而未經(jīng)處理的傳統(tǒng)三比值只能正確預(yù)測(cè)11個(gè)故障.普通的神經(jīng)網(wǎng)絡(luò)方法能正確預(yù)測(cè)17個(gè)故障.各診斷方法試驗(yàn)結(jié)果如表5所示.

表4 測(cè)試數(shù)據(jù)編碼

表5 診斷方法結(jié)果匯總

由表5可見(jiàn)，在對(duì)采集數(shù)據(jù)經(jīng)過(guò)蒙特卡洛數(shù)據(jù)處理后，通過(guò)粗糙集理論進(jìn)行約簡(jiǎn)處理，減少了神經(jīng)網(wǎng)絡(luò)的輸入，簡(jiǎn)化了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，減少了神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間，提高了故障診斷正確率，并突破了傳統(tǒng)三比值故障診斷的局限性.

5 結(jié)論

針對(duì)變壓器采集的運(yùn)行數(shù)據(jù)，本文考慮了采集數(shù)據(jù)的波動(dòng)性和不確定性，采用蒙特卡洛算法對(duì)不確定數(shù)據(jù)進(jìn)行處理.在經(jīng)過(guò)蒙特卡洛處理數(shù)據(jù)后，充分發(fā)揮粗糙集理論和神經(jīng)網(wǎng)絡(luò)的各自優(yōu)勢(shì)，把變壓器8種溶解氣體、兩兩氣體比值以及相關(guān)故障組成決策表.利用粗糙集理論對(duì)決策表進(jìn)行屬性約簡(jiǎn)，并將約簡(jiǎn)結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練，簡(jiǎn)化了神經(jīng)網(wǎng)絡(luò)系統(tǒng)復(fù)雜結(jié)構(gòu)，降低了訓(xùn)練時(shí)間，提高了故障診斷準(zhǔn)確率.結(jié)果表明，利用此方法可較好地適用于變壓器的故障診斷.

[1] 王悅，唐常杰，楊寧，等.在不確定數(shù)據(jù)集上挖掘優(yōu)化的概率干預(yù)策略[J].軟件學(xué)報(bào)，2011，9(2)：285-297.

[2] 劉永欣，師峰，姜帥，等.智能變電站繼電保護(hù)狀態(tài)監(jiān)測(cè)的一種模糊評(píng)估算法[J].電力系統(tǒng)保護(hù)與控制，2014，9(3)：37-41.

[3] 周傲英，金澈清，王國(guó)仁，等.不確定性數(shù)據(jù)管理技術(shù)研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2009，8(1)：1-16.

[4] 趙淵，徐焜耀，吳彬.大電力系統(tǒng)可靠性評(píng)估的蒙特卡洛仿真及概率密度估計(jì)[J].重慶大學(xué)學(xué)報(bào)(自然科學(xué)版)，2007，12(5)：16-20.

[5] REN YUAN，DING YU，LIANG FAMING.Adaptive evolutionary Monte Carlo algorithm for optimization with applications to sensor placement problems [J].Statistics and Computing，2008，18(3)：375-390.

[6] GO SWAMI G，LIU J S，WONG W H.Evolutionary Monte Carlo methods for clustering [J].Journal of Computational and Graphical Statistics，2007，16(4)：1-22.

[7] 鄧武，楊鑫華，趙慧敏，等.粗糙集、神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)模型用于電力系統(tǒng)故障診斷[J].高電壓技術(shù)，2009，12 (7)：1624-1628.

[8] 任靜，黃家棟.基于免疫RBF神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].電力系統(tǒng)保護(hù)與控制，2010，38(11)：6-9.

[9] PAN C，CHEN W，XU Y.Fault diagnostic method of power transformers based on hybrid genetic algorithm evolving wavelet neural network [J].IET Electric Power Applications，2008，2(1)：71-76.

[10] 劉曉平，鄭海起，祝天宇.基于進(jìn)化蒙特卡洛方法的特征選擇在機(jī)械故障診斷中的應(yīng)用[J].振動(dòng)與沖擊，2011，10(5)：98-101.

(責(zé)任編輯：石紹慶)

Studyonfaultdiagnosisofthetransformerbasedondatauncertainty

YANG Jie-ming1，SHEN Sheng-nan2，DONG Yu-kun3，QU Zhao-yang1，LIU Zhi-ying1

(1.School of Information Engineering，Northeast Electric Power University，Jilin 132012，China； 2.School of Electrical and Electronic Engineering，Harbin University of Science and Technology，Harbin 150080，China； 3.State Grid Hebei Information and Telecommunication Branch，Shijiazhuang 050000，China)

For the collection data of dissolved gas in transformer oil，the paper fully considers the uncertainty of the collection data，using Monte Carlo algorithm to process the data uncertainty.For the ratio of the expansion，the paper respectively uses operating procedures，DGA knowledge and fuzzy c-means clustering method to discrete the data according to different situations.Secondly，using rough set attribute reduction algorithm gets the minimum decision table and which as a result of the input trains the neural network.The neural network after training makes for the fault diagnosis and using the testing data test the neural network.The test results indicate that the method of the paper has a higher accuracy rate for transformer fault diagnosis.

uncertain data；Monte Carlo；rough set；neural network

1000-1832(2017)03-0057-04

10.16163/j.cnki.22-1123/n.2017.03.013

2016-01-07

國(guó)家自然科學(xué)基金資助項(xiàng)目(651277023)；吉林省科技發(fā)展計(jì)劃項(xiàng)目(20140204071GX).

楊杰明(1972—)，男，博士，教授，主要從事文本分類、數(shù)據(jù)挖掘和智能電網(wǎng)研究.

TP 311 [學(xué)科代碼] 520·20

A