云模型和物元理論在變壓器故障診斷中的應(yīng)用

路海軍+金賡+邱實(shí)+栗彪+王國(guó)英

摘要：基于云模型和物元理論原理，提出云模型和物元理論相結(jié)合的電力變壓器故障診斷方法，有效解決變壓器數(shù)據(jù)樣本特別是故障樣本少的問(wèn)題。以實(shí)際數(shù)據(jù)為例進(jìn)行改進(jìn)物元理論模型相關(guān)計(jì)算，數(shù)據(jù)對(duì)比結(jié)果表明，改進(jìn)物元理論模型的診斷正確率高于傳統(tǒng)方法。

關(guān)鍵詞：變壓器；故障診斷；云模型；改進(jìn)物元模型

中圖分類號(hào)：TM41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-1161（2017）07-0042-03

電力變壓器是電力系統(tǒng)中的關(guān)鍵設(shè)備之一，每年由其故障帶來(lái)的損失十分巨大。定期檢修無(wú)法實(shí)時(shí)反映變壓器的真實(shí)運(yùn)行狀態(tài)，這使得油中溶解氣體分析（DGA）成為國(guó)內(nèi)外研究熱點(diǎn)。傳統(tǒng)的變壓器故障診斷方法有IEC三比值法、Rogers法、Dornerburg法、改良三比值法等。電力變壓器故障產(chǎn)生氣體的機(jī)理復(fù)雜，油中溶解氣體含量或含量比值與故障類型之間的映射關(guān)系難以確定，導(dǎo)致傳統(tǒng)故障診斷方法的準(zhǔn)確率較低。在此情況下，研究準(zhǔn)確高效的變壓器故障診斷方法具有實(shí)用價(jià)值和重要意義。

1 云模型和物元模型簡(jiǎn)介

1.1 云模型理論

云模型最早由李德毅院士提出，其為云理論的核心組成部分。云模型是用語(yǔ)言值表示的某個(gè)定性概念與其定量之間的不確定性轉(zhuǎn)換模型，在模式識(shí)別、倒立擺控制、數(shù)據(jù)挖掘、電力系統(tǒng)等領(lǐng)域應(yīng)用廣泛。到目前為止，云模型已經(jīng)演化出梯形云、三角云和正態(tài)云等多種分布形態(tài)。其中，正態(tài)云是應(yīng)用最為廣泛的云模型。云模型有期望Ex、熵En和超熵He這3個(gè)數(shù)字特征，其中期望Ex是數(shù)值域空間中最能代表性概念的點(diǎn)，反映概念云滴群的云重心；熵En是定性概念不確定度量，由概念的隨機(jī)性和模糊性共同決定；超熵He是熵的不確定性度量，即熵的熵，反映云滴的離散度。這3個(gè)數(shù)字特征將事物的模糊性和隨機(jī)性關(guān)聯(lián)到一起，構(gòu)成了定性概念與定量值之間的不確定映射。

1.2 物元理論

He的值可根據(jù)具體指標(biāo)的不確定性和隨機(jī)性調(diào)整。

2 改進(jìn)物元模型在變壓器故障診斷中的應(yīng)用

2.1 確定變壓器故障的物元表示方法

分析變壓器的各種故障特點(diǎn)可知，變壓器的狀態(tài)分為正常（T1）、低能放電（T2）、高能放電（T3）、中低溫過(guò)熱（T4）、高溫過(guò)熱（T5）5種類型。據(jù)此建立的故障類型對(duì)應(yīng)標(biāo)準(zhǔn)云模型為：

式中：R0i為第i（i=1，2，...，5）種故障；Ni為第i種故障類型的名稱，ci是事物的特征，即變壓器的油色譜數(shù)據(jù)，（Ex1，En1，Ee1）是R0i關(guān)于特征ci的量值，此外采用標(biāo)準(zhǔn)云的形式表示。因?yàn)楣收洗嬖诓淮_定性，所以各種故障邊界區(qū)域有時(shí)會(huì)出現(xiàn)重疊區(qū)域。采用云模型來(lái)表示量值更加實(shí)用。

2.2 確定變壓器故障物元表示中的特征及其對(duì)應(yīng)標(biāo)準(zhǔn)云

當(dāng)變壓器存在內(nèi)部潛伏故障或發(fā)生故障時(shí)，產(chǎn)生相應(yīng)特征氣體的速率會(huì)發(fā)生變化并融入變壓器的油中。變壓器狀態(tài)可以通過(guò)變壓器油中溶解氣體的含量或比值來(lái)反映。確定變壓器故障物元的特征及建立其標(biāo)準(zhǔn)云，是采用改進(jìn)物元模型判斷故障的關(guān)鍵所在。

根據(jù)IEC599所介紹的三比值法總結(jié)氣體比值范圍與故障類型之間的內(nèi)在聯(lián)系，并對(duì)邊界的不確定性進(jìn)行適當(dāng)擴(kuò)展后，將變壓器的故障類型列在表1。

依據(jù)關(guān)聯(lián)函數(shù)公式（8）和（9）計(jì)算出每種故障類型所對(duì)應(yīng)的期望Ex和熵En，可以得到每種故障類型所對(duì)應(yīng)的標(biāo)準(zhǔn)云模型參數(shù)，如C2H2/C2H4對(duì)應(yīng)“無(wú)故障”的云模型為（0.055，0.018，0.001）。

2.3 計(jì)算待評(píng)油色譜樣本的物元表示及關(guān)聯(lián)度

式中：q為待評(píng)變壓器樣本事物，當(dāng)采用三比值作為特征時(shí)，υi是對(duì)應(yīng)的某個(gè)比值數(shù)值。將每一個(gè)比值看作是一個(gè)云滴，根據(jù)公式（4）計(jì)算每一個(gè)云滴隸屬于每個(gè)故障類型的確定度。

3 改進(jìn)物元模型應(yīng)用效果分析

3.1 實(shí)例分析

某變電站1#主變?cè)?016年11月01日的色譜分析結(jié)果如表2所示，乙炔超過(guò)注意值。采用改進(jìn)物元診斷模型進(jìn)行分析，得到色譜數(shù)據(jù)與各標(biāo)準(zhǔn)云物元之間的關(guān)聯(lián)度，如表3所示。

由表3可以看出，模型診斷為高能放電。后經(jīng)檢查發(fā)現(xiàn)，此主變線圈匝間、層間短路，相間閃絡(luò)，線圈斷線，分接頭引線間油隙閃絡(luò)，分接開關(guān)飛弧，引線對(duì)箱殼和其他接地體放電，環(huán)電流引起電弧，與診斷結(jié)果相符。

3.2 試驗(yàn)對(duì)比結(jié)果

對(duì)收集到的100個(gè)數(shù)據(jù)樣本分別采用改進(jìn)方法、三比值法和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷，部分樣本及判斷結(jié)果如表4所示，各模型正判率對(duì)比如表5所示。

實(shí)例分析表明，改進(jìn)的物元診斷模型能更好地反映故障診斷的不確定性，比三比值法診斷正確率高。該模型可在無(wú)故障樣本的情況下建立，對(duì)于解決變壓器故障樣本較少的問(wèn)題，具有一定的可行性。

4 結(jié)論

隨著人工智能技術(shù)的迅猛發(fā)展，變壓器故障診斷方法由傳統(tǒng)的“應(yīng)用導(dǎo)則”診斷模式逐步向基于人工智能技術(shù)的診斷方式過(guò)渡。云模型能夠綜合考慮變壓器數(shù)據(jù)的模糊性和隨機(jī)性，可簡(jiǎn)單高效地診斷變壓器故障。為此，建立以物無(wú)理論為基礎(chǔ)的基于云模型的變壓器故障診斷模型，可在無(wú)數(shù)據(jù)樣本的情況下建立，并能有效解決變壓器數(shù)據(jù)樣本特別是故障樣本少的問(wèn)題。通過(guò)數(shù)據(jù)對(duì)比試驗(yàn)確定此模型的診斷正確率高于傳統(tǒng)方法。

參考文獻(xiàn)

[1] 河南省電力公司.變壓器檢修[M].北京：中國(guó)電力出版社，2012.

[2] 牛林.變壓器狀態(tài)監(jiān)測(cè)診斷技術(shù)[M].北京：中國(guó)電力出版社，2013.

[3] 張東波，徐瑜，王耀南.主動(dòng)差異學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)集成方法在變壓器DGA故障診斷中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào)，2010，30（22）：64-70.

[4] KE MENG， ZHAO YANG DONG， DIAN HUI WANG， et al. A Self-Adaptive RBF Neural Network Classifier for Transformer Fault Analysis[J].IEEE Transactions on Power Delivery，2010，25（3）：1 350-1 360.

[5] 龔瑞昆，馬亮，趙延軍，等.基于量子神經(jīng)網(wǎng)絡(luò)信息融合的變壓器故障診斷[J].電力系統(tǒng)保護(hù)與控制，2011，39（23）：79-84.

[6] 劉卓，黃純，李波，等.利用微分進(jìn)化優(yōu)化神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2011，23（2）：54-58.

Abstract： This paper put forward the fault diagnosis method of power transformer with the combination of cloud model and matter element theory based on cloud and matter element theory， which effectively solved the problems of fewer transformer data samples especially fewer fault samples. Taking actual data as the example we made correlative calculation of improvement matter element theory， and determined accuracy of diagnosis by improvement matter element theory model was higher than that by traditional method using data comparison.

Key words： transformer； fault diagnosis； cloud model； improvement matter element theoryendprint