基于多種理論融合的變壓器在線故障診斷模型

許寅卿

(國網(wǎng)上海市電力公司檢修公司，上海 200063)

運(yùn)行中的變壓器除了正常老化外，發(fā)生故障時還會伴有異?，F(xiàn)狀態(tài)或特殊現(xiàn)象。通過觀察故障變壓器存在的異常現(xiàn)狀態(tài)或特殊現(xiàn)象，對其進(jìn)行整理對比分析，最終綜合判斷出變壓器中是否存在故障以及故障的部位、類別、損壞程度的過程稱為電力變壓器故障診斷[1-2]。

目前國內(nèi)外廣泛采用的變壓器油中溶解氣體分析技術(shù)是油中溶解氣體分析法(DGA)。在已有的DGA方法中，改良三比值法運(yùn)用效果最好，但存在故障編碼不全、編碼過于絕對化的缺陷[3-4]，還會出現(xiàn)無法判斷或誤判的情況。本文提出利用改良三比值法配合模糊數(shù)學(xué)、RBF神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的多種理論融合的變壓器在線故障診斷模型，通過模糊數(shù)學(xué)和RBF神經(jīng)網(wǎng)絡(luò)把變壓器故障的評判由定性評判轉(zhuǎn)化為定量評判，最后通過D-S證據(jù)理論把二者融合得到最后的結(jié)論，提高診斷正確率。

1 建立故障診斷模型

多種理論融合的變壓器故障診斷模型主要有三個模塊：參數(shù)篩選模塊、模糊綜合評判與RBF神經(jīng)網(wǎng)絡(luò)初步診斷模塊、MASS函數(shù)分配與證據(jù)合成診斷模塊。系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 故障診斷模型結(jié)構(gòu)圖

1.1 參數(shù)篩選模塊

基于改良三比值法和特征氣體法，變壓器在線監(jiān)測裝置需要實(shí)時采集五組氣體濃度，分別為H2、CH4、C2H6、C2H4、C2H2。當(dāng)被測氣體濃度或者產(chǎn)氣速率達(dá)到報警值后，此時五種氣體的濃度將作為輸入量傳入RBF神經(jīng)網(wǎng)絡(luò)與模糊綜合評判初步診斷模塊。變壓器在線監(jiān)測裝置可實(shí)時監(jiān)測變壓器油中的數(shù)據(jù)，該數(shù)值會根據(jù)變壓器運(yùn)行狀態(tài)的變化而改變。當(dāng)數(shù)據(jù)波動在正常范圍內(nèi)不上報數(shù)據(jù)，只有數(shù)據(jù)波動超過正常值(特征氣體注意值)時或者某個氣體產(chǎn)氣速率超過正常值時上報數(shù)據(jù)。參數(shù)篩選模塊流程圖見圖2。

圖2 參數(shù)篩選模塊流程圖

1.2 初步診斷模塊

初步診斷模塊包含模糊綜合評判法與RBF神經(jīng)網(wǎng)絡(luò)法兩個獨(dú)立的算法模型，將二者的結(jié)論直接輸入到MASS函數(shù)分配與證據(jù)合成診斷模塊中。初步診斷模塊流程圖如圖3所示。

圖3 初步診斷模塊流程圖

1.2.1模糊綜合評判法模型

模糊綜合評判法是將評判事物的各個指標(biāo)模糊化(通過隸屬函數(shù))，然后通過模糊變化達(dá)到評價指標(biāo)整合得到綜合評價[5]。變壓器內(nèi)部各個特征的變化對應(yīng)的故障現(xiàn)象有可能單獨(dú)存在也可能是相互有交集的存在，因此最后的診斷結(jié)果是多特征綜合考慮后得到的評判結(jié)果。模糊綜合評判法原理完全符合變壓器內(nèi)部故障發(fā)生的特性，利用該理論建立一個單獨(dú)的算法模型。

具體的參數(shù)確定與算法過程如下。

(1) 根據(jù)改良三比值法，特征種類集合S={s1,s2,…,sn}中的si為改良三比值法中的第i種編碼組合，共27組。評判結(jié)果集合F={f1,f2,…,f5}，共有五個故障分類，見表1。綜合評判向量B={b1,b2,…,b5}={故障f1的概率，故障f2的概率，…，故障f5的概率}。MAX={b1,b2,…,b5}為最后的評判結(jié)果。公式中為模糊算子，選取模型，即加權(quán)求和模型。模型的優(yōu)點(diǎn)是在突出主要因素同時又能兼顧其他因素，體現(xiàn)綜合評價的本質(zhì)，最符合變壓器內(nèi)部故障形成的特點(diǎn)。

表1 故障種類表

(2)按照改良三比值法的原理，X=C2H2/C2H4、Y=CH4/H2、Z=C2H4/C2H6分別對應(yīng)0、1、2三個編碼中的一個，因此X、Y、Z可能出現(xiàn)27組編碼，從數(shù)字小到大排列為{000,001,002,010,…221,222}。分別計算權(quán)重向量A中的27中特征評判結(jié)果的權(quán)重，即為

A=(a000，a001，a002，a222)=(a0，a1，a2，…，a26)

(1)

式中aijk——一組被測氣體的三組比值隸屬于故障組合編碼ijk的隸屬度。

aijk=Xi∧Yj∧Zk=min(Xi，Yj，Zk)

(2)

隸屬度函數(shù)的選取首先對比分析常用的模糊分布，選取最貼合三比值法中邊界條件的函數(shù)分布，最終選取嶺型模糊分布。函數(shù)里的模糊區(qū)間的選擇也非常重要，根據(jù)大量變壓器故障實(shí)例的油色譜數(shù)據(jù)經(jīng)過整理分析得到相對合理的區(qū)間，0.1≈(0.08～0.14)，1≈(0.86～1.14)，3≈(2.85～3.15)。計算得出分布函數(shù)后得到權(quán)重向量A，最后對權(quán)重向量A進(jìn)行歸一化處理。篇幅有限本文不列出分布函數(shù)式。

(3)改良三比值法中的編碼與故障是一一對應(yīng)的。但變壓器內(nèi)部故障發(fā)生并非都是單一類型的，也會有多種類型的故障同時出現(xiàn)。因此，提出一種多對多或一對多的模糊對應(yīng)關(guān)系，假設(shè)每一組編碼都能在一定程度上反應(yīng)各個故障，同樣各個故障也能與各組編碼存在一定關(guān)聯(lián)，這種編碼與故障類型之間的模糊關(guān)系就可以用模糊關(guān)系矩陣R來表示。其矩陣如下：

(3)

式中Ri——對于某個編號故障類型的評價；rij——某個編碼i對于第j種故障的可能性即是編碼i與故障j之間的關(guān)聯(lián)程度。

為了能客觀地反應(yīng)編碼與各個故障類型的關(guān)聯(lián)程度，以100個故障樣本采用統(tǒng)計方法來確定R的初始值。最后通過公式B=AR得到一組數(shù)據(jù)并作為故障子空1的數(shù)據(jù)進(jìn)入下一個模塊。

1.2.2RBF神經(jīng)網(wǎng)絡(luò)法模型

RBF神經(jīng)網(wǎng)絡(luò)又稱徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，是一種三層前饋式神經(jīng)網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)能夠逼近任意的非線性函數(shù)，具有學(xué)習(xí)收斂速度非?？旌土己玫姆夯芰Γ梢越鉀Q系統(tǒng)內(nèi)難以解析的規(guī)律性問題[6]。對于變壓器內(nèi)部故障診斷，一個或多個特征變化導(dǎo)致的故障結(jié)果之間并不存在明顯的線性關(guān)系而是極其復(fù)雜的非線性關(guān)聯(lián)，利用RBF神經(jīng)網(wǎng)絡(luò)的特性可以找出特征量與故障之間的關(guān)系，因此基于此理論建立一個單獨(dú)的算法模型。具體參數(shù)確定與算法過程如下。

(1)基于改良三比值法，在線監(jiān)測裝置測得H2、CH4、C2H6、C2H4、C2H2五組氣體，根據(jù)比值對應(yīng)的編碼確定故障程度及其類型。故障類型見表1，分為5類，即f1，f2，f3，f4，f5。RBF神經(jīng)網(wǎng)絡(luò)中輸入節(jié)點(diǎn)數(shù)等于模式的維數(shù)。如直接用五組氣體含量作為輸入量可能會存在網(wǎng)絡(luò)對較小數(shù)據(jù)不敏感導(dǎo)致丟失部分重要數(shù)據(jù)信息。但如遇到輸入的氣體含量之間的數(shù)量級差別過大會精度不足，采用將五組氣體分別占總氣體含量占比作為輸入，使得五組輸入都在區(qū)間(0,1)中。網(wǎng)絡(luò)中輸出節(jié)點(diǎn)數(shù)為5個，分別對應(yīng)各個故障類型，實(shí)際輸出的一組數(shù)據(jù)將作為故障子空2的數(shù)據(jù)進(jìn)入下一個模塊。

(2) RBF神經(jīng)網(wǎng)絡(luò)是一個三層網(wǎng)絡(luò)結(jié)構(gòu)其隱含層節(jié)點(diǎn)數(shù)在訓(xùn)練過程中非常重要。一般選著與其輸入向量中的元素一致的層數(shù)，但當(dāng)輸入矢量過多時，過多的隱含層系運(yùn)行比較麻煩。實(shí)際中，通過Matlab軟件仿真訓(xùn)練過程中，隱含層節(jié)點(diǎn)可以在訓(xùn)練過程中獲得最佳，不必事先確定。RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法基于梯度下降的誤差糾正算法學(xué)習(xí)獲得，限于篇幅這里不做詳細(xì)介紹。

1.3 MASS函數(shù)分配與證據(jù)合成診斷模塊

D-S證據(jù)理論是人工智能領(lǐng)域范圍內(nèi)的數(shù)學(xué)理論，最先被采用于專家系統(tǒng)研究中，具有解決不確定信息的處理能力。D-S證據(jù)理論是多種信息融合的常用方法，基于對概率論的延伸，提出了全新的概念包括基本概率分配、信任函數(shù)、似然函數(shù)等，由此把那些不確定性命題替換為相對容易理解的集合問題[7]。變壓器在線診斷問題中，模糊綜合評判與RBF神經(jīng)網(wǎng)絡(luò)法有著各自的優(yōu)點(diǎn)和缺點(diǎn)但兩者之間存在著天然的互補(bǔ)性，因此利用D-S強(qiáng)大的信息整合能力將模糊綜合評判與RBF神經(jīng)網(wǎng)絡(luò)法初步診斷的結(jié)果轉(zhuǎn)化為兩個證據(jù)體下的兩組MASS函數(shù)作為證據(jù)模型。再用證據(jù)理論合成規(guī)則，對兩個獨(dú)立的證據(jù)體進(jìn)行合成，把兩者算法的優(yōu)缺點(diǎn)有機(jī)的組合在一起，起到了互補(bǔ)作用。

MASS函數(shù)分配與證據(jù)合成診斷模塊流程圖見圖4。下面對D-S證據(jù)理論合成中的幾個關(guān)鍵數(shù)據(jù)量進(jìn)行分析。

(1)確定識別框架Θ。本文所建的融合多種理論的電力變壓器故障診斷系統(tǒng)中的識別框架Θ是模糊綜合評判法與RBF神經(jīng)網(wǎng)絡(luò)法判別法故障子空間的并集。由于兩個診斷法的故障子空間相同，因此整個診斷系統(tǒng)的識別框架即是故障f1，f2，f3

圖4 MASS函數(shù)分配與證據(jù)合成診斷模塊流程圖f4，f5

(2)選擇證據(jù)體。將模糊綜合評判法與RBF神經(jīng)網(wǎng)絡(luò)法的診斷結(jié)論分別作為一個獨(dú)立的證據(jù)體。

(3)確定出各個證據(jù)的基本概率分配(MASS函數(shù))。多種理論融合的本質(zhì)就是把多個不同的證據(jù)體在同一個識別框架體系下融合成為一個全新證據(jù)體的過程，其關(guān)鍵在于如何依據(jù)現(xiàn)有的證據(jù)來構(gòu)造出基本概率分配函數(shù)(MASS函數(shù))，利用模糊綜合評判與RBF神經(jīng)網(wǎng)絡(luò)法所做的初步診斷的初步結(jié)論加上兩個理論不確定度，這樣做不僅能夠盡量免于構(gòu)造復(fù)雜的基本分配函數(shù)而且盡可能的做到客觀化的概率分配賦值?？紤]到初步診斷子網(wǎng)絡(luò)的診斷的重心有所不同即是診斷范圍與性能有差異，因而每個診斷子網(wǎng)絡(luò)都有一個可靠系數(shù)λ，其代表了對某一個證據(jù)來源的信任程度?；趯δ：C合評判與RBF神經(jīng)網(wǎng)絡(luò)法深入研究分析后將各自可靠系數(shù)分別定位為0.85和0.87。因此得到模糊綜合評判不確定度設(shè)為m1(Θ)=0.15，RBF神經(jīng)網(wǎng)絡(luò)法不確定度設(shè)為m2(Θ)=0.13，最后把所有數(shù)據(jù)歸一化后得到確切的的MASS函數(shù)。

2 實(shí)例分析

對于提出的融合多種理論的電力變壓器故障診斷方法選取4組故障樣本。每組故障樣本都先通過了模糊綜合評判與RBF神經(jīng)網(wǎng)絡(luò)法的初步診斷。故障樣本和初步診斷結(jié)果見表2和表3，其中1號代表模糊綜合評判，2號表示RBF神經(jīng)網(wǎng)絡(luò)法。

表2 故障樣本表

表3 初步診斷結(jié)果表

根據(jù)表2和表3得到初步診斷的結(jié)論配上各自可靠系數(shù)歸一化后到兩組MASS函數(shù)，利用D-S證據(jù)合成理論得到融合后的MASS函數(shù)，具體數(shù)值見表4。

表4 數(shù)據(jù)融合后的MASS函數(shù)表

根據(jù)表4利用最大隸屬度法得到最終的診斷結(jié)果，實(shí)際故障結(jié)論與最終診斷結(jié)果見表5。

表5 最終診斷與實(shí)際故障表

由表5可以看出，多種理論融合的故障診斷方法診斷結(jié)論都是正確的。該方法考慮到了諸多不確定因素包括不同證據(jù)體與診斷樣本的關(guān)聯(lián)性、不同證據(jù)體的可靠性，因此多種理論融合的故障診斷方法的可靠性和正確性都有所提升。這也是對于變壓器在線實(shí)時監(jiān)測并發(fā)現(xiàn)故障提供了堅(jiān)實(shí)的保障。

3 結(jié)語

本文所建立的融合多種理論的電力變壓器故障診斷模型，通過檢測變壓器油中的溶解氣體的含量以及變化趨勢來判斷電力變壓器是否存在故障以及故障的大致類型和嚴(yán)重程度，能提前檢測到電力變壓器故障發(fā)展的趨勢以便變電運(yùn)維部門和變電檢修部門能更好地掌握變壓器狀態(tài)，起到預(yù)防為主檢修為輔的設(shè)備檢修原則。本模型還存在著具體的可靠系數(shù)選取有人為因素，日后的研究中需要尋找更加客觀的確定可靠系數(shù)的方法。同時本模型需要大量的故障樣本作為測試和訓(xùn)練的樣本，需要盡快完善擴(kuò)充故障樣本，使得故障樣本更加多樣化，從而提高利用理論融合處理故障診斷的準(zhǔn)確率。