多源信息融合技術(shù)在變壓器故障診斷中的實(shí)踐探析

摘要：在我國(guó)電力工程建設(shè)規(guī)模不斷擴(kuò)大的背景下，電力網(wǎng)絡(luò)建設(shè)日益完善，為社會(huì)生產(chǎn)提供充足且穩(wěn)定的電力能源支持。在電力系統(tǒng)中，變壓器是一項(xiàng)重要設(shè)備，能夠直接影響供電效率，但是變壓器需要長(zhǎng)期處于高壓運(yùn)行狀態(tài)下，所以不可避免地會(huì)出現(xiàn)一定故障問(wèn)題，為了提高故障解決效率，需要采用科學(xué)的診斷技術(shù)，多源信息融合技術(shù)具有良好的應(yīng)用效果。因此，本文將對(duì)多源信息融合技術(shù)在變壓器故障診斷中的實(shí)踐應(yīng)用進(jìn)行深入地研究與分析，旨在進(jìn)一步提高變壓器故障診斷技術(shù)水平。

關(guān)鍵詞：多源信息融合技術(shù);變壓器設(shè)備;故障診斷;實(shí)踐應(yīng)用;技術(shù)優(yōu)勢(shì)

多源信息融合技術(shù)在變壓器故障診斷中具有良好的應(yīng)用效果，該技術(shù)充分利用多個(gè)傳感器的資源，將多項(xiàng)傳感器在空間與時(shí)間中進(jìn)行互補(bǔ)，從而能夠得到更加全面的變壓器故障信息，具有較好的協(xié)同作用效果，能夠提高變壓器故障診斷信息真實(shí)性和可靠性。多源信息融合技術(shù)能夠從大量復(fù)雜的變壓器故障信息中快速分析和提取價(jià)值信息，能夠有效提高故障診斷效率，從而為故障維修打下堅(jiān)實(shí)的基礎(chǔ)。

1多源信息融合技術(shù)應(yīng)用原理分析

多源信息融合技術(shù)的應(yīng)用原理為對(duì)具有相似或不同特點(diǎn)模式的多源信息進(jìn)行處理，從而獲取有效的決策信息，其中特征識(shí)別和融合算法是多源信息融合技術(shù)中的核心內(nèi)容，特殊的算法能夠?qū)⒍嘣葱畔⑦M(jìn)行整合，能夠有效應(yīng)對(duì)信息模糊和信息矛盾的問(wèn)題。多源信息融合技術(shù)的技術(shù)原理包括多個(gè)方面，比如信號(hào)處理、估計(jì)理論、模糊集理論、神經(jīng)網(wǎng)絡(luò)以及人工智能等;多源信息融合技術(shù)的構(gòu)成包括三個(gè)模塊，數(shù)據(jù)融合模塊、特征融合模塊以及決策融合模塊，在多種信息的原始數(shù)據(jù)沒(méi)有經(jīng)過(guò)處理前能夠?qū)π畔⑦M(jìn)行綜合分析與判斷;想要實(shí)現(xiàn)數(shù)據(jù)模塊的融合，則必須保證傳感器具有匹配性，能夠在原始數(shù)據(jù)層面中實(shí)現(xiàn)關(guān)聯(lián);特征融合模塊是從信息源的原始信息中提取特征信息，對(duì)其進(jìn)行綜合分析與處理，所提取的特征信息為原始信息的表示量或統(tǒng)計(jì)量，之后依據(jù)特征信息對(duì)多信息源進(jìn)行分類、整合以及處理;決策融合模塊是三個(gè)模塊的最終處理結(jié)果，能夠直接用于決策管理，融合的結(jié)果能夠?yàn)闆Q策系統(tǒng)提供依據(jù)，決策融合能夠在多個(gè)信息失效的情況下持續(xù)運(yùn)行，所以具有較好的容錯(cuò)性，主要采用模糊集理論、專家系統(tǒng)以及貝葉斯推斷等。本文所采用的多源信息融合技術(shù)應(yīng)用流程為：傳感器原始色譜信息數(shù)據(jù)預(yù)處理→數(shù)據(jù)傳輸至BP神經(jīng)網(wǎng)絡(luò)推斷→數(shù)據(jù)診斷→數(shù)據(jù)融合→診斷結(jié)論[1]。

2以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的故障診斷

2.1BP神經(jīng)網(wǎng)絡(luò)分析

BP神經(jīng)網(wǎng)絡(luò)為前饋型和模塊型結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模式，BP神經(jīng)網(wǎng)絡(luò)包括輸入模塊、隱含模塊以及輸出模塊，輸入模塊主要負(fù)責(zé)信息獲取，隱含模塊和輸出模塊具有數(shù)據(jù)處理能力;因?yàn)锽P神經(jīng)網(wǎng)絡(luò)中某模塊輸出的數(shù)據(jù)為下一層模塊的輸入，所以該系統(tǒng)對(duì)于數(shù)據(jù)的處理具有傳遞方向性。BP神經(jīng)網(wǎng)絡(luò)功能特點(diǎn)受到來(lái)接的拓?fù)浣Y(jié)構(gòu)、神經(jīng)元連接以及學(xué)習(xí)方式影響[2]。

2.2網(wǎng)絡(luò)設(shè)計(jì)

在本次變壓器故障診斷系統(tǒng)中，在線監(jiān)測(cè)功能以實(shí)時(shí)獲取變壓器油中溶解氣體含量和對(duì)應(yīng)故障信息作為融合數(shù)據(jù)的基本來(lái)源，輸入量的確定需要選擇對(duì)輸出量影響較大的白能量，所以網(wǎng)絡(luò)輸入量選擇變壓器的DGA數(shù)據(jù)，輸出量能夠表現(xiàn)出實(shí)現(xiàn)功能目標(biāo)，網(wǎng)絡(luò)輸出量則為變壓器的故障類型。具體設(shè)計(jì)包括：（1）輸入量設(shè)計(jì)。因?yàn)镈GA數(shù)據(jù)為數(shù)值形式，所以能夠利用在線監(jiān)測(cè)方式獲取，將數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，因?yàn)閷?duì)變壓器故障影響較大的DGA數(shù)據(jù)中包括六種不同的氣體數(shù)據(jù)，即氫氣、甲烷、乙烷、乙烯、乙炔以及一氧化碳，所以輸入層中需要設(shè)置對(duì)應(yīng)的六個(gè)神經(jīng)單元，輸入量設(shè)計(jì)為一個(gè)n*6的矩陣，n代表DGA數(shù)據(jù)的樣本個(gè)數(shù)。（2）輸出量設(shè)計(jì)。因?yàn)樽儔浩鞴收蠑?shù)據(jù)為文本格式，神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出為0—1或-1—1范圍內(nèi)，為此需要將故障類型以數(shù)值的方式呈現(xiàn)，本文采用歸一化數(shù)據(jù)處理方法，公式為：yi=（xo-xmin）/（xmax-xmin），其中xmin表示樣本最小值，xmax表示樣本最大值，yi為歸一化后的數(shù)據(jù)。因?yàn)樽儔浩鞯墓收现饕ǖ湍芊烹?、高能放電、中低溫過(guò)熱、高溫過(guò)熱以及局部放電五種不同類型，所以神經(jīng)網(wǎng)絡(luò)輸出中設(shè)計(jì)對(duì)應(yīng)的五個(gè)單元。（3）訓(xùn)練集設(shè)計(jì)。通常情況下樣本的數(shù)據(jù)越多，則輸出結(jié)果準(zhǔn)確性越高，系統(tǒng)訓(xùn)練樣本數(shù)量受到輸入和輸出非線性映射關(guān)系的復(fù)雜程度影響，關(guān)系越復(fù)雜則樣本噪聲越大，所以想要保證映射精確性，需要訓(xùn)練更多的樣本數(shù)量。在H市某變電站中，監(jiān)測(cè)系統(tǒng)收集了站內(nèi)5個(gè)不同變壓器的油色譜數(shù)據(jù)，每一個(gè)傳感器收集到100組故障數(shù)據(jù)，每一個(gè)故障中又包括20個(gè)樣本，本文選擇其中50個(gè)樣本進(jìn)行訓(xùn)練，另外50用于測(cè)試。（4）隱含模塊和隱含模塊節(jié)點(diǎn)設(shè)計(jì)。在采用DGA數(shù)據(jù)作為變壓器故障分析數(shù)據(jù)進(jìn)行訓(xùn)練的過(guò)程中，需要對(duì)六種不同氣體含量構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，都采用一個(gè)隱含模塊，隱含模塊中節(jié)點(diǎn)數(shù)量設(shè)計(jì)為12個(gè)，所以網(wǎng)絡(luò)結(jié)構(gòu)我6*12*5;通過(guò)Matlab軟件構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)變壓器故障樣本進(jìn)行測(cè)試訓(xùn)練[3]。

3多源信息融合技術(shù)在變壓器故障診斷中的實(shí)踐應(yīng)用

將尚未所設(shè)計(jì)的多源信息融合技術(shù)在H市某變電站中進(jìn)行實(shí)踐應(yīng)用，主要用于采集變壓器的油氣數(shù)據(jù)，采集到4個(gè)傳感器包括的400組故障樣本油氣數(shù)據(jù)，將其中200組用于故障診斷訓(xùn)練，剩余200組用于測(cè)試，部分典型數(shù)據(jù)包括：（1）第一組：氫氣550、甲烷0、乙烷0.5、乙烯0.6、乙炔0、一氧化碳0.4，故障類型為局部放電。（2）第二組。氫氣14、甲烷6.50、乙烷1.50、乙烯1.15、乙炔1.80、一氧化碳3，故障類型為低能放電。（3）第三組。氫氣7.5、甲烷96.2、乙烷26.6、乙烯4.6、乙炔134、一氧化碳1200，故障類型為高能放電。（4）第四組。氫氣19.5、甲烷320.6、乙烷574.6、乙烯279.1、乙炔0、一氧化碳800，故障類型為高溫過(guò)熱。（5）第五組。氫氣300、甲烷489、乙烷179、乙烯360、乙炔94、一氧化碳200，故障類型為中低溫過(guò)熱。

采用多源信息融合方式對(duì)故障樣本進(jìn)行測(cè)試，在對(duì)油氣數(shù)據(jù)進(jìn)行處理后，將其出入到BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行診斷，針對(duì)各個(gè)傳感器的油氣數(shù)據(jù)進(jìn)行分別BP網(wǎng)絡(luò)測(cè)試，將4個(gè)傳感器分別編號(hào)為X1、X2、X3以及X4，對(duì)比結(jié)果為：（1）F1故障X1識(shí)別精確度為75.0%，X2識(shí)別精確度為70.0%，X3識(shí)別精確度為80.0%，X4識(shí)別精確度為80.0%，多源信息融合技術(shù)識(shí)別精確度為85.0%。（2）F2故障X1傳感器識(shí)別精確度為80.0%，X2識(shí)別精確度為識(shí)別精確度為70.0%，X3識(shí)別精確度為80.0%，X4識(shí)別精確度為80.0%，多源信息融合技術(shù)識(shí)別精確度為90.0%。根據(jù)對(duì)比測(cè)試結(jié)果顯示，本文所提出的多源信息融合技術(shù)在變壓器故障針對(duì)中，相比于單一的診斷方法，診斷準(zhǔn)確性具有很大提升。

結(jié)束語(yǔ)

綜上所述，本文全面闡述了多源信息融合技術(shù)的基本內(nèi)涵，并對(duì)多源信息融合技術(shù)故障識(shí)別系統(tǒng)進(jìn)行設(shè)計(jì)，在實(shí)踐應(yīng)用中正面多源信息融合技術(shù)對(duì)于變壓器故障的診斷準(zhǔn)確性具有很大提升，希望能夠?qū)ξ覈?guó)變電站故障診斷工作起到一定的借鑒和幫助作用。

參考文獻(xiàn)

[1]劉云鵬， 付浩川， 許自強(qiáng)，等. 基于AdaBoost-RBF算法與DSmT的變壓器故障診斷技術(shù)[J]. 電力自動(dòng)化設(shè)備， 2019， 39（6）：7-7.

[2]申劉飛， 何怡剛， 吳曉欣. 基于多源Mallat-NIN-CNN網(wǎng)絡(luò)的變壓器繞組故障診斷[J]. 測(cè)控技術(shù)， 2020， 39（12）：6-6.

[3]張亮. 關(guān)于人工智能技術(shù)的變壓器故障診斷研究[J]. 百科論壇電子雜志， 2019，000（002）：23-23.

作者簡(jiǎn)介;

曹井川（1991.05.10），性別：男;籍貫：濟(jì)寧;民族：漢;學(xué)歷：研究生、碩士;職稱：工程師;研究方向：電氣工程