變壓器故障樣本多維診斷及結(jié)果可信度分析

李典陽 張育杰 馮 健 王善淵

變壓器故障樣本多維診斷及結(jié)果可信度分析

李典陽1,2張育杰1,3馮 健1王善淵1

（1. 東北大學(xué)信息科學(xué)與工程學(xué)院 沈陽 110819 2. 國網(wǎng)遼寧省電力有限公司 沈陽 110006 3. 國網(wǎng)新鄉(xiāng)供電公司 新鄉(xiāng) 453005）

電力變壓器作為電力系統(tǒng)的核心設(shè)備，其安全穩(wěn)定運(yùn)行對于電力系統(tǒng)具有重要意義。電力變壓器在線故障診斷是實現(xiàn)電力變壓器實時狀態(tài)分析的重要方法，油中溶解氣體分析是最常用的電力變壓器在線故障診斷方法。目前變壓器故障診斷征兆優(yōu)選多采用基于啟發(fā)式算法的策略，雖然相較于遍歷型算法簡化了篩選流程，但仍需消耗大量算力。電力變壓器融合故障診斷方面的研究多注重于整體診斷效果的提升，未關(guān)注單個樣本診斷結(jié)果可靠性方面的分析。為解決上述問題，該文提出一種結(jié)合數(shù)據(jù)分布的征兆自主離散及征兆自主降維優(yōu)選、單事件多模型融合分析的變壓器狀態(tài)分析方法。經(jīng)實例驗證，該方法可以有效分析各征兆數(shù)據(jù)分布，進(jìn)行征兆優(yōu)選，可以從單個事件的角度給出變壓器運(yùn)行狀態(tài)及可信度。

優(yōu)化離散 征兆選擇 可信度 輔助分析

0 引言

電力變壓器是電力系統(tǒng)電能變換及電力傳輸?shù)年P(guān)鍵設(shè)備，為保證其安全穩(wěn)定運(yùn)行，多種電力變壓器故障診斷技術(shù)及狀態(tài)分析方法被提出。

為提高電力變壓器故障診斷與狀態(tài)分析結(jié)果的準(zhǔn)確性，油中溶解氣體[1-2]、油溫[3]、電氣實驗數(shù)據(jù)[4]、油實驗數(shù)據(jù)[5]等被作為特征量用于變壓器狀態(tài)分析?；谶@些征兆及人工智能算法，多種智能診斷策略被提出。相較于傳統(tǒng)氣體比值方法，其診斷效果有了很大程度的提升。為進(jìn)一步提升診斷效果，融合策略也被用于變壓器故障診斷。文獻(xiàn)[6]使用改進(jìn)三比值法（Improved Three Ratio Method, ITR)、Dornenburg氣體比值法（Doernenburg Ratio Method, DRM)、大衛(wèi)三角法（Duval Triangle Method, DTR)及HAE診斷方法的特征量分別作為自適應(yīng)網(wǎng)絡(luò)模糊推理系統(tǒng)（Adaptive Network-based Fuzzy Inference System, ANFIS）的輸入，再通過融合策略進(jìn)行變壓器故障診斷。文獻(xiàn)[7]以變壓器漏感參數(shù)為特征量，使用支持向量（Support Vector Machine, SVM）及有限元分析法實現(xiàn)對變壓器繞組的狀態(tài)分類識別，診斷效果良好。文獻(xiàn)[8]以油色譜數(shù)據(jù)相對含量、征兆比值、電氣試驗數(shù)據(jù)為征兆，分別訓(xùn)練SVM模型，再通過證據(jù)融合理論（Dempster-Shafer envidence theory, DS）進(jìn)行最后決策。這些方法將不同渠道獲得的信息進(jìn)行融合決策，診斷效果好于單獨(dú)診斷方法。

隨著變壓器故障診斷征兆的豐富，不同征兆之間存在冗余性，需要對征兆進(jìn)行優(yōu)選。文獻(xiàn)[9]使用遺傳算法結(jié)合多個征兆重要度排序算法對油中溶解氣體衍生出的故障征兆進(jìn)行優(yōu)選。這種征兆優(yōu)選方法屬于啟發(fā)式算法，相較于遍歷型算法可以減少對算力的消耗，但是只能得到征兆組合的較優(yōu)解，難以得到唯一的最優(yōu)解，且依然需要進(jìn)行多次迭代。如何降低征兆優(yōu)選所需的算力，使樣本更新時征兆的優(yōu)選可以重新快速完成是一個有待解決的問題。目前，電力數(shù)據(jù)信息輔助決策主要體現(xiàn)在系統(tǒng)狀態(tài)評估和故障診斷兩個方面，可分為能體現(xiàn)建模過程及物理意義的“白箱”方法和可進(jìn)行大量歷史數(shù)據(jù)學(xué)習(xí)的“黑箱”方法?！鞍紫洹狈椒m然能更好地體現(xiàn)各物理量的現(xiàn)實聯(lián)系，但多用于電力設(shè)備事件的事后分析，難以實現(xiàn)在線設(shè)備狀態(tài)評估及事件分析?！昂谙洹狈椒ㄖ械膯蝹€決策模型雖然整體決策效果良好，但仍然存在單個樣本決策錯誤的情況。而單個樣本的決策結(jié)果是否可靠決定了輔助系統(tǒng)給出意見時應(yīng)對策略的可執(zhí)行程度，提高決策結(jié)果的可信度對于輔助意見的“落地”具有重要意義。決策結(jié)果的可信度應(yīng)包含決策結(jié)果可信與不可信兩個方面。因此，如何避免診斷模型給出的決策結(jié)果過于絕對，解決常用診斷結(jié)果沒有不確定度的問題是另外一個值得思考的方面。

為解決上述問題，本文中采用離散化方法對征兆進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，實現(xiàn)對數(shù)據(jù)密集區(qū)的詳細(xì)劃分及稀疏區(qū)的粗略劃分，降低征兆優(yōu)選對于算力的需求。使用多個診斷模型得出單個事件的分析結(jié)果，并從多個角度分析診斷結(jié)果的可信度，為診斷結(jié)果是否采納提供依據(jù)，進(jìn)而實現(xiàn)電力變壓器狀態(tài)分析從傳統(tǒng)的物理模型向“物理模型+輔助決策”方式轉(zhuǎn)變。

1 輔助分析模型構(gòu)建流程

電力變壓器輔助分析模型的構(gòu)建流程如圖1所示，輔助決策的目的：①對于新監(jiān)測的樣本數(shù)據(jù)給出明確的診斷結(jié)論；②通過分析診斷過程中多個診斷模型的過程數(shù)據(jù)給出診斷結(jié)論可靠程度。

圖1 數(shù)據(jù)信息挖掘流程

在對電力數(shù)據(jù)進(jìn)行挖掘時，首先按照數(shù)據(jù)類別將其分成兩類：一類數(shù)據(jù)是可用于分析變壓器運(yùn)行狀態(tài)的監(jiān)測數(shù)據(jù)；另一類數(shù)據(jù)是表述變壓器狀態(tài)的標(biāo)識量。然后對征兆數(shù)據(jù)進(jìn)行規(guī)范化處理，文中采用優(yōu)化離散方法對各征兆進(jìn)行預(yù)處理，這種方法可以在較小數(shù)據(jù)區(qū)間內(nèi)對數(shù)據(jù)分布特點進(jìn)行分析，并確定離散邊界，進(jìn)而區(qū)分相近故障類別間數(shù)據(jù)分布的細(xì)微差別?；陔x散化樣本數(shù)據(jù)，采用無監(jiān)督屬性選擇算法進(jìn)行征兆優(yōu)選，以此加快數(shù)據(jù)分析及建模過程，并簡化事件輔助模型，減少過度擬合。

在得到優(yōu)選征兆集后，使用樣本按照故障類型單獨(dú)訓(xùn)練診斷模型。通過預(yù)測算法庫可以得到多個每種故障類別的二元分類預(yù)測模型。文中算法庫包括SVM[10]、決策樹算法[11]（Decision Tree, DT）、Adaboost算法、隨機(jī)森林算法（Random Forests, RF）[12]、極限機(jī)器學(xué)習(xí)算法（Extreme Learning Machine, ELM）[13]。對每個故障類型，分析模型診斷結(jié)果的差異，選擇可以互補(bǔ)的模型進(jìn)行融合，以減少單個模型的誤判。結(jié)合每個模型的診斷結(jié)果及概率值，計算融合模型的診斷結(jié)果和可信度，再通過分析單個樣本在不同融合模型上的診斷結(jié)果和可信度得到樣本的最終診斷結(jié)果。

以上變壓器狀態(tài)分析方法可以對單個樣本進(jìn)行更加綜合的分析。從增加單個故障類別診斷信息源、融合多個模型診斷結(jié)果、分析不同融合模型診斷結(jié)果及可信度三個方面評估單個樣本診斷結(jié)果及可信度，避免了單個診斷模型總體診斷效果好，單個樣本診斷結(jié)果可靠性難以分析的問題。

2 事件診斷模型構(gòu)建

2.1 優(yōu)化離散

各征兆監(jiān)測數(shù)據(jù)的數(shù)量級和量綱差異往往很大，當(dāng)某個征兆的歷史監(jiān)測數(shù)據(jù)存在一個較大異常值時，會導(dǎo)致在較小區(qū)間內(nèi)正常分布的密集數(shù)據(jù)被嚴(yán)重壓縮，導(dǎo)致較大數(shù)據(jù)信息吞噬小數(shù)據(jù)信息的情況。為避免這種問題，本文采用優(yōu)化離散方法進(jìn)行數(shù)據(jù)預(yù)處理。優(yōu)化離散通過分析數(shù)據(jù)分布實現(xiàn)數(shù)據(jù)預(yù)處理，以實現(xiàn)密集數(shù)據(jù)間的多區(qū)間劃分及稀疏數(shù)據(jù)間的簡略劃分，進(jìn)而保留數(shù)據(jù)的主要信息，避免極端數(shù)據(jù)影響。本文采用基于卡方檢驗的優(yōu)化離散方法進(jìn)行數(shù)據(jù)規(guī)范化，該方法是監(jiān)督數(shù)據(jù)離散方法，可以實現(xiàn)離散邊界的自主確定，離散邊界的確定方法如下：

卡方檢驗可以統(tǒng)計樣本實際出現(xiàn)的次數(shù)與理論計算出現(xiàn)次數(shù)之間的偏離程度，卡方值越大，說明偏離越明顯，可用于分析兩個相鄰數(shù)據(jù)區(qū)間的樣本類別分布差異，區(qū)間與其右側(cè)相鄰區(qū)間的故障類別卡方值為

再利用式（1）計算其對應(yīng)的卡方值，將第個區(qū)間與其左右相鄰區(qū)間所得到的卡方值進(jìn)行比較，將卡方值小的兩個區(qū)間合并。然后重新計算各區(qū)間的卡方值，逐漸減少區(qū)間數(shù)，直到區(qū)間個數(shù)滿足設(shè)定閾值，將區(qū)間邊界值作為離散劃分點。通過參考電力設(shè)備事件預(yù)警等級等劃分方法，本文對連續(xù)性信息數(shù)據(jù)的離散區(qū)間個數(shù)設(shè)置為5。

2.2 模型構(gòu)建與優(yōu)選

征兆數(shù)據(jù)預(yù)處理之后，對數(shù)據(jù)進(jìn)行建模以實現(xiàn)監(jiān)測數(shù)據(jù)的信息挖掘，用實時監(jiān)測運(yùn)行數(shù)據(jù)與變壓器運(yùn)行狀態(tài)間的映射模型實現(xiàn)電力變壓器運(yùn)行狀態(tài)的輔助分析，下文將詳細(xì)闡述本文提出的電力變壓器運(yùn)行狀態(tài)輔助決策模型構(gòu)建方法。

（5）為增加單個樣本診斷信息源，盡可能地避免單個診斷模型在單個樣本上的診斷錯誤，有必要進(jìn)行多模型融合。基于模型差異度與融合診斷效果的綜合分析策略是常用的模型選擇性融合方法，但這種方式通常是基于啟發(fā)式的遍歷性策略[16]，期間需要訓(xùn)練多個融合模型進(jìn)行比對，對于算力消耗極大。為簡化這一過程，本文將差異性分析與融合模型診斷環(huán)節(jié)分開，首先分析模型間差異度，差異度在0.5以上的模型納入融合范圍，其他模型不進(jìn)行融合。差異化度量方法的具體原理參見文獻(xiàn)[17]。

（6）根據(jù)入選融合范圍模型，按照子集組合的方式訓(xùn)練多個融合，基于同一個驗證集，一次性分析融合模型的優(yōu)劣。根據(jù)預(yù)測準(zhǔn)確率，從事件類別中選取一個模型。這樣得到對于個事件的個診斷模型。

（7）對于新采樣的樣本，每個事件模型M診斷后可以得出是否屬于該事件的診斷結(jié)果及可信度P，其計算方法如式（3）所示。若使用事件模型計算出某樣本的可信度P值大于0.5，則認(rèn)為屬于該事件。

比較每個事件模型的可信度，選取可信度值最高的事件模型所代表的事件作為診斷結(jié)果。除可信度外，為進(jìn)一步豐富診斷結(jié)果的可信度評價信息，將可信度最高的事件模型投票數(shù)（事件模型所融合的單獨(dú)模型中，若單獨(dú)模型對樣本屬于該故障類型的診斷概率大于0.5，則記一票，票數(shù)記為1）、不同事件模型對某樣本給出的可信度值中最大值與第二大值的差值納入診斷結(jié)果評價范圍（差異越小說明不同事件模型的診斷結(jié)果可能過于接近，容易出現(xiàn)錯誤，差值記為2）。按照表1中的原則判定診斷結(jié)果可信度，用于分析單事件診斷結(jié)果的可信度。

表1 聯(lián)合評價方法

Tab.1 Joint evaluation method

3 實例分析

為驗證本文提出方法的可行性與正確性，下文給出變壓器事件輔助決策建模構(gòu)建實例并進(jìn)行分析。為符合實際應(yīng)用分析情況，本文從國網(wǎng)某省電力數(shù)據(jù)監(jiān)控平臺收集到已知故障類型的變壓器歷史數(shù)據(jù)983組。根據(jù)IEC 60599—2015及GB/T 7252—2001導(dǎo)則，收集到的數(shù)據(jù)可劃分為六種故障類型。將收集到的全數(shù)據(jù)集按照2.2節(jié)步驟（1）的原則劃分為表2中的征兆集和表3中的事件集。表2中TH表示總烴（CH4、C2H6、C2H4與C2H6之和）。

表2 征兆集

Tab.2 Features set

表3 事件集

Tab.3 Fault event set

首先對樣本進(jìn)行數(shù)據(jù)預(yù)處理，按照2.1節(jié)中的離散優(yōu)化方法對數(shù)據(jù)進(jìn)行離散，獲得的各征兆離散邊界見表4，將樣本按照表3中的故障類型形成6個二元標(biāo)簽集。

表4 征兆離散邊界

Tab.4 Features set

（續(xù)）

在獲得離散樣本之后，使用粗糙集算法進(jìn)行征兆簡約，簡約后的優(yōu)選征兆集見表5。經(jīng)過征兆優(yōu)選后，故障征兆減少至11個。故障征兆集征兆個數(shù)的縮減，減少了建模復(fù)雜度及訓(xùn)練耗時。

表5 粗糙集簡約結(jié)果

Tab.5 Optimal features result of rough set algorithm

以局部放電故障為例闡述本文2.2節(jié)步驟（4）～步驟（6）的執(zhí)行過程，使用預(yù)測算法庫中五種算法對事件4構(gòu)成的二元標(biāo)簽及表5中優(yōu)選征兆的歸一化數(shù)據(jù)進(jìn)行模型的融合與篩選。篩選過程采用5次交叉驗證方式，每次抽取4/5的樣本組成訓(xùn)練集，其余樣本組成驗證集?；谟?xùn)練集數(shù)據(jù)得到五個預(yù)測模型。SVM算法、決策樹算法、Adaboost算法、隨機(jī)森林算法、ELM算法訓(xùn)練得到的模型分別表示為SVM、DT、Adaboost、RF、ELM。然后使用這五個預(yù)測模型分別在驗證集上進(jìn)行樣本故障預(yù)判。

將五個預(yù)測模型在驗證集的預(yù)測結(jié)果與實際標(biāo)簽進(jìn)行對比，若樣本預(yù)測結(jié)果正確則記為1，否則記為0。這樣五個預(yù)測模型可以在驗證集上得出其對應(yīng)的二元編碼，并可以計算出各診斷模型在驗證集上的準(zhǔn)確率，以5次交叉驗證的平均準(zhǔn)確率作為最終整體準(zhǔn)確率。五個預(yù)測模型在事件4的8個驗證集樣本的診斷結(jié)果正誤見表6。從表6可知預(yù)測模型{SVM,DT,RF}診斷正誤結(jié)果相同，預(yù)測模型{Adaboost,ELM}相同，預(yù)測模型{SVM,DT,RF}與預(yù)測模型{Adaboost,ELM}的診斷正誤結(jié)果存在差異性。

表6 驗證集樣本預(yù)測結(jié)果正誤

Tab.6 The diagnostic result of examples in validation set

按照各模型驗證集準(zhǔn)確率大小從高到低排列，RF、ELM、DT、SVM、Adaboost在4樣本集的整體診斷準(zhǔn)確率分別為0.914 3、0.901 2、0.899 7、0.856 1、0.831 0。按照步驟（5）中的方法計算各模型間的差異度值，兩兩模型間的差異度值如圖2所示。

圖2 預(yù)測模型的差異度

從RF開始逐步尋找差異度較大的模型，用于融合的模型尋找的基本原則是：選擇診斷準(zhǔn)確率高、差異度大的模型進(jìn)行融合，以盡可能避免診斷效果差的模型在單個樣本上的診斷錯誤。尋找的過程是：按準(zhǔn)確率高低分析兩兩相鄰模型間的差異度，若差異度值大于0.5，則將模型納入融合選擇范圍，若小于0.5就停止對于模型的尋找。

從圖2可知，RF作為初始模型納入融合選擇范圍，RF和ELM的差異度值為0.746 1，故將ELM也納入考慮范圍，因為ELM和DT的的差異度值小于0.5，故停止尋找。則事件4篩選的用于融合的模型全集為{RF,ELM}，通過對比其子集{RF}、{ELM}、{RF,ELM}的診斷效果選出事件模型。同樣對{RF,ELM}組成的融合模型使用5次交叉原則，采用5次平均準(zhǔn)確率作為診斷效果。診斷結(jié)果見表7。

表7 事件模型4篩選

Tab.7 Event model D4 selection

從表7中可知，RF&ELM的診斷效果最好，故將該模型作為4的事件模型。表6中第3組樣本的不同模型診斷正誤存在差異，表8給出了RF、ELM模型診斷該樣本為局部放電事件的概率及整體準(zhǔn)確率。按照步驟（7）中的原則可以計算出事件模型4診斷該樣本是否屬于局部放電故障的概率。從表8中可知，屬于局部放電故障的概率大于不屬于的概率，故診斷結(jié)果為屬于該事件，這一結(jié)論的可信度為0.538 8。

表8 各模型的局部放電故障概率

Tab.8 The probability of different models for PD fault

按照上述原則及過程可以計算出低溫過熱故障、中溫過熱故障、高溫過熱故障、低能放電故障和高能放電故障類別的事件模型見表9。

表9 事件模型

Tab.9 Event models

按照步驟（7）中的原則計算表9中的6個事件模型在表6中第3組樣本的1和2值，結(jié)果見表10。從表10中可知，該樣本的最終聯(lián)合診斷結(jié)論為局部放電故障，該結(jié)論的可信度一般。

表10 事件模型

Tab.10 Event models

4 結(jié)果對比

4.1 不同離散方式優(yōu)選征兆結(jié)果分析

使用粗糙集算法進(jìn)行征兆簡約可以在很大程度上節(jié)省算力，但是樣本的離散方式對于征兆的簡約效果存在很大影響。為分析本文優(yōu)化離散方式的優(yōu)劣，分別采用等距劃分和等幅劃分方式對樣本進(jìn)行離散。等距劃分是將各樣本征兆數(shù)據(jù)從小到大排列，按照樣本數(shù)量等間距確定離散邊界。等幅劃分是統(tǒng)計各樣本某征兆數(shù)據(jù)的最大、最小值，在這兩個值之間等間距確定離散邊界。將離散區(qū)間個數(shù)選為5，使用粗糙集算法分別對這兩種方法的離散結(jié)果進(jìn)行征兆優(yōu)選，優(yōu)選結(jié)果見表11。

表11 基于不同離散方式的征兆簡約結(jié)果

Tab.11 Optimal features result of different discrete models

基于表5和表11中的優(yōu)選征兆集，使用本文收集的樣本采用10-flod交叉驗證方法進(jìn)行結(jié)果比較，每次實驗訓(xùn)練集和測試集的樣本數(shù)量比例為9:1，以測試集的平均診斷準(zhǔn)確率作為最終結(jié)果，診斷算法選用決策樹、隨機(jī)森林[18]和SVM[19-21]，診斷結(jié)果見表12。此處，決策樹算法采用Weka及Matlab Weka Interface工具包中的C4.5算法實現(xiàn)，算法參數(shù)使用默認(rèn)參數(shù)；隨機(jī)森林算法使用Matlab的統(tǒng)計和機(jī)器學(xué)習(xí)工具箱來實現(xiàn)，經(jīng)反復(fù)試驗，本文算法中決策樹個數(shù)（NumTrees）設(shè)置為100；SVM使用LibSVM實現(xiàn)，參數(shù)選擇參考文獻(xiàn)[22]。

表12 基于不同離散方式的診斷效果

從表12中可知，本文基于優(yōu)化離散的征兆優(yōu)選策略診斷效果好于等距劃分方法和等幅劃分方法，說明優(yōu)化離散方法可以更好地展現(xiàn)數(shù)據(jù)分布特點。

4.2 與常用智能診斷方法對比

為分析本文方法的整體診斷效果，采用與4.1節(jié)相同的訓(xùn)練集和測試集樣本分配策略，在交叉驗證結(jié)束后，分類別統(tǒng)計各故障樣本的診斷結(jié)果并計算各類別樣本及整體樣本的診斷準(zhǔn)確率。診斷算法同樣選用決策樹、隨機(jī)森林和SVM，診斷結(jié)果見表13。

表13 基于不同診斷算法的診斷效果

Tab.13 Diagnosis result of different diagnosis algorithm

從表13可知，本文方法的診斷準(zhǔn)確率好于基于決策樹、隨機(jī)森林和SVM算法的診斷策略，而且各個故障類別的診斷效果更加均衡。

4.3 聯(lián)合評價方法有效性分析

針對新采集的樣本，在目前診斷方法無法保證診斷結(jié)果完全可靠的情況下，給出診斷結(jié)果適當(dāng)?shù)脑u價信息有助于模型診斷方法的落地應(yīng)用。表14中給出了4.2節(jié)實驗所有樣本診斷結(jié)果的聯(lián)合評價信息分布。如果將表1中表述為“可信度高”和“可信度一般”的評價信息認(rèn)同為樣本診斷結(jié)果正確，“可信度低”和“結(jié)果易出錯”認(rèn)同為樣本診斷結(jié)果錯誤，則評價信息的準(zhǔn)確率可達(dá)0.960 3，見表14中加粗部分所示，所以本文結(jié)果評價方法對單個樣本的診斷結(jié)果應(yīng)用有幫助。

表14 基于不同診斷算法的診斷效果

Tab.14 Diagnosis result of different diagnosis algorithm

5 結(jié)論

本文通過構(gòu)建事件輔助決策模型實現(xiàn)征兆數(shù)據(jù)離散邊界的自主確定、事件關(guān)聯(lián)征兆的自主優(yōu)選、事件模型的簡化與融合；通過構(gòu)建單個樣本診斷結(jié)果的可信度評價體系有助于分析結(jié)果可信度，避免診斷結(jié)果的絕對性，使輔助決策更實用。研究結(jié)果表明，融合診斷有助于提高診斷結(jié)果的可靠性，綜合分析融合過程中各單一模型診斷結(jié)果的可信度有助于分析診斷結(jié)果是否可靠。通過提升融合模型診斷準(zhǔn)確率和判斷單個樣本診斷結(jié)果是否可信的準(zhǔn)確性，可以進(jìn)一步促進(jìn)智能診斷方法的落地應(yīng)用，有助于解決整體樣本診斷效果良好但單個樣本診斷結(jié)果無法確信的問題。下一步研究將繼續(xù)完善聯(lián)合評價體系，提高可信度評價精準(zhǔn)度。

[1] 李恩文, 王力農(nóng), 宋斌, 等. 基于混沌序列的變壓器油色譜數(shù)據(jù)并行聚類分析[J]. 電工技術(shù)學(xué)報, 2019, 34(24): 5104-5114.

Li Enwen, Wang Linong, Song Bin, et al. Parallel clustering analysis of dissolved gas analysis data based on chaotic seduences[J]. Transactions of China Electrotechnical Society, 2019, 34(24): 5104-5114.

[2] 李贏, 舒乃秋. 基于模糊聚類和完全二叉樹支持向量機(jī)的變壓器故障診斷[J]. 電工技術(shù)學(xué)報, 2016, 31(4): 64-70.

Li Ying, Shu Naiqiu. Transformer fault diagnosis based on fuzzy clustering and complete binary tree support vector machine[J]. Transactions of China Electrotechnical Society, 2016, 31(4): 64-70.

[3] Susa D, Palola J, Lehtonen, et al. Temperature rises in an OFAF transformer at OFAN cooling mode in service[J]. IEEE transactions on Power Delivery, 2005, 20(4): 2517-2525.

[4] 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]. 電力自動化設(shè)備, 2019, 39(6): 166-172.

Liu Yunpeng, Fu Haochuan, Xu Ziqiang, et al. Transformer fault diagnosis technology based on AdaBoost-RBF algorithm and DSmT[J]. Electric Power Automation Equipment, 2019, 39(6): 166-172.

[5] 趙文清, 祝玲玉, 高樹國, 等. 基于多源信息融合的電力變壓器故障診斷方法研究[J]. 電力信息與通信技術(shù), 2018, 16(10): 25-30.

Zhao Wenqing, Zhu Lingyu, Gao Shuguo, et al. Research on fault diagnosis method of power transformer based on multi-source information fusion[J]. Electric Power Information and Communication Technology, 2018, 16(10): 25-30.

[6] Kari T, Gao Wensheng, Zhao Dongbo, et al. An integrated method of ANFIS and dempster-shafer theory for fault diagnosis of power transformer[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2018, 25(1): 360-371.

[7] 鄧祥力, 謝海遠(yuǎn), 熊小伏, 等. 基于支持向量機(jī)和有限元分析的變壓器繞組變形分類方法[J]. 中國電機(jī)工程學(xué)報, 2015, 35(22): 5778-5786.

Deng Xiangli, Xie Haiyuan, Xiong Xiaofu, et al. Classification method of transformer winding deformation based on SVM and finite element analysis[J]. Proceedings of the CSEE, 2015, 35(22): 5778-5786.

[8] 司馬莉萍, 舒乃秋, 李自品, 等. 基于SVM和D-S證據(jù)理論的電力變壓器內(nèi)部故障部位識別[J]. 電力自動化設(shè)備, 2012, 32(11): 72-77.

Sima Liping, Shu Naiqiu, Li Zipin, et al. Identification of interior fault position based on SVM and D-S evidence theory for electric transformer[J]. Electric Power Automation Equipment, 2012, 32(11): 72-77.

[9] Kari T, Gao Wensheng, Zhao Dongbo, et al. Hybrid feature selection approach for power transformer fault diagnosis based on support vector machine and genetic algorithm[J]. IET Generation, Transmission & Distribution, 2018, 12(21): 5672-5680.

[10] 朱永利, 申濤, 李強(qiáng). 基于支持向量機(jī)和DGA的變壓器狀態(tài)評估方法[J]. 電力系統(tǒng)及其自動化學(xué)報, 2008, 20(6): 111-115.

Zhu Yongli, Shen Tao, Li Qiang. Transformer condition assessment based on support verctor machine and DGA[J]. Proceedings of the CSU-EPSA, 2008, 20(6): 111-115.

[11] Wu X, Kumar V, Quinlan J R, et al. Top 10 algorithms in data mining [J]. Knowledge and Information System, 2008, 14(1): 1-37.

[12] 胡青, 孫才新, 杜林, 等. 核主成分分析與隨機(jī)森林相結(jié)合的變壓器故障診斷方法[J]. 高電壓技術(shù), 2010, 36(7): 1725-1729.

Hu Qing, Sun Caixin, Du Lin, et al. Transformer fault diagnosis method using random froests and kernel principle component analysis[J]. High Voltage Engineering, 2010, 36(7): 1725-1729.

[13] 吳杰康, 覃煒梅, 梁浩浩, 等. 基于自適應(yīng)極限學(xué)習(xí)機(jī)的變壓器故障識別方法[J]. 電力自動化設(shè)備, 2019, 39(10): 181-186.

Wu Jiekang, Qin Weimei, Liang Haohao, et al. Transformer fault identification method based on self-adaptive extreme learning machine[J]. Electric Power Automation Equipment, 2019, 39(10): 181-186.

[14] 李春茂, 周妺末, 袁海滿, 等. 基于DGA的粗糙集與決策信息融合變壓器故障診斷[J]. 電工電能新技術(shù), 2018, 37(1): 84-90.

Li Chunmao, Zhou Momo, Yuan Haiman, et al. Fault diagnosis of transformer based on rough set theory and decision information fusion[J]. Advanced Technology of Electrical Engineering and Energy, 2018, 37(1): 84-90.

[15] 張景明, 肖倩華, 王時勝. 融合粗糙集和神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J]. 高電壓技術(shù), 2007, 33(8): 122-125.

Zhang Jingming, XiaoQianhua, Wang Shisheng. Transformer fault diagnosis by combination of rough set and neural network[J]. High Voltage Engineering, 2007, 33(8): 122-125.

[16] 張育杰, 李典陽, 馮健, 等. 基于多模型選擇性融合的變壓器在線故障診斷[J]. 電力系統(tǒng)自動化, 2021, 45(13): 95-101.

Zhang Yujie, Li Dianyang, Feng Jian, et al. Transformer online fault diagnosis based on selective hybrid of multiple models[J]. Automation of Electric Power Systems, 2021, 45(13): 95-101.

[17] Zhou Zhihua. Ensemble methods: foundations and algorithms[M]. Florida: Chapman and Hall/CRC, 2012.

[18] 王雪, 韓韜. 基于貝葉斯優(yōu)化隨機(jī)森林的變壓器故障診斷[J]. 電測與儀表, 2021, 58(6): 167-173.

Wang Xue, Han Tao. Transformer fault diagnosis based on Bayesian optimized random forest[J]. Electrical Measurement & Instrumentation, 2021, 58(6): 167-173.

[19] 張婷婷, 于明, 李賓, 等. 基于Wavelet降噪和支持向量機(jī)的鋰離子電池容量預(yù)測研究[J]. 電工技術(shù)學(xué)報, 2020, 35(14): 3126-3136.

Zhang Tingting, Yu Ming, Li Bin, et al. Capacity prediction of lithium-ion batteries based on wavelet noise reduction and support vector machine[J]. Transactions of China Electrotechnical Society, 2020, 35(14): 3126-3136.

[20] 徐心愿, 王云沖, 沈建新. 基于最大轉(zhuǎn)矩電流比的同步磁阻電機(jī)DTC-SVM控制策略[J]. 電工技術(shù)學(xué)報, 2020, 35(2): 246-254.

Xu Xinyuan, Wang Yunchong, Shen Jianxin. Direct torque control-Space vector modulation control Strategy of synchronous reluctance motor based on maximum torque per-ampere[J]. Transactions of China Electrotechnical Society, 2020, 35(2): 246-254.

[21] 范賢浩, 劉捷豐, 張鐿議, 等. 融合頻域介電譜及支持向量機(jī)的變壓器油浸紙絕緣老化狀態(tài)評估[J]. 電工技術(shù)學(xué)報, 2021, 36(10): 2161-2168.

Fan Xianhao, Liu Jiefeng, Zhang Yiyi, et al. Aging evaluation of transformer oil-immersed insulation combining frequency domain spectroscopy and support vector machine[J]. Transactions of China Electrotechnical Society, 2021, 36(10): 2161-2168.

[22] 汪可, 李金忠, 張書琦, 等. 變壓器故障診斷用油中溶解氣體新特征參量[J]. 中國電機(jī)工程學(xué)報, 2016, 36(23): 6570-6578, 6625.

Wang Ke, Li Jinzhong, Zhang Shuqi, et al. New features derived from dissolved gas analysis for fault diagnosis of power transformers[J]. Proceedings of the CSEE, 2016, 36(23): 6570-6578, 6625.

Multi-Dimensional Diagnosis of Transformer Fault Sample and Credibility Analysis

Li Dianyang1,2Zhang Yujie1,3Feng Jian1Wang Shanyuan1

（1. Information Science and Engineering College Northeastern University Shenyang 110819 China 2. State Grid Liaoning Electric Power Limited Company Shenyang 110006 China 3. State Grid Xinxiang Electric Power Supply Company Xinxiang 453005 China）

Power transformer is the core equipment of power system, and its safe and stable operation is of great significance to power system. Online fault diagnosis of power transformers is an important method to realize real-time status analysis of power transformers. At present, the selection of features subset for transformer fault diagnosis mainly adopts heuristic-based method, which simplifies the selection process compared to traversal algorithms, but it still consumes a lot of computing power. Moreover, the research of hybrid fault diagnosis motheds for power transformer focuses on the improvement of the diagnosis effect in all samples, and does not pay attention to the credibility analysis of the diagnosis results in single sample. In order to solve this problem, this paper proposed a transformer state analysis method that combines autonomous discretization and optimization of data distribution signs, and single-event multi-model fusion analysis. Proved by examples, this method can effectively analyze the data distribution of each feature, perform feature optimization, and can get the operating status and reliability of the transformer from the perspective of a single event.

Optimized discrete, feature selection, result credibility, auxiliary analysis

10.19595/j.cnki.1000-6753.tces.210070

TM41

國家自然科學(xué)基金資助項目（61673093）。

2021-01-15

2021-04-07

李典陽 男，1987年生，博士研究生，研究方向為電網(wǎng)運(yùn)行及電力調(diào)度控制技術(shù)與應(yīng)用。E-mail：2824804703@qq. com

張育杰 男，1996年生，碩士研究生，研究方向為電力設(shè)備故障診斷與狀態(tài)預(yù)判。E-mail：zyj_neu@163. com（通信作者）

（編輯 赫蕾）