基于模糊綜合評估模型與信息融合的電力變壓器狀態(tài)評估方法

石宜金，譚貴生，趙 波，張桂蓮

基于模糊綜合評估模型與信息融合的電力變壓器狀態(tài)評估方法

石宜金1，譚貴生1，趙 波2，張桂蓮1

(1.麗江文化旅游學院，云南 麗江 674100；2.東北電力大學自動化工程學院，吉林 吉林 132012)

針對電力變壓器狀態(tài)評估中存在多特征指標和多故障類型問題，提出一種基于模糊綜合評估模型和皮爾遜相關(guān)系數(shù)的改進D-S證據(jù)理論的變壓器狀態(tài)評估方法。建立了變壓器狀態(tài)評估體系，引入層次分析方法和改進的三角梯形隸屬函數(shù)確定特征指標的基本概率?；谄栠d相關(guān)系數(shù)的改進D-S證據(jù)理論融合不同特征指標以評判變壓器綜合狀態(tài)評估。經(jīng)過實例分析，該方法的評價結(jié)果與變壓器實際運行狀態(tài)一致，其準確率達到95.83%，驗證了該方法的合理性和可行性。該方法對變壓器狀態(tài)評估具有一定的參考價值。

電力變壓器；模糊評估模型；改進D-S證據(jù)理論；皮爾遜相關(guān)系數(shù)；層次分析法；關(guān)聯(lián)規(guī)則

0 引言

變壓器是電力系統(tǒng)不可缺少的一部分，保證變壓器安全穩(wěn)定運行需要有效的狀態(tài)監(jiān)測手段；準確的狀態(tài)評估可以使變壓器的維護費用減少20%～ 50%[1]。因此，可靠的評估方法能夠提高變壓器狀態(tài)檢修和維護水平，減少故障發(fā)生的概率，這是電網(wǎng)企業(yè)迫切需要解決的技術(shù)問題。

如何對電力變壓器的實時運行狀態(tài)進行監(jiān)測、評估和診斷分析，國內(nèi)外專家和學者已經(jīng)做了大量研究[2-9]。文獻[10-11]采用信息融合的變壓器狀態(tài)評估方法，該方法的診斷效果很明顯，但選擇不同的狀態(tài)特征量，使得評估結(jié)果不夠準確，評估結(jié)果差異較大，因為不同狀態(tài)特征值之間存在相悖結(jié)論的問題。文獻[12-13]基于關(guān)聯(lián)規(guī)則的方法診斷的數(shù)據(jù)都是靜態(tài)指標，診斷準確率比較高，但并沒有考慮變壓器監(jiān)測的時效性，不能及時評估變壓器的狀態(tài)。文獻[14]提出基于變權(quán)灰云模型的變壓器狀態(tài)層次評估方法，充分考慮模糊性和隨機性，評估結(jié)果顯著提高，但評估指標存在不確定性，也存在指標的量化和權(quán)重系數(shù)過分依賴專家系統(tǒng)。文獻[15-16]采用模糊關(guān)聯(lián)規(guī)則方法，能夠評估變壓器不同的故障類型和變壓器故障等級，也能反映故障發(fā)生的具體位置和原因。此外，一些文獻基于深度置信網(wǎng)絡(luò)[17-18]、聚類和時間序列分析[19]、支持向量機[20-21]、可拓分析[22]等方法評估電力變壓器狀態(tài)。但在實際評估過程中，所需數(shù)據(jù)量大，存在嚴重不確定性因素，很難保證評估的準確性。

綜上所述，模糊綜合評估方法不依賴過多的試驗數(shù)據(jù)，D-S證據(jù)理論也具有處理不確定數(shù)據(jù)的能力，但存在融合結(jié)果與事實相悖的問題。鑒于以上分析，本文選取常規(guī)電氣試驗、絕緣油試驗、溶解氣體分析3方面作為評價指標體系，然后提出基于模糊綜合評估模型和皮爾遜相關(guān)系數(shù)的改進D-S證據(jù)理論融合的變壓器狀態(tài)評估方法，有效地消除相悖結(jié)論的問題，保證狀態(tài)評估的有效性和實用性，能夠更好地監(jiān)測變壓器的運行狀態(tài)。

1 變壓器狀態(tài)評估模型

為了保證所建立狀態(tài)評估模型的合理性，需要選擇合理、全面的變壓器指標體系。本文基于關(guān)聯(lián)規(guī)則，選取3種試驗指標項，找出同一故障發(fā)生時試驗指標相關(guān)性。

1.1 關(guān)聯(lián)規(guī)則

引起電力變壓器故障的指標種類較多，如果沒有合理的指標，則嚴重影響診斷結(jié)果，為了提高變壓器的故障診斷準確率，需要選擇合理的指標進行狀態(tài)評估。

置信度是數(shù)據(jù)庫中與的關(guān)系，通常用出現(xiàn)時的概率來表示，如式(2)所示。

利用關(guān)聯(lián)規(guī)則找出電力變壓器3種運行狀態(tài)下的13種評估指標，確定各狀態(tài)指標的權(quán)重系數(shù)?？紤]13種指標的合理性，用支持度來驗證，步驟如下：

電力變壓器發(fā)生故障至少有1種故障類型，由式(2)可得變壓器的置信度，計算如式(3)所示。

1.2 建立評估指標體系

本文借鑒國家電網(wǎng)公司的《油浸式變壓器(電抗器)狀態(tài)評估導則(Q/GDW16—2008)》[24]和文獻[19]中給出的故障類型。根據(jù)關(guān)聯(lián)規(guī)則的支持度和置信度衡量變壓器狀態(tài)指標，將溶解氣體分析、電氣試驗、絕緣油試驗3個指標作為變壓器故障的因素集的子集，即F = {F1, F2, F3}；一個子集又由多個因素組成，如F1= {F11, F12, F13, F14, F15}，則電力變壓器運行狀態(tài)評估體系如圖1所示。

圖1 變壓器狀態(tài)評估體系

1.3 狀態(tài)的評語集與評分標準的對照

將電力變壓器的評語集劃分為5個等級，即優(yōu)秀、良好、一般、故障、嚴重故障5個等級，如表1所示。

表1 變壓器運行狀態(tài)劣化值

2 層次分析法與改進D-S證據(jù)理論

2.1 層次分析法確定權(quán)重系數(shù)

目前，計算權(quán)重主要的3種方法是重要性排序法、德爾菲法和層次分析法[25]，本文采用層次分析法計算權(quán)重系數(shù)。該方法從定性和定量的角度分析，更能夠反映變壓器故障之間的關(guān)聯(lián)，通過每層中各因素的對比結(jié)果，選擇不同標度值，結(jié)果清晰明確；具體計算步驟如下。

1) 構(gòu)造比較矩陣

表2 判斷矩陣標度規(guī)則表

2) 計算重要性排序

根據(jù)步驟(1)中的判斷矩陣，由式(4)求出特征向量，即權(quán)重系數(shù)。

3) 一致性檢驗

一致性檢驗是為了保證比較矩陣接近電力變壓器真實的運行情況，避免隨機狀態(tài)指標導致變壓器脫離實際運行情況，如果不滿足，需要反復調(diào)整比較矩陣，直到滿足一致性檢驗為止。

按層次分析法的3個步驟，計算出變壓器的狀態(tài)評估指標權(quán)重系數(shù)如表3所示。

表3 變壓器狀態(tài)指標權(quán)重系數(shù)

2.2 基于D-S證據(jù)理論的信息融合模型

D-S(Dempster-Shafer)證據(jù)理論是由Dempster提出，Shafer進一步完善，得出的一種不確定的推理方法[26]。目前，D-S證據(jù)理論在數(shù)據(jù)融合、狀態(tài)評估、故障診斷等領(lǐng)域廣泛應(yīng)用。

2.2.1 D-S證據(jù)理論

識別框架是一個非空集合樣本空間，證據(jù)理論建立在識別框架之上。本文識別框架分為5個等級H1、H2、H3、H4、H5和不確定?，即

2) 基本概率賦值BPA

3) Dempster組合規(guī)則

Dempster組合規(guī)則的一般形式為

2.2.2基于皮爾遜相關(guān)系數(shù)的改進D-S證據(jù)理論

在實際應(yīng)用中，傳統(tǒng)的D-S證據(jù)理論可能存在沖突，嚴重造成實際結(jié)果與常理相悖，為避免這類現(xiàn)象[23]，本文提出一種基于皮爾遜相關(guān)系數(shù)的改進D-S證據(jù)理論。首先根據(jù)皮爾遜相關(guān)系數(shù)計算證據(jù)體之間的相關(guān)性系數(shù)，確定可信度的值，計算權(quán)重；對原始基本概率進行修正，將修正后的證據(jù)基本概率再利用Dempster組合規(guī)則進行融合，以此來達到解決證據(jù)沖突的目的。

皮爾遜相關(guān)系數(shù)的改進D-S證據(jù)理論流程圖如圖2所示。

圖2 皮爾遜相關(guān)系數(shù)的改進D-S證據(jù)理論流程圖

式中：為期望；cov為協(xié)方差。

3) 對原始基本概率進行修正，修正的結(jié)果為

3 模糊綜合評估方法

3.1 建立評斷矩陣

3.1.1評估指標的標準化處理

變壓器的評估體系中每個指標的量綱和標度是不同的，需要進行歸一化處理，采用式(13)進行無量綱處理，即可計算單項狀態(tài)指標的評分值。

在評估電力設(shè)備中，都是引入劣化度表示設(shè)備的健康狀態(tài)，劣化度值越大說明設(shè)備狀態(tài)越嚴重[24]。為了保證運行狀態(tài)和檢修狀態(tài)與狀態(tài)量的劣化度保持一致，需要對式(13)進行修正，如式(14)所示。

3.1.2隸屬函數(shù)

運用改進的三角梯形分布的隸屬函數(shù)來表征模糊綜合評估模型的指標。改進的三角梯形隸屬分布如圖3所示。

圖3 模糊三角梯形隸屬分布

三角梯形分布隸屬函數(shù)的表達式為

(16)

(17)

3.2 模糊綜合評估模型

基于模糊層次分析法和改進D-S證據(jù)理論融合技術(shù)構(gòu)建電力變壓器的綜合評估模型，如圖4所示。變壓器故障的模型為

變壓器的最終評分計算式為

4 工程實例分析

4.1 實例1

為了驗證本文提出方法的有效性，對文獻[11]給定的220 kV變壓器的電氣實驗、絕緣油實驗和油中溶解氣體進行分析，具體數(shù)據(jù)如表4所示。

圖4 電力變壓器的評價流程

表4 變壓器試驗數(shù)據(jù)

4.1.1評估指標的基本概率

根據(jù)式(13)和式(14)，對變壓器不同指標數(shù)量進行無量綱處理，得出評分值和劣化值如表5所示。

表5 單項試驗狀態(tài)量數(shù)據(jù)

根據(jù)表5給出的單項試驗數(shù)據(jù)中的評分值，把評分值代入式(14)，得出各指標的劣化度，隨后把對應(yīng)的劣化度分別代入隸屬函數(shù)表達式(15)—式(18)，可得出各故障類型隸屬度如表6所示。

表6 評價指標隸屬度分布

4.1.2改進D-S證據(jù)理論的合成結(jié)果

4.1.3對比分析

本文方法與其他傳統(tǒng)方法對比分析結(jié)果如表7所示。

表7 算法對比分析

從表7可知：D-S經(jīng)典證據(jù)理論與Murphy算法，變壓器的劣化結(jié)果分別為75.01和71.93，表示變壓器運行狀態(tài)處在故障狀態(tài)，需要盡快檢修。本文方法劣化結(jié)果為82.79，需要立即檢修。停電檢查變壓器，發(fā)現(xiàn)繞組有燒蝕熔斷痕跡，說明本文方法更能符合檢修設(shè)備的要求。

4.2 實例2

4.2.1不同時空變壓器評估分析

選用文獻[28-29]的實驗數(shù)據(jù)進行分析，即對山東某電力公司一臺型號為SZ9-12500/35、容量為12 500 kVA的變壓器在2014年5月—2015年5月期間的數(shù)據(jù)進行分析。利用變壓器3個不同階段的歷史數(shù)據(jù)，評估本文方法的有效性。

根據(jù)表3和表5，按式(6)得出3個不同歷史時間(1—3)的基本概率分配矩陣：

表8 3種不同時空評估的隸屬度

圖5 不同時空狀態(tài)評估結(jié)果

4.2.1綜合評估結(jié)果分析

為了進一步驗證本文方法的可行性和有效性，現(xiàn)收集48臺變壓器試驗數(shù)據(jù)和巡檢記錄，48組數(shù)據(jù)中包括4種電壓等級的變壓器，500 kV的變壓器3組，220 kV的變壓器12組，110 kV的變壓器18組，35 kV的變壓器15組，如表9所示；其運行狀態(tài)包括21組優(yōu)秀，16組良好，11組一般。

表9 4種電壓等級變壓器

通過本文方法對48臺變壓器試驗數(shù)據(jù)和巡檢記錄進行狀態(tài)評估結(jié)果如表10和圖6所示。從表10可知，20組優(yōu)秀運行狀態(tài)，18組良好運行狀態(tài)，10組一般運行狀態(tài)。從圖6可知，46臺變壓器的狀態(tài)評價結(jié)果與實際運行工況相吻合，其中第9臺和第30臺變壓器的評估結(jié)果與實際工況不同，分析可知：第9臺變壓器的評估結(jié)果為20.59，接近表1變壓器運行狀劣化值分界線20；同理第30臺變壓器評估結(jié)果為39.51，接近表1變壓器運行狀劣化值分界線40；結(jié)果差異僅存在相鄰兩個等級之間。通過上述分析，本文方法的準確率為95.83%，說明本文方法對變壓器狀態(tài)評估的有效性。

表10 變壓器評估結(jié)果

圖6 變壓器的綜合評估結(jié)果

5 結(jié)論

本文提出基于模糊綜合評價和皮爾遜相關(guān)系數(shù)的改進D-S證據(jù)理論融合的變壓器狀態(tài)評估方法，通過變壓器試驗數(shù)據(jù)進行驗證，得出結(jié)果如下：

1) 建立變壓器評價體系和評價指標，利用層次分析和改進的三角梯形隸屬函數(shù)相結(jié)合的方法獲得基本概率，引入模糊綜合評價模型，可以為變壓器評價提供理論方向。

2) 選取變壓器的3種狀態(tài)指標，采用皮爾遜相關(guān)系數(shù)的改進D-S證據(jù)理論進行信息融合，避免高沖突證據(jù)融合產(chǎn)生相?，F(xiàn)象，從而提高變壓器狀態(tài)評估的準確性。

3) 選取不用時空變壓器運行數(shù)據(jù)，驗證本文方法的可靠性和有效性；將本文方法與傳統(tǒng)的D-S經(jīng)典方法、Murphy方法進行對照試驗，由此驗證本文方法的有效性。

4) 通過48組不同狀態(tài)試驗數(shù)據(jù)，本文方法得出的評估結(jié)果與變壓器實際工況相吻合，其準確率能達到96%，可以進一步推廣到其他電力設(shè)備。

[1] 何先華, 張遠鵬, 崔桂興, 等. 基于回歸算法的變壓器故障檢測方法研究[J]. 電力系統(tǒng)保護與控制, 2020, 48(21): 132-139.

HE Xianhua, ZHANG Yuanpeng, CUI Guixing, et al. Research on transformer fault detection method based on a regression algorithm[J]. Power System Protection and Control, 2020, 48(21): 132-139.

[2] 黃新波, 王亨, 田毅, 等. 基于PSO?ELM融合動態(tài)加權(quán)AdaBoost的變壓器故障診斷方法[J]. 高壓電器, 2020, 56(5): 39-46.

HUANG Xinbo, WANG Heng, TIAN Yi, et al. Transformer fault diagnosis algorithm based on PSO?ELM fusion dynamically weighted AdaBoost[J]. High Voltage Apparatus, 2020, 56(5): 39-46.

[3] 鄧科, 侯曉松, 林湘寧, 等. 基于5G通信的電氣設(shè)備監(jiān)測終端性能在線評估方案[J]. 電力系統(tǒng)保護與控制, 2021, 49(7): 39-47.

DENG Ke, HOU Xiaosong, LIN Xiangning, et al. Online evaluation scheme for the performance of an electrical equipment monitoring terminal based on 5G communication[J]. Power System Protection and Control, 2021, 49(7): 39-47.

[4] 李雅欣, 候慧娟, 張立娟, 等. 近鄰成分分析和 k 近鄰學習融合的變壓器不平衡樣本故障診斷[J]. 高電壓技術(shù), 2021, 47(2): 472-479.

LI Yaxin, HOU Huijuan, ZHANG Lijuan, et al. Transformer fault diagnosis with unbalanced samples based on neighborhood component analysis and k-nearest neighbors[J]. High Voltage Engineering, 2021, 47(2): 472-479.

[5] 皮杰, 宋佳翰, 張先捷, 等. 基于故障本征證據(jù)和特征指標的換流變壓器狀態(tài)評估[J]. 電力自動化設(shè)備, 2020, 40(6): 128-134.

PI Jie, SONG Jiahan, ZHANG Xianjie, et al. Condition assessment of converter transformer based on intrinsic fault evidences and characteristic indicators[J]. Electric Power Automation Equipment, 2020, 40(6): 128-134.

[6] 朱保軍, 咸日常, 范慧芳, 等. WRSR與改進樸素貝葉斯融合的變壓器故障診斷技術(shù)研究[J]. 電力系統(tǒng)保護與控制, 2021, 49(20): 120-128.

ZHU Baojun, XIAN Richang, FAN Huifang, et al. Transformer fault diagnosis technology based on the fusion of WRSR and improved naive Bayes[J]. Power System Protection and Control, 2021, 49(20): 120-128.

[7] HAN Jiexiang, KONG Xiangping, LI Peng, et al. A novel low voltage ride through strategy for cascaded power electronic transformer[J]. Protection and Control of Modern Power Systems, 2019, 4(3): 227-238.

[8] 周光宇, 馬松齡. 基于機器學習與DGA的變壓器故障診斷及定位研究[J]. 高壓電器, 2020, 56(6): 262-268.

ZHOU Guangyu, MA Songling. Study of transformer fault diagnosis and location based on machine learning and DGA[J]. High Voltage Apparatus, 2020, 56(6): 262-268.

[9] 余長廳, 黎大健, 汲勝昌, 等. 基于振動噪聲及BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究[J]. 高壓電器, 2020, 56(6): 256-261.

YU Zhangting, LI Dajian, JI Shengchang, et al. Research on transformer fault diagnosis method based on vibration noise and BP neural network[J]. High Voltage Apparatus, 2020, 56(6): 256-261.

[10] 張珂斐, 郭江, 肖志懷. 模糊綜合評估和改進證據(jù)理論相融合的變壓器狀態(tài)評估方法研究[J]. 武漢大學學報(工學版), 2016, 49(2): 279-314.

ZHANG Kefei, GUO Jiang, XIAO Zhihuai. Research on state evaluation method of transformer based on fusion of fuzzy comprehensive evaluation and improved D-S evidence theory[J]. Engineering Journal of Wuhan University, 2016, 49(2): 279-314.

[11]張玉振, 吉興全, 于永進, 等. 基于時空信息融合的礦用變壓器絕緣狀態(tài)評估方法[J]. 工礦自動化, 2017, 43(9): 75-82.

ZHANG Yuzhen, JI Xingquan, YU Yongjin, et al. Insulation condition assessment method of mine-used transformer based on spatio-temporal information fussion[J]. Industry and Mine Automation, 2017, 43(9): 75-82.

[12] 謝龍君, 李黎, 程勇, 等. 融合集對分析和關(guān)聯(lián)規(guī)則的變壓器故障診斷方法[J]. 中國電機工程學報, 2015, 35(2): 277-286.

XIE Longjun, LI Li, CHENG Yong, et al. A fault diagnosis method of power transformers by integrated set pair analysis and association rules[J]. Proceedings of the CSEE, 2015, 35(2): 277-286.

[13]譚貴生, 曹生現(xiàn), 趙波, 等. 基于關(guān)聯(lián)規(guī)則與變權(quán)重系數(shù)的變壓器狀態(tài)綜合評估方法[J]. 電力系統(tǒng)保護與控制, 2020, 48(1): 88-95.

TAN Guisheng, CAO Shengxian, ZHAO Bo, et al. An assessment of power transformers based on association rules and variable weight coefficients[J]. Power System Protection and Control, 2020, 48(1): 88-95.

[14] 杜江, 孫銘陽. 基于變權(quán)灰云模型的變壓器狀態(tài)層次評估方法[J]. 電工技術(shù)學報, 2020, 35(20): 4306-4316.

DU Jiang, SUN Mingyang. Hierarchical assessment method of transformer condition based on weight-varying grey cloud model[J]. Transactions of China Electrotechnical Society, 2020, 35(20): 4306-4316.

[15] GUO Chenxi, WANG Bin, WU Zhangyu, et al. Transformer failure diagnosis using fuzzy association rule mining combined with case-based reasoning[J]. IET Generation, Transmission & Distribution, 2020, 14(11): 2202-2208.

[16]劉文澤, 張俊, 鄧焱. 基于深度置信網(wǎng)絡(luò)和多維信息融合的變壓器故障診斷方法[J]. 電力工程技術(shù), 2019, 38(6): 16-23.

LIU Wenze, ZHANG Jun, DENG Yan. Transformer fault diagnosis method based on deep learning and multi-dimensional information fusion[J]. Electric Power Engineering Technology, 2019, 38(6): 16-23.

[17] 辛建波, 康琛, 翁新林, 等. 基于聚類和時間序列分析的變壓器狀態(tài)評估方法[J]. 電力系統(tǒng)保護與控制, 2019, 47(3): 64-70.

XIN Jianbo, KANG Chen, WENG Xinlin, et al. Evaluation method of transformer state based on clustering and time series analysis[J]. Power System Protection and Control, 2019, 47(3): 64-70.

[18] 蘇磊, 陳璐, 徐鵬, 等. 基于深度信念網(wǎng)絡(luò)的變壓器運行狀態(tài)分析[J]. 高壓電器, 2021, 57(2): 56-62.

SU Lei, CHEN Lu, XU Peng, et al. Operation condition analysis of transformer based on deep belief network[J]. High Voltage Apparatus, 2021, 57(2): 56-62.

[19] 譚貴生, 石宜金, 劉丹丹, 等. 基于混沌粒子群優(yōu)化支持向量機的變壓器故障診斷[J]. 昆明理工大學學報(自然科學版), 2019, 44(5): 54-61.

TAN Guisheng, SHI Yijin, LIU Dandan, et al. Fault diagnosis method of transformer based on support vector machine with improved particle swarm optimization[J]. Journal of Kunming University of Science and Technology (Natural Science), 2019, 44(5): 54-61.

[20]廖瑞金, 張鐿議, 黃飛龍, 等. 基于可拓分析法的電力變壓器本體絕緣狀態(tài)評估[J]. 高電壓技術(shù), 2012, 38(3): 521-526.

LIAO Ruijin, ZHANG Yiyi, HUANG Feilong, et al. Power transformer condition assessment strategy using matter element analysis[J]. High Voltage Engineering, 2012, 38(3): 521-526.

[21] 李亮, 范瑾, 閆林, 等. 基于混合采樣和支持向量機的變壓器故障診斷[J]. 中國電力, 2021, 54(12): 150-155.

LI Liang, FAN Jin, YAN Lin, et al. Transformer fault diagnosis based on hybrid sampling and support vector machines[J]. Electric Power, 2021, 54(12): 150-155.

[22] 南東亮, 王維慶, 張陵, 等. 基于關(guān)聯(lián)規(guī)則挖掘與組合賦權(quán)-云模型的電網(wǎng)二次設(shè)備運行狀態(tài)風險評估[J]. 電力系統(tǒng)保護與控制, 2021, 49(10): 67-76.

NAN Dongliang, WANG Weiqing, ZHANG Ling, et al. Risk assessment of the operation state of power grid secondary equipment based on association rule mining and combination weighting-cloud model[J]. Power System Protection and Control, 2021, 49(10): 67-76.

[23] 汪陪莊, 李洪興. 知識表示的數(shù)學理論[M]. 天津: 天津科學技術(shù)出版社, 1994.

[24] 國家電網(wǎng)公司. 油浸式變壓器(電抗器)狀態(tài)評估導則: Q/GD169—2008[S]. 北京: 中國電力出版社, 2008.

State Grid Corporation of China. Guide for condition evaluation of oil-immersed power transformers (reactors): Q/GDW 169—2008[S]. Beijing: China Electric Power Press, 2008.

[25] 張吉軍. 模糊層次分析法(FAHP)[J]. 模糊系統(tǒng)與數(shù)學, 2000, 14(2): 80-88.

ZHANG Jijun. Fuzzy analytical hierarchy process[J]. Fuzzy Systems and Mathematics, 2000, 14(2): 80-88.

[26] DEMPSTER A P. Upper and lower probabilities induced by a multivalued mapping[J]. Annals of Mathematical Statistics, 1967, 38(2): 325-339.

[27] 張歡, 陸見光, 唐向紅. 面向沖突證據(jù)的改進D-S證據(jù)理論算法[J]. 北京航空航天大學學報, 2020, 46(3): 616-623.

ZHANG Huan, LU Jianguang, TANG Xianghong. An improved D-S evidence theory algorithm for conflict evidence[J]. Journal of Beijing University of Aeronautics and Astronautics, 2020, 46(3): 616-623.

[28] 廖瑞金, 王謙, 駱思佳, 等. 基于模糊綜合評判的電力變壓器運行狀態(tài)評估模型[J]. 電力系統(tǒng)自動化, 2008, 32(3): 70-75.

LIAO Ruijin, WANG Qian, LUO Sijia, et al. Condition assessment model for power transformer in service based on fuzzy synthetic evaluation[J]. Automation of Electric Power Systems, 2008, 32(2): 70-75.

[29]孫瑩, 高賀, 李可軍, 等. 基于多時段信息融合的配電變壓器運行狀態(tài)評估模型[J]. 高電壓技術(shù), 2016, 42(7): 2054-2063.

SUN Ying, GAO He, LI Kejun, et al. Condition assessment model of distribution transformer based on multi-period information fusion[J]. High Voltage Engineering, 2016, 42(7): 2054-2063.

Condition assessment method for power transformers based on fuzzy comprehensive evaluation and information fusion

SHI Yijin1, TAN Guisheng1, ZHAO Bo2, ZHANG Guilian1

(1. Lijiang Culture and Tourism College, Lijiang 674100, China; 2. School of Automation Engineering, Northeast Electric Power University, Jilin 132012, China)

There is a problem of multiple characteristic indices and multiple fault types in power transformer condition evaluation. Thus a state evaluation method of a converter transformer is proposed based ona fuzzy comprehensive assessment model and improved D-S evidence theory fusion of the Pearson correlation coefficient. The transformer condition assessment system is built, and the basic probability of the state index is obtained using hierarchical analysis and an improved triangular trapezoidal membership function. The Pearson correlation coefficient is used to improve the D-S evidence theory in adopting different characteristic indices, and then the assessing result of the transformer is obtained from comprehensive evaluation. In the case analysis, the diagnostic accuracy of this method can reach 95.83%by comparing the condition assessment result and the actual operation condition of every transformer. This can validate the feasibility and rationality of the method. This method has a certain reference value for transformer state evaluation.

power transformer; fuzzy evaluation model; improved D-S evidence theory; Pearson correlation coefficient; analytic hierarchy process; association rules

10.19783/j.cnki.pspc.220008

國家自然科學基金項目資助(61901101)；云南省教育廳研究基金項目資助(2022J1234)；麗江市科技局項目資助(2020ljhb01，2020ZX10)

This work is supported by the National Natural Science Foundation of China (No. 61901101).

2022-01-01；

2022-03-25

石宜金(1985—)，男，碩士，副教授，研究方向為嵌入式技術(shù)；E-mail: 349497232@qq.com

譚貴生(1986—)，男，通信作者，碩士，副教授，研究方向為電力設(shè)備故障診斷等；E-mail: tgs_jl@163.com

趙 波(1985—)，男，博士，副教授，研究方向為表面污垢監(jiān)測與控制，新能源發(fā)電檢測技術(shù)與自動化裝置等。E-mail:rerbertzhao@163.com

(編輯 魏小麗)