基于RS優化的電力變壓器故障診斷方法

摘 要： 針對現有的故障診斷技術應用在電力變壓器故障診斷中存在的冗余信息過多，診斷結果不準確等問題將粗糙集理論與概率神經網絡相結合，先利用粗糙集理論對故障系統前期數據進行最大限度的約簡，再經概率神經網絡進行故障模式分類，可簡化故障診斷網絡規模，且相比于單一的概率神經網絡的診斷方法，能夠更精確地診斷出變壓器故障類型，其研究成果在油浸式電力變壓器故障診斷方面具有廣闊的應用前景。

關鍵詞： 電力變壓器； 故障診斷； 粗糙集； 概率神經網絡

中圖分類號： TN710?34； TP183 文獻標識碼： A 文章編號： 1004?373X（2015）24?0152?04

Power transformer fault diagnosis based on RS optimization

SONG Yuqin， ZHU Zijuan， JI Yinfei

（College of Electronics and Information Engineering， Xi’an Polytechnic University， Xi’an 710048， China）

Abstract： In view of too much redundant information， inaccurate diagnosis result and other shortcomings existing in power transformer fault diagnosis with available fault diagnosis technology， the rough set theory is combined with probability neural network， in which the rough set theory is used to make the maximum reduction of early data of the fault system， and then fault pattern classification is done by means of the probability neural network， which can simplify diagnosis network scale and determine the fault type of power transformer more accurately than the diagnosis method of only probabilistic neural network can do. The research achievement has a broad application prospect in the aspect of oil?immersed power transformer fault diagnosis.

Keywords： power transformer； fault diagnosis； rough set； probabilistic neural network

電力變壓器是電力系統中最重要、最昂貴的設備之一，它承擔著電壓變換，電能分配與傳輸的重任，是電力系統的樞紐設備，其運行狀態直接關系到整個電力系統的安全與穩定[1]。

盡管已有大量的現代診斷技術應用于電力變壓器故障診斷中，但進一步的理論研究和應用結果表明，這些診斷方法仍存在許多不足之處：文獻[2]提出基于Petri網的變壓器故障診斷方法，利用Petri網進行知識的表示和推理，其只涉及矩陣計算，適用范圍較小，且故障特征與故障類別之間的對應關系不完善；文獻[3]提出的一種基于粗糙集理論的變壓器故障診斷方法，能夠較好處理不完備信息條件下的診斷，但故障類別劃分結果較為模糊，尤其不能區分對多重故障的診斷；文獻[4]采用了信息融合技術來解決變壓器故障診斷問題，模糊均值算法受樣本的分布和初始參數影響較大；文獻[5]基于證據理論的故障診斷方法，當故障樣本量發生變化時，難以獲得準確的故障診斷結果。

因此，在全面了解電力變壓器故障情況和故障診斷相關技術的基礎上，結合已有的神經網絡在電力變壓器智能故障診斷方面的研究成果[6?7]，本文提出基于粗糙集優化的電力變壓器綜合故障診斷方法，提高了油浸式電力變壓器故障診斷的準確性。既有很強的學術理論價值，又有很強的工程實用價值。

1 電力變壓器故障診斷模型

基于粗糙集（RS）優化的概率神經網絡（PNN）故障診斷方法是依據粗糙集理論本身具有嚴謹的內在邏輯關系，無需對預處理信息進行經驗或知識積累，是處理模糊性和不精確性問題的較為理想的數學工具。因而利用粗糙集理論對電力變壓器故障系統大量數據進行前期處理，能夠在保留關鍵信息的前提下對故障數據進行最大限度的約簡，既去除了大量冗余信息，縮減了故障信息的規模，又保證了變壓器故障診斷數據的客觀性和精確性。再將粗糙集約簡后的變壓器故障數據用于概率神經網絡故障診斷系統的訓練，縮短了神經網絡的訓練時間，提高了變壓器故障診斷系統的快速性，且神經網絡一旦訓練好就無需因故障數據的變化而重新訓練故障診斷系統網絡。因此，粗糙集和概率神經網絡相結合的電力變壓器故障診斷方法相比于其他的故障診斷方法，具有非常明顯的優勢。其故障診斷系統框圖如圖1所示，分為學習階段（即網絡訓練階段）和應用階段（即故障診斷階段）兩個階段。

圖1 基于RS優化的PNN故障診斷系統框圖圖

2 粗糙集理論的決策表約簡法

2.1 樣本數據的選取

依據樣本數據的選取原則，通過收集華北電網虹橋220 kV變電站多臺油浸式電力變壓器的歷史故障數據，共得到近200個樣本，選擇其中比較有代表性的10組樣本數據為例來表明粗糙集的優化過程。

將這10組數據整理成原始樣本決策表，如表1所示，其中每組數據包含了12個條件屬性，即12種故障樣本氣體含量的比值和一維結論屬性即故障類型序號，該故障類型序號對應的實際診斷結果為：1，無故障；2，低能放電；3，高能放電；4，中低溫過熱；5，高溫過熱。

2.2 決策表的約簡

粗糙集理論是一種智能信息處理技術，是處理不精確、不完備信息的有效工具，其核心內容是知識的約簡，即在保持其分類能力不變的情況下，無需先驗知識，通過約簡方法，導出問題的分類或決策規則。粗糙集理論在許多領域得到了廣泛的應用，如圖像處理、模式識別、機器學習、數據挖掘、決策分析、過程控制等。若用粗糙集理論處理決策表時，則要求決策表中的各值均用離散值。

本文先利用等頻率劃分離散法對原始決策數據進行離散化，再由粗糙集約簡法對原始樣本決策表進行故障數據的約簡。等頻率劃分離散法是根據給定的參數將這個屬性的取值從小到大進行排列，最后平均劃分為最佳狀態的段數，即得到斷點集。任意兩個相鄰斷點間所包含屬性值的個數是相等的。

其中以[C2H2C2H4]兩種氣體的比值為例，其經等頻離散化后的結果如表2所示，將原始決策表中的數據劃分為10個斷點集，從0.000～1.343按最佳狀態平均劃分。然后再進行樣本數據的約簡，其結果見表3。當[C2H2C2H4]的比值落在區間{[0.000，0.002]}中，記作0；當[C2H2C2H4]的比值落在區間{[0.002，0.005]，[0.005，0.007]，[0.007，0.008]，[0.008，0.051]，[0.051，0.211]}中，記作1；當[C2H2C2H4]的比值落在區間{[0.211，1.131]，[1.131，1.165]，[1.165，1.210] ，[1.210，1.343]}中，記作2。其他氣體比值的離散化和約簡形式同上，在此不一一列出。

以上12種故障樣本氣體含量的比值在經過屬性約簡后，若刪除第n個決策屬性，與未刪除前的決策屬性沒有什么本質區別，則說明該決策屬性可以省略，反之，該決策屬性則不可省略。以此方法對這12個條件屬性進行進一步約簡，形成最終決策表，如表4所示，約簡后的故障特征屬性由原始決策表中的12個減少為現在的5個，決策表規模大大縮減，為下一步的PNN網絡訓練做好了優化工作。

表2 等頻離散化后的結果

表3 樣本數據約簡后的結果

表4 樣本約簡后形成的最終決策表

3 概率神經網絡的故障診斷

概率神經網絡PNN是廣泛應用于模式分類的一種神經網絡，在故障診斷過程中利用其強大的非線性分類能力，將故障樣本空間映射到故障模式空間中，形成較為準確的故障診斷模型。它可描述為：假設有兩種已知的故障模式qA，qB，對于要判斷的故障特征樣本：[X=（x1，x2，…，xn）若hAlAfA（X）>hBlBfB（X），則X∈θA；若hAlAfA（X）

式中：hA，hB為故障模式qA，qB的先驗概率，hA=[NAN]，hB=[NBN]；NA，NB分別為故障模式qA，qB的訓練樣本數；n為訓練樣本總數；lA是將本屬于模式qA的故障特征樣本X錯誤地劃分到模式qA的代價因子；lB是將本屬于模式qB的故障特征樣本X錯誤地劃分到模式qB的代價因子；fA，fB分別是故障模式qA，qB的概率密度函數，通常概率密度函數不能精確地獲得，只能根據現有的故障特征樣本求其統計值。

以表4所示的最終決策表為例，根據約簡后的決策屬性由原始決策表中的12個減少為現在的5個，于是設PNN網絡輸入層有5個神經元，對應5個輸入特征屬性；模式層有12個神經元，對應12種故障模式；隱含層和輸出層有5個，對應于上述5種故障類型。

4 診斷結果判定

本實驗將收集到的油浸式電力變壓器的200組原始樣本數據分為兩部分，前100組樣本作為概率神經網絡和粗糙集優化的概率神經網絡的訓練樣本進行神經網絡訓練，后100組樣本作為檢驗樣本進行故障診斷。

將100組驗證樣本分別代入已經訓練好的概率神經網絡和粗糙集優化的概率神經網絡的進行故障診斷，并輸出診斷結果。

4.1 概率神經網絡的故障診斷結果

概率神經網絡故障診斷結果如圖2所示，圓圈所對應的數值表示該樣本經診斷后的故障類型序號，星號所對應的數值表示該樣本的實際故障類型序號。診斷誤差圖中的誤差值0表示診斷后的故障類型序號與實際故障類型序號相同，診斷結果正確，誤差值2、-3表示診斷后的故障序號與實際故障序號的差值，診斷結果不正確。最后經過仿真發現診斷結果中有21個故障類型跟樣本實際故障類型不一樣，其故障診斷準確率為79%。

4.2 粗糙集優化的概率神經網絡故障診斷結果

粗糙集優化的概率神經網絡診斷結果如圖3所示，最后經過仿真發現診斷結果中只有3個故障類型跟樣本實際故障類型不一樣，其故障診斷準確率為97%。

可見，基于粗糙集優化的概率神經網絡的電力變壓器故障診斷準確率比單一的概率神經網絡的要高，其方法應用于變壓器故障診斷中，可以去除大量冗余信息，簡化故障診斷系統的規模，且大大提高了故障診斷的準確性。

圖2 概率神經網絡故障診斷結果及誤差圖

圖3 粗糙集優化的概率神經網絡故障診斷結果及誤差圖

5 結 語

該研究成果在油浸式電力變壓器故障診斷方面具有廣闊的應用前景，將粗糙集理論與概率神經網絡結合，利用粗糙集在處理模糊性和不確定性問題上的優勢對原始故障數據進行約簡，既不受樣本分布的影響，又對不完備信息具有較強的適用性，可在保證關鍵信息不丟失的情況下簡化診斷網絡規模，增強診斷系統的抗干擾性。進而利用概率神經網絡進行故障類型分類，令故障特征與故障類別一一對應，且可區分多重故障類型，使診斷網絡有較高的準確性。另外，將電力變壓器在線監測技術與故障診斷技術相結合，把在線監測得到的數據整合到變壓器故障分析里，能夠更及時、更精確地診斷出變壓器故障類型。

參考文獻

[1] 黃新波.變電設備在線監測與故障診斷[M].2版.北京：中國電力出版社，2013.

[2] 王建元，紀延超.Petri網絡在變壓器故障診斷中的應用[J].中國電機工程學報，2010，26（8）：21?24.

[3] 陳小青，劉覺民，黃英偉，等.采用改進人工魚群優化粗糙集算法的變壓器故障診斷[J].高電壓技術，2012，38（6）：1403?1409.

[4] 張巖，張勇，文福拴，等.融合信息理論的電力系統故障診斷解析模型[J].電力自動化設備，2014，34（2）：158?164.

[5] 司馬莉萍，舒乃秋，李自品，等.基于 SVM 和 D?S 證據理論的電力變壓器內部故障部位識別[J].電力自動化設備，2012，32（11）：72?76.

[6] PAYDARNIA H， HAJIAGHASI S， ABBASZADEH K. Improved structure of PNN using PCA in transformer fault diagnostic [J]. Arabian Journal for Science and Engineering， 2014， 39（6）： 4845?485.

[7] BHALLA D， BANSAL R K， GUPTA H O. Integrating AI based DGA fault diagnosis using dempster?shafer theory [J]. International Journal of Electrical Power and Energy Systems， 2013， 48（6）： 31?38.

[8] 宋玉琴，朱紫娟，姬引飛.多傳感器信息融合的智能故障診斷策略[J].西安工程大學學報，2014，28（5）：568?573.

[9] 郭創新，王越，王媚，等.表征內部潛伏性故障的變壓器時變停運模型研究[J].中國電機工程學報，2013，33（1）：63?69.

[10] 張翔，宋子彤，楊致慧，等.一種基于負載率和設備檢測信息的油浸式變壓器故障率模型[J].電網技術，2013，37（4）：1159?1165.

[11] 周晶晶，吳文全，許炎義，等.基于小波神經網絡的模擬電路故障診斷方法研究[J].現代電子技術，2015，38（6）：36?38.

[12] 馬仲能，鐘立華，盧鍇，等.基于電力設備全壽命周期成本最優的檢修策略研究[J].電力系統保護與控制，2011，39（16）：34?39.

[13] 姬東朝，宋筆鋒，易華輝.基于概率神經網絡的設備故障診斷及仿真分析[J].火力與指揮控制，2009，34（1）：82?85.