粗糙模糊神經(jīng)網(wǎng)絡(luò)在變壓器診斷中的應(yīng)用

焦萬(wàn)章，錢(qián)國(guó)超，顏冰，黃禾

(1.云南電網(wǎng)有限責(zé)任公司昆明供電局，昆明 650011；2.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，昆明 650217)

粗糙模糊神經(jīng)網(wǎng)絡(luò)在變壓器診斷中的應(yīng)用

焦萬(wàn)章1，錢(qián)國(guó)超2，顏冰2，黃禾1

(1.云南電網(wǎng)有限責(zé)任公司昆明供電局，昆明 650011；2.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，昆明 650217)

針對(duì)變壓器故障的復(fù)雜性、模糊性以及模糊集理論、神經(jīng)網(wǎng)絡(luò)和粗糙集理論的優(yōu)缺點(diǎn)，利用粗糙集理論的屬性約簡(jiǎn)和規(guī)則生成能力和模糊神經(jīng)網(wǎng)絡(luò)在模式識(shí)別方面具有容錯(cuò)和分類(lèi)優(yōu)勢(shì)。采用粗集理論對(duì)采集到的變壓器油中溶解氣體數(shù)據(jù)形成的規(guī)則進(jìn)行約簡(jiǎn)處理，建立精簡(jiǎn)的規(guī)則集，根據(jù)規(guī)則集建變壓器故障診斷的神經(jīng)網(wǎng)絡(luò)模型，采用自適應(yīng)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)連接的權(quán)值，通過(guò)仿真驗(yàn)證了該網(wǎng)絡(luò)較好的診斷性能。

粗糙集；模糊神經(jīng)網(wǎng)絡(luò)；電力變壓器；故障診斷

0 前言

人工神經(jīng)網(wǎng)絡(luò)具有優(yōu)越的非線(xiàn)性模式分類(lèi)性能和強(qiáng)大的自組織、自學(xué)習(xí)、聯(lián)想記憶、分布式并行信息處理和泛化能力，但是不能將輸入空間的維數(shù)減少，當(dāng)輸入空間維數(shù)過(guò)大，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，必將導(dǎo)致訓(xùn)練時(shí)間很長(zhǎng)[1]；模糊集理論雖能處理變量模糊數(shù)據(jù)，但是在模糊隸屬函數(shù)、模糊規(guī)則和模糊算法上很難根據(jù)時(shí)間系統(tǒng)確定；另外實(shí)際上測(cè)試數(shù)據(jù)的過(guò)程中有許多不確定因素，導(dǎo)致得到的數(shù)據(jù)不完備或者冗余數(shù)據(jù)較多。而粗糙集理論 (Rough Set Theory：RST)是一種刻畫(huà)不完整性和不確定性的數(shù)學(xué)工具，能有效分析處理不精確、不完整等各種不完備信息，并從中發(fā)現(xiàn)隱含的知識(shí)，揭示潛在的規(guī)律，常用于數(shù)據(jù)挖掘得數(shù)據(jù)預(yù)處理、數(shù)據(jù)壓縮、規(guī)則生成、數(shù)據(jù)關(guān)系依賴(lài)發(fā)現(xiàn)等方面因[2-3]。此可以將粗糙集、模糊集和神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái)，相互彌補(bǔ)不足。通過(guò)粗糙集約簡(jiǎn)降低模糊神經(jīng)網(wǎng)絡(luò)的輸入維數(shù)，簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，縮短訓(xùn)練時(shí)間。其次針對(duì)傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)是以梯度下降算法 (Back-propagation：BP)為參數(shù)選擇的依據(jù)，當(dāng)學(xué)習(xí)樣本數(shù)較多，輸入輸出關(guān)系復(fù)雜時(shí)，網(wǎng)絡(luò)收斂速度較慢，甚至不收斂，由于遺傳算法的全局優(yōu)化性和隱含并行性在解決復(fù)雜問(wèn)題方面的優(yōu)越性，同時(shí)為了克服傳統(tǒng)遺傳算法早熟的問(wèn)題，本文采用自適應(yīng)遺傳算法 (A-daptive genetic algorithm：AGA)對(duì)模糊神經(jīng)網(wǎng)絡(luò)連接權(quán)系數(shù)進(jìn)行優(yōu)化。

常用的故障診斷方法有三比值法、特征氣體分析判斷法、大衛(wèi)三角形法等，三比值法判據(jù)簡(jiǎn)單，分類(lèi)詳細(xì)，但存在編碼缺損和邊界處理絕對(duì)的問(wèn)題；特征氣體分析法直觀、簡(jiǎn)單、易于掌握，但只能做定性描述；大衛(wèi)三角形法對(duì)于比值落在三角形外的故障無(wú)法判斷。本文將粗糙集理論、模糊神經(jīng)網(wǎng)絡(luò)和遺傳算法引入到變壓器故障診斷中，通過(guò)構(gòu)建基于粗糙集理論的模糊神經(jīng)網(wǎng)絡(luò)變壓器故障診斷模型，來(lái)對(duì)變壓器進(jìn)行故障診斷，通過(guò)仿真表明該網(wǎng)絡(luò)有較好的診斷性能。

1 粗糙集與模糊神經(jīng)網(wǎng)絡(luò)的建模

1.1 構(gòu)建網(wǎng)絡(luò)模型

模糊神經(jīng)網(wǎng)絡(luò)兼具模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)二者的優(yōu)點(diǎn)，一方面可以方便地獲取專(zhuān)家的經(jīng)驗(yàn)，另一方面又具有學(xué)習(xí)能力，已廣泛用于模式分類(lèi)、邊沿檢測(cè)以及加速神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)等方面，并取得了明顯的效果。模糊神經(jīng)網(wǎng)絡(luò)每層都有具體的含義，結(jié)構(gòu)清晰，如圖1所示[5](基于全連結(jié)的兩輸入一輸出5層模糊神經(jīng)網(wǎng)絡(luò))：

圖1 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

該網(wǎng)絡(luò)分為五層，第一層為輸入層，第t個(gè)節(jié)點(diǎn)對(duì)應(yīng)x的第t個(gè)分量；第二層為模糊化層，當(dāng)給輸入層一個(gè)輸入分量時(shí)，須確定其與每個(gè)相應(yīng)分類(lèi)之間的聯(lián)系。與第t個(gè)輸入節(jié)點(diǎn)相連結(jié)的一組神經(jīng)元的作用是對(duì)輸入向量的第t個(gè)分量進(jìn)行解釋?zhuān)窠?jīng)元Njt的輸出為：

式 (2)中Njt是與第t個(gè)輸入節(jié)點(diǎn)相連結(jié)的第j個(gè)神經(jīng)元，其含義是與第t個(gè)分量相關(guān)的分類(lèi)中的第j個(gè)類(lèi)，Zjt為Xt與Njt間的模糊連結(jié)權(quán)，含義為第j個(gè)類(lèi)所代表的模糊集。

第三層是各接點(diǎn)的規(guī)則控制層，該層神經(jīng)元的個(gè)數(shù)為由最簡(jiǎn)決策表所得出的初始規(guī)則的條數(shù)確定，則第k個(gè)神經(jīng)元的輸出為：

第四層是或神經(jīng)元，用于控制規(guī)則后件的功能，產(chǎn)生每條規(guī)則對(duì)應(yīng)于輸入所產(chǎn)生的輸出：

式 (4)中ωkm為第三層第k個(gè)神經(jīng)元與第四層第m個(gè)神經(jīng)元之間連接的權(quán)值。

第五層是輸出層 (去模糊化層)，用于產(chǎn)生控制規(guī)則的總輸出。

在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，本文采用自適應(yīng)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)連接的權(quán)值，保證網(wǎng)絡(luò)以較快的速度收斂。

1.2 決策表的約簡(jiǎn)

設(shè)粗集的知識(shí)表達(dá)系統(tǒng)S=(U，A)，其中U為非空的有限集論域，A為非空的屬性有限集。CD決策表為，其中C、D是兩個(gè)屬性子集，分別為條件屬性集和決策屬性集。決策表中每行表示實(shí)例，列表示屬性，表中的每個(gè)值是對(duì)應(yīng)行 (實(shí)例)在對(duì)應(yīng)列 (屬性)下的值稱(chēng)為屬性值。一般對(duì)決策表進(jìn)行化簡(jiǎn)，消去決策表中包含的冗余項(xiàng)目，化簡(jiǎn)分三步[6-8]：

1)從決策表中去除冗余條件屬性列。若刪除某條件屬性列后，剩余規(guī)則發(fā)生沖突，則此條件屬性列不可刪除，否則可以刪除；

2)計(jì)算條件屬性核值；

3)決策規(guī)則簡(jiǎn)化。將相同的規(guī)則合并，得到最終決策表。例如構(gòu)造CD一個(gè)決策表如表1所示，根據(jù)表1的規(guī)則屬性而建立的神經(jīng)網(wǎng)絡(luò)如圖2所示：

表1 原始決策表

圖2 基于原始決策表的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

從表一中看出，論域U中有7個(gè)對(duì)象，C1，C2，C3，C4為條件屬性，d為決策屬性，根據(jù)d取值的不同，可將這7個(gè)對(duì)象分為3類(lèi)。按決策表的簡(jiǎn)化步驟，逐一去除條件屬性，消除決策表中的冗余項(xiàng)目，得到最終決策表如表二所示：

表2 最終決策表

根據(jù)表二中的規(guī)則構(gòu)建的模糊神經(jīng)網(wǎng)絡(luò)如圖3所示：

與圖2相比較，基于粗集最終決策表構(gòu)建的模糊神經(jīng)網(wǎng)絡(luò)從輸入隸屬度層到輸出隸屬度層的網(wǎng)絡(luò)連接簡(jiǎn)單，去除了冗余信息，保留了主要的信息，規(guī)則了一對(duì)多或多對(duì)一的關(guān)系，優(yōu)化了網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，降低網(wǎng)絡(luò)的規(guī)模，可以大大提高網(wǎng)絡(luò)的訓(xùn)練速度。

因此最終決策表用產(chǎn)生式規(guī)則表示如下：

Rule1：If C1=1，C2=0，then d=1；

Rule2：If C1=0，then d=1；

Rule3：If C2=1，C4=1，then d=0；

Rule4：If C4=2，then d=2；

圖3 基于粗集理論的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2 數(shù)據(jù)預(yù)處理

2.1 數(shù)據(jù)的模糊化

為了充分發(fā)掘原始數(shù)據(jù)中的有效信息，本文采用模糊技術(shù)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，選取Sigmoid函數(shù)作為隸屬函數(shù)[9]

其中，x表示待診斷數(shù)據(jù)的實(shí)際值；xa表示其注意值；y表示預(yù)處理后的輸出值。

2.2 數(shù)據(jù)的離散化[10]

本文采用的油中氣體模糊化連續(xù)值離散化的方法為：

3 電力變壓器故障診斷

變壓器的故障診斷是一個(gè)多輸入多輸出的系統(tǒng)，實(shí)現(xiàn)的是故障特征空間到故障屬性空間的一種非線(xiàn)性映射。本文模糊神經(jīng)網(wǎng)絡(luò)的輸入為H2，CH4，C2H6，C2H4，C2H2，C0，CO2等氣體的模糊歸一化值，輸出按故障模式分類(lèi)為： {低能量放電F1、高能量放電F2、低溫?zé)峁收?(＜300℃)F3，中溫?zé)峁收?(300～700℃)F4、高溫?zé)峁收?(＞700℃)F5}，對(duì)從試驗(yàn)研究單位得到的150組數(shù)據(jù)構(gòu)建知識(shí)決策表，見(jiàn)表3：

表3 初始決策表

對(duì)決策表3中的規(guī)則采用粗糙集方法進(jìn)行約簡(jiǎn)，得到的最終決策表見(jiàn)表4。對(duì)比表4和表3看出，表4簡(jiǎn)單，規(guī)則大概精簡(jiǎn)了65%，但同時(shí)保存了決策所必需的條件屬性和決策規(guī)則，具有和原始決策表相同的知識(shí)表達(dá)分類(lèi)能力和故障診斷能力。根據(jù)表4中的各條規(guī)則構(gòu)建神經(jīng)網(wǎng)絡(luò)，并采用遺傳算法訓(xùn)練網(wǎng)絡(luò)的連接權(quán)值，直到誤差達(dá)到所要求的精度為止。最后并用50檢測(cè)樣本集進(jìn)行檢驗(yàn)，獲得了較高的正確率，達(dá)到90.33% (見(jiàn)表5)。

表4 初始決策表

表5 網(wǎng)絡(luò)的診斷效果

4 事例分析

實(shí)例1：某變壓器[11]，事故后變壓器本體油DGA結(jié)果如表6所示：

表6 某變壓器故障后各特征氣體體積分?jǐn)?shù) μl/L

經(jīng)本方法診斷為變壓器工作正常，出現(xiàn)正常老化，與后經(jīng)吊心檢查為分節(jié)開(kāi)關(guān)燒毛，固體絕緣老化相吻合，判斷正確。

實(shí)例2：某發(fā)電廠(chǎng)變壓器額定容量為 63 MVA，額定電壓為110/35/10.5 kV，DGA采樣數(shù)據(jù)見(jiàn)表7所示：

經(jīng)過(guò)本方法診斷為防電性故障，由于氫氣含量、乙炔含量、總烴含量均超過(guò)注意值，經(jīng)IEC三比值法判斷為放電性故障。兩者一致，與后經(jīng)吊心檢查證實(shí)為放電故障 (匝絕緣損傷并匝間短路)，判斷正確。

實(shí)例3：某單位變壓器故障后檢查后油中溶解氣體數(shù)據(jù)見(jiàn)表8所示：

表8 某變壓器故障后各特征氣體體積分?jǐn)?shù) μl/L

經(jīng)過(guò)IEC三比值法無(wú)法判斷故障，經(jīng)過(guò)本網(wǎng)絡(luò)診斷為高能量放電，與實(shí)際故障檢測(cè)結(jié)果 (發(fā)現(xiàn)有接地電流，鐵心存在多點(diǎn)接地現(xiàn)象)相吻合，判斷正確。

5 結(jié)束語(yǔ)

考慮變壓器故障的復(fù)雜性、模糊性，粗糙理論處理模糊性和不精確性問(wèn)題的優(yōu)點(diǎn)和神經(jīng)網(wǎng)絡(luò)在模式識(shí)別方面的優(yōu)勢(shì)，本文構(gòu)建的基于粗糙集的模糊神經(jīng)網(wǎng)絡(luò)，并采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)值，與傳統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)相比，它結(jié)構(gòu)簡(jiǎn)單，容錯(cuò)能力強(qiáng)，診斷正確率高。不僅可以直接從完備的故障特征氣體中導(dǎo)出正確的診斷結(jié)論，而且能從不完整的故障特征氣體中導(dǎo)出滿(mǎn)意的診斷結(jié)論。它揭示了故障特征氣體信息的冗余性，提高了故障的識(shí)別率并且此方法對(duì)于其他高壓設(shè)備的診斷也有很好的參考價(jià)值。

[1] 王雪梅，李文申，嚴(yán)璋.BP網(wǎng)絡(luò)在電力變壓器故障診斷中的應(yīng)用 [J].高電壓技術(shù)，2005，31(7)：12-14.

[2] Pawlak Z，Busse J G，et al.Rough sets.Communications on the ACM，1995，38(11)：89-95.

[3] 李仁璞，王正歐.基于粗集理論和神經(jīng)網(wǎng)絡(luò)結(jié)合的數(shù)據(jù)挖掘新方法 [J].情報(bào)學(xué)報(bào)，2002，21(6)：674-679.

[4] 莫娟，王雪，董明，等.基于粗糙集理論的電力變壓器故障診斷方法 [J].中國(guó)電機(jī)工程學(xué)報(bào)，2004，24(7)：162-167. [5] 劉璨，陳統(tǒng)堅(jiān)，彭永紅，等.基于粗集理論的模糊神經(jīng)網(wǎng)絡(luò)建模方法研究.中國(guó)機(jī)械工程，2001，12(11)：56-58.

[6] 俞曉冬，孫瑩，臧宏志.基于粗糙集與模糊神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法 [J].電力自動(dòng)化設(shè)備，2003，23 (2)：15-17.

[7] 徐德友，胡壽松.一種基于粗糙集的近似質(zhì)量求取屬性約簡(jiǎn)的決策算法 [J].控制與決策，2003，18(3)：313 -316.

[8] 王楠，律方成，劉云鵬，等.基于決策表約簡(jiǎn)的變壓器故障診斷Petri網(wǎng)絡(luò)模型及其應(yīng)用研究 [J].電工技術(shù)學(xué)報(bào)，2003，18(6)：88-92，76.

[9] 孫才新，郭俊峰，廖瑞金，等.變壓器油中溶解氣體分析中的模糊模式多層聚類(lèi)故障診斷方法的研究 [J].中國(guó)電機(jī)工程學(xué)報(bào)，2001，21(2)：37-41.

[10] 董立新，肖登明，李拮，等.基于油中溶解氣體分析數(shù)據(jù)挖掘的變壓器絕緣故障診斷 [J].電力系統(tǒng)自動(dòng)化，2004，28(5)：85-89.

[11] 王永強(qiáng)，方成，和明.基于貝葉斯網(wǎng)絡(luò)和油中溶解氣體分析的變壓器故障診斷方法 [J].電工技術(shù)學(xué)報(bào)，2004，19(12)：74-77.

Research on Application of Rough Sets and Fuzzy Neural Network in Power Transformer Fault Diagnosis

JIAO Wanzhang1，QIAN Guochao2，YAN Bin2，HUANG He1
(1.Kunming Electric Power Supply Bureau，Kunming 650011，China；2.Yunnan Electric Power Research Institute，Kunming 650217，China)

Considering the complexity and Ambiguity of transformer fault diagnosis and the advantages and disadvantages of fuzzy set theory，neural network and of rough set theory，this article makes fully using the attribute reduction and rule generation of rough sets and pattern recognition and fault-tolerant Category advantages of fuzzy neural network.Using rough set theory dealing the reduction rules from collected data about gas dissolved in oil into a streamlined set of rules，transformer fault diagnosis model of the neural network is built in accordance with the Streamlining rules set，connection weights of neural network are optimized by genetic algorithm. At last the method is proved having superior diagnostic performance.

rough set；fuzzy neural network；power transformer；fault diagnosis

TM76

B

1006-7345(2015)03-0009-04

2014-12-01

焦萬(wàn)章 (1985)，男，助理工程師，云南電網(wǎng)有限責(zé)任公司昆明供電局，從事變電運(yùn)行及檢修工作 (e-mail)413698381＠qq.com。

錢(qián)國(guó)超 (1981)，男，碩士，高級(jí)工程師，云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，從事高電壓試驗(yàn)技術(shù)及電氣設(shè)備在線(xiàn)監(jiān)測(cè)與故障診斷方面的研究 (e-mail)410375004＠qq.com。

顏冰，男，碩士，工程師，云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，從事高電壓實(shí)驗(yàn)技術(shù)研究 (e-mail)497036819＠qq.com。