基于數據不確定性的變壓器故障診斷研究

楊杰明，沈勝楠，董玉坤，曲朝陽，劉志穎

(1.東北電力大學信息工程學院，吉林 吉林132012； 2.哈爾濱理工大學電氣與電子工程學院，黑龍江 哈爾濱 150080； 3.國網河北省電力公司信息通信分公司，河北 石家莊 050000)

基于數據不確定性的變壓器故障診斷研究

楊杰明1，沈勝楠2，董玉坤3，曲朝陽1，劉志穎1

(1.東北電力大學信息工程學院，吉林 吉林132012； 2.哈爾濱理工大學電氣與電子工程學院，黑龍江 哈爾濱 150080； 3.國網河北省電力公司信息通信分公司，河北 石家莊 050000)

針對采集的變壓器油中溶解氣體數據的波動性和不確定性，通過引入蒙特卡洛算法進行數據處理.根據油中溶解氣體試驗，將處理后的變壓器油中溶解氣體數據進行兩兩比值.分別根據變壓器運行規程、DGA知識以及模糊c均值聚類法對氣體含量和比值進行離散化處理，再進行屬性約簡，并將約簡結果作為神經網絡的前置輸入，對神經網絡訓練及故障進行診斷.實驗結果表明，該方法可以對變壓器故障進行準確判定，具有更好的工程實用性.

不確定數據；蒙特卡洛；粗糙集；神經網絡

大型電力變壓器是電力系統核心的變電設備，電力變壓器安全與否直接影響著整個電力系統的安全運行水平.[1-3]因此，對變壓器進行故障以及狀態評估，從而確定變壓器的運行狀態以及故障類型具有十分重要的實用意義[4].在變壓器實際運行中，由于采集方式、測量設備以及相關技術手段的限制，都會導致采集數據的波動性以及不確定性[5].這些波動性以及不確定數據的存在，影響了現有方法對變壓器故障診斷的精確度，同時也對采集數據的相關處理提出了更嚴格的要求.[6-7]

本文提出運用蒙特卡洛方法對電力變壓器采集數據的不確定性進行處理，并對處理后的數據進行兩兩比值后，結合粗糙集和神經網絡進行變壓器故障診斷研究，從而為變壓器故障診斷提出一種新的思路.

1 基礎理論分析

1.1 粗糙集理論

粗糙集可以用來處理分析不精確、不確定信息.還可以在保持分類前提下發現屬性間的隱藏知識以及規律，從而獲得最小知識屬性集.[8-9]由于本文使用油色譜氣體含量以及兩兩氣體比值進行故障診斷，而變壓器故障類型并不是跟所有氣體含量和比值都有很密切的關系，所以本文采用粗糙集對氣體含量以及氣體比值進行屬性約簡，確定與故障類型關系最密切的屬性.

1.2 BP神經網絡

本文將粗糙集理論和神經網絡相結合分析電力變壓器故障模式，充分利用神經網絡智能化的特點進行處理變壓器故障診斷問題.同時為簡化神經網絡的輸入，將粗糙集作為神經網絡的前置輸入進行屬性約簡，將約簡結果作為神經網絡的輸入進行訓練，通過測試集數據進行試驗驗證.

2 基于粗糙集理論的變壓器屬性約簡

2.1 變壓器故障診斷知識表

變壓器油色譜中H2、CH4、C2H4、C2H6、C2H2、CO、CO2、總烴8種氣體的含量和比值與變壓器故障類型、程度密切相關.分析油中溶解氣體含量以及比值關系，就可以判斷變壓器的故障類型、故障性質以及危險程度[10].因此，變壓器故障診斷表選取變壓器油中8種氣體含量以及相應兩兩氣體28個比值作為其條件屬性.選取了室溫、高溫過熱、中溫過熱、低溫過熱、充油套管問題、局部放電6種變壓器狀態類型作為決策屬性，并依次用編號d0，d1，d2，d3，d4，d5表示.

本文選取了某500 kV變壓器歷年故障狀態數據，并將其中70%作為神經網絡的訓練樣本集，30%作為測試數據集.某500 kV變壓器部分油色譜數據如表1所示.

表1 某變壓器油中溶解氣體部分數據 μL/L

2.2 不確定數據處理

采用蒙特卡羅算法來處理變壓器采集數據的波動性以及不確定性.根據某500 kV變壓器采集的油色譜數據進行分析，經過歷史統計，變壓器油色譜數據取值范圍為0.9xt，1.1xt，設定模擬次數為5×104次，使用蒙特卡羅算法進行處理，某變電站油色譜部分數據以及經蒙特卡洛處理部分結果如表2所示.

表2 油色譜部分數據及蒙特卡洛處理部分結果 μL/L

2.3 連續屬性離散化

根據各油色譜氣體的閾值，對于8種氣體進行離散化處理.對于兩兩氣體的比值，有些比值編碼與故障間的關系已經很明確，可運用DGA知識進行離散化.對于其他比值，本文考慮使用模糊c均值聚類算法(FCM)進行屬性離散化.FCM算法是一種基于聚類和最小距離的屬性離散化算法，其樣本數據隸屬度公式為

(1)

2.4 變壓器故障診斷決策表屬性約簡

離散后的變壓器故障診斷決策表具有36個條件屬性和1個決策屬性.在不影響原有知識表達的前提下，利用粗糙集理論進行屬性約簡，從而發現決策表中蘊含的規律.約簡后的部分最小決策表如表3所示.

表3 部分最終約簡結果

圖1 神經網絡訓練結果

3 神經網絡的訓練

對神經網絡訓練采用單隱層的BP網絡，輸入層是7種經過屬性約簡后的條件屬性，輸出層6種變壓器狀態.網絡中間層的傳遞函數采用S型的正切函數，輸出層傳遞函數同樣采用S型的對數函數.神經網絡訓練次數設為1×103次，最終的訓練目標設為0.001，學習速率設為0.1進行神經網絡訓練.訓練結果如圖1所示.

4 結果分析與比較

經過粗糙集屬性約簡后，36個條件屬性輸入減少為7個.利用測試數據集對訓練后的神經網絡進行試驗驗證，測試數據集經過處理并編碼如表4所示.故障診斷結果表明，在經過蒙特卡洛算法對采集數據經過處理后，采用本文方法能正確預測21個故障，診斷準確率為87.5%，突破了傳統三比值法僅能識別個別故障類型的缺陷.而未經處理的傳統三比值只能正確預測11個故障.普通的神經網絡方法能正確預測17個故障.各診斷方法試驗結果如表5所示.

表4 測試數據編碼

表5 診斷方法結果匯總

由表5可見，在對采集數據經過蒙特卡洛數據處理后，通過粗糙集理論進行約簡處理，減少了神經網絡的輸入，簡化了神經網絡的結構，減少了神經網絡訓練時間，提高了故障診斷正確率，并突破了傳統三比值故障診斷的局限性.

5 結論

針對變壓器采集的運行數據，本文考慮了采集數據的波動性和不確定性，采用蒙特卡洛算法對不確定數據進行處理.在經過蒙特卡洛處理數據后，充分發揮粗糙集理論和神經網絡的各自優勢，把變壓器8種溶解氣體、兩兩氣體比值以及相關故障組成決策表.利用粗糙集理論對決策表進行屬性約簡，并將約簡結果作為神經網絡的輸入進行訓練，簡化了神經網絡系統復雜結構，降低了訓練時間，提高了故障診斷準確率.結果表明，利用此方法可較好地適用于變壓器的故障診斷.

[1] 王悅，唐常杰，楊寧，等.在不確定數據集上挖掘優化的概率干預策略[J].軟件學報，2011，9(2)：285-297.

[2] 劉永欣，師峰，姜帥，等.智能變電站繼電保護狀態監測的一種模糊評估算法[J].電力系統保護與控制，2014，9(3)：37-41.

[3] 周傲英，金澈清，王國仁，等.不確定性數據管理技術研究綜述[J].計算機學報，2009，8(1)：1-16.

[4] 趙淵，徐焜耀，吳彬.大電力系統可靠性評估的蒙特卡洛仿真及概率密度估計[J].重慶大學學報(自然科學版)，2007，12(5)：16-20.

[5] REN YUAN，DING YU，LIANG FAMING.Adaptive evolutionary Monte Carlo algorithm for optimization with applications to sensor placement problems [J].Statistics and Computing，2008，18(3)：375-390.

[6] GO SWAMI G，LIU J S，WONG W H.Evolutionary Monte Carlo methods for clustering [J].Journal of Computational and Graphical Statistics，2007，16(4)：1-22.

[7] 鄧武，楊鑫華，趙慧敏，等.粗糙集、神經網絡和專家系統模型用于電力系統故障診斷[J].高電壓技術，2009，12 (7)：1624-1628.

[8] 任靜，黃家棟.基于免疫RBF神經網絡的變壓器故障診斷[J].電力系統保護與控制，2010，38(11)：6-9.

[9] PAN C，CHEN W，XU Y.Fault diagnostic method of power transformers based on hybrid genetic algorithm evolving wavelet neural network [J].IET Electric Power Applications，2008，2(1)：71-76.

[10] 劉曉平，鄭海起，祝天宇.基于進化蒙特卡洛方法的特征選擇在機械故障診斷中的應用[J].振動與沖擊，2011，10(5)：98-101.

(責任編輯：石紹慶)

Studyonfaultdiagnosisofthetransformerbasedondatauncertainty

YANG Jie-ming1，SHEN Sheng-nan2，DONG Yu-kun3，QU Zhao-yang1，LIU Zhi-ying1

(1.School of Information Engineering，Northeast Electric Power University，Jilin 132012，China； 2.School of Electrical and Electronic Engineering，Harbin University of Science and Technology，Harbin 150080，China； 3.State Grid Hebei Information and Telecommunication Branch，Shijiazhuang 050000，China)

For the collection data of dissolved gas in transformer oil，the paper fully considers the uncertainty of the collection data，using Monte Carlo algorithm to process the data uncertainty.For the ratio of the expansion，the paper respectively uses operating procedures，DGA knowledge and fuzzy c-means clustering method to discrete the data according to different situations.Secondly，using rough set attribute reduction algorithm gets the minimum decision table and which as a result of the input trains the neural network.The neural network after training makes for the fault diagnosis and using the testing data test the neural network.The test results indicate that the method of the paper has a higher accuracy rate for transformer fault diagnosis.

uncertain data；Monte Carlo；rough set；neural network

1000-1832(2017)03-0057-04

10.16163/j.cnki.22-1123/n.2017.03.013

2016-01-07

國家自然科學基金資助項目(651277023)；吉林省科技發展計劃項目(20140204071GX).

楊杰明(1972—)，男，博士，教授，主要從事文本分類、數據挖掘和智能電網研究.

TP 311 [學科代碼] 520·20

A