基于模糊聚類的電力專家故障診斷信息融合方法

王 平，張 勤

(1.四川天一學院 信息工程系，四川 綿竹 618200 ；2.西華大學 電氣與電子信息學院， 成都 610039)

0 引 言

隨著傳感器技術、計算機技術的不斷發展完善,很多電力設備上都安裝了自動化程度高、運行速度快的數據采集、檢測系統[1]，這類系統的使用大大地提高了測試、檢查的效率，對電力設備的安全運行發揮了重要作用。目前電力系統的故障檢測和識別通常由專家完成，當設備出現故障后，需現場的技術人員和專家，根據檢測報警信號、設備的故障現象和工作經驗來診斷分析故障原因，提出故障解決方法。近年來，隨著人工智能技術的發展，專家系統、模糊推理、人工神經網絡、模擬退火、遺傳算法等方法被引入電力系統故障診斷過程，取得了大量的研究成果[2]。模糊聚類用于電力故障的診斷，如基于模糊聚類分析的燃氣輪機振動故障診斷研究[3]、基于模糊綜合理論的電力變壓器故障診斷[4]、加權模糊核聚類法用于電力變壓器故障診斷[5]、模糊神經網絡用于電力系統電壓穩定評估[6]等研究成果，推動了模糊聚類算法在電力故障診斷中的應用。本文提出一種動態模糊聚類方法，以對多位專家的故障診斷推理進行信息融合，盡快識別和排除故障。

與單一信息源檢測系統相比，多源融合所提供的信息具有相關性、互補性和冗余性，信息融合就是對上述三種信息特征的不同處理過程[7]。對來自多個專家診斷信息的融合可以降低故障系統識別的誤差和不確定性、提高故障檢測的概率和識別的準確度、提高系統輸出結果的可信度，從而提高系統的性能。因此，結合故障現象和專家經驗，利用多源信息融合方法，實現故障實時在線檢測診斷與恢復是電力監控設備的一個重要發展方向。本文提出基于模糊聚類進行電力故障的診斷，以實現電力故障的快速診斷和恢復。

1 專家故障診斷結果的動態模糊聚類融合方法

1.1 專家故障診斷結果的模糊化方法

基于專家診斷信息的電力設備故障檢測與診斷是一個故障從模糊到逐漸清晰并慢慢得到正確識別的過程，在這一過程中，需要不斷結合故障現象和不同專家的意見進行多次融合識別。盡管每次識別參與的專家和結果可能不一致，但每次識別結果都能夠通過專家意見分析以概率形式表現出來。為了盡快確定故障、進行故障恢復，需要判斷各次結果是否一致，以確定故障原因、決定應對策略。為了解決這個問題，可以通過模糊聚類分析方法判斷專家集體對故障的識別結果。

由于故障融合識別的輸出結果可能為故障庫中的任何一個已知故障類型，可以表示為故障現象隸屬于某一種類型故障的概率，因此，對這些數據應該使用連續型的隸屬函數來分析。由于每次故障識別的結果都是專家診斷意見的概率表達，因此，在專家來自于同一或相近領域的情況下，他們的結論應該比較接近。由于故障識別是一個漸進識別的過程，其識別結果與故障原因相符的概率呈不斷增長的趨勢，于是，可以假設經故障識別后的故障概率服從先小后大的S型曲線分布，即服從以下分布：

假如已知經過n次專家故障診斷得到故障現象為第i類的概率(即故障現象隸屬于某一已知類型故障i的隸屬度)分別為xi1，xi2，…，xin。則需要對n次專家診斷結果進行分析，以得出故障原因為某一類型故障的概率。

由于在多次識別運算的結果中，有可能出現較大的誤差值，因此，不能直接取這些概率的平均值作為輸出結果，否則可能由于存在偏差很大的數據而改變正確輸出值，導致故障識別錯誤，因而不能在上述分布公式中取n個數據的平均值作為a，同樣也不能取n個數據的標準差作為b，即

為了利用多次專家診斷的結果產生一個正確的結果，求取的過程不僅要進行取粗存精，而且要進行數值的比較。雖然對于各次專家診斷產生的i×n個判斷，不能確切地知道哪些判斷最接近于故障的實際情況，但是可以利用動態聚類方法分析診斷結果集中于哪些故障原因，然后推斷和識別出故障。

由于多次專家診斷得出的意見，其變量單位和量級可能是不一樣的，直接用原始數據進行計算會突出那些絕對值大的變量而壓低那些絕對值小的變量，所以，在進行聚類分析之前，需要將原始數據進行標準化處理。為此采用下面的標準差標準化方法：

(1)

其中：

分別為第k個變量的平均值和標準差。

(2)

對于a值，采用輪換方式，即分別對a取x1，x2，…，xn來進行運算，求取其他各值相對于a的隸屬度。將求得的隸屬度寫為矩陣形式，即

這里主對角線的元素為1，表示元素隸屬于本身的隸屬度為1，即完全隸屬于自己。

1.2 故障識別的動態模糊聚類方法

為了利用聚類方法找出專家診斷結果的一致意見，得出正確的聚類輸出結果，利用下面的動態聚類方法來對這些隸屬度進行分析，求取專家故障識別結果的聚類過程如下：

1) 利用隸屬度矩陣A使用傳遞閉包方法求出其等價模糊隸屬度矩陣：

t(A)=A2k

2) 設定最小λ值，對于大于此值的模糊隸屬度，根據等價模糊隸屬度矩陣中的元素值的大小排列，依次將其設為λ，利用動態聚類方法進行聚類。

3) 若聚類數據中某一聚類中心集聚數據個數達到1/2以上，則停止聚類；以此聚類中心集聚數據的平均值作為對象為某一目標i的概率Pi，以供決策參考。

4) 若沒有一個聚類中心集聚數據個數達到1/2以上，說明這些識別結果不一致，需要進行更多次專家診斷信息采集和識別，才能確定是某一類型故障及故障的概率。

若識別對象是多個故障類型i=1，2，…，n中的某一類，則重復上述步驟分別求取P1，P2，…，Pn，取最大值Pi，認定該故障源為故障i。

2 變壓器故障專家診斷的模糊聚類信息融合

以某變壓器故障診斷過程為例說明應用該方法的聚類過程。假設變壓器發生了過熱故障，針對故障現象，組織不同的工程師和維修技師進行分組討論，并識別故障源和故障類型，經過6次專家分組討論，一致認為故障可能由下列3個原因產生：鐵心片間短路(故障A)；分接開關接觸不良(故障B)；部分繞組短路(故障C)。各專家小組討論識別結果如表1所示。

表1 專家小組多次故障診斷的結果

如果采用加和歸一化方法，則A、B、C 3個故障的概率加和分別為

P1=0.60+0.85+0.92+0.67+0.72+0.73=4.49

P2=0.72+0.85+0.86+0.89+0.86+0.85=5.03

P3=0.50+0.91+0.73+0.62+0.45+0.85=4.06

歸一化后，得出

P1′=0.33，P2′=0.37，P3′=0.30

可以推出故障B的可能性比故障A和 C更大一些，但不是很明顯。

根據上述聚類過程，對這些數據使用標準差方法進行標準化。首先選取故障A的融合識別結果進行分析。

其中：

求得x11=-1.38，x2=0.95，x3=1.60，x4=-0.73，x5=-0.26，x6=-0.17。利用式(2)使用a值輪換方法求各值之間的模糊隸屬度,將這些數據之間的模糊隸屬度寫成矩陣形式，得

矩陣外的行和列為對應行和列的值，矩陣中的每一個元素代表對應行值和列值之間的模糊隸屬度，求此矩陣的等價模糊隸屬度矩陣，得

當λ=1時，可將U分為6類：{x1}，{x2}，{x3}，{x4}，{x5}，{x6}。

當λ=0.996時,可將U分為5類：{x1}，{x2}，{x3}，{x4}，{x5，x6}。

當λ=0.90時：

可將U分為4類：{x1}，{x2}，{x3}，{x4，x5，x6}。

當λ=0.81時：

可將U分為2類：{x1，x4，x5，x6}，{x2，x3}。

當λ=0.54時，所有數據歸為一類。

對各專家小組的故障識別結論進行聚類分析的結果認為故障原因是故障A(鐵心片間短路)的概率P1為0.68。

同樣經上述分析步驟，可得故障原因是故障B(分接開關接觸不良)的概率P2為0.86；是故障C(部分繞組短路)的概率P3為0.58。歸一化后得P1′=0.32，P2′=0.41，P3′=0.27。由于P2′>P1′>P3′，經過上述模糊聚類故障識別過程后，認為專家的綜合意見是故障B(分接開關接觸不良)的可能性更大，所提方法相比于簡單加和歸一化方法，明顯突出了故障B的概率，P2′從0.37增加到0.41，P1′和P3′降低，減少了故障診斷的不確定性。

3 結 語

所提方法首先對專家故障診斷的結果進行模糊化處理，得出專家識別為某一故障的概率，再對專家診斷的原始數據進行標準化處理，求取標準化后的各值之間的隸屬度，最后利用動態調整λ截集的聚類方法進行聚類，得出每一可能故障源的故障概率，根據多數一致性原則做出故障診斷結論。應用動態模糊聚類分析法可以解決在故障識別過程中專家意見多樣化的問題，根據聚類分析結果能夠得出大多數專家的一致性意見，有利于實現正確的故障診斷，盡快完成故障的恢復。