基于置信規則庫的電力變壓器故障診斷模型

王倩倩， 付躍軍， 李世江， 陳婷婷

（貴州中煙工業有限責任公司 銅仁卷煙廠， 貴州 銅仁 554300）

0 引言

作為電力系統的核心設備， 電力變壓器運行的可靠性是整個電力系統穩定安全運行的關鍵。 當前快速經濟發展下超高壓、大容量的需求，加劇了電力變壓器故障發生的概率， 且變壓器故障征兆與原因之間存在著異常復雜的非線性關系，由于故障的潛在性和緩變性，很容易造成片面的診斷。 而油浸式電力變壓器油中溶解氣體分析（dissolved gases analysis，DGA）技術可以直觀有效地發現變壓器內部早期潛伏性的故障[1]，在電力系統中已得到認可應用。 因此，基于DGA 的變壓器故障診斷技術逐漸成為研究焦點。

隨著人工智能技術的發展， 提出了基于神經網絡[2]、證據理論[3]、支持向量機[4]等人工智能的變壓器故障診斷方法。這些方法都取得了一定的成效，卻也還存在不同的缺點，神經網絡和支持向量機結構和參數不易確定，而且神經網絡需要大量已知樣本進行訓練； 證據理論不能很好處理沖突證據。 為了處理人類決策過程中出現的不確定信息，Yang[5]等提出了基于證據推理方法的置信規則庫（Belief Rule Base，BRB）專家系統，該專家系統具有多類型信息處理的特點，與上述缺點相比，BRB 專家系統同時具備缺省數據和沖突證據處理的能力。 在處理定性定量信息時， 置信規則庫專家系統學習模型是一個帶有線性和非線性約束優化的優化問題。 利用該方法建立變壓器故障診斷規則庫，并對低能放電、電弧放電、中溫過熱、高溫過熱這4 種故障進行診斷。 實驗結果表明該方法有效可行。

1 置信規則庫

1.1 信息表示

知識的表示是專家系統實現的關鍵。 在傳統IFTHEN 規則的基礎上，BRB 在規則的結果中加入了置信度，以分布式的結構呈現評價結果，并為每條規則設置了規則權重，以表示其相對于其他規則的重要性。 其中BRB的第k 條置信規則的描述如下：

式中：Rk—BRB 中的第k（k=1，2，…，L）條規則；xi—BRB的第i（i=1，2，…，M）個輸入；Aik（i=1，2，…，M，k=1，2，…，L）為第k 條規則中第i 個前提屬性的候選值，且Ai={Ai，j，j=1，2，…，Ji}表示由第i 個前提屬性的Ji個參考值所組成的集合；Dj（j=1，2，…，N）為規則結果的評價等級；βj，k（j=1，2，…，N，k=1，2，…，L）為在第k 條規則中輸出部分相對于第j 個評價等級Dj的置信度；θk是每條規則在BRB 中的規則權重，反映了第k 條規則相對于BRB 中其他規則的重要度；δi表示第i 個前提屬性的權重， 反映了第i 個前提屬性相對于其他屬性的重要度。

1.2 學習模型

在專家知識的指導下，BRB 可以被運用到實際問題中進行推理而不產生誤判，除非專家知識自身包含錯誤。為了解決專家知識的主觀性帶來的局限性，Yang 等提出了BRB 的離線優化模型，見圖1。

圖1 BRB 參數訓練過程Fig.1 The parameter training process of BRB

2 診斷實例分析

2.1 建立故障診斷置信框架

DGA 是一種有效地變壓器潛在故障診斷技術，當變壓器內部出現故障時， 會分解出與某種故障相關的主要特征氣體，如CO、H2、CO2、CH4、C2H2、C2H4、C2H6等。作為故障征兆，這些溶解在油中的氣體與故障類型息息相關，以這些特征氣體為依據，可以建立變壓器故障診斷的模型。根據前提屬性重要度判斷， 本文選取H2、CH4、C2H2這3種氣體的體積分數作為決策輸入，依次記作x=[x1，x2，x3]，根據對故障數據的初步分析， 為每種故障氣體設置參考值等級，分為H2={（非常大，75），（大，45），（中等，22），（小，10），（很小，0）}、CH4={（非常大，46），（大，35），（中等，30），（小，10），（很小，2）}、C2H2={（非常大，28），（大，15），（小，4），（很小，0）}；低能放電、電弧放電、中溫過熱、高溫過熱這4種故障，連同正常工況狀態5 種情況作為輸出，依次對應于 結 果 向 量D=[D1，D2，D3，D4，D5]。 對 應 輸 出 編 碼 為{10000}，{01000}，{00100}，{00010}，{00001}。

2.2 模型預測結果

表1 故障數據診斷結果Tab.1 The results of the fault diagnosis

在變壓器故障診斷中，一般認為當故障概率大于0.6時，則基本可以確定故障類型[7]。基于此，分析表1 可以看出， 除了第12 組和22 組數據的診斷置信度在0.6 左右外，余下23 組數據的故障評價置信度均超過了0.8，其中第2、3、18、19、23 和15 組數據的置信度達到了0.99。 由上所述，對15 組故障樣本中不同故障類型的診斷正確率如表2 所示，BRB 診斷模型對這5 種工況的診斷率為100%。 綜上所述，本文所述模型為變壓器故障的診斷提供了較可靠的參考。

表2 診斷正確率Tab.2 Diagnosis accuracy

3 結束語

本文基于置信規則庫專家系統提出了一種油浸式變壓器故障診斷模型， 利用置信規則庫可以有效處理帶有非線性或不確定性的信息的特點，對油浸式變壓器的故障氣體進行建模分析。 實驗結果表明，置信規則庫故障診斷模型對文中所述4 種故障和正常工況診斷率較高，為基于DGA 的變壓器故障診斷技術的實現提供了參考與支持。