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(wǎng)河北省電力公司信息通信分公司，河北 石家莊 050000)

基于數(shù)據(jù)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(wǎng)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(shù)據(jù)的波動性和不確定性，通過引入蒙特卡洛算法進行數(shù)據(jù)處理.根據(jù)油中溶解氣體試驗，將處理后的變壓器油中溶解氣體數(shù)據(jù)進行兩兩比值.分別根據(jù)變壓器運行規(guī)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(jié)果作為神經(jīng)網(wǎng)絡(luò)的前置輸入，對神經(jīng)網(wǎng)絡(luò)訓練及故障進行診斷.實驗結(jié)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(shù)據(jù)；蒙特卡洛；粗糙集；神經(jīng)網(wǎng)絡(luò)

大型電力變壓器是電力系統(tǒng)核心的變電設(shè)備，電力變壓器安全與否直接影響著整個電力系統(tǒng)的安全運行水平.[1-3]因此，對變壓器進行故障以及狀態(tài)評估，從而確定變壓器的運行狀態(tài)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(shè)備以及相關(guān)技術(shù)手段的限制，都會導致采集數(shù)據(jù)的波動性以及不確定性[5].這些波動性以及不確定數(shù)據(jù)的存在，影響了現(xiàn)有方法對變壓器故障診斷的精確度，同時也對采集數(shù)據(jù)的相關(guān)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(shù)據(jù)的不確定性進行處理，并對處理后的數(shù)據(jù)進行兩兩比值后，結(jié)合粗糙集和神經(jīng)網(wǎng)絡(luò)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(chǔ)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(fā)現(xiàn)屬性間的隱藏知識以及規(guī)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(guān)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(guān)系最密切的屬性.

1.2 BP神經(jīng)網(wǎng)絡(luò)

本文將粗糙集理論和神經(jīng)網(wǎng)絡(luò)相結(jié)合分析電力變壓器故障模式，充分利用神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的輸入，將粗糙集作為神經(jīng)網(wǎng)絡(luò)的前置輸入進行屬性約簡，將約簡結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入進行訓練，通過測試集數(shù)據(jù)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(guān).分析油中溶解氣體含量以及比值關(guān)系，就可以判斷變壓器的故障類型、故障性質(zhì)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(tài)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(tài)數(shù)據(jù)，并將其中70%作為神經(jīng)網(wǎng)絡(luò)的訓練樣本集，30%作為測試數(shù)據(jù)集.某500 kV變壓器部分油色譜數(shù)據(jù)如表1所示.

表1 某變壓器油中溶解氣體部分數(shù)據(jù) μL/L

2.2 不確定數(shù)據(jù)處理

采用蒙特卡羅算法來處理變壓器采集數(shù)據(jù)的波動性以及不確定性.根據(jù)某500 kV變壓器采集的油色譜數(shù)據(jù)進行分析，經(jīng)過歷史統(tǒng)計，變壓器油色譜數(shù)據(jù)取值范圍為0.9xt，1.1xt，設(shè)定模擬次數(shù)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(shù)據(jù)以及經(jīng)蒙特卡洛處理部分結(jié)果如表2所示.

表2 油色譜部分數(shù)據(jù)及蒙特卡洛處理部分結(jié)果 μL/L

2.3 連續(xù)屬性離散化

根據(jù)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(guān)系已經(jīng)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(shù)據(jù)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(fā)現(xiàn)決策表中蘊含的規(guī)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(jié)果

圖1 神經(jīng)網(wǎng)絡(luò)訓練結(jié)果

3 神經(jīng)網(wǎng)絡(luò)的訓練

對神經(jīng)網(wǎng)絡(luò)訓練采用單隱層的BP網(wǎng)絡(luò)，輸入層是7種經(jīng)過屬性約簡后的條件屬性，輸出層6種變壓器狀態(tài).網(wǎng)絡(luò)中間層的傳遞函數(shù)采用S型的正切函數(shù)，輸出層傳遞函數(shù)同樣采用S型的對數(shù)函數(shù).神經(jīng)網(wǎng)絡(luò)訓練次數(shù)設(shè)為1×103次，最終的訓練目標設(shè)為0.001，學習速率設(shè)為0.1進行神經(jīng)網(wǎng)絡(luò)訓練.訓練結(jié)果如圖1所示.

4 結(jié)果分析與比較

經(jīng)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(shù)據(jù)集對訓練后的神經(jīng)網(wǎng)絡(luò)進行試驗驗證，測試數(shù)據(jù)集經(jīng)過處理并編碼如表4所示.故障診斷結(jié)果表明，在經(jīng)過蒙特卡洛算法對采集數(shù)據(jù)經(jīng)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(tǒng)三比值法僅能識別個別故障類型的缺陷.而未經(jīng)處理的傳統(tǒng)三比值只能正確預測11個故障.普通的神經(jīng)網(wǎng)絡(luò)方法能正確預測17個故障.各診斷方法試驗結(jié)果如表5所示.

表4 測試數(shù)據(jù)編碼

表5 診斷方法結(jié)果匯總

由表5可見，在對采集數(shù)據(jù)經(jīng)過蒙特卡洛數(shù)據(jù)處理后，通過粗糙集理論進行約簡處理，減少了神經(jīng)網(wǎng)絡(luò)的輸入，簡化了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，減少了神經(jīng)網(wǎng)絡(luò)訓練時間，提高了故障診斷正確率，并突破了傳統(tǒng)三比值故障診斷的局限性.

5 結(jié)論

針對變壓器采集的運行數(shù)據(jù)，本文考慮了采集數(shù)據(jù)的波動性和不確定性，采用蒙特卡洛算法對不確定數(shù)據(jù)進行處理.在經(jīng)過蒙特卡洛處理數(shù)據(jù)后，充分發(fā)揮粗糙集理論和神經(jīng)網(wǎng)絡(luò)的各自優(yōu)勢，把變壓器8種溶解氣體、兩兩氣體比值以及相關(guān)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(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入進行訓練，簡化了神經(jīng)網(wǎng)絡(luò)系統(tǒng)復雜結(jié)構(gòu)，降低了訓練時間，提高了故障診斷準確率.結(jié)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(shù)據(jù)集上挖掘優(yōu)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(tài)監(jiān)測的一種模糊評估算法[J].電力系統(tǒng)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(shù)據(jù)管理技術(shù)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(tǒng)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(jīng)網(wǎng)絡(luò)和專家系統(tǒng)模型用于電力系統(tǒng)故障診斷[J].高電壓技術(shù)，2009，12 (7)：1624-1628.

[8] 任靜，黃家棟.基于免疫RBF神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].電力系統(tǒng)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(fā)展計劃項目(20140204071GX).

楊杰明(1972—)，男，博士，教授，主要從事文本分類、數(shù)據(jù)挖掘和智能電網(wǎng)研究.

TP 311 [學科代碼] 520·20

A