崔建強

?

基于Matlab的牽引變壓器故障智能診斷方法研究

崔建強

應用數(shù)據(jù)融合技術、模糊神經(jīng)網(wǎng)絡及遺傳算法構建牽引變壓器故障智能診斷模型，通過Matlab軟件對該模型進行仿真，訓練模糊神經(jīng)網(wǎng)絡以確定其結構和權重，并通過典型實例驗證該模型在牽引變壓器故障診斷中具有良好的故障診斷性能。

數(shù)據(jù)融合技術；模糊神經(jīng)網(wǎng)絡；牽引變壓器；故障智能診斷

0 引言

牽引變壓器是牽引供電系統(tǒng)與電力系統(tǒng)銜接的重要電氣設備，對電氣化鐵路安全、可靠運行起著重要作用。隨著高速鐵路的快速發(fā)展，對牽引變壓器的可靠性提出了更高的要求。目前，牽引變壓器故障診斷僅通過在線監(jiān)測系統(tǒng)獲取變壓器的運行狀態(tài)信息進行綜合分析，采用單一的診斷方法推斷其故障類型，該方法的不足是存在誤判或漏判的情況。

本文將應用智能化技術實現(xiàn)牽引變壓器全景信息融合，為變壓器故障診斷提供信息支持。綜合應用多種智能診斷方法，在一定程度上克服了單一方法在故障診斷中的不足。

1 牽引變壓器數(shù)據(jù)融合故障診斷模型建立

采用單一診斷方法對電氣設備進行故障診斷時，通常存在推理能力弱、匹配沖突、容錯能力差等缺點，容易導致誤判或漏判。針對牽引變壓器故障診斷的問題，本文通過一體化監(jiān)控系統(tǒng)，在融合變壓器全景信息的基礎上，建立基于數(shù)據(jù)融合的牽引變壓器故障診斷模型，如圖1所示。

本文通過對融合變壓器多維運行狀態(tài)信息進行綜合分析，采用神經(jīng)網(wǎng)絡、模糊邏輯以及D-S證據(jù)理論等多種智能診斷方法進行比較判斷，形成多智能信息融合判據(jù)，完成牽引變壓器的故障診斷。

圖1 牽引變壓器數(shù)據(jù)融合故障綜合診斷模型

1.1 牽引變壓器故障診斷信息參數(shù)

牽引變壓器的監(jiān)測診斷包括絕緣監(jiān)測、溫度監(jiān)測、油質監(jiān)測、聲音振動監(jiān)測、機械特性監(jiān)測等，對變壓器的油中氣體含量、鐵芯接地電流、局部放電和熱點溫度、輸出電壓/電流和功率、振動和整體密封等參數(shù)進行監(jiān)測診斷。因此，本文所確定的變壓器故障特征和信息參數(shù)如表1所示。

表1 變壓器故障類型和故障參數(shù)

從表1可以看出，一種故障類型可能對應多個故障信息，而一個故障信息可能是多個故障類型的表現(xiàn)，很難清楚描述故障類型與征兆之間的關系，故障征兆在變壓器不同部位表現(xiàn)的形式也不同。為此，本文將一體化監(jiān)控系統(tǒng)所獲取的變壓器運行狀態(tài)信息和輔助電氣試驗數(shù)據(jù)劃分為幾個特征參數(shù)空間，保證不同特征參數(shù)的不相關性，以便從不同側面進行故障診斷。

1.2 牽引變壓器模糊神經(jīng)網(wǎng)絡初級診斷

牽引變壓器初級診斷模糊神經(jīng)網(wǎng)絡需要對故障征兆的輸入數(shù)據(jù)進行模糊化，以避免過大的權重調節(jié)淹沒部分特征信息，消除各特征參數(shù)物理單位的干擾，其模糊化方法采用以Sigmoid函數(shù)作為隸屬度函數(shù)，如式（1）所示。

式中，表示故障征兆的輸入數(shù)據(jù)值，a表示輸入數(shù)據(jù)的注意值，()表示模糊化處理后的輸出值。

由于模糊神經(jīng)算法可以使連接權值和閾值收斂到某個值，但是并不能保證其為誤差平面的全局最小值，這是因為采用的梯度下降法可能會產(chǎn)生一個局部極小值。為此，本文采用遺傳算法的全局搜索功能來確定模糊神經(jīng)網(wǎng)絡連接權值的學習過程。遺傳算法以適者生存及優(yōu)勝劣汰的進化規(guī)則作為基礎，通過選擇、交叉及變異等一系列遺傳操作方式，對包含可能解的群體進行作用并使其更新到下一代的新種群，最后采用全局多線并行搜索，對優(yōu)化群體里的最優(yōu)個體進行搜索，以期得到全局最優(yōu)解?；具z傳算法可表示為

= (,,0,,,,,) （2）

式中，為個體編碼方法，為個體適應度評價函數(shù)，0為初始種群，為種群的大小，為選擇算子，為交叉算子，為變異算子，為遺傳運算終止條件。

遺傳算法的計算基于選擇、交叉、變異、變遷、局域及鄰域等自然進化模型。初始計算首先設定種群隨機初始化，通過一定數(shù)目的父個體（父個體1、父個體2、父個體3、……）的設定及個體適應度函數(shù)的計算來產(chǎn)生第一代即初始代。若第一代的計算不滿足優(yōu)化準則，則開始計算新一代。新一代的產(chǎn)生需要按照適應度選擇個體，而父代則通過交叉產(chǎn)生子代。在一定幾率的變異之后，所有子代開始重新計算適應度，父代被插入種群中的子代所代替，形成更新一代。該過程通過循環(huán)選優(yōu)，直至滿足條件為止。

1.3 決策層D-S證據(jù)理論融合診斷

= {1,2,…,E};= {1,2,…,w} （3）

設變壓器故障類型有個，用{1,2,…,F}表示，且每個證據(jù)源都作為變壓器故障診斷的支持依據(jù)，變壓器故障發(fā)生的可能性可表示為

(E) = {(F,),= 1,2,…,;= 1,2,…,}（4）

m,i=w= 1,2,…,（5）

設E(i)= {1,2,…,E}表示第個證據(jù)的基本屬性子集，同理，m,M(i)代表E(i)中所有證據(jù)對第個故障發(fā)生的可信度，而m,M(i)為基于E(i)的故障發(fā)生的不確定性程度。根據(jù)式（5）和式（6）可得某一故障F發(fā)生的可信度和不確定度為

m,M(i+1)=K(i+1)(m(i)m1+m,M(i)m,i+1+m,M(i)m,i+1) （7）

m,M(i+1)=K(i+1)m(i)m1（8）

其中，

= 1,2,…,-1

根據(jù)證據(jù)遞歸推理算法以及診斷模型，綜合各模糊神經(jīng)網(wǎng)絡初級診斷結果，決策層完成牽引變壓器的故障智能診斷步驟如下：

然后，確定識別框架中牽引變壓器故障類型的信度空間。根據(jù)上述計算式可得第個子模糊神經(jīng)網(wǎng)絡的基本概率賦值函數(shù)（BPA）為

(= 1,2,…,;= 1,2,…,) （11）

式中，表示第個證據(jù)的充裕度因子，v,j為BPA的重要性指數(shù)，m()表示由第個證據(jù)所不能確定變壓器故障的度量程度。

最后，根據(jù)式（10）和式（11）確定牽引變壓器在多證據(jù)體聯(lián)合作用下各類故障的信度區(qū)間[(F),(F)]和不確定的度量程度m()。

2 基于Matlab的變壓器故障診斷程序設計

根據(jù)對大量資料和變壓器故障診斷影響因素的統(tǒng)計和分析，充分利用變壓器負荷、環(huán)境溫度、油中溶解氣體含量和電氣試驗等數(shù)據(jù)對牽引變壓器進行故障綜合診斷。依據(jù)牽引變壓器故障診斷信息參數(shù)確定其特征參數(shù)空間及故障模式，選取牽引負荷、環(huán)境溫度、H2的相對含量、C2H2在DGA中的含量和C2H4占總烴的比例作為特征參數(shù)子空間1；選取三比值編碼作為特征參數(shù)子空間2；選取鐵芯接地電流、繞組直流泄漏電流、變壓器油中含水量、CO/CO2、繞組電壓比作為特征參數(shù)子空間3；選取空載電流、空載損耗、PD監(jiān)測、鐵芯絕緣電阻和高壓套管介質損耗及電容相對變化率作為特征參數(shù)子空間4。對應故障模式（故障類型）有：鐵芯多點接地及局部短路（F1）、分接開關電氣故障（F2）、電流回路金屬發(fā)熱或接觸不良（F3）、高壓套管內部故障（F4）、絕緣進水受潮（F5）、油中電弧放電（F6）、匝間短路或局部短路（F7）、油中沿面放電（F8）、繞組變形導致過熱或放電（F9）和正常（F10），其中每個參數(shù)子空間對應上述10種故障模式。在具體故障診斷中根據(jù)得到的變壓器參數(shù)信息選取對應的特征參數(shù)子空間進行分析、融合、決策診斷。

各變壓器運行參數(shù)信息均有其對應的參數(shù)注意值，相關標準規(guī)定：當參數(shù)數(shù)據(jù)在注意值以下時，變壓器為正常運行狀態(tài)，而超過注意值時，變壓器內部可能存在潛伏性故障，此時需對變壓器行進故障診斷，判斷其內部是否存在故障。變壓器電氣試驗數(shù)據(jù)注意值、油中溶解氣體及產(chǎn)氣速率注意值見表2、表3和表4。

表2 電氣試驗數(shù)據(jù)注意值

表3 變壓器油中溶解氣體注意值 mL/L

表4 變壓器油中溶解氣體絕對產(chǎn)氣速率注意值 mL/d

牽引變壓器故障診斷的一般框架、參數(shù)空間和故障空間決定了變壓器故障診斷中有4個子模糊神經(jīng)網(wǎng)絡，并確定了每個子網(wǎng)絡中的輸入層和輸出層的節(jié)點數(shù)。本文采用Matlab軟件進行編程，實現(xiàn)模糊神經(jīng)網(wǎng)絡的初級診斷。其中，根據(jù)大量試驗數(shù)據(jù)驗證每個模糊神經(jīng)子網(wǎng)絡的結構和參數(shù)設置見表5。

表5 模糊神經(jīng)網(wǎng)絡參數(shù)設置

盡管每個子網(wǎng)絡的結構和參數(shù)不盡相同，但所使用的算法相同。根據(jù)遺傳算法優(yōu)化模糊神經(jīng)網(wǎng)絡權重，在Matlab中應用的函數(shù)包括：分別表示種群染色體的編碼和解碼方式函數(shù)Code()和Decode()，用來解決染色體的個體適應值的函數(shù)Fun()，分別代表遺傳算法的選擇、交叉和變異操作的函數(shù)Select()、Coss()和Mutation()。

在模糊神經(jīng)網(wǎng)絡主程序中，調用上述遺傳算法子函數(shù)，根據(jù)訓練樣本集的試驗數(shù)據(jù)，通過主函數(shù)的連續(xù)運行實現(xiàn)對模糊神經(jīng)網(wǎng)絡的初始權值和閾值的優(yōu)化，提高網(wǎng)絡的收斂速度和學習能力。為此，選取牽引變壓器故障特征參數(shù)以及對應的故障類型共120組數(shù)據(jù)對4個模糊神經(jīng)子網(wǎng)絡進行網(wǎng)絡優(yōu)化。經(jīng)過遺傳算法優(yōu)化后，確定4個子模糊神經(jīng)網(wǎng)絡的拓撲結構分別為FNN1：5×8×10；FNN2：3×7×10；FNN3：5×8×10；FNN4：5×8×10。在確定模糊神經(jīng)網(wǎng)絡結構和參數(shù)的基礎上，通過相應訓練樣本集對各個模糊神經(jīng)子網(wǎng)絡進行仿真訓練，得出各個子網(wǎng)絡的均方誤差曲線，如圖2所示。

分析各子網(wǎng)絡均方誤差曲線可知，模糊神經(jīng)子網(wǎng)絡1在前十幾次迭代中收斂性能并不理想，但其后很快提高了收斂速度，經(jīng)30次迭代后網(wǎng)絡誤差降至規(guī)定范圍內；其他網(wǎng)絡收斂速度較快，網(wǎng)絡誤差曲線較平滑，并未出現(xiàn)太大震蕩?？傮w來說，模糊神經(jīng)網(wǎng)絡結構和權值基本滿足設計要求。

圖2 各個子網(wǎng)絡的均方誤差曲線

在模糊神經(jīng)網(wǎng)絡結構優(yōu)化完成之后，其4個子網(wǎng)絡的輸出是各種故障發(fā)生的模糊概率4×10= {1,2,3,4,5,6,7,8,9,10}，再將4個輸出經(jīng)決策層D-S證據(jù)網(wǎng)絡融合，消除各證據(jù)體之間的沖突，提高故障診斷的準確性。首先對證據(jù)矩陣4×10加權并進行歸一化處理，然后通過式（10）和式（11）計算其可信度，最后根據(jù)證據(jù)決策準則完成故障診斷。

3 實例驗證

為了驗證牽引變壓器故障診斷模型的正確性和智能性，特選取經(jīng)在線監(jiān)測系統(tǒng)診斷誤判的牽引變壓器作為研究對象，綜合多維特征信息進行數(shù)據(jù)融合及故障診斷決策，并結合牽引變壓器實際運行情況進行驗證、分析。

選取某牽引主變壓器SFY10-40000/110在2009年11月故障診斷中出現(xiàn)漏判現(xiàn)象作為實例，其采集到的油色譜數(shù)據(jù)見表6。

3.1 常規(guī)故障診斷方法

由表6所示的油色譜數(shù)據(jù)，通過改良的三比值法計算得到該變壓器的診斷結果見表7。

表6 SFY10-40000/110變壓器油色譜數(shù)據(jù) mL/L

表7 改良三比值法故障診斷結果

分析表7數(shù)據(jù)，可以認為變壓器發(fā)生了高于700℃的熱故障。但是經(jīng)過對牽引變壓器檢查，發(fā)現(xiàn)不僅主變壓器高壓側引線絕緣出現(xiàn)嚴重的過熱痕跡，而且還存在電弧放電故障，即引線對箱殼放電。改良三比值法只是根據(jù)5種特征氣體的比值超過或低于某個注意值形成編碼，然后判斷變壓器故障類型。當比值接近注意值時，變壓器可能存在多種故障。2009年11月25日監(jiān)測到C2H2/C2H4= 0.099 9＜0.1，即高溫過熱故障，但當天變壓器既發(fā)生了高溫過熱故障又發(fā)生了電弧放電故障。因此三比值法僅根據(jù)相應的編碼進行故障診斷，有可能發(fā)生漏判現(xiàn)象。

3.2 基于數(shù)據(jù)融合的故障診斷方法

基于數(shù)據(jù)融合的故障診斷方法融合變壓器多維運行狀態(tài)信息，即油中溶解氣體數(shù)據(jù)、相應的電氣試驗數(shù)據(jù)、負荷電流以及環(huán)境溫度數(shù)據(jù)等。為此，需要獲取當天的牽引負荷曲線以預測變壓器熱狀態(tài)，如圖3和圖4所示。該牽引變壓器的電氣試驗數(shù)據(jù)見表8。其中，空載電流o= 0.52%，空載損耗o= 25.6 kW，局部放電= 217 pC，其他電氣試驗數(shù)據(jù)均正常。

圖3 牽引負荷曲線

圖4 牽引變壓器繞組熱點溫度曲線

表8 牽引變壓器電氣試驗數(shù)據(jù)

經(jīng)對表2與表8中的數(shù)據(jù)進行比較可知，牽引變壓器絕緣存在問題。為了進一步確定變壓器的故障類型，將獲取的變壓器故障信息作為數(shù)據(jù)融合故障診斷模型的特征量，通過特征層的模糊神經(jīng)網(wǎng)絡故障初級診斷，獲得如下初級診斷結果：

根據(jù)數(shù)據(jù)融合牽引故障診斷模型，將4個模糊神經(jīng)子網(wǎng)絡的初級診斷結果作為決策層融合診斷的證據(jù)體，計算各證據(jù)體之間的沖突向量：

沖突因子確定后，決策層利用D-S證據(jù)理論將證據(jù)體進行融合，融合后的故障概率分配見表9。

由表9可知，牽引變壓器故障診斷模型的特征層與初級診斷結果不一致。將該模型初級診斷結果經(jīng)決策層數(shù)據(jù)融合，確定變壓器發(fā)生故障的類型，并統(tǒng)一診斷結果，即判定牽引變壓器發(fā)生F1（鐵芯多點接地及局部短路）和F6（電弧放電）故障。該模型解決了變壓器常規(guī)故障診斷方法中存在漏判的問題，提高了故障診斷的準確性和有效性。

表9 各證據(jù)體融合作用下的信度區(qū)間和診斷結果

4 結語

本文綜合多種智能診斷方法建立了牽引變壓器多維信息分層決策融合故障智能診斷模型，并利用Matlab軟件對其進行仿真驗證。根據(jù)牽引變壓器故障智能診斷模型，設計了診斷程序，包括模糊神經(jīng)網(wǎng)絡的初級診斷程序、遺傳算法的優(yōu)化程序和D-S證據(jù)理論融合診斷程序，并利用大量訓練樣本集對各模糊神經(jīng)網(wǎng)絡進行訓練、學習，以確定各模糊神經(jīng)網(wǎng)絡的結構和權重。通過典型實例驗證了該模型在牽引變壓器故障診斷中的準確性和有效性，并進一步證明了多證據(jù)體的融合增強了診斷系統(tǒng)的容錯性能。

[1] Ke M, Zhao-Yang D, Dian-Hui W, et al. A Self-Adaptive RBF Neural Network Classifier for Transformer Fault Analysis[J]. Power Systems, IEEE Transactions on. 2010, 25(3): 1350-1360.

[2] 徐大可. 基于神經(jīng)網(wǎng)絡和模糊數(shù)學的變電設備絕緣診斷技術[J]. 電力自動化設備，2002，22（1）：66-68.

[3] 王鑫. 電氣設備的在線監(jiān)測與故障診斷[D]. 山東大學，2005.

[4] 王冬青，李剛，何飛躍. 智能變電站一體化信息平臺的設計[J]. 電網(wǎng)技術，2010（10）：20-25.

[5] 操敦奎，許維宗，阮國方. 變壓器運行維護與故障分析處理[M]. 北京：中國電力出版社，2008.

[6] 趙熙臨. 基于信息融合的電力系統(tǒng)故障診斷技術研究[D]. 華中科技大學，2009.

[7] Wang Y, Chu F, He Y, et al. Multisensor data fusion for automotive engine fault diagnosis[J]. Tsinghua Science and Technology. 2004, 9(3): 262-265.

[8] 崔建強. 牽引電變壓器故障智能診斷方法的研究[D]. 西南交通大學，2013.

The intelligent fault diagnosis model is designed by application of data fusion technology, fuzzy neural network and genetic algorithm, and it is simulated by MATLAB software to train the fuzzy neural network so as to determine its structure and weight. The typical experiments show that the model has very good functions for diagnosis of traction transformer faults.

Data fusion technology; fuzzy neural network; traction transformer; intelligent fault diagnosis

U224.2+2

A

10.19587/j.cnki.1007-936x.2018.01.005

1007-936X(2018)01-0021-06

2017-05-25

崔建強.中國鐵路濟南局濟南供電段，助理工程師。