徐晶冉，徐 雯，王 棟

(南京供電公司，江蘇 南京 210000)

電網規(guī)模不斷擴大，對電網的實際運行可靠性提出了新的要求[1-3]。在實際應用中，變壓器設備故障的頻繁發(fā)生，嚴重影響電網運行的可靠性。因此如何有效實現(xiàn)變壓器故障診斷是維修人員保障電網穩(wěn)定運行的基礎和前提[4-6]。

變壓器故障診斷問題是業(yè)內人士關注的焦點，經專家、學者大量深入的研究，得出很多方法[7-9]。有學者提出深度學習的變壓器故障診斷模型，分析并用典型數(shù)據(jù)集對其分類性能進行測試。在此基礎上結合變壓器油中溶解氣體分析數(shù)據(jù)的確定值，它使用油中溶解氣體分析結果作為故障分類屬性。該模型故障診斷速度快，但診斷錯誤較高[10]。有學者提出了支持向量機的變壓器故障診斷方法[11]，首先采用模糊C均值聚類算法對設備故障樣本進行聚類確定值劃分，然后支持向量機根據(jù)劃分結果實現(xiàn)故障類型的診斷。故障診斷準確度高，但診斷速度慢[12]。有學者提出了神經網絡的變壓器故障檢測方法[13]，結合熵權算法生成變壓器故障特征確定值，采用屬性約簡算法對特征向量進行屬性約簡，根據(jù)故障特征向量推斷變壓器故障類型，該方法速度快，故障診斷正確率低[14-16]。傳統(tǒng)方法對變壓器故障診斷時，均將基準函數(shù)的分類門限設置為一個確定值，忽略了類別門限值的變化，無法完成變壓器故障診斷，導致變壓器故障診斷訓練時間長、診斷精度低。

為了解決當前變壓器故障診斷過程中存在的問題，提出基于模式識別技術的變壓器故障診斷方法。實驗結果表明，本文方法能夠有效提高模型結果速度和故障診斷的準確度。

1 基于模式識別技術的變壓器故障診斷

1.1 確定故障判斷門限參數(shù)最優(yōu)值

在傳統(tǒng)方法的故障診斷過程中，需要求出故障類別門限值設為確定值，但是在確定門限類別診斷過程中，極易陷入局部最優(yōu)解。為此本文方法根據(jù)混沌粒子群算法確定最優(yōu)故障類別判斷門限參數(shù)，然后門限參數(shù)建立故障診斷模型，完成變壓器故障診斷。

將故障分類的門限總數(shù)設置為m個粒子，個體搜索空間為D維，vi=(vi1，vi2，…，viD)為個體i的當前速度，xi=(xi1，xi2，…，xiD)為當前位置，Pi=(Pi1，Pi2，…，PD)為個體i當前最優(yōu)值，G=(g1，g2，…，gD)為群體當前最優(yōu)值。個體的速度和位置的更新方式為：

(1)

(2)

式中，d為搜尋的空間維數(shù)；ω為慣性權重；c1和c2為個體隨機性特征因子；r1和r2為[0，1]內的隨機數(shù)。

采用混沌算法對故障類別慣性權重進行優(yōu)化，將其映射至原最優(yōu)解的空間范圍內，避免粒子群算法陷入局部最優(yōu)，Logistic映射為：

zn+1=μzn(1-zn)

(3)

式中，μ為控制變量；z1，z2，…，zn表示混沌變量。

通過種群迭代過程中，搜索到的最優(yōu)解在不斷更新，考慮到這種情況，需要引入迭代速度因子和聚集度因子，調整種群全局搜索能力，進化因子表達式如下：

(4)

式中，F(xiàn)(gT)和F(gT-1)分別為當代和上一代全局搜索最優(yōu)值。

分析式(4)可知，h值越大相應的迭代速度越慢，相反該值越小說明迭代速度越快。當ESF的值在恒為1時，說明搜尋結束。

為了在種群搜索階段增加自適應機制，擴大種群可搜索的最優(yōu)解空間，通過上述過程設定種群個體搜索階段的慣性權重：

ω=ωini-hωh+sωs

(5)

式中，ωini為ω的初始值；ωh和ωs分別為ESF和CF的權值。

在最優(yōu)解搜索過程中，隨機性特征因子c1和c2對搜索結果影響較大，隨機性特征因子c1和c2數(shù)值較大時，種群中個體會過早收斂，為了提高最優(yōu)解搜索速度，利用式(6)設定隨機性特征因子：

c1(k)=c1in-(c1in-c1fi)k/nmax

(6)

c2(k)=c2in+(c2fi-c2in)k/nmax

(7)

式中，c1in和c1fi分別為c1的初始值和最優(yōu)值；c2in和c2fi分別為c2的初始值和最優(yōu)值；nmax為最大迭代次數(shù)。

綜合上述優(yōu)化結果，獲取最優(yōu)故障類別判斷門限參數(shù)uh，根據(jù)該參數(shù)完成變壓器故障診斷門限向量參數(shù)的優(yōu)化：

(8)

1.2 故障診斷方法

根據(jù)最優(yōu)故障類別判斷門限參數(shù)，引入軟化因子將故障診斷基準矩陣中的類型診斷閾值轉變成區(qū)間數(shù)，結合峰值、左右診斷閾值、熵描述白化灰云模型，采用模式識別技術型結合變壓器實際運行情況，將確定故障類型診斷各評估指標的權重值，結合灰數(shù)白化模型獲得故障診斷參數(shù)，具體過程如下述：

設共有m個變壓器故障類型評價指標，n個評價對象，構成標準矩陣B=(bij)n×m，依據(jù)信息熵概念，第j個指標的熵值為：

(9)

式中，χij為j個指標熵值的上限值；H為預測輸入值；x為相關向量；n為慣性權重。

第j個指標相應的軟化因子為：

(10)

(11)

(12)

λijr=λij，j=1，2，…，m

(13)

式中，λijl、λijr分別為標準值區(qū)間的上下限，故障類別區(qū)間可表示為[λijl，λij]。

通過式(8)和式(9)得出的熵值建立故障診斷參數(shù)的白化灰云模型，該模型將故障樣本代入白華權函數(shù)計算得出樣本的隨機模糊特征因子。利用多次計算得出隨機理想特征因子，通過計算隨機理想特征因子關聯(lián)故障類別區(qū)間，得出故障類別匹配結果，從而完成變壓器故障診斷。白化權函數(shù)隨即特征因子計算步驟為：

(14)

式中，E(t，s)為核函數(shù)；Dm為模型的權值；Tm為樣本數(shù)。

分析式(14)可知，fij值具有隨機性，由該值計算得到的樣本的隨機模糊特征因子白化權值也具有隨機性，但它們服從一定的分布規(guī)律，通過多次計算，可獲得理想的白化權值feij，將此結果作為最終的隨機理想特征因子白化權值。

(15)

式中，h為獲取最終隨機理想特征因子所需運算次數(shù)；fijh(x)為通過h次運算獲得隨機理想特征因子。

計算隨機理想特征因子fij與故障類別區(qū)間[λijl，λij]的相關度(k)，即有：

(16)

式中，n為故障種類數(shù)量。

通過計算隨機特征因子關聯(lián)故障類別區(qū)間，得出故障類別匹配結果，從而完成變壓器故障診斷。

2 仿真實驗

2.1 仿真環(huán)境

為了測試模式識別技術的變壓器故障診斷效果，進行仿真實驗，仿真境為：Matlab R2012b CPU intel Pentium(R)Dual-Core E53002.6 GHz，內存2 GB，Windows7操作系統(tǒng)。選擇支持向量機和BP神經網絡的變壓器故障診斷方法進行對比測試，樣本構成見表1。采用變壓器故障診斷正確率以及診斷效率對性能進行評價。

表1 故障樣本數(shù)據(jù)組成Tab.1 Fault sample data composition

2.2 變壓器故障診斷結果分析

不同的方法的變壓器故障診斷正確率、誤診率、漏診率分別如圖1—圖3所示。對圖1—圖3的變壓器故障診斷結果進行對比分析了發(fā)現(xiàn)，本文方法的變壓器故障診斷正確率大幅度提升，降低了變壓器故障診斷的錯誤率，獲得比對比方法更優(yōu)的變壓器故障診斷結果，體現(xiàn)了本文方法的變壓器故障診斷優(yōu)越性。

圖1 不同方法的變壓器故障診斷正確率Fig.1 Correct rate of transformer fault diagnosis by different methods

圖2 不同方法的變壓器故障的誤診率Fig.2 Misdiagnosis rate of transformer faults by different methods

圖3 不同方法的變壓器故障的漏診率Fig.3 Missing diagnosis rate of transformer faults with different methods

2.3 變壓器故障診斷速度分析

分別利用本文方法和對比方法進行變壓器故障診斷實驗，它們的迭代次數(shù)和均方誤差的關系如圖4所示。分析圖4可知，3種方法均方誤差均隨著迭代次數(shù)的不斷增加而減小，采用本文方法對測試樣本進行故障診斷時，迭代次數(shù)達到70次時，均方誤差基本穩(wěn)定，在0.2左右，BP神經網絡在迭代次數(shù)達到95次時，均方誤差基本穩(wěn)定，誤差為0.27左右，支持向量機方法在迭代次數(shù)達到140時，均方誤差基本穩(wěn)定，誤差為0.3左右。對比結果表明，本文方法的迭代次數(shù)較少，結果速度快，故障診斷效率更高。

圖4 不同方法迭代次數(shù)與均方誤差的關系Fig.4 Relationship between the number of iterations and the mean square error of different methods

3 結語

變壓器故障信息具有不確定性，且故障類型多樣，影響了傳統(tǒng)的故障診斷方法的結果誤差和準確度，提出了模式識別技術的變壓器故障診斷方法，有效縮短了變壓器故障診斷時間，提高了故障診斷準確度，為解決變壓器故障診斷提供了一種有效的解決方案，具有實際應用價值。