基于多信息融合的变压器运行状态评估模型

陈发广，周步祥，曾澜钰

（1.四川大学电气信息学院，成都 610065；2.中山市凯能集团有限公司，中山 528400）

基于多信息融合的变压器运行状态评估模型

陈发广1，周步祥1，曾澜钰2

（1.四川大学电气信息学院，成都 610065；2.中山市凯能集团有限公司，中山 528400）

变压器状态评估是变压器运行、检修与维护的重要依据，而其状态参数的类型杂、数量多及参数间关联关系不明确等是该环节工作的瓶颈问题。针对上述问题，文中构建了基于多信息融合的状态综合评估模型。在深入分析变压器状态评估的需求与研究现状的基础上，利用变压器的试验数据、运行数据、历史数据，设计了基于粗糙集、层次分析法、多神经网络、证据理论的多信息融合评估模型，且通过算例进行校验。结果表明：所提模型能有效对变压器状态进行评估，可为当前变压器的运行与维护提供参考。

状态评估；变压器；粗糙集；层次分析法；神经网络；证据理论

长期以来，对变压器的研究侧重于故障发生后，利用故障前后特征量的变化而进行故障诊断。但在实际运行中，相比故障诊断，更关心变压器的实时运行状态。另外，现在大力提倡状态检修，对变压器的状态评估也是状态检修的重要依据[1-2]。

在过去几年，已有不少学者对状态评估进行了研究。文献[3]针对电力变压器绝缘状态不确定性以及难以有效评估的问题提出了基于集对分析方法的变压器绝缘状态评估策略。文献[4]提出了基于模糊综合评判的电力变压器运行状态评估模型。文献[5]也涉及到对变压器色谱数据和电气数据的有效结合，提出了对色谱数据进行RBF （radical basis function）分析、对电气试验数据进行BP（back propagation）分析的多神经网络模式，并结合证据理论进行综合分析。文献[6]提出对于复杂装备结构和功能的层次性，可运用粗糙集和层次分析法AHP（analytic hierarchy process）相结合来进行健康特征向量的约简优化和权重系数的确定。文献[7]建立了多信息状态评估模型，但只融合了粗糙集、神经网络和证据理论，且未详细阐述。

综上研究，由于每种评估方法的侧重点不一样，且比较单一，本文构建基于多信息融合的变压器运行状态评估模型，各种评估方法有机结合，使得优势互补，进而提高评估准确性。主要工作包括有：①运用粗糙集和层次分析法对试验数据（溶解气体、色谱、电气数据）、运行数据（负荷温度、负载、短路情况等）、历史数据（检修记录、不良运行工况、缺陷记录、投运时间等）进行约简；②通过神经网络进行训练，以及专家评分，实现从状态特征到评估状态的复杂映射；③通过层次分析法确定各证据体的权重，再将试验数据、运行数据、历史数据这三种不同的证据体进行有效的融合，形成一个新的证据体，从而得到评估决策。

1 状态评估指标体系

表征电力变压器的状态特征类型繁多，为了全面而真实地反映变压器的实时运行状态，本文拟构建如图1所示的状态分层评估体系。图中，可以从试验数据分析（U1）、运行数据分析（U2）、历史数据分析（U3）3个一级评估指标获得变压器的运行状态。对每个一级指标又有相应的二级、三级评估指标等。

图1 变压器运行评估指标层次分析图Fig.1Hierarchy analysis for evaluation index of transformer operation

其中，试验数据分析是变压器状态评估至关重要的信息，它反映了变压器基本的运行特性。试验数据一级指标又可以分为溶解气体色谱分析（U11）、绝缘油试验分析（U12）、电气试验分析（U13）3个二级指标。溶解气体色谱分析包括H2、CH4、C2H6、C2H4、C2H2、CO、CO2、CO产气速率、总烃相对产气速率等。绝缘油试验分析包括油中微水、油介损、油击穿电压等。电气试验分析包括绕组直流电阻、绕组绝缘电阻、吸收比、绕组介损、电容型套管介损、铁心接地电流、铁心接地电阻等。运行数据分析在变压器状态评估中也是非常关键的，它表征了变压器运行的实时参数，更能真实准确体现变压器的状态。运行数据分析包括负荷水平、运行环境、温升水平、继电保护数据、开关运行情况等。历史数据分析给变压器状态评估提供一个过去运行情况的参考。它包含了检修记录（包括同类对比）、局部放电过热过电压等缺陷情况、短路情况、投运时间、自身系列的设计技术指标等[3-4，8]。

2 状态评估模型

2.1 总体模型

状态评估整体分为3个部分：基于粗糙集试验数据指标约简的初级评估层，多神经网络和专家评分的判断评估层，层次分析法权重确定和D-S证据理论的融合决策评估层。逻辑过程如下：

1）运用粗糙集对图1中的试验数据指标进行属性约简；

2）结合评估状态对得出的必要属性指标集合网络训练和运行数据及历史数据进行专家评估，建立各个子神经网络和专家评估模型；

3）针对每个子网络得到的评估证据体进行权重确定进而合成，从而得出最终评估决策。

依据《国网状态检修试验规程及主设备评价检修导则》，将变压器的运行状态划分为良好状态、一般状态、注意状态和严重状态四种等级。

2.2 初级评估层

基于粗糙集理论，首先针对试验数据分析初级特征指标进行离散化处理。最初给出的原始指标数据都是连续性，所以要对这些连续性的数据进行离散化处理。离散化处理可以由领域专家根据自己相应的经验给出对应的区间。然后，对于离散化的数据建立状态评估决策表。以初始的状态特征指标作为条件属性，评估状态G作为决策属性，G={1/良好，2/一般，3/注意，4/严重}。最后，根据决策表建立区分矩阵，得出属性约简指标，剔除冗余的、不重要的状态特征指标。

2.3 判断评估层

基于多神经网络和专家评分的判断评估层是整个模型的关键。此评估层针对之前粗糙集约简后的状态指标进行分类训练或专家评估。

2.3.1 多神经网络

1）数据预处理

由于最初的状态特征数据都是连续的，各数据之间的量值、格式都有很大的差别，因此必须对原始数据进行预处理。本文采用广泛应用的相对劣化度xm解决这一问题[6]，其取值范围为[0，1]。当xm为0时，表明特征状态指标处于最优状态，当xm为1时，表明处于最劣状态。

式中：uinv为状态特征指标的正常值（初值）；uthr为指标相应的注意值（阀值），其值的确定参考Q/ CSG1 007-2004《电力设备预防性试验规程》和Q/ GDW 169-2008《油浸式变压器（电抗器）状态评价导则》；um为指标实际测量值。本文α取值为1。

2）构造并训练评估子网络

由相对劣化度进行预处理后的数据可以构造并训练各神经子网络。此模型中，神经网络主要应用溶解气体分析、绝缘油试验分析、电气试验分析和运行数据分析3个子网络中。神经网络很好地解决了从状态特征信息到评估状态的复杂非线性映射。迄今为止，RBF网络和BP网络是神经网络中应用最广、理论最成熟的模型。基于数据本身和网络的特点，对溶解气体分析、绝缘油试验分析采用RBF神经网络进行分析，对于电气试验分析采用BP神经网络进行训练。

2.3.2 专家评分法

对于历史数据分析和运行数据分析，无法定量数据计算，本文采用广泛应用的专家评分法进行量化评估。

1）专家权重的确定

式中：k表示主观权重和客观权重的重要程度。

2）综合评估计算

假设有m位评估专家，前面初级评估层粗糙集约简后得到n项历史数据状态指标。Rij表示第i位评估专家对第j项状态特征指标的评估分值，βij的取值范围为[0，1]。从而形成了专家状态特征指标评估矩阵m×n阶矩阵R。

式中：Rijl为第i个专家对第j项特征状态关于评估等级l的概率估计，且有：

最后综合评估值B。第l个评估等级Bl的计算式为

2.4 决策评估层

决策评估层，就之前判断评估层得出的评估结果进行证据组合，形成更为精确的评估结果。

2.4.1 基于层次分析法的变权确定

依据前面判断评估层中溶解气体分析、绝缘油试验分析和电气试验分析3个神经网络训练得出的结果进行彼此权重确定，以及试验数据分析、运行数据分析和历史数据分析三者之间的权重确定。得出的评估结果指标集进行权重确定。参考文献[4]采用多位专家群组决策层次分析法，先对各指标重要度进行两两比较，对不同指标的权重进行主观确定，建立判断矩阵，然后再客观数学处理，从而求出常权值权向量[ω（x1），ω（x2），…，ω（xn）]。

2.4.2 基于证据理论的融合评估

在决策评估层中，用D-S证据理论将之前判断评估层子网络的评估结果进行融合成一个新的证据体。融合过程中关键在于如何构造出各个子证据体的基本概率分配函数。假设第i个子网络对第j个评估状态的输出值为Oi（j），那么对应的基本概率分配函数为式中：αi为2.4.1节中求出的各子网络权重（理论上，αi是各单证据体的可靠性系数，本例直接运用各证据体的权重系数代替）；mi（Θ）为对应的不确定性信任度分配；p表示证据体数目。

由上面的基本概率分配函数，计算各子网络证据体单独评估的信任函数和似然函数，对应各子网络单独作用的信度区间为[Beli，pli]。最后根据证据理论正交合成规则，求出所有证据体联合后的概率分配函数m（j），计算公式如下：

3 算例分析

[9]共收集了40组同家族、同类型变压器试验数据样本，其中包含10组故障数据样本。其中30例进行网络训练，10例用于检验，并对文献[9]中实例进行验证。限于篇幅，本文只列出部分溶解气体数据如表1所示。

表1 部分溶解气体数据表Tab.1Part of the dissolved gas

1）根据之前介绍的粗糙集将30组数据进行离散化处理，去除冗余信息，得到必要特征指标。该实例经过粗糙集约简后得到的数据特征指标如表2所示。

表2 约简后数据特征指标Tab.2Characteristic index of the data after the reduction

2）将以上各指标按照相对劣化度的方法进行处理。然后通过神经网络进行训练。输出为变压器状态对于4评估状态等级的概率（贝叶斯）。神经网络的应用发展已比较成熟，所以这里就不给出具体过程。本例，对于溶解气体色谱分析RBF1神经子网络，通过学习算法得网络结构为8×16×4；绝缘油试验分析网络RBF2结构为3×8×4；电气试验分析BP网络为4×7×4。将某组数据经过预处理，输入3个子神经网络后，其输出值转成基本概率分配。

3）用专家评估的方法评估运行数据分析和历史数据。本例中运行数据和历史数据分析有5位专家。经过2.3.1节计算后，k取0.5。得出专家的综合权重为

对于历史数据分析，由于专家对历史数据的了解和分析差别不是很大，所以采用等权重进行分析，每位专家对每个历史指标的权重均为0.2。

根据5位专家对各评估等级的概率性评估结果，并结合前面求出的综合权重求出B1和B2。同样，根据5位专家，利用层次分析法求出各证据体的权重。见表3所示。

表3 专家对各指标的权重分配表Tab.3Weight distribution of each index by the experts

根据表3数据，求得权重见表4所示。

表4 各证据体的权重Tab.4Weight of the evidence body

文献[9]中实例，结合神经网络和专家评分法得出的输出值，经转化成基本概率分配，如表5。

表5 各证据体以及融合后的基本概率分配Tab.5Basic probability distribution of the evidence body

由表5知，由于忽略使用的权重，而非转化成可靠性系数导致计算出的融合概率分配很小，但从各评估状态等级之间的对比可得出，评估结果为G1（良好）。同时，对比采用单一评估方法的评估结果，如多神经网络的试验数据分析以及专家评分法的运行数据和历史数据分析，可发现，采用单一评估方法得到的概率分配在G1和G2之间，差别不是很大，状态辨识效果不明显，证据融合后，评估的状态越明显，评估结果的可靠性和精度随之提高。另外，对10组检验样本进行评估得出9组与实际结果一致，由此可见本文模型是有效的。

4 结论

本文在结合已有变压器评估方法基础上，利用变压器的试验数据、运行数据、历史数据，构建了基于粗糙集、层次分析法、多神经网络、证据理论的多信息融合评估模型。实例表明所提模型对变压器运行状态辨识效果明显，且评估结果的精度与准度均所有提高，满足当前变压器实际运行需求。同时，所提模型尚存不足包括：

（1）样本数量不充分，以及某些数据不具代表性导致评估结果出现偏差；

（2）证据融合时，直接采用了权重系数，而未转换成可靠性系数，导致融合出结果概率分配很小。以后的研究重点解决从权重系数到可靠性系数的转化；

（3）用专家评分法去评估运行数据，没有充分利用实时运行数据的应有价值，应按照试验数据分析的方法去研究它的量化处理。

参考文献：

[1]熊浩，孙才新，张昀，等（Xiong Hao，Sun Caixin，Zhang Yun，et al）.电力变压器运行状态的灰色层次评估模型（A hierarchical grey evaluation model for operation condition of power transformers）[J].电力系统自动化（Automation of Electric Power Systems），2007，31（7）：55-60.

[2]吴米佳，卢锦玲（Wu Mijia，Lu Jinling）.基于改进粒子群算法与支持向量机的变压器状态评估（Condition assessment for power transformer based on improved particle swarm optimization and support vector machine）[J].电力科学与工程（Electric Power Science and Engineering），2011，27（3）：27-31.

[3]廖瑞金，郑含博，杨丽君，等（Liao Ruijin，Zheng Hanbo，Yang Lijun，et al）.基于集对分析方法的电力变压器绝缘状态评估策略（A power transformer insulation condition assessment method based on set pair analysis）[J].电力系统自动化（Automation of Electric Power Systems），2010，34（21）：55-60.

[4]廖瑞金，王谦，骆思佳，等（Liao Ruijin，Wang Qian，Luo Sijia，et al）.基于模糊综合评判的电力变压器运行状态评估模型（Condition assessment model for power transformer in service based on fuzzy synthetic evaluation）[J].电力系统自动化（Automation of Electric Power Systems），2008，32（3）：70-75.

[5]廖瑞金，廖玉祥，杨丽君，等（Liao Ruijin，Liao Yuxiang，Yang Lijun，et al）.多神经网络与证据理论融合的变压器故障综合诊断方法研究（Study on synthetic diagnosis method of transformer fault using multi-neural network and evidence theory）[J].中国电机工程学报（Proceedings of the CSEE），2006，26（3）：119-124.

[6]张亮，张凤鸣，杜纯（Zhang Liang，Zhang Fengming，Du Chun）.复杂装备健康状态评估的粗糙核距离度量方法（Research on health condition assessment method for complex equipment based on rough set and kernel space distance metric）[J].计算机工程与设计（Computer Engineering and Design），2009，30（18）：4269-4271.

[7]齐振忠（Qi Zhenzhong）.多信息融合的变压器实时状态评估（Real-time status evaluation of transformer with multi-information fusion technology）[J].高压电器（High Voltage Apparatus），2012，48（1）：95-100.

[8]姚建刚，肖辉耀，章建，等（Yao Jiangang，Xiao Huiyao，Zhang Jian，et al）.电力设备运行安全状态评估系统的方案设计（Design of electric equipment operation security condition assessment system）[J].电力系统及其自动化学报（Proceedings of the CSU-EPSA），2009，21（1）：52-58.

[9]王谦（Wang Qian）.基于模糊理论的电力变压器运行状态综合评估方法研究（Study of the Comprehensive Assessment Method for the Power Transformer Condition in Service with Fuzzy Theory）[D].重庆：重庆大学电气工程学院（Chongqing：College of Electrical Engineering of Chongqing University），2005.

State Evaluation Model of Transformer Operation Based on Multi-information Fusion

CHEN Fa-guang1，ZHOU Bu-xiang1，ZENG Lan-yu2
（1.School of Electrical Engineering and Information，Sichuan University，Chengdu 610065，China；2.The Power Technology Service Branch Company of Kaineng Group Limited Company，ZhongShan 528400，China）

Condition assessment is important to the operation，repair and maintenance of transformer.However，the complex state parameters and the unclear relationship between the parameters are the bottleneck problems.Therefore，this paper constructs the state evaluation model of transformer operation based on multi-information fusion.Base on the further analysis of demand and present researches for the state evaluation，the test data，the operation data and the history data are used to establish a evaluation model based on the multi-information fusion，which includes the rough set，the analytic hierarchy process，multi-neural network theory and evidence theory.And then，the model is checked by the examples.The results show that the proposed model can effectively evaluate the transformer state，which can be the reference for the operation and maintenance of transformers.

condition assessment；transformer；rough set；analytic hierarchy process；neural network；evidence theory

TM732

A

1003-8930（2013）04-0140-05

陈发广（1987—），男，硕士研究生，研究方向为电力系统稳定运行分析、调度自动化及计算机信息处理。Email：rb19871021@163.com

2013-01-04；

2013-04-01

周步祥（1965—），男，博士，教授，硕士生导师，研究方向为电力系统稳定与控制、电网可靠性与规划以及计算机应用和信息工程等。Email：hiway_scu@126.com

曾澜钰（1986—），女，助理工程师，研究方向为配电网自动化。Email：353905649@qq.com