基于数据不确定性的变压器故障诊断研究

杨杰明，沈胜楠，董玉坤，曲朝阳，刘志颖

(1.东北电力大学信息工程学院，吉林 吉林132012； 2.哈尔滨理工大学电气与电子工程学院，黑龙江 哈尔滨 150080； 3.国网河北省电力公司信息通信分公司，河北 石家庄 050000)

基于数据不确定性的变压器故障诊断研究

杨杰明1，沈胜楠2，董玉坤3，曲朝阳1，刘志颖1

(1.东北电力大学信息工程学院，吉林 吉林132012； 2.哈尔滨理工大学电气与电子工程学院，黑龙江 哈尔滨 150080； 3.国网河北省电力公司信息通信分公司，河北 石家庄 050000)

针对采集的变压器油中溶解气体数据的波动性和不确定性，通过引入蒙特卡洛算法进行数据处理.根据油中溶解气体试验，将处理后的变压器油中溶解气体数据进行两两比值.分别根据变压器运行规程、DGA知识以及模糊c均值聚类法对气体含量和比值进行离散化处理，再进行属性约简，并将约简结果作为神经网络的前置输入，对神经网络训练及故障进行诊断.实验结果表明，该方法可以对变压器故障进行准确判定，具有更好的工程实用性.

不确定数据；蒙特卡洛；粗糙集；神经网络

大型电力变压器是电力系统核心的变电设备，电力变压器安全与否直接影响着整个电力系统的安全运行水平.[1-3]因此，对变压器进行故障以及状态评估，从而确定变压器的运行状态以及故障类型具有十分重要的实用意义[4].在变压器实际运行中，由于采集方式、测量设备以及相关技术手段的限制，都会导致采集数据的波动性以及不确定性[5].这些波动性以及不确定数据的存在，影响了现有方法对变压器故障诊断的精确度，同时也对采集数据的相关处理提出了更严格的要求.[6-7]

本文提出运用蒙特卡洛方法对电力变压器采集数据的不确定性进行处理，并对处理后的数据进行两两比值后，结合粗糙集和神经网络进行变压器故障诊断研究，从而为变压器故障诊断提出一种新的思路.

1 基础理论分析

1.1 粗糙集理论

粗糙集可以用来处理分析不精确、不确定信息.还可以在保持分类前提下发现属性间的隐藏知识以及规律，从而获得最小知识属性集.[8-9]由于本文使用油色谱气体含量以及两两气体比值进行故障诊断，而变压器故障类型并不是跟所有气体含量和比值都有很密切的关系，所以本文采用粗糙集对气体含量以及气体比值进行属性约简，确定与故障类型关系最密切的属性.

1.2 BP神经网络

本文将粗糙集理论和神经网络相结合分析电力变压器故障模式，充分利用神经网络智能化的特点进行处理变压器故障诊断问题.同时为简化神经网络的输入，将粗糙集作为神经网络的前置输入进行属性约简，将约简结果作为神经网络的输入进行训练，通过测试集数据进行试验验证.

2 基于粗糙集理论的变压器属性约简

2.1 变压器故障诊断知识表

变压器油色谱中H2、CH4、C2H4、C2H6、C2H2、CO、CO2、总烃8种气体的含量和比值与变压器故障类型、程度密切相关.分析油中溶解气体含量以及比值关系，就可以判断变压器的故障类型、故障性质以及危险程度[10].因此，变压器故障诊断表选取变压器油中8种气体含量以及相应两两气体28个比值作为其条件属性.选取了室温、高温过热、中温过热、低温过热、充油套管问题、局部放电6种变压器状态类型作为决策属性，并依次用编号d0，d1，d2，d3，d4，d5表示.

本文选取了某500 kV变压器历年故障状态数据，并将其中70%作为神经网络的训练样本集，30%作为测试数据集.某500 kV变压器部分油色谱数据如表1所示.

表1 某变压器油中溶解气体部分数据 μL/L

2.2 不确定数据处理

采用蒙特卡罗算法来处理变压器采集数据的波动性以及不确定性.根据某500 kV变压器采集的油色谱数据进行分析，经过历史统计，变压器油色谱数据取值范围为0.9xt，1.1xt，设定模拟次数为5×104次，使用蒙特卡罗算法进行处理，某变电站油色谱部分数据以及经蒙特卡洛处理部分结果如表2所示.

表2 油色谱部分数据及蒙特卡洛处理部分结果 μL/L

2.3 连续属性离散化

根据各油色谱气体的阈值，对于8种气体进行离散化处理.对于两两气体的比值，有些比值编码与故障间的关系已经很明确，可运用DGA知识进行离散化.对于其他比值，本文考虑使用模糊c均值聚类算法(FCM)进行属性离散化.FCM算法是一种基于聚类和最小距离的属性离散化算法，其样本数据隶属度公式为

(1)

2.4 变压器故障诊断决策表属性约简

离散后的变压器故障诊断决策表具有36个条件属性和1个决策属性.在不影响原有知识表达的前提下，利用粗糙集理论进行属性约简，从而发现决策表中蕴含的规律.约简后的部分最小决策表如表3所示.

表3 部分最终约简结果

图1 神经网络训练结果

3 神经网络的训练

对神经网络训练采用单隐层的BP网络，输入层是7种经过属性约简后的条件属性，输出层6种变压器状态.网络中间层的传递函数采用S型的正切函数，输出层传递函数同样采用S型的对数函数.神经网络训练次数设为1×103次，最终的训练目标设为0.001，学习速率设为0.1进行神经网络训练.训练结果如图1所示.

4 结果分析与比较

经过粗糙集属性约简后，36个条件属性输入减少为7个.利用测试数据集对训练后的神经网络进行试验验证，测试数据集经过处理并编码如表4所示.故障诊断结果表明，在经过蒙特卡洛算法对采集数据经过处理后，采用本文方法能正确预测21个故障，诊断准确率为87.5%，突破了传统三比值法仅能识别个别故障类型的缺陷.而未经处理的传统三比值只能正确预测11个故障.普通的神经网络方法能正确预测17个故障.各诊断方法试验结果如表5所示.

表4 测试数据编码

表5 诊断方法结果汇总

由表5可见，在对采集数据经过蒙特卡洛数据处理后，通过粗糙集理论进行约简处理，减少了神经网络的输入，简化了神经网络的结构，减少了神经网络训练时间，提高了故障诊断正确率，并突破了传统三比值故障诊断的局限性.

5 结论

针对变压器采集的运行数据，本文考虑了采集数据的波动性和不确定性，采用蒙特卡洛算法对不确定数据进行处理.在经过蒙特卡洛处理数据后，充分发挥粗糙集理论和神经网络的各自优势，把变压器8种溶解气体、两两气体比值以及相关故障组成决策表.利用粗糙集理论对决策表进行属性约简，并将约简结果作为神经网络的输入进行训练，简化了神经网络系统复杂结构，降低了训练时间，提高了故障诊断准确率.结果表明，利用此方法可较好地适用于变压器的故障诊断.

[1] 王悦，唐常杰，杨宁，等.在不确定数据集上挖掘优化的概率干预策略[J].软件学报，2011，9(2)：285-297.

[2] 刘永欣，师峰，姜帅，等.智能变电站继电保护状态监测的一种模糊评估算法[J].电力系统保护与控制，2014，9(3)：37-41.

[3] 周傲英，金澈清，王国仁，等.不确定性数据管理技术研究综述[J].计算机学报，2009，8(1)：1-16.

[4] 赵渊，徐焜耀，吴彬.大电力系统可靠性评估的蒙特卡洛仿真及概率密度估计[J].重庆大学学报(自然科学版)，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] 邓武，杨鑫华，赵慧敏，等.粗糙集、神经网络和专家系统模型用于电力系统故障诊断[J].高电压技术，2009，12 (7)：1624-1628.

[8] 任静，黄家栋.基于免疫RBF神经网络的变压器故障诊断[J].电力系统保护与控制，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] 刘晓平，郑海起，祝天宇.基于进化蒙特卡洛方法的特征选择在机械故障诊断中的应用[J].振动与冲击，2011，10(5)：98-101.

(责任编辑：石绍庆)

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

国家自然科学基金资助项目(651277023)；吉林省科技发展计划项目(20140204071GX).

杨杰明(1972—)，男，博士，教授，主要从事文本分类、数据挖掘和智能电网研究.

TP 311 [学科代码] 520·20

A