基于Matlab的牵引变压器故障智能诊断方法研究

崔建强



基于Matlab的牵引变压器故障智能诊断方法研究

崔建强

应用数据融合技术、模糊神经网络及遗传算法构建牵引变压器故障智能诊断模型，通过Matlab软件对该模型进行仿真，训练模糊神经网络以确定其结构和权重，并通过典型实例验证该模型在牵引变压器故障诊断中具有良好的故障诊断性能。

数据融合技术；模糊神经网络；牵引变压器；故障智能诊断

0 引言

牵引变压器是牵引供电系统与电力系统衔接的重要电气设备，对电气化铁路安全、可靠运行起着重要作用。随着高速铁路的快速发展，对牵引变压器的可靠性提出了更高的要求。目前，牵引变压器故障诊断仅通过在线监测系统获取变压器的运行状态信息进行综合分析，采用单一的诊断方法推断其故障类型，该方法的不足是存在误判或漏判的情况。

本文将应用智能化技术实现牵引变压器全景信息融合，为变压器故障诊断提供信息支持。综合应用多种智能诊断方法，在一定程度上克服了单一方法在故障诊断中的不足。

1 牵引变压器数据融合故障诊断模型建立

采用单一诊断方法对电气设备进行故障诊断时，通常存在推理能力弱、匹配冲突、容错能力差等缺点，容易导致误判或漏判。针对牵引变压器故障诊断的问题，本文通过一体化监控系统，在融合变压器全景信息的基础上，建立基于数据融合的牵引变压器故障诊断模型，如图1所示。

本文通过对融合变压器多维运行状态信息进行综合分析，采用神经网络、模糊逻辑以及D-S证据理论等多种智能诊断方法进行比较判断，形成多智能信息融合判据，完成牵引变压器的故障诊断。

图1 牵引变压器数据融合故障综合诊断模型

1.1 牵引变压器故障诊断信息参数

牵引变压器的监测诊断包括绝缘监测、温度监测、油质监测、声音振动监测、机械特性监测等，对变压器的油中气体含量、铁芯接地电流、局部放电和热点温度、输出电压/电流和功率、振动和整体密封等参数进行监测诊断。因此，本文所确定的变压器故障特征和信息参数如表1所示。

表1 变压器故障类型和故障参数

从表1可以看出，一种故障类型可能对应多个故障信息，而一个故障信息可能是多个故障类型的表现，很难清楚描述故障类型与征兆之间的关系，故障征兆在变压器不同部位表现的形式也不同。为此，本文将一体化监控系统所获取的变压器运行状态信息和辅助电气试验数据划分为几个特征参数空间，保证不同特征参数的不相关性，以便从不同侧面进行故障诊断。

1.2 牵引变压器模糊神经网络初级诊断

牵引变压器初级诊断模糊神经网络需要对故障征兆的输入数据进行模糊化，以避免过大的权重调节淹没部分特征信息，消除各特征参数物理单位的干扰，其模糊化方法采用以Sigmoid函数作为隶属度函数，如式（1）所示。

式中，表示故障征兆的输入数据值，a表示输入数据的注意值，()表示模糊化处理后的输出值。

由于模糊神经算法可以使连接权值和阈值收敛到某个值，但是并不能保证其为误差平面的全局最小值，这是因为采用的梯度下降法可能会产生一个局部极小值。为此，本文采用遗传算法的全局搜索功能来确定模糊神经网络连接权值的学习过程。遗传算法以适者生存及优胜劣汰的进化规则作为基础，通过选择、交叉及变异等一系列遗传操作方式，对包含可能解的群体进行作用并使其更新到下一代的新种群，最后采用全局多线并行搜索，对优化群体里的最优个体进行搜索，以期得到全局最优解。基本遗传算法可表示为

= (,,0,,,,,) （2）

式中，为个体编码方法，为个体适应度评价函数，0为初始种群，为种群的大小，为选择算子，为交叉算子，为变异算子，为遗传运算终止条件。

遗传算法的计算基于选择、交叉、变异、变迁、局域及邻域等自然进化模型。初始计算首先设定种群随机初始化，通过一定数目的父个体（父个体1、父个体2、父个体3、……）的设定及个体适应度函数的计算来产生第一代即初始代。若第一代的计算不满足优化准则，则开始计算新一代。新一代的产生需要按照适应度选择个体，而父代则通过交叉产生子代。在一定几率的变异之后，所有子代开始重新计算适应度，父代被插入种群中的子代所代替，形成更新一代。该过程通过循环选优，直至满足条件为止。

1.3 决策层D-S证据理论融合诊断

= {1,2,…,E};= {1,2,…,w} （3）

设变压器故障类型有个，用{1,2,…,F}表示，且每个证据源都作为变压器故障诊断的支持依据，变压器故障发生的可能性可表示为

(E) = {(F,),= 1,2,…,;= 1,2,…,}（4）

m,i=w= 1,2,…,（5）

设E(i)= {1,2,…,E}表示第个证据的基本属性子集，同理，m,M(i)代表E(i)中所有证据对第个故障发生的可信度，而m,M(i)为基于E(i)的故障发生的不确定性程度。根据式（5）和式（6）可得某一故障F发生的可信度和不确定度为

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

根据证据递归推理算法以及诊断模型，综合各模糊神经网络初级诊断结果，决策层完成牵引变压器的故障智能诊断步骤如下：

然后，确定识别框架中牵引变压器故障类型的信度空间。根据上述计算式可得第个子模糊神经网络的基本概率赋值函数（BPA）为

(= 1,2,…,;= 1,2,…,) （11）

式中，表示第个证据的充裕度因子，v,j为BPA的重要性指数，m()表示由第个证据所不能确定变压器故障的度量程度。

最后，根据式（10）和式（11）确定牵引变压器在多证据体联合作用下各类故障的信度区间[(F),(F)]和不确定的度量程度m()。

2 基于Matlab的变压器故障诊断程序设计

根据对大量资料和变压器故障诊断影响因素的统计和分析，充分利用变压器负荷、环境温度、油中溶解气体含量和电气试验等数据对牵引变压器进行故障综合诊断。依据牵引变压器故障诊断信息参数确定其特征参数空间及故障模式，选取牵引负荷、环境温度、H2的相对含量、C2H2在DGA中的含量和C2H4占总烃的比例作为特征参数子空间1；选取三比值编码作为特征参数子空间2；选取铁芯接地电流、绕组直流泄漏电流、变压器油中含水量、CO/CO2、绕组电压比作为特征参数子空间3；选取空载电流、空载损耗、PD监测、铁芯绝缘电阻和高压套管介质损耗及电容相对变化率作为特征参数子空间4。对应故障模式（故障类型）有：铁芯多点接地及局部短路（F1）、分接开关电气故障（F2）、电流回路金属发热或接触不良（F3）、高压套管内部故障（F4）、绝缘进水受潮（F5）、油中电弧放电（F6）、匝间短路或局部短路（F7）、油中沿面放电（F8）、绕组变形导致过热或放电（F9）和正常（F10），其中每个参数子空间对应上述10种故障模式。在具体故障诊断中根据得到的变压器参数信息选取对应的特征参数子空间进行分析、融合、决策诊断。

各变压器运行参数信息均有其对应的参数注意值，相关标准规定：当参数数据在注意值以下时，变压器为正常运行状态，而超过注意值时，变压器内部可能存在潜伏性故障，此时需对变压器行进故障诊断，判断其内部是否存在故障。变压器电气试验数据注意值、油中溶解气体及产气速率注意值见表2、表3和表4。

表2 电气试验数据注意值

表3 变压器油中溶解气体注意值 mL/L

表4 变压器油中溶解气体绝对产气速率注意值 mL/d

牵引变压器故障诊断的一般框架、参数空间和故障空间决定了变压器故障诊断中有4个子模糊神经网络，并确定了每个子网络中的输入层和输出层的节点数。本文采用Matlab软件进行编程，实现模糊神经网络的初级诊断。其中，根据大量试验数据验证每个模糊神经子网络的结构和参数设置见表5。

表5 模糊神经网络参数设置

尽管每个子网络的结构和参数不尽相同，但所使用的算法相同。根据遗传算法优化模糊神经网络权重，在Matlab中应用的函数包括：分别表示种群染色体的编码和解码方式函数Code()和Decode()，用来解决染色体的个体适应值的函数Fun()，分别代表遗传算法的选择、交叉和变异操作的函数Select()、Coss()和Mutation()。

在模糊神经网络主程序中，调用上述遗传算法子函数，根据训练样本集的试验数据，通过主函数的连续运行实现对模糊神经网络的初始权值和阈值的优化，提高网络的收敛速度和学习能力。为此，选取牵引变压器故障特征参数以及对应的故障类型共120组数据对4个模糊神经子网络进行网络优化。经过遗传算法优化后，确定4个子模糊神经网络的拓扑结构分别为FNN1：5×8×10；FNN2：3×7×10；FNN3：5×8×10；FNN4：5×8×10。在确定模糊神经网络结构和参数的基础上，通过相应训练样本集对各个模糊神经子网络进行仿真训练，得出各个子网络的均方误差曲线，如图2所示。

分析各子网络均方误差曲线可知，模糊神经子网络1在前十几次迭代中收敛性能并不理想，但其后很快提高了收敛速度，经30次迭代后网络误差降至规定范围内；其他网络收敛速度较快，网络误差曲线较平滑，并未出现太大震荡。总体来说，模糊神经网络结构和权值基本满足设计要求。

图2 各个子网络的均方误差曲线

在模糊神经网络结构优化完成之后，其4个子网络的输出是各种故障发生的模糊概率4×10= {1,2,3,4,5,6,7,8,9,10}，再将4个输出经决策层D-S证据网络融合，消除各证据体之间的冲突，提高故障诊断的准确性。首先对证据矩阵4×10加权并进行归一化处理，然后通过式（10）和式（11）计算其可信度，最后根据证据决策准则完成故障诊断。

3 实例验证

为了验证牵引变压器故障诊断模型的正确性和智能性，特选取经在线监测系统诊断误判的牵引变压器作为研究对象，综合多维特征信息进行数据融合及故障诊断决策，并结合牵引变压器实际运行情况进行验证、分析。

选取某牵引主变压器SFY10-40000/110在2009年11月故障诊断中出现漏判现象作为实例，其采集到的油色谱数据见表6。

3.1 常规故障诊断方法

由表6所示的油色谱数据，通过改良的三比值法计算得到该变压器的诊断结果见表7。

表6 SFY10-40000/110变压器油色谱数据 mL/L

表7 改良三比值法故障诊断结果

分析表7数据，可以认为变压器发生了高于700℃的热故障。但是经过对牵引变压器检查，发现不仅主变压器高压侧引线绝缘出现严重的过热痕迹，而且还存在电弧放电故障，即引线对箱壳放电。改良三比值法只是根据5种特征气体的比值超过或低于某个注意值形成编码，然后判断变压器故障类型。当比值接近注意值时，变压器可能存在多种故障。2009年11月25日监测到C2H2/C2H4= 0.099 9＜0.1，即高温过热故障，但当天变压器既发生了高温过热故障又发生了电弧放电故障。因此三比值法仅根据相应的编码进行故障诊断，有可能发生漏判现象。

3.2 基于数据融合的故障诊断方法

基于数据融合的故障诊断方法融合变压器多维运行状态信息，即油中溶解气体数据、相应的电气试验数据、负荷电流以及环境温度数据等。为此，需要获取当天的牵引负荷曲线以预测变压器热状态，如图3和图4所示。该牵引变压器的电气试验数据见表8。其中，空载电流o= 0.52%，空载损耗o= 25.6 kW，局部放电= 217 pC，其他电气试验数据均正常。

图3 牵引负荷曲线

图4 牵引变压器绕组热点温度曲线

表8 牵引变压器电气试验数据

经对表2与表8中的数据进行比较可知，牵引变压器绝缘存在问题。为了进一步确定变压器的故障类型，将获取的变压器故障信息作为数据融合故障诊断模型的特征量，通过特征层的模糊神经网络故障初级诊断，获得如下初级诊断结果：

根据数据融合牵引故障诊断模型，将4个模糊神经子网络的初级诊断结果作为决策层融合诊断的证据体，计算各证据体之间的冲突向量：

冲突因子确定后，决策层利用D-S证据理论将证据体进行融合，融合后的故障概率分配见表9。

由表9可知，牵引变压器故障诊断模型的特征层与初级诊断结果不一致。将该模型初级诊断结果经决策层数据融合，确定变压器发生故障的类型，并统一诊断结果，即判定牵引变压器发生F1（铁芯多点接地及局部短路）和F6（电弧放电）故障。该模型解决了变压器常规故障诊断方法中存在漏判的问题，提高了故障诊断的准确性和有效性。

表9 各证据体融合作用下的信度区间和诊断结果

4 结语

本文综合多种智能诊断方法建立了牵引变压器多维信息分层决策融合故障智能诊断模型，并利用Matlab软件对其进行仿真验证。根据牵引变压器故障智能诊断模型，设计了诊断程序，包括模糊神经网络的初级诊断程序、遗传算法的优化程序和D-S证据理论融合诊断程序，并利用大量训练样本集对各模糊神经网络进行训练、学习，以确定各模糊神经网络的结构和权重。通过典型实例验证了该模型在牵引变压器故障诊断中的准确性和有效性，并进一步证明了多证据体的融合增强了诊断系统的容错性能。

[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. 基于神经网络和模糊数学的变电设备绝缘诊断技术[J]. 电力自动化设备，2002，22（1）：66-68.

[3] 王鑫. 电气设备的在线监测与故障诊断[D]. 山东大学，2005.

[4] 王冬青，李刚，何飞跃. 智能变电站一体化信息平台的设计[J]. 电网技术，2010（10）：20-25.

[5] 操敦奎，许维宗，阮国方. 变压器运行维护与故障分析处理[M]. 北京：中国电力出版社，2008.

[6] 赵熙临. 基于信息融合的电力系统故障诊断技术研究[D]. 华中科技大学，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] 崔建强. 牵引电变压器故障智能诊断方法的研究[D]. 西南交通大学，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

崔建强.中国铁路济南局济南供电段，助理工程师。