基于信息融合的车载式变压器运行信息特征提取系统设计

戴迎宏，陈威，闫培渊，周际，汤国龙

（1.国网电力科学研究院武汉南瑞有限责任公司，武汉 430074； 2.南瑞集团有限责任公司，南京 210000）

引言

作为车辆行驶过程中的主要电气设备，车载式变压器的运行状态对于车辆的安全行驶与经济效益产生直接影响[1]。由于车载式变压器的运行环境与本身结构均较为复杂，因此其出现不同故障的概率较高[2]，如绝缘、短路与放电等方面的故障等。当车载式变压器出现故障时，轻则导致财力、人力与物力的损失，重则导致人员伤亡。由此可知，确保车载式变压器的安全稳定运行极为重要，而监测车载式变压器运行信息，根据其运行信息特征判断其运行状态是确保车载式变压器的安全稳定运行的关键[3]。

以往获取车载式变压器运行信息特征提取时主要采用基于变分模态分解和独立分量分析的提取系统和基于时域介电谱和去极化电量的提取系统[4，5]，但上述系统在获取车载式变压器运行信息时数据来源较为单一，运行信息的不全面导致特征提取的准确性受到一定限制。针对此问题，设计基于信息融合的车载式变压器运行信息特征提取系统，获取高精度的车载式变压器运行状态，提升车辆运行安全性。

1 车载式变压器运行信息特征提取系统

1.1 系统整体结构设计

基于信息融合的车载式变压器运行信息特征提取系统通过数个专家模块获取车载式变压器运信息特征过程中，各专家模块得到的结果有所差异，因此这些不同结果之间的相互融合至关重要[6]。车载式变压器运行信息主要来源为传感器的监测，其中还存在部分理论知识或中间结果等[7]。因此基于车载式变压器运行信息特征提取的特点与要求，以信息融合的层次为依据进行车载式变压器运行信息特征提取系统结构设计，如图1所示。

数据层中利用传感器监测车载式变压器运行过程中的局部放电现象与油内溶解气体情况[8]，利用信息融合模型融合传感器采集的不同方面各监测点的原始信息，最大限度上提升信息保持率，通过信息融合实现采集数据的误差校正。

特征层中基于数据层融合结果，选取D-S（Dempster/Shafer）证据原理进行不同方面的信息特征融合[9]。通过电声定位法、统计算子分析法和神经网络分析法等获取车载式变压器运行过程中局部放电状态信息，利用特征气体法、神经网络以及三比值法确定车载式变压器运行过程中油内溶解气体状态信息，融合不同方法获取的状态信息后实施特征提取，结合专家知识以及我国相关法律法规中设定的标准数据，进行信息特征融合。

决策层根据特征层的信息融合结果，结合专家建议、传感器采集数据和维修记录等将不同方面的信息特征实施进一步加权融合[10]，由此获取车载式变压器运行信息特征。

1.2 DS证据原理

图1 车载式变压器运行信息特征提取系统结构图

作为人工智能领域中的不确定推理方法，D-S证据原理的主要优势体现在其可满足同贝叶斯概率论相比更微小的条件，能够直接呈现“不确定”和“不知道”[11]，被普遍应用在不确定信息推理以及目标识别等领域中。利用D-S证据原理能够将车载式变压器来源与描述方式均有所差异的信息融合为效用更高的信息，且具有较强的决策能力。

假设k:2Y→ [ 0,1]，同时符合下述描述：

式（1）和式（2）分别描述不可能存在的运行状态发生概率和全部运行状态发生的概率。其中k和k(S)分别表示Y上命题S的基本概率分配函数和对S的置信度。

其中，d(S)和k(G)分别表示置信函数和对G的置信度。

定义：

其中p(S)表示S的似然函数。

在∀S⊆Y的条件下，利用式（7）实现Y上元素的证据融合：

上式内，T表示冲突系数，其计算公式如下：

冲突系数的高低可描述证据间的冲突水平，T值越大说明证据间冲突越大[12]。在T值较大的条件下，数据融合结果可信度较低。

通过D-S证据原理内的概率分配函数、置信函数与似然函数等，能够处理不同信息造成的不确定问题，提升信息特征融合的鲁棒性。

1.3 专家建议模块

专家建议模块是决策层的核心，其结构如图2所示，其中包含人机交互界面、推理机、知识库与数据库等主要组成部分[13]。

专家建议模块的核心是推理机与知识库，推理机的主要功能是基于知识库内存储的专家知识，通过推理过程进行问题求解。

专家建议模块详细运行过程为：使用者利用人机交互界面提出相关专业问题；推理机根据该问题在知识库内查询相关知识并实施推理求解[14]；基于推理机所得结果构建问题解答集合；在解答集合内选取最佳解答；利用解释器将推理过程与选取的最佳解答提供给使用者，若未找到相关问题的解答，则向使用者提出“无解”。

1.4 推理机推理流程

作为专家建议模块的主控程序，推理机的主要功能是协调控制整体系统[15]，针对数据采集模块采集的车载式变压器运行数据选取匹配的数据库实施推理，由此获取相应的运行信息特征。具体推理流程如图3所示。

图2 专家建议模块基本结构

在确定车载式变压器非正常运行条件下，知识库内用于提取运行信息特征的知识包括两种分别是局部特征量分析和油内溶解气体分析。采用电声定位法、统计算子分析法和神经网络分析法进行局部放电采集数据的特征提取，选取三比值法、神经网络分析法和特征气体法提取油内溶解气体采集数据的特征，不同特征提取方法均可单独获取一份车载式变压器运行信息特征提取结果，因此需采用加权算法进行信息融合实现车载式变压器运行信息特征提取。

推理过程中采用WM加权算法进行信息融合，表达式如下：（9）

上式内，θ、Ui和Ei分别表示最终信息特征提取结果、第i个专家的判断结果和第i个专家判断结果的权重。

2 实验分析

实验为验证本文设计的基于信息融合的车载式变压器运行信息特征提取系统的应用性能，选取某品牌汽车采用的96X40型车载式变压器为实验对象（见图4），采用本文系统提取其运行过程中的运行信息特征，判断其运行状态。

2.1 系统开发环境与运行环境

2.1.1 开发环境

本文系统开发过程中分别选取Microsoft Visual C++和SQL Srever2000 数据库作为系统开发环境与数据库。

作为可视化软件开发工具，Microsoft Visual C++由编辑器与调试器等组件构成，其具有强大功能，可实现面向对象与过程两种程序设计方法，能够编译不同类别的Windows程序。

SQL Srever2000采用使用者/服务器体系架构，可实现不同数据库服务器间的协同运行，在提供运用程序数据存储与OLAP处理功能的同时，还附加全面的图形管理工具与向导，可实现数据库的创建、配置与维护。

2.1.2 运行环境

实验过程中本文系统运行环境设定如表1所示，以确保系统的正常运行。

2.2 系统运行情况

图3 基于信息融合技术的推理分析流程

图4 实验对象

本文系统开发过程中选用使用者/服务器体系架构，其具有有序操作的特性，就是数据库服务器的相关服务不同终端均可使用。设计本文系统车载式变压器运行信息特征提取过程终端信息采集界面与运行信息特征提取显示界面，结果如图5所示。

图5（a）当前实验对象所示为油内溶解气体信息采集界面，其中包含C2H2、CH4、H2和CO2等特征气体含量。将所得信息传输至数据库服务器内，利用专家建议模块推理出当前实验对象运行信息特征，判断其运行状态，如图5（b）所示。由此验证了本文系统的有效性。

表1 系统运行环境

图5 系统界面设计

2.3 系统信息特征提取精度

实验为验证本文系统的信息特征提取精度，选取实验对象9组不同的油内溶解气体监测信息（见表2），分别采用本文系统和基于变分模态分解和独立分量分析的提取系统提取其信息特征，判断其运行状态，并将不同系统判断结果与实际结果相对比，结果如表3所示。

表2 油内溶解气体监测信息

表3 油内溶解气体信息状态判断精度

分析表3能够得到，本文系统提取实验对象运行信息特征，判断其运行状态的结果同实际运行状态的一致度与对比系统相比更高，这是由于本文系统采用信息融合技术，融合多方面的运行信息，能够全面、准确的描述不同运行状态的特征。

2.4 应用性能

实验为验证本文系统在车辆运行过程中的实际应用性能，选取100位相关领域中的专家学者，对上述两个系统提取实验对象运行信息特征结果对于车辆行驶安全的提升比例进行评估，100位学者平均分为10组，评估结果以百分制进行描述，结果如表4所示。

分析表4得到，采用本文系统提取实验对象运行信息特征，判断其运行状态，车辆行驶安全比例提升幅度均值达到7.17 %，与对对比系统相比提升3.84 %，由此可知本文系统具有更高的应用价值，可广泛推广。

3 结论

具有复杂结构与运行环境的车载式变压器，运行状态具有多样性、随机性与不确定性，导致其安全性能受到严重影响。本文设计基于信息融合的车载式变压器运行信息特征提取系统，针对车载式变压器局部放电信息采集结构和油内溶解气体信息采集结果等，采用不同分析方法获取信息特征，并将特征融合。本文系统在有效提取实验对象运行信息特征的基础上，提升实验对象运行状态判断精度，具有较高应用价值。

表4 专家评估结果