基于信息融合技術的變壓器故障診斷

鄔連學， 張思睿

(河北石油職業技術大學 電氣與電子系，河北 承德 067000)

1 D-S證據理論思想

D-S證據理論最早是在1966年由Dempter提出的，后來Shafer又在其基礎上對D-S證據理論進行了擴展和完善，最終將其歸納為一套數學理論，通過映射的方式將命題和集合之間聯系起來，并在此基礎上引入相關函數來表達“不確定性”和“未知不明”等概念。

為了讓D-S證據理論[13]更完善，以保證診斷結果的可靠性，特意在識別框架Θ的基礎上構建了一種推理模型。其中Θ表示人們針對某一目標對象所能想到的合理性結果。簡單來說就是：在一些可靠證據的支持下，人們在所有能想到的合理性結果中會產生一個基本可信度分配[4]，該值就是證據在Θ上的體現，這也是人們做出最后判斷的一個重要依據。

在一個判決中，如果有好幾批證據是可以利用的話，即可得到同等數量的基本可信度分配[7]，這是D-S證據理論應用靈活性的一種體現。通常在獲得基本可信度分配后，就能求出它們的合成以及信任函數Bel，在D-S證據理論中，Bel就是人們判決所獲得的最后結果。

1.1 D-S證據理論融合規則

一個判決可能需要多批證據支持，假設用m1、m2、…，mn來表示Θ上不同的證據的BPA，則它們的正交即可用下列公式來表達：

(1)

(2)

公式(1)和公式(2)即代表D-S證據理論中理論融合的相關公式，證據間的沖突通常用K表示，且沖突的大小與該數值的大小呈正比關系。理論融合公式的最大優勢在于能在保證結果準確度的基礎上，對不同來源的證據進行高效融合[8]。

1.2 D-S證據理論在信息融合算法中的應用優勢

D-S證據理論在信息融合算法中的應用較為常見，它的基本特征是結合故障類型建立證據體，并給每個證據體分配概率指派函數，再利用證據合成規程對其進行合成，由此就能得出最大故障類型的特征[9]。和傳統證據理論相比，D-S證據理論在信息融合算法中的應用優勢主要體現在以下幾點：

1)不用結合以往故障類型的經驗，只需在D-S合成規程的基礎上，對相關不確定信息進行融合，結果更可靠、更準確。

2)針對具有沖突性的證據，D-S證據理論所融合的結果也在合理范圍內，不會違背相關標準。

3)每個證據的概率指派函數[10]所獲取的方法相對統一。

4)即便是面對海量證據，D-S證據理論也能保證信息融合的效率。

2 基于信息融合技術的變壓器故障診斷方法

信息融合診斷是一個比較復雜的過程，需要多種理論和技術支持。在同一個識別框架下，各個特征向量信息存在一定的差異性[11]，而D-S證據理論系統則能對每一個證據體來源進行診斷，結合診斷結果即可判斷出各個證據體的可信度，再對各個證據主元進行融合，就能得到最終的診斷結果，且該結果是可靠、準確的。

2.1 模型的建立

為了進一步提高變壓器故障類型的診斷正確率，結合D-S證據理論構建完善的故障診斷模型。將變壓器運行故障的特征向量構造劃分為多個故障特征向量，并將這些故障特征向量分別映射到BP神經網絡、Elman神經網絡[6]和概率神經網絡[5]，其結果輸出為具有初步判斷變壓器故障類型能力的新的特征向量[12]，再利用D-S證據理論融合規則對所輸入的特征向量進行融合，從而得出最終的診斷結果?；贒-S證據理論所完善的故障診斷模型如圖1所示。

2.2 網絡結構設計及仿真

通過圖1可以看出，基于信息融合技術的變壓器診斷方法的核心結構有兩部分構成。一部分是BP神經網絡，特征氣體含量是它的輸入，它的輸出是變壓器發生各類故障的概率值，將其稱為初步診斷層；另一部分是D-S信息融合部分，它的輸入是初步診斷層的輸出，它的輸出是變壓器的最終診斷結果，將其稱為最終診斷層。

1)網絡輸入設置

網絡的輸入有兩種方式，一種是以氫氣(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2)這五種特征氣體的含量值為輸入，另一種以C2H2/C2H4，CH4/H2，C2H4/C2H6六種氣體含量的三種比值為輸入。訓練樣本如表1所示。

表1 網絡試訓樣本

2)網絡輸出設置

網絡的輸出是變壓器的六種常見故障類型[1]，故障類型分類如表2所示。BP神經網絡、Elman神經網絡和概率神經網絡的輸出的數據表示變壓器發生某種故障的概率值[2]，同時也是基于融合技術的變壓器診斷方法的輸入。

表2 網絡輸出與變壓器故障的對應關系

3)網絡參數設置

初步診斷層的參數有輸入量的維度為3或5、輸出量的維度為6、隱藏層節點數為15、網絡誤差為0.001、訓練次數為2000。當輸入為5時，BP神經網絡、Elman神經網絡和概率神經網絡的誤差曲線如圖2所示。

3 變壓器故障診斷實例分析

某型號為SZ11-20000/35的故障變壓器，2019年6月21日，檢測人員利用色譜在線監測裝置對變壓器進行數據觀測時，發現變壓器絕緣油色譜分析數據較前一天變化異常，次日繼續觀察發現總烴含量有所增加，并有繼續增加的趨勢，其他特征氣體含量均有增加，工作人員初步判斷變壓器內部存在過熱故障，且溫度有不斷上升趨勢。兩次檢測的油色譜數據如表3所示。

表3 變壓器故障診斷樣本

由表3特征氣體含量，計算出三比值C2H2/C2H4=0.153 7，CH4/H2=1.118 7，C2H4/C2H6=4.074 8，編碼為122，對應的故障類型為電弧放電。

改良三比值法[3]初步認定變壓器為電弧放電故障，而變電站工作人員依據經驗診斷為過熱故障，為了確定正確診斷結果，需對變壓器故障進一步診斷。將故障特征量依次輸入BP神經網絡、Elman神經網絡和概率神經網絡，得到變壓器各個故障類型的概率分配如表4所示。

表4 各證據體的基本概率分配

從表4的診斷結果可見，BP神經網絡診斷為高溫過熱故障，Elman神經網絡和概率神經網絡診斷為電弧放電。將以上三種神經網絡的輸出數據進行融合，如表5所示。

表5 J1, J2, J3融合后的概率分配

從表5融合結果可以得出，該變壓器為電弧放電故障，而工作人員的經驗判斷是錯誤的。

4 結論

通過對變壓器故障的分析，可以確定基于信息融合技術的變壓器故障診斷方法為我們的變壓器故障診斷帶來了一個新的亮點，在故障診斷過程中部分綜合性故障也被診斷出來，基于信息融合技術的變壓器診斷方法相比于變壓器故障診斷的傳統方法準確率更高，糾錯能力更強。通過以上分析，可以得出以下結論：

1)基于信息融合技術的變壓器故障診斷方法的精度和準確度，依賴于三種神經網絡的準確度。

2)基于信息融合技術的變壓器故障診斷方法對常見的變壓器故障診斷方法具有糾錯能力。

3)基于信息融合技術的變壓器故障診斷方法隨著融合次數的增加，準確度會有明顯的提高。

為了進一步驗證診斷效果，本文對105組樣本進行了故障診斷，正確診斷數為100組，診斷準確率為95.24%。

通過基于BP神經網絡的變壓器故障診斷方法和基于信息融合技術的變壓器故障診斷方法，這兩種方法對變壓器故障診斷的準確率如表6所示。

表6 不同診斷方法準確率對比