基于信息融合的大型油浸电力变压器故障诊断

作者：尚勇 闫春江 严璋 曹俊岭

欢迎访问e展厅 展厅 5 变压器/变电设备展厅 电力变压器, 移动变电站, 变电站, 互感器, 电抗器, ... 摘 要: 由于大型电力变压器具有互补性、冗余性和较强的不确定性等特点，该文将信息融合的基本思想引入到变压器的故障诊断中。在信息融合的基本框架下，利用反向传播人工神经网络和证据推理技术，建立了一种新型的油浸式电力变压器故障综合诊断的多级决策融合模型。该模型将油中溶解气体分析与常规电气试验的结论紧密结合起来，并充分借鉴现场的运行、诊断和维修经验，具有较强的知识表示及不确定性处理能力。 关键词：电力变压器；故障诊断；信息融合；证据推理 1 引言 油中溶解气体分析技术是目前对油浸变压器进行故障诊断最方便、有效的手段之一，它能比较准确、可靠地发现逐步发展的潜伏性故障，防止由此引起重大事故。在油中溶解气体的诊断方面，主要采用IEC/IEEE推荐的方法；也有不少国家结合自己的具体情况，制定了各不相同的油中气体的“可接受水平”及故障判断规则[1]。我国相关规程基本上沿用IEC三比值法[2]，已为及时发现变压器故障隐患发挥了重要作用。但在现场应用中，也发现不少问题，主要有“缺编码”、编码边界过于绝对等；针对这些不足，各种智能技术如模糊推理、人工神经网络等被引入变压器的故障诊断中，取得了比较好的效果[3,4]。这些研究的主要目标是：基于油中溶解气体分析所提供的信息，判断故障的性质（如过热、放电等）并力求提高诊断的正确率。 深入分析变压器故障产气机理发现，油中溶解气体本身并不携带足够的故障部位信息；因此，仅仅依靠油中气体提供的信息进行故障诊断有较大的局限性。本文将信息融合的基本思想引入到变压器故障诊断中，充分利用油中溶解气体和各种电气试验、运行状况与检修的记录以及专家经验等故障相关信息，结合人工神经网络和证据推理技术提出了一种分层的、可靠的、开放的变压器综合故障诊断模型。该模型能够更有效地表达不确定知识和信息，更直观、逼真地模拟不确定性推理过程。 2 信息融合基础 信息融合的本质是系统的全面协调优化[5]：将不同来源、不同模式、不同媒质、不同时间、不同表示方法，特别是不同层次的信息加以有机地结合，寻求一种更为合理的准则来组合信息系统在时间和空间上的冗余和互补信息，以获得对被评估问题的一致性解释和全面的描述，从而使该系统获得比它的各个组成部分或其简单的加和更优越的性能。现有的信息融合数学模型主要采用嵌入约束模型、证据组合模型和人工神经网络模型等。 3 证据理论的基本原理 证据理论采用信度的“半可加性”原则，较好地对不确定性推理问题中主、客观性之间的矛盾进行了折衷处理。而且，证据理论下先验概率的获得比主观Bayes方法要容易得多，已经成为构造具有更强的不确定性处理能力专家系统的一种有效手段。以下给出证据理论的一些基本定义和定理[6]。 定理2 （Dempster-Shafer证据合成公式）设m1和m2是Q上的两个mass函数，对于m(F)=0及 在证据理论中，不同专家的经验和知识可以通过式(4)来有效融合；而某个诊断结论成立的可信度可以通过信任区间[Bel，Pl]来表示。 4 变压器故障信息的多级决策融合模型 准确的故障诊断需要多源信息的支持即对诊断的要求越高，越需要各方面更全面的信息。同时，离线与在线、在时间、空间上存在的差异以及不同试验对不同故障的灵敏度各不相同，使变压器的故障诊断信息表现出多层次性。为适应诊断信息这种“多层次”的特点，本文提出分级决策模型，逐步寻找支持信息，使变压器的故障诊断不断深入，逐渐靠近故障的真实情况；另一方面，采用分级决策也降低识别框架的复杂程度，减少证据组合的运算量，从而提高了证据推理的效率，如图1所示。 从图中可以看出，基于人工神经网络的故障诊断是多级决策融合的第一步；本文采用一组BP网络来提供一个最初步的决策支持。 5 基于BP网络的故障特征融合 5.1 基于油中溶解气体分析的故障分类 本文基于所搜集到的结论明确的1047台次故障变压器油中溶解气体分析数据，比较了IEC比值法和改良三比值法的性能，结果表明改良三比值法基本上解决了“缺编码”的问题，对过热、放电性故障判断的正确率达到90%以上。考虑到其本身优良的性能以及开发更新诊断方法的代价，本文将直接利用改良三比值法的判断结论。 在进一步分析故障本身特点的基础上，将变压器故障按部位主要分成电路、磁路和围屏故障等，并利用一组不同参数的BP网络进行模式识别。理论分析表明，在有限的信息支持下，故障的分类不宜过细，否则将可能导致识别方法的不可靠。 5.2 故障特征浓缩和选择 本文对980台次故障部位比较清楚的变压器油中溶解气体数据进行了统计分析，发现电路和磁路故障在各种气体组分含量之间并不存在比较明显的差异，并且分散性很大；因此，应当进行适当的数据预处理，才能保证BP网络能够对故障的部位进行可靠的识别。 考虑到CO、CO2的分散性及现场获得的数据中常有缺失，本文选取H2、CH4、C2H4、C2H6、C2H2为故障的特征气体，并以各个组分占氢烃气体总和的相对含量作为网络的“归一化”输入向量。为了预测网络的分类性能，对处理后的数据进行了统计，以511例高温过热故障的分析结果为例（磁路218例，电路293例），如表1所示。 进一步的统计分析表明，在显著性水平为a=0.05时，这五种组分相对含量之间的差异是显著的。这种显著性差异为BP网络可靠的模式分类能力提供了基本的保障。 5.3 故障信息的神经网络融合 在训练BP网络时，“典型样本”的选择对网络的泛化能力有很大影响。本文提出一种定性选择方法：先把这些“归一化”数据按氢烃气体总含量从小到大进行排序，再将排在最前和排在最后一定数量的数据分别划入训练样本集，则训练样本就包含了总样本中的绝大部分有效特征。当样本容量较小时，采用了泛化能力改进算法。网络的判别性能如表2所示。可见，BP网络良好的非线性映射能力在故障部位诊断的信息融合中取得较好的效果。 6 一级故障决策融合 一级诊断决策的目标是利用人工神经网络对油中溶解气体进行模式识别的结果，在变压器不停运的情况下，寻求相关证据对网络的判决结果进一步确认或纠正。如果完全缺乏相关证据，则人工神经网络的判决就是一级诊断决策融合的结果。 设Θ={F1, F2, F3}为一级故障识别框架，其中F1，F2，F3对应于故障发生在电路、磁路、围屏（含垫块或油中）等。 7 二级故障决策融合 二级诊断决策就是在一级决策的基础上，继续寻找相应的证据，对故障部位进一步判别，使故障诊断的结论逐步准确、精细——对应于识别框架的细化；这种细化使得故障判决的层次更加分明。根据故障发生的部位、原因，分别将前述粗分时的F1, F2, F3进行细化，得到识别框架：Q1={G1, G2, G3, G4, G5}，其中，各Gi依次表示故障发生在绕组、套管及引线、铁芯及夹件、分接开关和围屏处放电等。 在识别Q1的基础上，考虑到Q1中各种故障的支持证据之间有很强的独立性，将框架作进一步细化是合适的；在足够多证据的支持下，判决的结果将更加准确，这对故障排除和变压器维修更有指导意义。以绕组故障为例，细化的结果如表3所示。 充分考虑到现场试验检修的特点，在实际运用中，如果有时缺乏支持一级决策融合的相关证据，则推理也可直接从二级融合开始，而人工神经网络的判决结论将作为相关的证据参与组合。 8 故障诊断应用实例 某主变型号为SFZ9-31500/110，油重11.2 t，1997年4月投产。2000年3月25日发现主变油温达65 ℃，与当时所带20 000 kVA负荷及18 ℃的环境温度不符，判断主变内部可能存在过热性故障。该变压器的油中溶解气体分析结果如表4所示。 以下是故障诊断的分级决策融合过程： （1）设E={e1,e2,e3,e4}为证据空间，其中：e1为人工神经网络的判断为电路故障；e2为四比值法中CH4/H2=1→3；e3为降负荷运行后产气速率或气体含量上升；e4为铁芯对地绝缘电阻异常。 （2）在得到神经网络判断结论并对证据进行评估分析的基础上，得到参与一级决策融合的条件mass函数如表5所示。 （3） 通过对980台次部位明确的故障进行统计的结果，得到Q上的先验概率为：P(F1)=0.6143，P(F2)=0.3245，P(F3)=0.0612。根据式(3)、(4)，得到最终的基本信度为：m（{F1}）=0.0012，m({F2})= 0.9988； （4）由式(1)、(2)，故障的信任测度和似然测度为 Bel({F1})=0.0012， Pl({F1})=0.0012 Bel({F2})=0.9988， Pl({F2})=0.9988 故决策结果为{F2}：磁路故障——这与实际检查的结果相符。在本例中，因为支持磁路故障的信息冗余度比较大，即使BP网络得出错误的判断，一级决策融合结论的可靠性也不会有明显下降。 （5） 进入二级决策融合，进一步识别磁路故障：G3={H1,H2,H3}，各Hi分别反映多点接地、局部短路及漏磁故障。停电试验测得铁芯对地绝缘电阻近似于0，同理可得判断结果为 Bel({H1})=0.8450， Pl({H1})=0.8591 Bel({H2, H3})=0.1409， Pl({H2, H3})=0.1550 Bel({G3})=0.0141， Pl({G3})=0.0141 因此，决策融合的最终结论为{H1}：变压器存在“铁芯多点接地”故障，与现场检查结果一致。 9 结论 实例分析表明，基于信息融合的变压器综合故障诊断模型能够较好地模拟人类专家的不确定推理过程，使推理具有比较明确的物理意义。该模型对提高大型油浸电力变压器故障诊断的智能化水平及新型专家系统的构建，都将有重要意义。 参考文献 [1] Duval M, Langdeau F, Gervais P,et al.Acceptable gas-in-oil levels in generation and transmission power transformers, electrical insulation and dielectric phenomena[C]. Annual Report, Conference on 1990. [2] 中华人民共和国国家标准局（Bureau of Standards for the People’s Republic of China）．变压器油中溶解气体分析和判断导则（Guide to the analysis and diagnosis of gases dissolved in transformer oil）[S].中华人民共和国国家标准(Standard of the People’s Republic of China)，GB7252-87，国家标准局发布（Issued by the State Bureau of Standards）,1987. [3] Su Q, Mi C, et al. A fuzzy dissolved gas analysis method for the diagnosis of multiple incipient faults in a transformer[J]. IEEE Transactions on Power Systems, 2000,15(2)：593-598. [4] Islam S M, Wu T, Ledwich G. A novel fuzzy logic approach to transformer fault diagnosis[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2000,7(2)：177-186. [5] 谢红卫，汪浩，苏建志（Xie Hongwei, Wang Hao, Su Jianzhi）. 数据融合技术（The technique of data fusion）[J]. 系统工程与电子技术（Systems Engineering and Electronic Technology），1992，12：40-49. [6] 张文修，梁怡（Zhang Wenxiu, Liang Yi）. 不确定性推理原理（The uncertainty reasoning principles）[M]. 西安：西安交通大学出版社（Xi’an: Xi’an Jiaotong University Press），1996.(end)

文章内容仅供参考 (投稿) (如果您是本文作者，请点击此处) (2/20/2005)