特征優(yōu)化和模糊理論在變壓器故障診斷中的應用

劉 凱，彭維捷，楊學君

?

特征優(yōu)化和模糊理論在變壓器故障診斷中的應用

劉 凱1，彭維捷2，楊學君3

(1.長沙民政職業(yè)技術學院電子信息工程學院，湖南 長沙 410014；2.長沙商貿旅游學院，湖南 長沙 410004；3.中國礦業(yè)大學信息與電氣工程學院，江蘇 徐州 221008)

針對變壓器故障特征與故障類型關系模糊造成的三比值法編碼缺失、臨界值判據缺損以及同時發(fā)生的多種故障難以區(qū)分問題，提出了基于特征優(yōu)化和模糊理論的變壓器故障診斷方法。將測量空間中的每種故障數據分別通過高斯核函數映射至希爾伯特空間，利用主成分分析法提取主元，以主元張成的特征子空間作為最優(yōu)故障特征，據此構造該種故障下的故障測度隸屬度函數，根據最大隸屬度原則判斷故障類型。特征子空間既保留了測量空間的故障特征，同時根據核理論維度拓展特點，又能生成更有效度量故障的新特征，從而建立最優(yōu)故障特征與故障類型的一一對應關系。實例分析表明，該方法的準確率高，能夠彌補三比值法的不足。通過比較故障數據對于每種故障的隸屬度，能夠獲知診斷結果的可靠性，當多種故障同時發(fā)生時，診斷結果能夠為維修人員提供有益參考。

變壓器；模糊理論；核主成分分析；特征優(yōu)化；故障測度隸屬函數；三比值法；故障診斷

0 引言

油中溶解氣體分析技術是變壓器故障診斷的重要依據，在此基礎上形成的變壓器故障診斷方法有基于絕對故障數據的學習型模型和基于相對故障數據的比值法模型[1-3]。基于絕對故障數據的學習型模型如神經網絡、支持向量機等通過利用故障后的絕對數據在測量空間的維度內優(yōu)化參數進行故障診斷[4-5]。對于不同的變壓器而言，氣體產生的速率受其運行年限、運行方式及運行環(huán)境的影響，因此基于絕對故障數據的學習型模型的泛化能力較差?；谙鄬收蠑祿谋戎捣Ｐ腿缛戎捣ㄊ恰秶覙藴首儔浩饔椭腥芙鈿怏w分析和判斷導則》所推薦的故障診斷技術，也是現在國內外使用最廣泛的變壓器故障判斷方法[6-9]。但是此方法存在比值編碼缺失的問題，導致有些故障類型不能夠準確判斷；對于已有的編碼，其邊界難于確定；當同時發(fā)生多種故障時，故障難以區(qū)分。目前，“不完備信息情況下的判斷缺陷”和“屬性取值邊界過于苛刻”[10-11]成為當前研究的熱點問題。

文獻[12]提出了柔性分類的思想，應用B樣條理論改進三比值法，但其本質上是一種二分類方法，當多種故障同時發(fā)生時，故障類型判斷不完整；對于電力變壓器故障，其故障現象與故障機理間存在著隨機性和不確定性。因此，模糊理論在變壓器故障診斷中具有廣闊的應用前景。文獻[13]提出了基于加權模糊聚類的診斷方法，改善了編碼缺失問題，其構造的隸屬度函數單純地考慮采樣點與聚類中心的幾何距離，以此描述故障特征不夠合理；文獻[14]提出利用模糊粗糙集來解決編碼缺失和故障分界問題，但其聚類中心也是基于幾何距離確定的。

目前的DGA技術都是在歐氏空間內對測量數據進行處理來提取、選擇度量故障的特征。從實際應用效果來看，這些特征對故障的度量不夠有效，不能夠建立故障特征與故障類型的一一對應關系。為此本文提出基于KPCA技術和模糊理論的診斷方法：將測量空間的故障數據變換到希爾伯特空間，挖掘能夠最有效度量每種故障的本質特征——特征子空間，據此構造該故障下的故障測度隸屬函數。特征子空間提高了判據的有效性和適用性。實例分析表明，本文方法能夠解決編碼缺失、故障分界困難以及多種故障同時發(fā)生難以區(qū)分的問題。

1 核主成分分析(KPCA)

KPCA基本思想[15-16]是引入非線性映射，將測量空間的樣本(為系統(tǒng)輸入)映射到高維特征空間，在高維特征空間中對映射數據的協(xié)方差矩陣進行特征值分解，找到主元。協(xié)方差矩陣表示為

(2)

將每個樣本與其內積可得

(4)

(6)

核理論的重要作用在與其可以拓展各種變量間的關系同時將歐式空間的非線性關系在希爾伯特空間線性化。以2階多項式核函數為例：

在高維特征空間其表現為

由此可看出，核理論豐富了變量間的關系，對于尋找故障現象與故障特征的一一對應關系提供了一條可行思路。

通常，高斯核函數具有形式更加多樣化的高維映射能力，甚至可以映射至無窮維(泛函空間)其核函數(為核參數)形式為

2 基于KPCA故障特征子空間

(9)

在特征空間，故障數據與由特征向量張成的特征子空間的夾角越小，其內積越大，說明與該種故障的相似度越大；否則內積越小，相似度越小。

3 故障隸屬度函數

對于模糊理論，其重要內容便是構造合理的隸屬度函數。合理的隸屬度函數對于最終決策具有重要意義。本文提出根據故障特征子空間構造各種故障測度隸屬函數。輸入數據映射值與特征子空間的夾角越小，說明與該特征子空間的相似度越高，根據隸屬度值判斷其相似度。

找到描述每種故障的特征子空間。當數據與特征子空間的相似度越大，隸屬于該故障的程度越大，否則越小?；谶@樣的原則，構建隸屬度函數：

在特征空間，我們不好確定特征向量的具體形式，因此，式(11)中特征向量的模長不容易確定。為此需要調整，以確定特征向量的模長。

(13)

當滿足式(13)時，隸屬度函數轉變?yōu)?/p>

4 核參數優(yōu)化

根據核主成分分析理論，主元方向都表征了測量空間中的數據特征，傳統(tǒng)的核主成分分析方法以最大限度保留原始信息為目標。事實上，我們希望找到的特征子空間能夠比三比值特征更有效地完備度量各種故障。基于目前三比值法的有效識別故障的能力，為了減小計算量、避免候選解數目巨大甚至無限，考慮在保留三比值包含的特征信息的基礎上進行改善、尋優(yōu)[17-20]。最優(yōu)特征子空間最大程度保留測量空間中三比值法的優(yōu)勢，同時又要保證與故障樣本庫中的數據相似度最大。

對原始信息的保留能力用累計貢獻率度量。

特征子空間對故障的完備性描述能力用描述度函數度量：

5 實例分析

實驗選用的變壓器DGA樣本均為220 kV或500 kV大型油浸式變壓器監(jiān)測樣本。搜集了來自供電局、煤礦變電站的變壓器監(jiān)測樣本300例，用于構建特征子空間。對數據進行分類，應用180組各類故障的數據建立故障的樣本庫。利用120組數據進行測試數據。

基于特征優(yōu)化和模糊理論的變壓器故障診斷算法具體步驟如下：

(1) 數據的標準化。考慮到實際中的特征各種氣體比值在量值上的差異、分布特征會影響診斷結果，需要先將IEC的三比值數據進行標準化處理，標準化處理方法為

(4) 得到特征子空間，根據式(15)計算待診斷數據對于各種故障的隸屬度，通過隸屬度最大原則進行判斷。若同時出現多個峰值，判斷為出現多種故障。

F0~F8分別表示正常情況、低能量密度局部放電、高能量密度局部放電、低能量放電、高能量放電、低溫過熱()、低溫過熱、中溫過熱、高溫過熱。

以低能量密度的局部放電為例，其核參數優(yōu)化過程如圖1(a)、圖1(b)和圖2(b)。對于低能量密度的局部放電核寬度時，主元個數為8，，時，主元數為4，。

綜合分析圖1和圖2(b)知，核參數的變化會影響對原始信息的保留能力，但對特征子空間描述故障的能力的影響更大。由此可看出特征子空間通過更多的主元既保留測量空間中的三比值特征，同時也在特征空間生成了更有效度量故障的新特征。

表1為對120組測試樣本數據的診斷結果及每種故障的最優(yōu)核參數優(yōu)化結果。對于各類故障，本文所述方法的正確率均在90%以上。

對于編碼缺失情況，三比值法會失效；當變壓器同時發(fā)生多種故障時，目前的診斷方法如神經網絡、支持向量機會失效，不能診斷出所有故障。根據文獻[10,14]數據，采用本文方法進行分析。

圖1 低能量密度局部放電故障不同核參數下的主元分布情況

按照IEC標準，表2編碼為111，用普通的三比值法診斷不出故障類型，因為三比值法編碼表中缺失該類編碼。利用本文所述方法的診斷結果見表3。根據本文所述方法，隸屬于F1的隸屬度最大，且與其他故障的隸屬度值相差較大，表明該診斷結果的可靠性很高。診斷結果為低能量密度局部放電，與實測結果一致。

表1 對樣本的診斷結果及參數設置

表2 編碼缺失故障發(fā)生組分記錄I

表3 基于特征優(yōu)化和模糊理論的診斷結果

表4 多種故障同時發(fā)生組分記錄II

表5 基于特征優(yōu)化和模糊理論的診斷結果

表4編碼為102，按照IEC標準屬于F4(高能放電)故障，但實際診斷結果為低能放電與高能放電同時存在。本文所述方法給出的診斷結果見表5。本文方法診斷結果是同時發(fā)生F2(高能量密度局部放電)、F3(低能量放電)、F4(高能量放電)，其中同時發(fā)生F3、F4(低能量放電、高能量放電)故障可能性最大，與實際情況相符。

6 結論

本文提出的基于特征優(yōu)化和模糊理論的變壓器故障診斷方法經試運行結果提高了傳統(tǒng)三比值法的故障診斷能力。

(1) 利用核理論對測量空間的維度拓展特點，在希爾伯特空間利用PCA技術優(yōu)化了特征提??；

(2) 根據最優(yōu)故障特征構建故障測度隸屬度函數能夠既保留了三比值法對現有編碼內故障的診斷能力，同時對編碼缺失、邊界確定困難、多種故障同時發(fā)生診斷困難問題提供了新的思路。

[1] KELLY J. Transformer fault diagnosis by dissolved gas analysis[J]. IEEE Transactions on Industry Application, 1980, 16(6): 777-782.

[2] Transformers Committee of the IEEE Power Engineering Society, USA. IEEE std C 57.104-1991, 1992. IEEE guide for the interpretation of gases generated in oil- immersed transformers[S]. 1992.

[3] 唐勇波, 桂衛(wèi)華, 彭濤, 等. PCA和KICA特征提取的變壓器故障診斷模型[J]. 高電壓技術, 2014, 40(2): 557-563.

TANG Yongbo, GUI Weihua, PENG Tao, et al. Transformer fault diagnosis model based on PCA and KICA feature extraction[J]. High Voltage Engineering, 2014, 40(2): 557-563.

[4] 薛浩然, 張珂珩, 李斌, 等. 基于布谷鳥算法和支持向量機的變壓器故障診斷[J]. 電力系統(tǒng)保護與控制, 2015, 43(8): 8-13.

XUE Haoran, ZHANG Keheng, LI Bin, et al. Fault diagnosis of transformer based on the cuckoo search and support vector machine[J]. Power System Protection and Control, 2015, 43(8): 8-13.

[5] BACHA K, SOUAHLIA S, GOSSA M. Power transformerfault diagnosis based on dissolved gas analysis by support vector machine[J]. Electric Power Systems Research, 2012, 83(1): 73-79.

[6] 公茂法, 張言攀, 柳巖妮, 等. 基于BP網絡算法優(yōu)化模糊Petri網的電力變壓器故障診斷[J]. 電力系統(tǒng)保護與控制, 2015, 43(3): 113-117.

GONG Maofa, ZHANG Yanpan, LIU Yanni, et al. Fault diagnosis of power transformers based on back propagation algorithm evolving fuzzy Petri nets[J].Power System Protection and Control, 2015, 43(3): 113-117.

[7] 張衛(wèi)華, 苑津莎, 王杉, 等. 基于改良三比值法的變 壓器故障基本信度分配計算方法[J]. 電力系統(tǒng)保護與控制, 2015, 43(7): 115-121.

ZHANG Weihua, YUAN Jinsha, WANG Shan, et al. A calculation method for transformer fault basic probability assignment based on improved three-ratio method[J]. Power System Protection and Control, 2015, 43(7): 115-121.

[8] 谷凱凱, 郭江. 緊致融合模糊集和故障樹的變壓器故障診斷[J]. 高電壓技術, 2014, 40(5): 1507-1513.

GU Kaikai, GUO Jiang. Transformer fault diagnosis method based on compact fusion of fuzzy set and fault tree[J]. High Voltage Engineering, 2014, 40(5): 1507-1513.

[9] 劉君, 游家訓, 梁薇, 等. 基于加權K近鄰算法的變壓器故障診斷[J]. 電氣自動化, 2010, 32(5): 59-61, 80.

LIU Jun, YOU Jiaxun, LIANG Wei, et al. Weighted K- NN algorithm for power transformer fault diagnosis[J]. Power System and Automation, 2010, 32(5): 59-61, 80.

[10] 楊廷方, 劉沛, 李景祿, 等. FCM結合IEC三比值法診斷變壓器故障[J]. 高電壓技術, 2007, 33(8): 66-70.

YANG Tingfang, LIU Pei, LI Jinglu, et al. New fault diagnosis method of power transformer by combination of FCM and IEC three-ratio method[J]. High Voltage Engineering,2007, 33(8): 66-70.

[11] 束洪春, 孫向飛, 司大軍. 電力變壓器故障診斷專家系統(tǒng)知識庫建立和維護的粗糙集方法[J]. 中國電機工程學報, 2002, 22(2): 32-36.

SHU Hongchun, SUN Xiangfei, SI Dajun. A RS approach to founding and maintaining ES knowledge base for fault diagnosis of power transformer[J]. Proceedings of the CSEE, 2002, 22(2): 32-36.

[12] 張衛(wèi)華, 苑津莎, 張鐵峰, 等. 應用B樣條理論改進的變壓器三比值故障診斷方法[J]. 中國電機工程學報, 2014, 34(24): 4129-4136.

ZHANG Weihua, YUAN Jinsha, ZHANG Tiefeng, et al. An improved three-ratio method for transformer fault diagnosis using B-spline theory[J]. Proceedings of the CSEE, 2014, 34(24): 4129-4136.

[13] 杜正聰, 牛高遠. 基于加權模糊聚類算法的變壓器故障診斷方法[J]. 高壓電器, 2014, 50(4): 42-48.

DU Zhengcong, NIU Gaoyuan. Transformer fault diagnosis based on weighted fuzzy clustering algorithm[J]. High Voltage Apparatus, 2014, 50(4): 42-48.

[14] 熊浩, 李衛(wèi)國, 暢廣輝, 等. 模糊粗糙集理論在變壓器故障診斷中的應用[J]. 中國電機工程學報, 2008, 28(7): 141-147.

XIONG Hao, LI Weiguo, CHANG Guanghui, et al. Application of fuzzy rough set theory to power transformer faults diagnosis[J]. Proceedings of the CSEE, 2008, 28(7): 141-147.

[15] 唐勇波. 改進特征樣本方法的KPCA變壓器故障檢測模型[J]. 計算機工程與應用, 2014, 50(21): 4-7.

TANG Yongbo. Kernel principal component analysis model for transformer fault detection based on modified feature sample[J]. Computer Engineering and Applications, 2014, 50(21): 4-7.

[16] 汪海濤, 張卓, 楊曉元, 等. 基于優(yōu)化特征加權支持向量機的隱寫分析方法[J]. 計算機應用研究, 2013, 30(7): 2105-2107.

WANG Haitao, ZHANG Zhuo, YANG Xiaoyuan, et al. Steganalysis method based on optimized feature weighted SVM[J]. Application Research of Computers, 2013, 30(7): 2105-2107.

[17] SHAWE-TAYLOR J, CRISTIANINI N. 模式分析的核方法[M]. 趙玲玲, 等譯. 北京: 機械工業(yè)出版社, 2006.

[18] VAN GESTEL T, SUYKENS A K, BAESENS B, et al. Benchmarking least squares support vector machine classifiers[J]. Machine Learning, 2004, 54(1): 5-32.

[19] HSU C W, LIN C J. A comparison of methods for multiclass support vector machines[J]. IEEE Transactions on Neural Networks, 2002, 13(2): 415-425.

[20] 萬家強, 王越, 劉羽. 改進KPCA對分類數據的特征提取[J]. 計算機工程與設計, 2010, 31(18): 4085-4088.

WAN Jiaqiang, WANG Yue, LIU Yu. Improvement of KPCA on feature extraction of classification data[J]. Computer Engineering and Design, 2010, 31(18): 4085-4088.

(編輯 周金梅)

Method of fault diagnosis for power transformer based on optimizing characteristics and the fuzzy theory

LIU Kai1, PENG Weijie2, YANG Xuejun3

(1.School of Electronic and Information Engineering, Changsha Social Work College, Changsha 410014, China; 2.Changsha Commerce & Tourism College, Changsha 410004, China; 3. School of Information and Electrical Engineering, China University of Mining & Technology, Xuzhou 221008, China)

For the problem of the lack of encoding, critical value difficult to determine and faults at the same time difficult to distinguish in the three-ratio method caused by the fuzzy relationship between transformer feature and fault types, a fault diagnosis method for power transformer based on optimizing characteristics and the fuzzy theory is proposed. Each fault data in the measurement-space is transformed to Hilbert space through the Gaussian kernel function firstly. Then, the method of PCA is used to extract fault features, which is regarded as the most effective features. Membership functions describing the fault character is built, and the type of fault can be identified according to the maximum membership degree. Feature subspace not only contains the information of fault characters from measurement space, but also generates the new characters as the ability of the kernel theory. Thus, the clear relation between fault characteristics and fault type is built. Example analysis shows that this method can make up for the inadequacy of three-ratio method. Similarities between fault data and its own fault and differences between fault data and not its own fault can be observed. When faults occur at the same time, the method can help the worker.

transformer; fuzzy theory; KPCA; optimizing characteristics; membership function of measuring fault; three-ratio method; fault diagnosis

10.7667/PSPC151515

湖南省教育廳科研項目(15C0082)

2015-08-26；

2015-10-16

劉 凱(1980-)，男，碩士,高級工程師，研究方向為嵌入式系統(tǒng)集成與計算機軟件開發(fā)應用研究；E-mail: 674798062@qq.com 楊學君(1988-)，男，碩士研究生，主要研究小電流接地系統(tǒng)故障選線及定位。E-mail: 2321297500@qq.com