CN101251564A - 一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法 - Google Patents

Abstract

本发明涉及一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法。属电力主设备故障诊断技术领域。本发明以粗糙集属性约简方法对各种故障类型所需要的属性条件进行初步约简分类，然后建立变压器故障诊断的物元模型，以DGA测试数据作为变压器故障诊断属性集，以变压器标准故障模式作为变压器故障诊断决策集，利用可拓关联函数计算各种故障程度，定义故障取舍规则以确定变压器故障。本发明以某台变压器为实例进行分析，其诊断结果与实际情况相符；收集76条变压器DGA信息，利用该方法进行故障诊断，诊断正确率与IEC三比值法相比较高。

Description

一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法

技术领域：

本发明涉及一种利用可拓学与粗糙集理论相结合的电力变压器故障诊断方法。属电力主设备故障诊断技术领域。

背景技术：

电力变压器属电力系统中的重要设备，一旦发生故障，将带来巨大经济损失。因此电力变压器的安全稳定运行成为影响系统可靠性的重要因素。国内外一直把诊断电力变压器故障与在线监测技术作为重要的科研攻关项目。现在大多数运用的在线监测技术有局部放电法、介质损耗测试法及油色谱分析法等等，其中油色谱分析法已经被广泛应用。因为变压器油中溶解气体并不携带足够的故障部位信息，所以近来以溶解气体分析为主结合其它电气试验结果的综合诊断方法如概率推理、判决树、信息融合、Petri网络等引起了学者们的兴趣。然而，在处理故障信息时，很多数据属于重复无用的数据，对于故障诊断不仅无用处，反而混淆研究人员的视线。

发明内容：

本发明针对以上情况，特别是鉴于常用的三比值法诊断变压器故障时会出现“无编码”情况，发明一种以物元模型为基础，利用粗糙集属性约简简化物元属性，再利用可拓关联函数计算故障程度，定义变压器故障取舍规则确定变压器故障。具体的讲就是以粗糙集属性约简方法对各种故障类型所需要的属性条件进行初步约简分类，然后建立变压器故障诊断的物元模型，以油中含有气体测试数据作为变压器故障诊断属性集，以变压器标准故障模式作为变压器故障诊断决策集，利用可拓关联函数计算各种故障程度，定义故障取舍规则以确定变压器故障。

本发明可拓学与粗糙集理论相结合的电力变压器故障诊断方法是：采集需诊断变压器的定检数据及形成的初步故障属性集与决策集，利用粗糙集理论中的属性约简和知识约简方法，将该变压器故障信息中多数无用的、甚至会对故障诊断产生干扰的信息进行约简，利用约简后的信息建立变压器故障诊断物元模型，并通过可拓学对其进行故障诊断，获得该变压器故障诊断结论，通过输出端口输出信息，显示故障诊断结果。

具体故障诊断步骤如下：

(1)采集需诊断变压器的定检数据及形成的初步故障属性集与决策集

(2)对变压器故障信息进行约简

变压器故障信息约简采用两种方法：

a.用两者依赖程度的差来确定重要性：

k(D)＝r_B(D)-r_B-B’(D)

其中：B为属性集；B’为属性集中某子集；r_B(D)为B对D的依赖性；r_B-B’(D)为B-B’对D的依赖性；k(D)为重要性两属性子集间的重要性数值。

b.利用两者等价关系的正域之商表示

$n\left(D\right)=\frac{{\mathrm{pos}}_{B-B^{\′}}\left(D\right)}{{\mathrm{pos}}_B\left(D\right)}$

其中：pos_B(D)为B对D的等价关系；pos_B-B’(D)为B-B’对D的等价关系；n(D)为两者的重要性。

c.假设两者的约简结果不相同，利用下面的结果取舍规则确定最终结果：

if n₁＞n₂ then Y’_ij(n)＝y’_ij(n₁)

else if n₁＜n₂ then Y’_ij(n)＝y”_ij(n₂)

else then Y’_ij(n)＝y”_ij(n₁)＝y’_ij(n₂)

(3)利用约简后的信息建立变压器故障物元模型及现状物元模型；

(4)对故障物元模型及现状物元模型计算可拓关联函数值；

(5)确定故障诊断权系数并输出故障诊断结果。

采用专家经验与样本故障类型概率相结合的方式，确定设备故障可能性的权系数，即利用样本中某类故障占样本故障类型的百分比对专家经验再次加权，具体方法如下：

以故障Y₁为例，收集变压器故障Y₁样本m条，其中因为条件X_j而导致的故障为s_j条，则初步权系数为：

${\mathrm{\β}}_j=\frac{s_j}{m}$

而根据专家经验和专业知识确定各属性条件得重要程度为：α_j(j＝1，2，...n_i)，其中10≥α_j≥1，则最终对于故障Y₁的属性条件权系数为：

${{\mathrm{\α}}^{\′}}_j=\frac{{\mathrm{\α}}_j{\mathrm{\β}}_j}{\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{\mathrm{\α}}_j{\mathrm{\β}}_j}$

利用变压器出现三重以上的故障可能性相当少的经验，作为变压器故障取舍的规则并确定变压器的故障类型，

标准化各故障程度：

${\mathrm{\λ}}^{\′}\left[I_i\left(N\right)\right]=\frac{2\mathrm{\λ}\left[I_i\left(N\right)\right]-{\mathrm{\λ}}_{\max }-{\mathrm{\λ}}_{\min }}{{\mathrm{\λ}}_{\max }-{\mathrm{\λ}}_{\min }}(i=\mathrm{1,2}...N)$

设μ为排列中第一λ₁’与第二λ₂’的相对误差，则：

$\mathrm{\μ}=\frac{{\mathrm{\λ}}_1^{\′}-{\mathrm{\λ}}_2^{\′}}{{\mathrm{\λ}}_1^{\′}}\×100\%$

由于变压器出现三重及其以上故障的机率非常小，只考虑变压器出现两重故障的情况；对各λ’做降幂排列，假设λ_b为最终确定的变压器故障类型，λ_m为排列中的首位λ’；变压器故障确定规则如下：

ifλ’_m≤0then λ_b＝0

else ifλ_m＞0&&μ＞5％thenλ_b＝λ’_m

else ifλ’_m＞0&&μ＜5％then(λ_b＝λ’m&&λ_b＝λ’_m-1)。

采用本发明方法对变压器进行故障诊断，不仅在诊断正确度上无影响，诊断的难度将会大大下降，诊断的速度将会有大的提高。

附图说明

图1本发明诊断变压器故障流程图。

具体实施方式

一、数据收集

本发明以某220kV变电站#1主变为实例进行故障诊断，收集04～06年变压器定检数据建立初步故障属性集与决策集如表1所示。

          表1变压器定检数据及形成的初步故障属性集与决策集

二、故障诊断方法具体步骤如下

(1)利用粗糙集属性约简与知识约简方法，对变压器故障类型及变压器故障信息进行约简。

a.利用两者依赖程度的差确定重要性

对于粗糙集中属性D导出的分类的属性子集的重要性，用两者依赖程度的差来确定重要性的方法如式(1)。

k(D)＝r_B(D)-r_B-B’(D)                (1)

其中：B为属性集；B’为属性集中某子集；r_B(D)为B对D的依赖性；r_B-B’(D)为B-B’对D的依赖性；k(D)为重要性两属性子集间的重要性数值。

b.利用两者等价关系的正域之商表示

建立B与D之间的等价关系，B中省略掉B’后建立B-B’对D的等价关系，利用两者等价关系的商度量两者的重要性，如式(2)：

$n\left(D\right)=\frac{\mathrm{po}{s}_{B-B^{\′}}\left(D\right)}{{\mathrm{pos}}_B\left(D\right)}---\left(2\right)$

其中：pos_B(D)为B对D的等价关系；pos_B-B’(D)为B-B’对D的等价关系；n(D)为两者的重要性。

c.约简结果取舍

由于根据2.1节两种方法进行约简，可能会出现两种约简结果，此处定义结果取舍规则确定最终结果。利用式(1)与(2)两种属性约简方法对故障元集属性表进行约简，分别计算出k₁(D)与k₂(D)，同时形成两个新的故障元集属性表y’_ij(n₁)与y’_ij(n₂)，其中：n₁与n₂为y’_ij(n₁)与y’_ij(n₂)的约简后属性条件个数。由于n₁与n₂可能不相等，则定义如下规则以求取新的故障元集属性表Y’_ij(n)：

if n₁＞n₂then Y’_ij(n)＝y’_ij(n₁)

else if n₁＜n₂ then Y’_ij(n)＝y”_ij(n₂)

else then Y’_ij(n)＝y”_ij(n₁)＝y’_ij(n₂)

不考虑方法1与方法2中属性条目个数相同而属性条目不同的情况，因为两种方法都是依赖于表中属性核进行约简的，也就是说两种方法的属性核是同一个核集，则其余属性条目必为附属属性，对于该故障类型影响不大，按照以上规则选取新的故障元集已经完全满足变压器故障诊断的要求。

(2)建立变压器物元模型

设发生故障的事物为N，若N产生故障I_i，则记为I_i(N)，(i＝1，2，...N)，且故障特征元集：

{M}＝{M_ij，i＝1，2...N；j＝1，2...k_i}           (3)

M_ij＝(C_ij，V_ij)，(i＝1，2，...N)                (4)

V_ij＝<a_ij，b_ij>                                 (5)

V′_ij＝<a′_ij，b′_ij>                           (6)

其中：V_ij为I_i(N)发生时的经典域；V’_ij为I_i(N)发生时关于C_ij的节域；a_ij与b_ij为I_i(N)发生时C_ij的上下限a’_ij与b’_ij为I_i(N)发生时的拓展上下限。

描述事物N的可能产生故障的物元集R_ij

$R_{\mathrm{ij}}=\left[\begin{array}{ccc}{I}_i\left(N\right)& C_{i1}& V_{i1}\\ & \&CenterDot;& \&CenterDot;\\ & \&CenterDot;& \&CenterDot;\\ & \&CenterDot;& \&CenterDot;\\ & C_{i{k}_i}& V_{i{k}_i}\end{array}\right](i=\mathrm{1,2},...N)---\left(7\right)$

描述事物N的现状物元R

$R=\left[\begin{array}{ccc}{I}_i\left(N\right)& C_{i1}& v_{i1}\\ & \&CenterDot;& \&CenterDot;\\ & \&CenterDot;& \&CenterDot;\\ & \&CenterDot;& \&CenterDot;\\ & C_{i{k}_i}& v_{i{k}_i}\end{array}\right](i=\mathrm{1,2},..N)---\left(8\right)$

(4)提取属性集V_ij与故障元集M_ij形成故障元集属性表y_ij(X_n)。

利用前文两种属性约简方法对故障元集属性表进行约简形成新的故障元集Y’_ij(n)。

(5)将Y’_ij(n)中的属性条件代入R_ij，形成新的可能产生故障的物元集R’_ij。

${R^{\&prime;}}_{\mathrm{ij}}=\left[\begin{array}{ccc}{I}_i\left(N\right)& C_{i1}& V_{i1}\\ & \&CenterDot;& \&CenterDot;\\ & \&CenterDot;& \&CenterDot;\\ & \&CenterDot;& \&CenterDot;\\ & C_{i{n}_i}& V_{{\mathrm{in}}_i}\end{array}\right](i=\mathrm{1,2},...N)---\left(9\right)$

同理可得R’

$R^{\&prime;}=\left[\begin{array}{ccc}{I}_i\left(N\right)& C_{i1}& v_{i1}\\ & \&CenterDot;& \&CenterDot;\\ & \&CenterDot;& \&CenterDot;\\ & \&CenterDot;& \&CenterDot;\\ & C_{i{n}_i}& v_{i{n}_i}\end{array}\right](i=\mathrm{1,2},...N)---\left(10\right)$

(6)计算关联函数值

$K_{\mathrm{ij}}\left(v_{\mathrm{ij}}\right)=\frac{\mathrm{\&rho;}(v_{\mathrm{ij}},V_{\mathrm{ij}})}{\mathrm{\&rho;}(v_{\mathrm{ij}},{V^{\&prime;}}_{\mathrm{ij}})-\mathrm{\&rho;}(v_{\mathrm{ij}},V_{\mathrm{ij}})}---\left(11\right)$

或当ρ(v_ij，V′_ij)-ρ(v_ij，V_ij)＝0时

$K_{\mathrm{ij}}\left(v_{\mathrm{ij}}\right)=\frac{\mathrm{\&rho;}(v_{\mathrm{ij}},V_{\mathrm{ij}})}{\left|V_{\mathrm{ij}}\right|}---\left(12\right)$

其中：

ρ(v_ij，V_ij)＝|v_ij-0.5(a_ij+b_ij)|-0.5(b_ij-a_ij)         (13)

(7)确定权系数

一般权系数的确定都采用专家经验，此处为避免专家经验的主观性，采用专家经验与样本故障类型概率相结合的方法确定设备故障可能性的权系数，即利用样本中某类故障占样本故障类型的百分比对专家经验再次加权，此方式所得的权系数既避免了专家经验的主观性也避免了因为样本数量不足导致的权系数不够准确的问题。具体方法如下：

以故障Y₁为例，收集变压器故障Y₁样本m条，其中因为条件X_j而导致的故障为S_j条，则初步权系数为：

${\mathrm{\&beta;}}_j=\frac{s_j}{m}---\left(14\right)$

而根据专家经验和专业知识确定各属性条件得重要程度为：α_j(j＝1，2，...n_i)，其中10≥α_j≥1。则最终对于故障Y₁的属性条件权系数为：

${{\mathrm{\&alpha;}}^{\&prime;}}_j=\frac{{\mathrm{\&alpha;}}_j{\mathrm{\&beta;}}_j}{\underset{j=1}{\overset{n_i}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_j{\mathrm{\&beta;}}_j}---\left(15\right)$

(8)计算各故障的程度

$\mathrm{\&lambda;}\left[I_i\left(N\right)\right]=\underset{j=1}{\overset{n_i}{\mathrm{\&Sigma;}}}{{\mathrm{\&alpha;}}^{\&prime;}}_{\mathrm{ij}}{K}_{\mathrm{ij}}\left(v_{\mathrm{ij}}\right)(i=\mathrm{1,2},...N)---\left(16\right)$

(9)确定产生何种故障

标准化各故障程度：

${\mathrm{\&lambda;}}^{\&prime;}\left[I_i\left(N\right)\right]=\frac{2\mathrm{\&lambda;}\left[I_i\left(N\right)\right]-{\mathrm{\&lambda;}}_{\max }-{\mathrm{\&lambda;}}_{\min }}{{\mathrm{\&lambda;}}_{\max }-{\mathrm{\&lambda;}}_{\min }}(i=\mathrm{1,2},...N)---\left(17\right)$

设μ为排列中第一λ₁’与第二λ₂’的相对误差，则：

$\mathrm{\&mu;}=\frac{{\mathrm{\&lambda;}}_1^{\&prime;}-{\mathrm{\&lambda;}}_2^{\&prime;}}{{\mathrm{\&lambda;}}_1^{\&prime;}}\&times;100\%---\left(18\right)$

由于变压器出现3重及其以上故障的机率非常小，只考虑变压器出现两重故障的情况。对各λ’做降幂排列，假设λ_b为最终确定的变压器故障类型，λ_m为排列中的首位λ’。变压器故障确定规则如下：

ifλ’_m≤0then λ_b＝0

else ifλ’_m＞0&&μ＞5％then λ_b＝λ’_m

else ifλ’_m＞0&&μ＜5％then(λ_b＝λ’m&&λ_b＝λ’_m-1)

通常一般权系数的确定都采用专家经验，为避免专家经验的主观性，本发明方法所得的权系数既避免了专家经验的主观性也避免了因为样本数量不足导致的权系数不够准确的问题。

三、计算结果及分析

借用无编码比值法中的故障类型作为本方法的决策集。将故障类型进行详细分类，对各种分类情况下的属性进行约简，约简后结果如表2所示。

                     表2各类故障相关属性表

应用本方法诊断该220kV变电站#1主变04～06年故障情况，诊断结果如表3。

                     表3诊断结果

本结果与IEC诊断结果比较，06年诊断结果与IEC法结果不相同。IEC诊断结果为故障模式6，即高能放电；可拓方法诊断结果为高能放电加放热故障；06年该变压器定检时，通过对变压器故障部位外观结合测试数据分析为高能放电加放热故障，与计算结果相符合。

本发明以某台变压器为实例进行分析，其诊断结果与实际情况相符；收集76条变压器油中含有气体测试数据信息，利用该方法进行故障诊断，诊断正确率与IEC三比值法相比较高。

Claims (4)

1、一种可拓学与粗糙集理论相结合的电力变压器故障诊断方法，其特征在于采集需诊断变压器的定检数据及形成的初步故障属性集与决策集，利用粗糙集理论中的属性约简和知识约简方法，将该变压器故障信息中多数无用的、甚至会对故障诊断产生干扰的信息进行约简，利用约简后的信息建立变压器故障诊断物元模型，并通过可拓学对其进行故障诊断，获得该变压器故障诊断结论，通过输出端口输出信息，显示故障诊断结果。

2、根据权利要求1所述的可拓学与粗糙集理论相结合的电力变压器故障诊断方法，其特征在于故障诊断具体步骤如下：

(1)采集需诊断变压器的定检数据及形成的初步故障属性集与决策集

(2)对变压器故障信息进行约简

变压器故障信息约简采用两种方式：

a.用两者依赖程度的差来确定重要性：

k(D)＝r_B(D)-r_B-B’(D)

其中：B为属性集；B’为属性集中某子集；r_B(D)为B对D的依赖性；r_B-B’(D)为B-B’对D的依赖性；k(D)为重要性两属性子集间的重要性数值；

b.利用两者等价关系的正域之商表示

$n\left(D\right)=\frac{{\mathrm{pos}}_{B-B^{\&prime;}}\left(D\right)}{{\mathrm{pos}}_B\left(D\right)}$

其中：pos_B(D)为B对D的等价关系；pos_B-B’(D)为B-B’对D的等价关系；n(D)为两者的重要性；

c.假设两者的约简结果不相同，利用下面的结果取舍规则确定最终结果：

if n₁＞n₂ then Y’_ij(n)＝y’_ij(n₁)

else if n₁＜n₂ then Y’_ij(n)＝y”_ij(n₂)

else then Y’_ij(n)＝y”_ij(n₁)＝y’_ij(n₂)

(3)利用约简后的信息建立变压器故障物元模型及现状物元模型；

(4)对故障物元模型及现状物元模型计算可拓关联函数值；

(5)确定故障诊断权系数并输出故障诊断结果。

3、根据权利要求1或2所述的可拓学与粗糙集理论相结合的电力变压器故障诊断方法，其特征在于采用专家经验与样本故障类型概率相结合的方式，确定设备故障可能性的权系数，即利用样本中某类故障占样本故障类型的百分比对专家经验再次加权，具体方法如下：

以故障Y₁为例，收集变压器故障Y₁样本m条，其中因为条件X_j而导致的故障为s_j条，则初步权系数为：

${\mathrm{\&beta;}}_j=\frac{s_j}{m}$

而根据专家经验和专业知识确定各属性条件得重要程度为：α_j(j＝1，2，...n_i)，其中10≥α_j≥1，则最终对于故障Y₁的属性条件权系数为：

${{\mathrm{\&alpha;}}^{\&prime;}}_j=\frac{{\mathrm{\&alpha;}}_j{\mathrm{\&beta;}}_j}{\underset{j=1}{\overset{n_i}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_j{\mathrm{\&beta;}}_j}$

4、根据权利要求1或2所述的可拓学与粗糙集理论相结合的电力变压器故障诊断方法，其特征在于利用变压器出现三重以上的故障可能性相当少的经验，作为变压器故障取舍的规则并确定变压器的故障类型，

标准化各故障程度：

${\mathrm{\&lambda;}}^{\&prime;}\left[I_i\left(N\right)\right]=\frac{2\mathrm{\&lambda;}\left[I_i\left(N\right)\right]-{\mathrm{\&lambda;}}_{\max }-{\mathrm{\&lambda;}}_{\min }}{{\mathrm{\&lambda;}}_{\max }-{\mathrm{\&lambda;}}_{\min }}(i=\mathrm{1,2},...N)$

设μ为排列中第一λ₁’与第二λ₂’的相对误差，则：

$\mathrm{\&mu;}=\frac{{\mathrm{\&lambda;}}_1^{\&prime;}-{\mathrm{\&lambda;}}_2^{\&prime;}}{{\mathrm{\&lambda;}}_1^{\&prime;}}\&times;100\%$

由于变压器出现三重及其以上故障的机率非常小，只考虑变压器出现两重故障的情况；对各λ’做降幂排列，假设λ_b为最终确定的变压器故障类型，λ_m为排列中的首位λ’；变压器故障确定规则如下：

if λ’_m≤0then λ_b＝0

else ifλ’_m＞0&&μ＞5％thenλ_b＝λ’_m

else ifλ’_m＞0&&μ＜5％then(λ_b＝λ’m&&λ_b＝λ’_m-1)。

Images