CN107103361B - 基于粗糙集与回答集的变压器故障诊断方法和系统 - Google Patents

基于粗糙集与回答集的变压器故障诊断方法和系统 Download PDF

Info

Publication number
CN107103361B
CN107103361B CN201710238014.0A CN201710238014A CN107103361B CN 107103361 B CN107103361 B CN 107103361B CN 201710238014 A CN201710238014 A CN 201710238014A CN 107103361 B CN107103361 B CN 107103361B
Authority
CN
China
Prior art keywords
discharge
transformer
fault type
chb
chc
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710238014.0A
Other languages
English (en)
Other versions
CN107103361A (zh
Inventor
赵岭忠
熊远武
朱森
侯权
钱俊彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201710238014.0A priority Critical patent/CN107103361B/zh
Publication of CN107103361A publication Critical patent/CN107103361A/zh
Application granted granted Critical
Publication of CN107103361B publication Critical patent/CN107103361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/04Inference or reasoning models
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02Column chromatography
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1263Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Relating To Insulation (AREA)
  • Housings And Mounting Of Transformers (AREA)

Abstract

本发明公开一种基于粗糙集与回答集的变压器故障诊断方法和系统,通过故障编码对应相应的故障类型,从而构成故障诊断知识库,通过气体采样器采集特征气体含量与知识库中的知识匹配,最终自动产生诊断结果。本发明是以知识表示为基础,以实用化为目的,可以轻松的处理庞大的未加整理的知识,能够与知识的追加、修正和清除进行简单地对应,适用于规则和数据具有模糊度的场合。本发明将粗糙集理论与ASP程序相结合,构建了基于粗糙集理论与ASP的变压器故障诊断专家系统‑‑RS‑ASP,该方法对三比值法的临界值进行处理,使原三比值法更加完整,准确率更高。

Description

基于粗糙集与回答集的变压器故障诊断方法和系统
技术领域
本发明涉及电力变压器故障诊断技术领域,具体涉及一种基于粗糙集理论的变压器故障诊断方法和系统。
背景技术
维护变压器正常运行是保证整个电力系统可靠供电的基础。但随着城市化的发展,用电量不断增大,变压器出现故障的可能性也随之增大,如果不能及时发现并处理这些故障,将会对电网的安全可靠性造成很大的威胁,因此如何快速准确的诊断变压器故障是当前学术界研究的一个重点。
目前,诊断电力变压器故障的方法主要有两大类,电气试验法和油中溶解气体分析法(Disssolved Gas Analysis,简称DGA)。其中,DGA方法中的三比值法是综合判断变压器故障的重要手段之一,在变压器故障诊断中应用最广。相对于传统的电气试验方法,三比值法在变压器故障诊断中更加有效,尤其是对某些局部故障和发热缺陷。但经长期的实践和大量的故障诊断数据显示,三比值法也存在一定的不足,如缺少编码、编码区间过于绝对化,以及在一些情况下会出现无法判断或判断失误的可能,有较大的局限性。
为此,国内外学者在DGA的基础上充分结合各种人工智能技术判断变压器故障类型,主要方法有三类:基于集合论的方法,基于智能程序系统的方法以及基于机器学习的方法。1)基于集合论的方法,如模糊集理论、粗糙集理论等。模糊集理论无需建立精确的数学模型,且诊断速度快,但是模糊理论对变压器故障诊断的设计缺乏系统性,无法定义控制目标;粗糙集理论可以处理各种缺省信息,较大程度的提高了原有变压器故障诊断的准确率,但该方法离散化以后约简程度不高。2)基于智能程序系统的方法,如专家系统。专家系统可以使各领域专家的经验很好地结合在一起,解决复杂问题,但如果知识库获取不完备,则会导致推理的不严谨甚至得出错误的结论。3)基于机器学习的方法,如人工神经网络,贝叶斯网络等。该方法有很强的自学能力,但需要获取大量历史数据且运算速度较慢,限制了该方法的实用性。
发明内容
本发明所要解决的是现有变压器故障诊断方法所存在的问题,提供一种基于粗糙集理论的变压器故障诊断方法和系统。
为解决上述问题,本发明是通过以下技术方案实现的:
基于粗糙集理论的变压器故障诊断方法,包括如下步骤:
步骤1、将变压器故障时所产生的特征气体从变压器油中分离出来;
步骤2、对分离出的特征气体进行检测,获得特征气体的组分类型和各组分的含量;
步骤3、将特征气体中各组分含量进行比值,通过粗糙集理论将比值的大小进行编码并分类,从而生成相对应的谓词,最后构成ASP知识库中的事实集;
步骤4、将电力专家的知识转换成规则集:
步骤5、由步骤4的规则集构成推理机,并对故障3的事实集进行推理,由此获得故障诊断结果;
步骤6、对故障诊断结果进行显示。
步骤1中,利用聚四氟乙烯高分子膜使变压器油气分离。
步骤2的具体过程为:
步骤2.1、将分离出的特征气体,由载气带入色谱柱;
步骤2.2、通过对特征气体中不同组分有不同保留性能的色谱柱,使特征气体中的各组分分离;
步骤2.3、将分离后的各组分依次导入检测器,以得到各组分的检测信号;
步骤2.4、按照导入检测器的先后次序,区别出各组分的具体类型,并根据峰高度或峰面积计算出各组分含量;
步骤2.5、将各组分进行非电量转换,转换成电信号记录下来,并传送给事实转换器。
步骤3中的事实集为:
Figure BDA0001268563280000021
Figure BDA0001268563280000031
步骤5中的规则集为:
原子 含义
Nor_Old 正常老化
Par_discharge 局部放电
Low_Temp(0,150) 低温过热(≤150℃)
Low_Temp(150,300) 低温过热(>150℃,≤300℃)
Mid_Temp(300,700) 中温过热(>300℃,≤700℃)
High_Temp(higher700) 高温过热(>700℃)
Elec_arc_discharge 电弧放电
Elec_arc_discharge_overhot 电弧放电兼过热
Low_power_discharge 低能放电
Low_power_discharge_overhot 低能放电兼过热
CHa(X) C<sub>2</sub>H<sub>2</sub>/C<sub>2</sub>H<sub>4</sub>
CHb(Y) CH<sub>4</sub>/H<sub>2</sub>
CHc(Z) C<sub>2</sub>H<sub>4</sub>/C<sub>2</sub>H<sub>6</sub>
Hydrogen(H) 氢气(H<sub>2</sub>)含量
Methane(M) 甲烷(CH<sub>4</sub>)含量
Ethane(T) 乙烷(C<sub>2</sub>H<sub>6</sub>)含量
Ethylene(E) 乙烯(C<sub>2</sub>H<sub>4</sub>)含量
Acetylene(A) 乙炔(C<sub>2</sub>H<sub>2</sub>)含量
Sum(Q,H,M) 氢气和甲烷的总量
该规则集的规则具体如下:
①Nor_Old:-CHa(X),CHb(Y),CHc(Z),X=0,Y=0,Z=0;表示当X=0,Y=0,Z=0时故障类型为正常老化;
②Par_discharge:-CHa(X),CHb(Y),CHc(Z),X=0,Y=1,Z=0;表示当X=0,Y=1,Z=0时故障类型为局部放电;
③Low_Temp(0,150):-CHa(X),CHb(Y),CHc(Z),X=0,Y=0,Z=1;表示当X=0,Y=0,Z=1时故障类型为0~150℃的低温过热;
④Low_Temp(150,300):-CHa(X),CHb(Y),CHc(Z),X=0,Y=2,Z=0;表示当X=0,Y=2,Z=0时故障类型为150~300℃的低温过热;
⑤Mid_Temp(300,700):-CHa(X),CHb(Y),CHc(Z),X=0,Y=2,Z=1;表示当X=0,Y=2,Z=1时故障类型为300~700℃的中温过热;
⑥High_Temp(higher700):-CHa(X),CHb(Y),CHc(Z),X=0,Y>=0,Y<=2,Z=2;表示当X=0,Y>=0且Y<=2,Z=2时故障类型为700℃以上的高温过热;
⑦Elec_arc_discharge:-CHa(X),CHb(Y),CHc(Z),X=1,Y=0,Z>=1,Z<=2;表示当X=1,Y=0,Z=1,2时故障类型为电弧放电;
⑧Elec_arc_discharge:-CHa(X),CHb(Y),CHc(Z),X=1,Y=1,Z>=0,Z<=2;表示当X=1,Y=1,Z=0,1,2时故障类型为电弧放电
⑨Elec_arc_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=1,Y=2,Z=0;表示X=1,Y=2,Z=0时故障类型为电弧放电兼过热;
⑩Elec_arc_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=1,Y=2,Z=2;表示X=1,Y=2,Z=2时故障类型为电弧放电兼过热;
Figure BDA0001268563280000041
Low_power_discharge:-CHa(X),CHb(Y),CHc(Z),X=2,Y<=1,Y>=0,Z<=2,Z>=0;表示当X=2,Y=0,1,Z=0,1,2时故障类型低能放电;
Figure BDA0001268563280000042
Low_power_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=2,Y=2,Z<=1,Z>=0;表示当X=2,Y=2,Z=0,1时故障类型为低能放电兼过热;
Figure BDA0001268563280000043
Low_power_discharge_overhot v Elec_arc_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=2,Y=2,Z=2;表示当X=2,Y=2,Z=2时故障类型为低能放电兼过热或电弧放电兼过热;
Figure BDA0001268563280000044
Elec_arc_discharge v Par_discharge v Nor_Old:-CHa(X),CHb(Y),CHc(Z),X=1,Y=0,Z=0;表示当X=1,Y=0,Z=0时故障类型为电弧放电或局部放电或正常老化;
Figure BDA0001268563280000045
Elec_arc_discharge v Elec_arc_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=1,Y=2,Z=1;表示当X=1,Y=2,Z=1时故障类型为电弧放电或电弧放电兼过热。
针对规则
Figure BDA0001268563280000046
对应的故障类型,还需要进一步通过周期波形的变化来判断具体是低能放电故障类型,还是过热故障类型。
一种基于粗糙集理论的变压器故障诊断系统,包括变压器油脱气处理装置、事实发生器、事实转换器、规则集、推理机和电脑终端;
变压器油脱气处理装置,用于使变压器发生故障时所产生的特征气体和变压器油分离;
事实发生器,用于采集特征气体的含量;
事实转换器,用于将采集到的特征气体生成用于判断故障类型的事实;
规则集,用于将回答集程序结合专家经验生成的用来预测变压器故障类型的集合;
推理机,用于实现基础知识的推理,是基于规则集的推理在计算机中的实现;
电脑终端,用于显示变压器的故障类型。
上述基于粗糙集理论的变压器故障诊断系统,还进一步包括GIS手持终端;该GIS手持终端,用于采集变压器的地理坐标,并将该地理坐标送入电脑终端进行变压器的地理位置的显示。
上述方案中,事实发生器为气相色谱仪。
与现有技术相比,本发明将粗糙集理论与ASP程序相结合,构建了基于粗糙集理论与ASP的变压器故障诊断专家系统--RS-ASP,该方法对三比值法的临界值进行处理,使原三比值法更加完整,准确率更高。RS-ASP具有以下特点:
1)并行性。是一种逻辑程序,具有较强的声明性和模型表达能力,通过逻辑规则构建系统模型,可以同时诊断两个及两个以上故障类型,有强大的并行处理能力,大大提高了系统运算效率;
2)准确性。有效地分析不精确、不完整、不一致等各种不完备信息,有强大的数据分析能力,弥补了缺失的编码,使三比值法更加完善,提高了诊断的准确率;
3)方便易用。只需在知识库中规定目标和实现这些目标的现有条件,即只需要告诉系统做什么,至于如何执行则由系统的控制部分来处理解决,运算速度快;
4)可扩展性。如有新的约束条件加入,无需改变系统模型,只需要往系统中加入新的规则即可,有较强的可扩展性。
附图说明
图1为基于粗糙集与ASP的变压器故障诊断专家系统的原理图。
图2为聚四氟乙烯高分子膜渗透机制图。
图3为气相色谱仪检测流程图。
图4为推理机推理流程图。
具体实施方式
基于粗糙集与ASP的变压器故障诊断专家系统,如图1所示,主要由变压器油脱气处理装置、GIS(地理信息系统)手持终端、事实发生器、事实转换器、规则集、推理机和电脑终端组成。
变压器油脱气处理装置,当变压器发生故障时,通常会产生相应的特征气体,这些气体溶解在变压器油当中,通过聚四氟乙烯高分子膜可以使特征气体和变压器油分离。
GIS手持终端,是坐标采集器,用于采集变压器的地理坐标,当小区变压器发生故障时,可以迅速从电脑中断获取发生故障的变压器的地理坐标。
事实发生器,当特征气体从油中分离出来,事实发生器(即气相色谱仪)就可以采集特征气体的含量。
事实转换器,采集到的特征气体通过事实转换器生成用于判断故障类型的事实。
规则集,是用回答集程序(ASP)结合专家经验生成的用来预测变压器故障类型的集合。
推理机,是本系统中的主要部件,用于实现基础知识的推理,是基于规则集的推理在计算机中的实现。
电脑终端,用于显示变压器的故障类型和变压器的地理位置。
本发明将基于粗糙集与ASP的专家系统,与变压器油脱气处理装置、相应的采集器、事实转换器、GIS手持终端等设备相结合。首先将油中溶解气体从油中脱离出来作为气样;然后通过气体采集器对气样中各气体的含量进行分析,把分析的气样送入到事实转换器作为ASP知识库的事实集;最后和ASP知识库中的规则集进行匹配并把结果显示在电脑终端。
基于粗糙集的ASP专家系统通过推理机来匹配规则集和事实集,并将匹配成功的结果送入客户端,并在客户端上显示预测结果,从而实现对变压器故障的诊断。此外,本发明还对每一个变压器都贴上二维码,二维码主要是记录该变压器的地理坐标,用GIS手持终端对二维码进行扫描,并把扫描到的信息输入到电脑终端,以便维修人员更快捷的找到变压器所在位置。其目的在于更好的促进“人工”和“智能”的融合,从而形成完整的变压器故障诊断系统。
上述系统所实现的基于粗糙集理论的变压器故障诊断方法,包括如下步骤:
步骤1)变压器油气分离。
为了检测变压器油中特征气体含量的比值,首先要把特征气体从变压器油中分离出来,本发明使用聚四氟乙烯高分子膜使变压器油气分离。高分子膜使油气分离的原理是溶解-渗透。将聚四氟乙烯高分子膜气室安装在变压器下方的出油口,则油中气体分子会撞击膜表面并溶解到膜的分子骨架中,然后气体溶解产生的气体体积分数梯度使气体在膜内向前扩散,随后到达膜的另一面,此过程一直处于非稳定状态,直至膜中气体的体积分数沿膜的厚度方向变成直线时,才达到稳定状态。即正反两个方向的扩散速度达到动态平衡。图2为聚四氟乙烯高分子膜渗透机制的4种状态,其中a表示待溶解状态,b表示初始溶解状态,c表示非平衡溶解状态,d表示平衡溶解状态。
步骤2)检测特征气体。
事实发生器,即气相色谱是一种分离技术,气相色谱仪将分离出的特征气体,由载气带入色谱柱,通过对欲检测混合气体中组分有不同保留性能的色谱柱,使各组分分离,依次导入检测器,以得到各组分的检测信号。按照导入检测器的先后次序,经过对比,可以区别出是什么组分,根据峰高度或峰面积可以计算出各组分含量,并将各组分进行非电量转换,转换成电信号记录下来,传送给事实转换器。图3为气相色谱仪检测流程图。
步骤(3)将特征气体送入事实转换器
事实转换器是将相应特征气体的含量进行比值,通过粗糙集理论将比值的大小进行编码并分类,从而生成相对应的谓词,最后构成ASP知识库中的事实集。
定义1:在一个有限的非空集合U(称为论域)的分类过程中,相差不大的个体被归于同一类,他们的关系就是不可区分关系。对于任何一个属性集合P,不可分辨关系用IND表示,
IND(P)={(X,Y)∈U×U:f(y,a),a∈P}
规则解释:不可分辨关系就是U上的等价关系,集合X是集合U的一个子集即
Figure BDA0001268563280000073
I是集合U的一组等价关系,一个对象a是否属于集合X根据现有知识来判断,可分为三种情况:
1)a肯定属于集合X;
2)a可能属于也可能不属于集合X;
3)a肯定不属于集合X;
其中,肯定属于集合X的对象所组成的最大集合称为X关于I的下近似I*(X)(正区),记作POS(X),
Figure BDA0001268563280000071
所有与X相交非空的等效类I(X)的并集,是那些可能属于X的对象组成的最小集合,称为X关于I的上近似I*(X)。上近似与下近似的差称为边界记为BNG(X),
BNG(X)=I*(X)-I*(X)
上近似以外的区域称为负区域记为NEG(X),
I*(X)+NEG(X)=U
上近似、下近似以及边界区等概念称为可分辨区,刻画了一个边界含糊集合的逼近特性,其中粗糙程度按公式
Figure BDA0001268563280000072
计算。显然0≤α1(X)≤1,如果α1(X)=1,则称集合X相对于I是清晰的,否则称集合X是粗糙的,α1(X)可认为是在等效关I下逼近集合X的精度。
定义2:L0or…or Lk←Lk+1,…,Lm,not Lm+1,…,not Ln。其中,Lis是命题语言L下的一个文字,k≥0,m≥k,n≥m。
规则解释:令r为形如上述中的规则,head(r)=L0表示规则r的头部,并且body(r)={l1,…,lm,not lm+1,…,not ln}表示规则r的体部,Atoms(r)={Li|0≤i≤n}表示规则r中的所有原子集合,pos(r)={Li|k+1≤i≤m}表示r中的正体部原子集合,称为规则体部的正文字,neg(r)={Li|m+1≤i≤n}表示r中体部带not的原子集合,称为规则体部的负文字。
于是我们就可以将规则写成head←pos,not neg。如果:
(1)
Figure BDA0001268563280000081
那么规则r称为正规则,也成为基本程序;
(2)
Figure BDA0001268563280000082
那么规则r称为事实;
(3)
Figure BDA0001268563280000083
那么规则r称为约束。
表1故障类型编码表
Figure BDA0001268563280000084
Figure BDA0001268563280000091
表中,a表示正常老化,b表示局部放电,c表示低温过热<150℃,d表示低温过热150℃~300℃,e表示中温过热300℃~700℃,f表示高温过热>700℃,g表示电弧放电,h表示电弧放电兼过热,i表示低能放电,j表示低能放电兼过热。
根据定义1与定义2并结合表1,我们对故障类型进行分类,分类步骤如下:
(1)寻找不可分辨关系
C2H2/C2H4:{{x0,x1,x2,x3,x4,x5,x6,x7},{x8,x9,x10,x11,x12,x13,x14,x15,x16,x26,x27,x28},{x17,x18,x19,x20,x21,x22,x23,x24,x25,x29}}。
CH4/H2:{{x0,x2,x5,x8,x9,x10,x17,x18,x19,x20,x21,x22,x26,x27},{x1,x6,x11,x12,x13},{x3,x4,x7,x14,x15,x16,x23,x24,x25,x28,x29}}。
C2H4/C2H6:{{x0,x1,x3,x8,x11,x14,x17,x20,x23,x26,x27},{x2,x4,x9,x12,x15,x18,x21,x24,x28},{x5,x6,x7,x10,x13,x16,x19,x22,x25,x29}}。
C2H2/C2H4+CH4/H2+C2H4/C2H6:{{x0},{x1},{x2},{x3},{x4},{x5},{x6},{x7},{x8,x26,x27},{x9},{x10},{x11},{x12},{x13},{x14},{x1528},{x16},{x17},{x18},{x19},{x20},{x21},{x22},{x23},{x24},{x25,x29}}。
(2)寻找各故障类型的上近似和下近似
有上面三比值编码表可知“C2H2/C2H4+CH4/H2+C2H4/C2H6”的比值组合决定了变压器的故障类型,设X为故障类型的集合,I为3个属性构成的一个等效关系,那么变压器故障类型为“正常老化”的故障类型集合为如下,
X={x0},I={{x0},{x1},{x2},{x3},{x4},{x5},{x6},{x7},{x8,x26,x27},{x9},{x10},{x11},{x12},{x13},{x14},{x15,x28},{x16},{x17},{x18},{x19},{x20},{x21},{x22},{x23},{x24},{x25,x29}}。
集合X的下近似为I*(X)={x0}。
集合X的上近似为I*(X)={x0}。
集合X的负区为NEG(X)={{x1},{x2},{x3},{x4},{x5},{x6},{x7},{x8,x26,x27},{x9},{x10},{x11},{x12},{x13},{x14},{x15,x28},{x16},{x17},{x18},{x19},{x20},{x21},{x22},{x23},{x24},{x25,x29}}。
由上下近似可知集合X相对于I是清晰的,因此无边界区。同理,变压器的其余故障类型也可得出。
(3)根据分析得出有关属性的规则:
规则1:C2H2/C2H4=0,CH4/H2=0,C2H4/C2H6=0时故障类型为“正常老化”。
规则2:C2H2/C2H4=1,CH4/H2=0,C2H4/C2H6=0时故障类型为“电弧放电”或“局部放电”或“正常老化”,同理其余规则不一一列出。
步骤4)生成规则集。
将电力专家的知识转换成基于表2的规则集:
原子 含义
Nor_Old 正常老化
Par_discharge 局部放电
Low_Temp(0,150) 低温过热(≤150℃)
Low_Temp(150,300) 低温过热(>150℃,≤300℃)
Mid_Temp(300,700) 中温过热(>300℃,≤700℃)
High_Temp(higher700) 高温过热(>700℃)
Elec_arc_discharge 电弧放电
Elec_arc_discharge_overhot 电弧放电兼过热
Low_power_discharge 低能放电
Low_power_discharge_overhot 低能放电兼过热
CHa(X) C<sub>2</sub>H<sub>2</sub>/C<sub>2</sub>H<sub>4</sub>
CHb(Y) CH<sub>4</sub>/H<sub>2</sub>
CHc(Z) C<sub>2</sub>H<sub>4</sub>/C<sub>2</sub>H<sub>6</sub>
Hydrogen(H) 氢气(H<sub>2</sub>)含量
Methane(M) 甲烷(CH<sub>4</sub>)含量
Ethane(T) 乙烷(C<sub>2</sub>H<sub>6</sub>)含量
Ethylene(E) 乙烯(C<sub>2</sub>H<sub>4</sub>)含量
Acetylene(A) 乙炔(C<sub>2</sub>H<sub>2</sub>)含量
Sum(Q,H,M) 氢气和甲烷的总量
表2原子对照表
规则如下:
①Nor_Old:-CHa(X),CHb(Y),CHc(Z),X=0,Y=0,Z=0。表示当X=0,Y=0,Z=0时故障类型为正常老化。
②Par_discharge:-CHa(X),CHb(Y),CHc(Z),X=0,Y=1,Z=0。表示当X=0,Y=1,Z=0时故障类型为局部放电。
③Low_Temp(0,150):-CHa(X),CHb(Y),CHc(Z),X=0,Y=0,Z=1。表示当X=0,Y=0,Z=1时故障类型为0~150℃的低温过热。
④Low_Temp(150,300):-CHa(X),CHb(Y),CHc(Z),X=0,Y=2,Z=0。表示当X=0,Y=2,Z=0时故障类型为150~300℃的低温过热。
⑤Mid_Temp(300,700):-CHa(X),CHb(Y),CHc(Z),X=0,Y=2,Z=1。表示当X=0,Y=2,Z=1时故障类型为300~700℃的中温过热。
⑥High_Temp(higher700):-CHa(X),CHb(Y),CHc(Z),X=0,Y>=0,Y<=2,Z=2。表示当X=0,Y>=0且Y<=2,Z=2时故障类型为700℃以上的高温过热。
⑦Elec_arc_discharge:-CHa(X),CHb(Y),CHc(Z),X=1,Y=0,Z>=1,Z<=2。表示当X=1,Y=0,Z=1,2时故障类型为电弧放电。
⑧Elec_arc_discharge:-CHa(X),CHb(Y),CHc(Z),X=1,Y=1,Z>=0,Z<=2。表示当X=1,Y=1,Z=0,1,2时故障类型为电弧放电
⑨Elec_arc_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=1,Y=2,Z=0。表示X=1,Y=2,Z=0时故障类型为电弧放电兼过热。
⑩Elec_arc_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=1,Y=2,Z=2。表示X=1,Y=2,Z=2时故障类型为电弧放电兼过热。
Figure BDA0001268563280000111
Low_power_discharge:-CHa(X),CHb(Y),CHc(Z),X=2,Y<=1,Y>=0,Z<=2,Z>=0。表示当X=2,Y=0,1,Z=0,1,2时故障类型低能放电。
Figure BDA0001268563280000112
Low_power_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=2,Y=2,Z<=1,Z>=0。表示当X=2,Y=2,Z=0,1时故障类型为低能放电兼过热。
Figure BDA0001268563280000116
Low_power_discharge_overhot v Elec_arc_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=2,Y=2,Z=2。表示当X=2,Y=2,Z=2时故障类型为低能放电兼过热或电弧放电兼过热。
Figure BDA0001268563280000115
Elec_arc_discharge v Par_discharge v Nor_Old:-CHa(X),CHb(Y),CHc(Z),X=1,Y=0,Z=0。表示当X=1,Y=0,Z=0时故障类型为电弧放电或局部放电或正常老化。
Figure BDA0001268563280000114
Elec_arc_discharge v Elec_arc_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=1,Y=2,Z=1。表示当X=1,Y=2,Z=1时故障类型为电弧放电或电弧放电兼过热。
针对规则
Figure BDA0001268563280000113
对应的故障类型,可以通过周期波形的变化来进行具体判断,具体判断方式如下,通过Matlab对电流进行采样分析,设一个周期内的采样点为N,然后检测相邻的两个周波内采集到点的值。对这两个相邻采样周期做差,即后一个周期的采样序列中每个采样点值减去前一个周期采样序列相对采样点值。
设相邻两个周波的对应采样序列分别是ak,ak+1,其中k是任意选取的一个测量周期。则对应采样序列的差值bk
bki=aki+1-aki
i=1,2,……,N k=1,2,……,N
周波分析法首先对上式得到电流采样周波bki的每个采样点分别平方,然后把得到的值依次累加,当累加完一个周期时,最后除以N后开方,从而得到这个采用序列的均方差
Figure BDA0001268563280000121
H代表的是采样周波稳定程度和波动大小,理论上H应该为零,但是在实际故障电弧检测的过程中,考虑到工作情况下的随机性干扰,H值虽然不为零,但也非常接近零。但如果直接采用H作为诊断依据,将很难确定发生故障时的判断阀值,因此也可以使用周波分析法对H进行归一化,计算第k个周期采样序列每个采样点平方的平均值。
Figure BDA0001268563280000122
Figure BDA0001268563280000123
由于负载的种类存在差异,发生故障电弧时电流的大小也不相同,所以周波分析法加入去量纲化的ak和H判断后消除电流大小可能对波形造成的影响,达到简化判断条件的效果。
步骤5)推理机诊断故障类型。
由上述规则集构成推理机并对故障进行诊断,推理机推理流程图如图4所示。
步骤6)推理结果显示。
本发明是一种理论和建模语言的结合对变压器故障编码转换的技术,通过故障编码对应相应的故障类型,从而构成故障诊断知识库,通过气体采样器(Gas sampler,Gs)采集特征气体含量与知识库中的知识匹配,最终自动产生诊断结果。本发明是以知识表示为基础,以实用化为目的,可以轻松的处理庞大的未加整理的知识,能够与知识的追加、修正和清除进行简单地对应,适用于规则和数据具有模糊度的场合。

Claims (7)

1.基于粗糙集理论的变压器故障诊断方法,其特征是,包括如下步骤:
步骤1、将变压器故障时所产生的特征气体从变压器油中分离出来;
步骤2、对分离出的特征气体进行检测,获得特征气体的组分类型和各组分的含量;
步骤3、将特征气体中各组分含量进行比值,通过粗糙集理论将比值的大小进行编码并分类,即先寻找不可分辨关系,再寻找各故障类型的上近似和下近似,后根据分析得出有关属性的规则,从而生成相对应的谓词,最后构成ASP知识库中的事实集;
其中事实集为:
Figure FDA0002716207620000011
Figure FDA0002716207620000021
步骤4、将电力专家的知识转换成规则集,该规则集为将回答集程序结合专家经验生成的用来预测变压器故障类型的集合;
其中规则集为:
原子 含义 Nor_Old 正常老化 Par_discharge 局部放电 Low_Temp(0,150) 低温过热(≤150℃) Low_Temp(150,300) 低温过热(>150℃,≤300℃) Mid_Temp(300,700) 中温过热(>300℃,≤700℃) High_Temp(higher700) 高温过热(>700℃) Elec_arc_discharge 电弧放电 Elec_arc_discharge_overhot 电弧放电兼过热 Low_power_discharge 低能放电 Low_power_discharge_overhot 低能放电兼过热 CHa(X) C<sub>2</sub>H<sub>2</sub>/C<sub>2</sub>H<sub>4</sub> CHb(Y) CH<sub>4</sub>/H<sub>2</sub> CHc(Z) C<sub>2</sub>H<sub>4</sub>/C<sub>2</sub>H<sub>6</sub> Hydrogen(H) 氢气(H<sub>2</sub>)含量 Methane(M) 甲烷(CH<sub>4</sub>)含量 Ethane(T) 乙烷(C<sub>2</sub>H<sub>6</sub>)含量 Ethylene(E) 乙烯(C<sub>2</sub>H<sub>4</sub>)含量 Acetylene(A) 乙炔(C<sub>2</sub>H<sub>2</sub>)含量 Sum(Q,H,M) 氢气和甲烷的总量
该规则集的规则具体如下:
①Nor_Old:-CHa(X),CHb(Y),CHc(Z),X=0,Y=0,Z=0;表示当X=0,Y=0,Z=0时故障类型为正常老化;
②Par_discharge:-CHa(X),CHb(Y),CHc(Z),X=0,Y=1,Z=0;表示当X=0,Y=1,Z=0时故障类型为局部放电;
③Low_Temp(0,150):-CHa(X),CHb(Y),CHc(Z),X=0,Y=0,Z=1;表示当X=0,Y=0,Z=1时故障类型为0~150℃的低温过热;
④Low_Temp(150,300):-CHa(X),CHb(Y),CHc(Z),X=0,Y=2,Z=0;表示当X=0,Y=2,Z=0时故障类型为150~300℃的低温过热;
⑤Mid_Temp(300,700):-CHa(X),CHb(Y),CHc(Z),X=0,Y=2,Z=1;表示当X=0,Y=2,Z=1时故障类型为300~700℃的中温过热;
⑥High_Temp(higher700):-CHa(X),CHb(Y),CHc(Z),X=0,Y>=0,Y<=2,Z=2;表示当X=0,Y>=0且Y<=2,Z=2时故障类型为700℃以上的高温过热;
⑦Elec_arc_discharge:-CHa(X),CHb(Y),CHc(Z),X=1,Y=0,Z>=1,Z<=2;表示当X=1,Y=0,Z=1,2时故障类型为电弧放电;
⑧Elec_arc_discharge:-CHa(X),CHb(Y),CHc(Z),X=1,Y=1,Z>=0,Z<=2;表示当X=1,Y=1,Z=0,1,2时故障类型为电弧放电
⑨Elec_arc_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=1,Y=2,Z=0;表示X=1,Y=2,Z=0时故障类型为电弧放电兼过热;
⑩Elec_arc_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=1,Y=2,Z=2;表示X=1,Y=2,Z=2时故障类型为电弧放电兼过热;
Figure FDA0002716207620000031
Low_power_discharge:-CHa(X),CHb(Y),CHc(Z),X=2,Y<=1,Y>=0,Z<=2,Z>=0;表示当X=2,Y=0,1,Z=0,1,2时故障类型低能放电;
Figure FDA0002716207620000032
Low_power_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=2,Y=2,Z<=1,Z>=0;表示当X=2,Y=2,Z=0,1时故障类型为低能放电兼过热;
Figure FDA0002716207620000033
Low_power_discharge_overhot v Elec_arc_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=2,Y=2,Z=2;表示当X=2,Y=2,Z=2时故障类型为低能放电兼过热或电弧放电兼过热;
Figure FDA0002716207620000034
Elec_arc_discharge v Par_discharge v Nor_Old:-CHa(X),CHb(Y),CHc(Z),X=1,Y=0,Z=0;表示当X=1,Y=0,Z=0时故障类型为电弧放电或局部放电或正常老化;
Figure FDA0002716207620000035
Elec_arc_discharge v Elec_arc_discharge_overhot:-CHa(X),CHb(Y),CHc(Z),X=1,Y=2,Z=1;表示当X=1,Y=2,Z=1时故障类型为电弧放电或电弧放电兼过热;
步骤5、由步骤4的规则集构成推理机,并对故障3的事实集进行推理,由此获得故障诊断结果;
步骤6、对故障诊断结果进行显示。
2.根据权利要求1所述基于粗糙集理论的变压器故障诊断方法,其特征是,步骤1中,利用聚四氟乙烯高分子膜使变压器油气分离。
3.根据权利要求1所述基于粗糙集理论的变压器故障诊断方法,其特征是,步骤2的具体过程为:
步骤2.1、将分离出的特征气体,由载气带入色谱柱;
步骤2.2、通过对特征气体中不同组分有不同保留性能的色谱柱,使特征气体中的各组分分离;
步骤2.3、将分离后的各组分依次导入检测器,以得到各组分的检测信号;
步骤2.4、按照导入检测器的先后次序,区别出各组分的具体类型,并根据峰高度或峰面积计算出各组分含量;
步骤2.5、将各组分进行非电量转换,转换成电信号记录下来,并传送给事实转换器。
4.根据权 利要求1所述基于粗糙集理论的变压器故障诊断方法,其特征是,针对规则
Figure FDA0002716207620000041
对应的故障类型,还需要进一步通过周期波形的变化来判断具体是低能放电故障类型,还是过热故障类型。
5.实现权利要求1所述变压器故障诊断方法的基于粗糙集理论的变压器故障诊断系统,其特征是,包括变压器油脱气处理装置、事实发生器、事实转换器、规则集、推理机和电脑终端;
变压器油脱气处理装置,用于使变压器发生故障时所产生的特征气体和变压器油分离;
事实发生器,用于采集特征气体的含量;
事实转换器,用于将采集到的特征气体生成用于判断故障类型的事实;
规则集,用于将回答集程序结合专家经验生成的用来预测变压器故障类型的集合;
推理机,用于实现基础知识的推理,是基于规则集的推理在计算机中的实现;
电脑终端,用于显示变压器的故障类型。
6.根据权利要求5所述的基于粗糙集理论的变压器故障诊断系统,其特征是,还进一步包括GIS手持终端;该GIS手持终端,用于采集变压器的地理坐标,并将该地理坐标送入电脑终端进行变压器的地理位置的显示。
7.根据权利要求5所述的基于粗糙集理论的变压器故障诊断系统,其特征是,事实发生器为气相色谱仪。
CN201710238014.0A 2017-04-13 2017-04-13 基于粗糙集与回答集的变压器故障诊断方法和系统 Active CN107103361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710238014.0A CN107103361B (zh) 2017-04-13 2017-04-13 基于粗糙集与回答集的变压器故障诊断方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710238014.0A CN107103361B (zh) 2017-04-13 2017-04-13 基于粗糙集与回答集的变压器故障诊断方法和系统

Publications (2)

Publication Number Publication Date
CN107103361A CN107103361A (zh) 2017-08-29
CN107103361B true CN107103361B (zh) 2021-01-26

Family

ID=59675486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710238014.0A Active CN107103361B (zh) 2017-04-13 2017-04-13 基于粗糙集与回答集的变压器故障诊断方法和系统

Country Status (1)

Country Link
CN (1) CN107103361B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109239516A (zh) * 2018-09-05 2019-01-18 国网山西省电力公司检修分公司 融合多种智能诊断模型的变压器故障分层诊断方法
CN109800384B (zh) * 2018-12-28 2020-07-28 西安交通大学 一种基于粗糙集信息决策表的基本概率赋值计算方法
CN111856954B (zh) * 2020-07-20 2022-08-02 桂林电子科技大学 基于粗糙集理论与规则相结合的智能家居数据补全方法
CN113313144A (zh) * 2021-05-08 2021-08-27 徐焕 一种基于大数据的电力变压器故障诊断系统及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101877075B (zh) * 2009-10-29 2013-02-27 北京航空航天大学 一种故障诊断知识获取系统
CN104297589A (zh) * 2014-09-29 2015-01-21 国家电网公司 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法
CN105675802A (zh) * 2014-11-19 2016-06-15 国网河南省电力公司南阳供电公司 一种变压器故障的诊断方法

Also Published As

Publication number Publication date
CN107103361A (zh) 2017-08-29

Similar Documents

Publication Publication Date Title
CN107103361B (zh) 基于粗糙集与回答集的变压器故障诊断方法和系统
CN106054104B (zh) 一种基于决策树的智能电表故障实时预测方法
CN101692113B (zh) 基于区间数学理论的电力变压器故障诊断方法
CN103218662A (zh) 一种基于bp神经网络的变压器故障诊断方法
CN108875783A (zh) 一种面向不平衡数据集的极限学习机变压器故障诊断方法
CN111553495A (zh) 一种基于概率神经网络的小型断路器故障分析方法
CN104297589A (zh) 基于粗糙集和贝叶斯网络的油浸式变压器故障诊断方法
CN101738998B (zh) 一种基于局部判别分析的工业过程监测系统及方法
CN109033178B (zh) 一种挖掘能见度多维时空数据之间格兰杰因果关系的方法
CN109030790A (zh) 一种电力变压器故障诊断方法和装置
CN113011481A (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
CN111881627A (zh) 一种核动力装置故障诊断方法和系统
CN110197222A (zh) 一种基于多分类支持向量机变压器故障诊断的方法
CN113889198A (zh) 一种基于油色谱时频域信息和残差注意力网络的变压器故障诊断方法及设备
CN107977672A (zh) 基于海量数据并行运算的sf6设备二级故障诊断方法
Shen et al. SSCT-Net: A semisupervised circular teacher network for defect detection with limited labeled multiview MFL samples
Joga et al. Fault Diagnosis in PV system using DWT and Ensembled k-NN Machine Learning Classifier
CN114266396A (zh) 一种基于电网特征智能筛选的暂态稳定判别方法
CN112085064B (zh) 基于支持向量机多分类概率输出的变压器故障诊断方法
CN109886314B (zh) 一种基于pnn神经网络的餐厨废弃油检测方法及其装置
Zuo et al. Active learning-based complex pipeline weld defect detection with lightweight neural network
CN115712871A (zh) 一种结合重采样和集成学习的电力电子系统故障诊断方法
CN115880472A (zh) 一种电力红外图像数据智能诊断分析系统
CN109523026A (zh) 援例推理方法及系统
CN114595753A (zh) 面向数据稀缺场景的综合供能服务站油气回收系统故障检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant