徐晶冉，徐 雯，王 棟

(南京供電公司，江蘇 南京 210000)

電網(wǎng)規(guī)模不斷擴(kuò)大，對(duì)電網(wǎng)的實(shí)際運(yùn)行可靠性提出了新的要求[1-3]。在實(shí)際應(yīng)用中，變壓器設(shè)備故障的頻繁發(fā)生，嚴(yán)重影響電網(wǎng)運(yùn)行的可靠性。因此如何有效實(shí)現(xiàn)變壓器故障診斷是維修人員保障電網(wǎng)穩(wěn)定運(yùn)行的基礎(chǔ)和前提[4-6]。

變壓器故障診斷問(wèn)題是業(yè)內(nèi)人士關(guān)注的焦點(diǎn)，經(jīng)專家、學(xué)者大量深入的研究，得出很多方法[7-9]。有學(xué)者提出深度學(xué)習(xí)的變壓器故障診斷模型，分析并用典型數(shù)據(jù)集對(duì)其分類性能進(jìn)行測(cè)試。在此基礎(chǔ)上結(jié)合變壓器油中溶解氣體分析數(shù)據(jù)的確定值，它使用油中溶解氣體分析結(jié)果作為故障分類屬性。該模型故障診斷速度快，但診斷錯(cuò)誤較高[10]。有學(xué)者提出了支持向量機(jī)的變壓器故障診斷方法[11]，首先采用模糊C均值聚類算法對(duì)設(shè)備故障樣本進(jìn)行聚類確定值劃分，然后支持向量機(jī)根據(jù)劃分結(jié)果實(shí)現(xiàn)故障類型的診斷。故障診斷準(zhǔn)確度高，但診斷速度慢[12]。有學(xué)者提出了神經(jīng)網(wǎng)絡(luò)的變壓器故障檢測(cè)方法[13]，結(jié)合熵權(quán)算法生成變壓器故障特征確定值，采用屬性約簡(jiǎn)算法對(duì)特征向量進(jìn)行屬性約簡(jiǎn)，根據(jù)故障特征向量推斷變壓器故障類型，該方法速度快，故障診斷正確率低[14-16]。傳統(tǒng)方法對(duì)變壓器故障診斷時(shí)，均將基準(zhǔn)函數(shù)的分類門(mén)限設(shè)置為一個(gè)確定值，忽略了類別門(mén)限值的變化，無(wú)法完成變壓器故障診斷，導(dǎo)致變壓器故障診斷訓(xùn)練時(shí)間長(zhǎng)、診斷精度低。

為了解決當(dāng)前變壓器故障診斷過(guò)程中存在的問(wèn)題，提出基于模式識(shí)別技術(shù)的變壓器故障診斷方法。實(shí)驗(yàn)結(jié)果表明，本文方法能夠有效提高模型結(jié)果速度和故障診斷的準(zhǔn)確度。

1 基于模式識(shí)別技術(shù)的變壓器故障診斷

1.1 確定故障判斷門(mén)限參數(shù)最優(yōu)值

在傳統(tǒng)方法的故障診斷過(guò)程中，需要求出故障類別門(mén)限值設(shè)為確定值，但是在確定門(mén)限類別診斷過(guò)程中，極易陷入局部最優(yōu)解。為此本文方法根據(jù)混沌粒子群算法確定最優(yōu)故障類別判斷門(mén)限參數(shù)，然后門(mén)限參數(shù)建立故障診斷模型，完成變壓器故障診斷。

將故障分類的門(mén)限總數(shù)設(shè)置為m個(gè)粒子，個(gè)體搜索空間為D維，vi=(vi1，vi2，…，viD)為個(gè)體i的當(dāng)前速度，xi=(xi1，xi2，…，xiD)為當(dāng)前位置，Pi=(Pi1，Pi2，…，PD)為個(gè)體i當(dāng)前最優(yōu)值，G=(g1，g2，…，gD)為群體當(dāng)前最優(yōu)值。個(gè)體的速度和位置的更新方式為：

(1)

(2)

式中，d為搜尋的空間維數(shù)；ω為慣性權(quán)重；c1和c2為個(gè)體隨機(jī)性特征因子；r1和r2為[0，1]內(nèi)的隨機(jī)數(shù)。

采用混沌算法對(duì)故障類別慣性權(quán)重進(jìn)行優(yōu)化，將其映射至原最優(yōu)解的空間范圍內(nèi)，避免粒子群算法陷入局部最優(yōu)，Logistic映射為：

zn+1=μzn(1-zn)

(3)

式中，μ為控制變量；z1，z2，…，zn表示混沌變量。

通過(guò)種群迭代過(guò)程中，搜索到的最優(yōu)解在不斷更新，考慮到這種情況，需要引入迭代速度因子和聚集度因子，調(diào)整種群全局搜索能力，進(jìn)化因子表達(dá)式如下：

(4)

式中，F(xiàn)(gT)和F(gT-1)分別為當(dāng)代和上一代全局搜索最優(yōu)值。

分析式(4)可知，h值越大相應(yīng)的迭代速度越慢，相反該值越小說(shuō)明迭代速度越快。當(dāng)ESF的值在恒為1時(shí)，說(shuō)明搜尋結(jié)束。

為了在種群搜索階段增加自適應(yīng)機(jī)制，擴(kuò)大種群可搜索的最優(yōu)解空間，通過(guò)上述過(guò)程設(shè)定種群個(gè)體搜索階段的慣性權(quán)重：

ω=ωini-hωh+sωs

(5)

式中，ωini為ω的初始值；ωh和ωs分別為ESF和CF的權(quán)值。

在最優(yōu)解搜索過(guò)程中，隨機(jī)性特征因子c1和c2對(duì)搜索結(jié)果影響較大，隨機(jī)性特征因子c1和c2數(shù)值較大時(shí)，種群中個(gè)體會(huì)過(guò)早收斂，為了提高最優(yōu)解搜索速度，利用式(6)設(shè)定隨機(jī)性特征因子：

c1(k)=c1in-(c1in-c1fi)k/nmax

(6)

c2(k)=c2in+(c2fi-c2in)k/nmax

(7)

式中，c1in和c1fi分別為c1的初始值和最優(yōu)值；c2in和c2fi分別為c2的初始值和最優(yōu)值；nmax為最大迭代次數(shù)。

綜合上述優(yōu)化結(jié)果，獲取最優(yōu)故障類別判斷門(mén)限參數(shù)uh，根據(jù)該參數(shù)完成變壓器故障診斷門(mén)限向量參數(shù)的優(yōu)化：

(8)

1.2 故障診斷方法

根據(jù)最優(yōu)故障類別判斷門(mén)限參數(shù)，引入軟化因子將故障診斷基準(zhǔn)矩陣中的類型診斷閾值轉(zhuǎn)變成區(qū)間數(shù)，結(jié)合峰值、左右診斷閾值、熵描述白化灰云模型，采用模式識(shí)別技術(shù)型結(jié)合變壓器實(shí)際運(yùn)行情況，將確定故障類型診斷各評(píng)估指標(biāo)的權(quán)重值，結(jié)合灰數(shù)白化模型獲得故障診斷參數(shù)，具體過(guò)程如下述：

設(shè)共有m個(gè)變壓器故障類型評(píng)價(jià)指標(biāo)，n個(gè)評(píng)價(jià)對(duì)象，構(gòu)成標(biāo)準(zhǔn)矩陣B=(bij)n×m，依據(jù)信息熵概念，第j個(gè)指標(biāo)的熵值為：

(9)

式中，χij為j個(gè)指標(biāo)熵值的上限值；H為預(yù)測(cè)輸入值；x為相關(guān)向量；n為慣性權(quán)重。

第j個(gè)指標(biāo)相應(yīng)的軟化因子為：

(10)

(11)

(12)

λijr=λij，j=1，2，…，m

(13)

式中，λijl、λijr分別為標(biāo)準(zhǔn)值區(qū)間的上下限，故障類別區(qū)間可表示為[λijl，λij]。

通過(guò)式(8)和式(9)得出的熵值建立故障診斷參數(shù)的白化灰云模型，該模型將故障樣本代入白華權(quán)函數(shù)計(jì)算得出樣本的隨機(jī)模糊特征因子。利用多次計(jì)算得出隨機(jī)理想特征因子，通過(guò)計(jì)算隨機(jī)理想特征因子關(guān)聯(lián)故障類別區(qū)間，得出故障類別匹配結(jié)果，從而完成變壓器故障診斷。白化權(quán)函數(shù)隨即特征因子計(jì)算步驟為：

(14)

式中，E(t，s)為核函數(shù)；Dm為模型的權(quán)值；Tm為樣本數(shù)。

分析式(14)可知，fij值具有隨機(jī)性，由該值計(jì)算得到的樣本的隨機(jī)模糊特征因子白化權(quán)值也具有隨機(jī)性，但它們服從一定的分布規(guī)律，通過(guò)多次計(jì)算，可獲得理想的白化權(quán)值feij，將此結(jié)果作為最終的隨機(jī)理想特征因子白化權(quán)值。

(15)

式中，h為獲取最終隨機(jī)理想特征因子所需運(yùn)算次數(shù)；fijh(x)為通過(guò)h次運(yùn)算獲得隨機(jī)理想特征因子。

計(jì)算隨機(jī)理想特征因子fij與故障類別區(qū)間[λijl，λij]的相關(guān)度(k)，即有：

(16)

式中，n為故障種類數(shù)量。

通過(guò)計(jì)算隨機(jī)特征因子關(guān)聯(lián)故障類別區(qū)間，得出故障類別匹配結(jié)果，從而完成變壓器故障診斷。

2 仿真實(shí)驗(yàn)

2.1 仿真環(huán)境

為了測(cè)試模式識(shí)別技術(shù)的變壓器故障診斷效果，進(jìn)行仿真實(shí)驗(yàn)，仿真境為：Matlab R2012b CPU intel Pentium(R)Dual-Core E53002.6 GHz，內(nèi)存2 GB，Windows7操作系統(tǒng)。選擇支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法進(jìn)行對(duì)比測(cè)試，樣本構(gòu)成見(jiàn)表1。采用變壓器故障診斷正確率以及診斷效率對(duì)性能進(jìn)行評(píng)價(jià)。

表1 故障樣本數(shù)據(jù)組成Tab.1 Fault sample data composition

2.2 變壓器故障診斷結(jié)果分析

不同的方法的變壓器故障診斷正確率、誤診率、漏診率分別如圖1—圖3所示。對(duì)圖1—圖3的變壓器故障診斷結(jié)果進(jìn)行對(duì)比分析了發(fā)現(xiàn)，本文方法的變壓器故障診斷正確率大幅度提升，降低了變壓器故障診斷的錯(cuò)誤率，獲得比對(duì)比方法更優(yōu)的變壓器故障診斷結(jié)果，體現(xiàn)了本文方法的變壓器故障診斷優(yōu)越性。

圖1 不同方法的變壓器故障診斷正確率Fig.1 Correct rate of transformer fault diagnosis by different methods

圖2 不同方法的變壓器故障的誤診率Fig.2 Misdiagnosis rate of transformer faults by different methods

圖3 不同方法的變壓器故障的漏診率Fig.3 Missing diagnosis rate of transformer faults with different methods

2.3 變壓器故障診斷速度分析

分別利用本文方法和對(duì)比方法進(jìn)行變壓器故障診斷實(shí)驗(yàn)，它們的迭代次數(shù)和均方誤差的關(guān)系如圖4所示。分析圖4可知，3種方法均方誤差均隨著迭代次數(shù)的不斷增加而減小，采用本文方法對(duì)測(cè)試樣本進(jìn)行故障診斷時(shí)，迭代次數(shù)達(dá)到70次時(shí)，均方誤差基本穩(wěn)定，在0.2左右，BP神經(jīng)網(wǎng)絡(luò)在迭代次數(shù)達(dá)到95次時(shí)，均方誤差基本穩(wěn)定，誤差為0.27左右，支持向量機(jī)方法在迭代次數(shù)達(dá)到140時(shí)，均方誤差基本穩(wěn)定，誤差為0.3左右。對(duì)比結(jié)果表明，本文方法的迭代次數(shù)較少，結(jié)果速度快，故障診斷效率更高。

圖4 不同方法迭代次數(shù)與均方誤差的關(guān)系Fig.4 Relationship between the number of iterations and the mean square error of different methods

3 結(jié)語(yǔ)

變壓器故障信息具有不確定性，且故障類型多樣，影響了傳統(tǒng)的故障診斷方法的結(jié)果誤差和準(zhǔn)確度，提出了模式識(shí)別技術(shù)的變壓器故障診斷方法，有效縮短了變壓器故障診斷時(shí)間，提高了故障診斷準(zhǔn)確度，為解決變壓器故障診斷提供了一種有效的解決方案，具有實(shí)際應(yīng)用價(jià)值。