数据融合技术在变压器状态评估中的应用

沈煜，杨帆，杨志淳，郑重，于志诚, 杜赫

(1.国网湖北省电力公司电力科学研究院，湖北 武汉 430000;2.高电压与电磁兼容北京市重点实验室,华北电力大学，北京 102206)

数据融合技术在变压器状态评估中的应用

沈煜1，杨帆1，杨志淳1，郑重2，于志诚2, 杜赫2

(1.国网湖北省电力公司电力科学研究院，湖北 武汉 430000;2.高电压与电磁兼容北京市重点实验室,华北电力大学，北京 102206)

电力变压器是电力系统及变电站的最至关重要的设备之一。对电力系统进行运行维护时，监测并预报变压器运行状态并且能够有效地监测并判断变压器的故障情况具有非常现实的意义。基于设备状态信息融合技术，分析了D-S证据理论的基本原理、组合规则和决策过程。通过具体的实例论述了诊断方法的具体可行性，比较了单一诊断方法(只经神经网络判断的结果)与信息融合技术的正确率，并指出信息融合技术的发展优势和可实现性。

信息融合;神经网络;证据理论;电力变压器;状态判断

0 引 言

对电力设备进行准确状态评估可以及时掌握设备的运行状况，对电力系统的安全可靠运行具有重要的意义。在电力设备的状态评估领域中，近年来国内外出现了各种新的技术和方法。然而，由于电力变压器的状态监测所涉及的变量众多,信息的不明确性、测试的不精准性、参考标准的不完备性等使得变压器的状态评估不能保证完全正确[1]。

在国内外相继开展基于设备实际状态的状态检修的开发应用后，设备运行数据的获取及处理与信息技术，智能技术的融合显得尤为重要[2]。为此，国内外很多学者创建了很多的现代综合评价算法,为了试图建立起具有良好应用成效的变压器状态评估模型。

本文利用D-S数据融合理论对变压器监测数据进行证据融合，使状态评估结果更为准确，并用实例验证了其有效性，对电力设备的诊断和评估具有实际的参考意义。

1 变压器诊断技术的应用现状

目前主要的变压器诊断发展方向包括：关于改进PSO-BP人工神经网络和运用D-S证据理论的变压器状态全面判断分析[3-5]；运用融合集得出变压器故障诊断方法[6-9]；基于D-S证据理论的变压器故障争端模型[10-12]；灰色层次评估模型等。以上方法的基本想法是：首先构建起关于变压器的状态评估指标体系,然后遵循体系规则将变压器的状态划分为不同等级类型,计算出各评估指标的数值分别与哪个状态指标相对应，最后全面分析所有信息总结出变压器的整体状态。

应用到诊断方法有：基于模糊理论的诊断方法；基于神经网络的诊断方法[13]；基于专家系统的诊断方法；基于灰色理论的诊断方法；基于贝叶斯网络的诊断方法；基于信息融合技术的诊断方法。

在以上各方法中，信息融合技术是近期学者重点研究的领域，其关键在于系统的全面优化调整。信息融合技术将来源不同、模式不同、媒质不同、时间不同、表达方法不同，尤其是层次不同的信息进行有效的融合，追寻一些更加规范并精确的法则来融合，筛除并合并信息系统在时间和在空间上的冗余和互补信息，从而获取对所评估问题的一致性解释和更为全面的概括。由于其筛选和融合的过程，促使该系统得到比其各个组成部分更为优秀的性能。

D-S证据理论是一种具有不确定性的推理方法，当存在多个证据源提供的证据时，它能够有效融合每个证据，依靠证据的积聚，不断减小假设集，有效地融合各个来源的信息，具有较强的处理和决策能力。对于电气设备的测量数据(以变压器为例)，可以运用人工神经网络建立相应的输入输出关系，再运用D-S证据理论进行数据融合处理，分析出设备的运行状态信息，对运维人员做出正确决策具有重大的意义。

2 D-S数据融合方法原理分析

2.1 基本概念

定义1： 假如一个决策问题，对于这个问题，我们能预见到的结论的集合为Θ,那么，此结论中包含的任何一个命题都对应于Θ的一个子集。为了强调集合Θ所具有的认识论特性，Shafer称其为识别框架[14]。

定义2 ：设Θ为识别框架。如果集函数m：2Θ→[0,1](2Θ为Θ的幂集)满足：

(1)m(φ)=0

则称m为识别框架Θ上的基本概率赋值函数BPAF，又称基本可信度分配函数、基本概率指派函数、质量函数。

定义3：设Θ为识别框架，m：2Θ→[0,1]为框架Θ上的基本概率赋值函数，则称

Bel(A)=∑B∈Am(B)为A在Θ上的置信度函数。

所定义的函数Bel：2Θ→[0,1]为Θ上的信度函数。对于m(A)也称为证据对命题A的基本概率赋值[12]。

m(A)的大小代表分配给A自身的置信度大小，也是证据支持命题A本身出现的程度，但是不支持任意A的真子集，它的获取一般是大家凭经验得到的，抑或是根据传感器所测得的数据分析得到。

按照Shafer的观点，证据处理的数学模型为：首先确定识别框架Θ，用测得的数据构建一个基本概率分配，对证据加以分析，得出证据对每一个命题本身的支持度(而不用记及任何真子集(前因后果))[15]。计算证据对每一个命题的支持度，进一步计算得出我们对全部命题的置信度。

定义4：设Θ为识别框架，Θ上由基本概率赋值函数导出的似真度函数定义为:

Pl:2Θ→[0,1]且Pl(A)=∑B∩A≠?m(B)

式中pl(A)代表对命题A不反对的程度，即与A有任何一点交集的全部集合所对应的基本可信度赋值的相加。[Bel(A),Pl(A)],称为不明确区间，代表对A命题存在的不确定性的衡量的大小。D-S证据理论的初衷或意义之一就在于减小不确定区间。 [1,1]表示A为真；[0,0]表示A为假；[0,1]表示对A完全不知道。如图1所示。

图1 证据理论数学描述

2.2 D-S合成规则

D-S合成规则是一种体现多个证据相互融合作用的规则。新的置信函数的获取得渠道是多个不同来源的置信函数的正交用D-S合成规则来组合的。

因为证据的来源途径不一样，面对一个识别框架即命题集合Θ，可以得出相互无关的不同的概率分配函数，假设对于两个不同来源的证据体其基本概率分配函数分别为m1,m2，通过D-S合成规则，按照公式对子证据体进行融合，那么，m1,m2合成新的基本概率分配函数可以表示为：

式中⊕表示直和，E=X+Y。

k=∑X∩Y=gm1(X)m2(Y)且X∩Y≠Φ，它反映了证据冲突的程度。k的值越大，表示存在更多的证据冲突程度。系数(1/(l-k))称为归一化因子，表明在合成时将非0的信任赋给空集Φ[16-17]。

2.3 多信息融合决策过程

在一个推理系统中，最为重要的就是决策规则，决策规则就是根据融合后的信息及证据体的信任区间[Bel(Fj),Pls(Fj)]推断出诊断结论，若Bel(Fi)=max{Bel(Fj),Fj∈Θ}，使得Fj满足式以下关系：

则Fi为诊断结果，其中ε1和ε2为预先设定的阈值。

D-S证据推理信息融合决策的基础流程如下[10]：

(1)在对决策问题更进一步考虑的基础上，创建关于问题的命题集，即系统识别框架，q={A1,A2……}；

(2)创建出关于目标信息系统的基于识别框架的证据体，Ei(i=1,2,……)；

(3)利用所整理的各证据体的信息，与各个命题集合的特性相综合，得出各证据体的基本可信度分配mi(Aj),j=1,2,……,n；

(4)通过基本可信度分配mi(Aj)分别计算单证据体作用下识别框架中各命题的信度区间[Beli,Plsi][19]；

(5)运用改进的D-S合成规则计算所有证据体联合作用下的基本可信度分配mi(Aj)和信度区间[Beli,Plsi]；

(6)通过实际的案例进行分析，创建决策规则；

(7)通过融合后的决策规则给出具体结果。

3 基于D-S判据的设备状态判断

3.1 整体思路

电力设备在运行中长期受到电、热、力等因素的作用，其存在缺陷或发生故障时都会产生多种缺陷信息或故障信息，各数据源从不同的侧面反映了电力设备的运行状态及不同的各种信息。为了更周全精准的判别电力设备变压器的运行状态，需要全面运用电力设备系统反馈的多渠道信息，以此来判断故障的性质、部位及严重程度。

设备状态基本评估模型如图2所示。本文通过若干个子模型，建立依托于人工神经网络和D-S证据理论相结合的多信息融合模型。以平行式人工神经网络为基础，融合电力设备状态信息的分类，将电力设备各类信息作为人工神经网络的输入，并联各个神经网络用作评估模型的第一级，D-S证据理论作为第二级进行融合，以此来确定变压器状态。

图2 多信息融合的电力设备评估模型

3.2 证据融合

根据变压器各种状态的现实情况和相对比例，通过反复综合考虑，对输出层取正常、报警、一级报警、二级报警作为四个输出神经元，分别对应F1、F2、F3、F4，输出值最大为1，代表属于此种状态，数值越接近1则表明该类型状态的可能性越大，反之则可能性越小，最后选取值最大的一种作为判断结果。

状态判断所需步骤大致如下：

(1)利用归一化函数mapminmax进行输入数据的归一化处理[18]；

(2)选取输入:

I1={ H2,CH4,C2H6,C2H2,C2H4}；

I2={C2H2/C2H4,CH4/H2,C2H4/C2H6}；

分别取各气体含量。对应四种状态分别代表正常、报警、一级报警、二级报警。建立基于BP人工神经网络的变压器状态判断模型后, 利用提前处理的学习样本对神经网络进行训练, 测定适合网络融合的权重和阈值。

(3)取证据体：

e1={H2,CH4,C2H6,C2H2,C2H4}；

e2={C2H2/C2H4,CH4/H2,C2H4/C2H6}；

根据基本概率赋值的获得公式，分别得到证据e1,e2对四种状态的基本概率分配和不确定度，将上述证据用D-S证据理论进行融合，得到融合后的概率分配，得到判断结论。

(4)对比神经网络判断和D-S证据融合后的判断结果正确率。

以2011年6月A庄变电站3号的监测数据为案例，该监测数据包括变压器油的溶解气体含量及厂家结论。通过油中溶解气体分析来辨识变压器状态类型是一种有效的途径。在分析变压器油中溶解的七种气体含量时，发现由于CO和CO2气体含量值范围不稳定、分散性大并且现场获取的数据常常不全等因素的影响，其含量值输入会对神经网络的训练造成不利的影响。因此选取H2、CH4、C2H2、C2H4、C2H6这五种气体作为状态判断的特征，输入BP神经网络。表1结果证实，这五种气体可以准确判断出变压器的状态。

表1 神经网络的判断结果

把神经网络的输出结果用作相关证据加入到融合时,基本概率赋值的计算是将神经网络的学习误差用作不确定因素，用作各焦点元素的基本概率值,计算公式为:

将表2所示证据进行D-S证据融合，得到冲突因子：

对于实例1，K1=0.241 3<1；

对于实例2，K1=0.224 8<1；

对于实例3，K1=0.245 7<1；

通过融合后的基本概率分配，可得出诊断结果如表4。根据分析实例所用方法，分别对21组测试样本进行分析对比，得到结果见表5。其中15例测试样本中2例错误样本及其融合后的概率分配见表6。各表中F1、F2、F3、F4分别对应正常、报警、一级报警、二级报警四个输出神经元。

表2 各证据体基本概率分配

表3 融合后的基本概率分配

表4 实例诊断结果

表5 测试样本诊断结果

表6 错误诊断实例

在100组训练样本中，48组正常样本，20组注意样本，22组一级报警样本，10组二级报警样本，在3例错误诊断实例中，其中一例是二级报警误判，一例是二级报警不灵敏。从上述模型诊断失效的状态看，分析其主要原因在于建立模型所需的训练样本中，二级报警样本数量较其他状态样本数偏少，不够准确所致。那么在更多的扩充这类状态样本后，对这类状态判断灵敏度及准确率会有上升的趋势。

4 结束语

通过对电力设备的日常检测、在线状态监测、采样带电监测或停电试验并综合其他因素进行状态检修，来判断设备的状态和寿命情况。这种方法的优势在于其先验性，能够通过融合利用各种来源的数据获取设备的运行情况，评价其可靠性，根据设备健康状态安排维护及检修[19]。本文围绕变压器油中溶解气体作为具体处理的试验数据对变压器状态进行判断,运用了神经网络分类、证据理论等融合的方法，得出如下结论:

(1)利用油中变压器相关状态特征和气体含量，可以建立出基于人工神经网络结构的电力变压器状态判断系统。

(2)基于证据理论的信息融合状态判断模型可以应用在电力变压器状态判断中。并通过实例检验了模型的有效性。

(3)D-S证据理论可以克服某方面证据体的片面性，对各个证据体进行有效的信息融合，使状态评估的结果更加明确，并且大大降低了评估的不确定性。

[ 1 ] 廖瑞金,黄飞龙,杨丽君,等.多信息量融合的电力变压器状态评估模型[J].高电压技术,2010,36(6)：1455-1460.

[ 2 ] 钟顺帆,万金萍,石延辉,等. 110 kV 及以上变压器(电抗器)状态评估方法及案例[J].南方电网技术,2012,6(2)：62-65.

[ 3 ] 吴晓平,叶清,刘玲艳. 基于改进的BP网络的D-S 证据理论及其应用[J]. 武汉理工大学学报,2007,29(8):158-161.

[ 4 ] 刘海军,许丹,周一宇,等. 基于D-S证据理论多传感器信息融合的辐射源及平台识别[J]. 信号处理,2009,25(2)：294-297.

[ 5 ] LUO R. C, SCHERP R. S. Dynamicmulti- sensor data fusion system for intelligent robots[J] . IEEE IRobotics and Automation, 1998(4): 386-396.

[ 6 ] 毛健,赵红东,姚婧婧.人工神经网络的发展和应用[J]. 电子设计工程,2011,25(7)：62-65.

[ 7 ] 魏星,舒乃秋,崔鹏程,等. 基于改进PSO-BP神经网络和D-S证据理论的大型变压器故障综合诊断[J]. 电力系统自动化,2006,30(7):46-50.

[ 8 ] 任红卫,邓飞其.基于证据理论的信息融合故障诊断方法[J].系统工程与电子术,2005,27(3):471-474.

[ 9 ] 纪航,朱永利,郭伟. 基于模糊综合评价的变压器状态评分方法研究[J]. 继电器, 2006, 34(5): 29-33.

[10] 骆思佳,廖瑞金,王有元,等. 带变权的电力变压器状态模糊综合评判[J]. 高电压技术, 2007, 33( 8):107-108 .

[11] TANG W H, SPURGEON K, WU Q H, et al. An evidential reasoning approach to transformer condition assessments [J]. IEEE Transaction Power Delivery, 2004, 19(4): 1696-1703.

[12] 熊浩,孙才新,张昀,等. 电力变压器运行状态的灰色层次评估模型[J].电力系统自动化, 2007, 31(7): 55-60.

[13] 齐振中. 多信息融合的变压器实时状态评估[J]. 高压电器. 2012, 48(1):95-100.

[14] 朱承治,郭创新,孙旻,等. 基于改进证据推理的变压器状态评估研究[J]. 高电压技术,2008,34(11)：2332-2337.

[15] THOR HJARTARSON. Condition health indices and probabilities of failure[R].The 5th Annual Weidmann-ACTI Technical Conference. New Mexico, USA. 2006.

[16] 徐涛,王祁.一种神经网络预测器在传感器故障诊断中的应用 [J]. 传感器学报,2005,18(2):235-236.

[17] 赵文清,朱永利,姜波,等. 基于贝叶斯网络的电力变压器状态评估[J]. 高电压技术,2008,34(5)：1032-1039.

[18] ZHANG J, PU J, MCCCALLEY J, et al. A bayesian approach for short-term transmission line thermal overload risk assessment[J]. IEEE Power Engineering Review, 2002, 17(3):72.

[19] 刘有为,李光范,高克利,等. 关于制订《电气设备状态维修导则》的原则框架[J].电网技术,2003,27(6):64-67.

Application of Data Fusion Technique in Status Assessment of Transformers

Shen Yu1, Yang Fan1, Yang Zhichun1, Zheng Zhong2, Yu Zhicheng2, Du He2

(1. Electric Power Research Institute, State Grid Hubei Electric Power Co., Wuhan Hubei 430000,China;2. Beijing Key Laboratory for High Voltage & EMC, North China Electrical Power University, Beijing 102206, China)

Power Transformers are the most important equipment of electric power systems and substations. For operational maintenance of power systems, monitoring and prediction of transformer operation status and effective supervision and judgment of transformer status has practical meaning. Based on equipment status information fusion technique, this paper analyzes basic principle, rule of composition and decision process of D-S evidence theory. Furthermore, through concrete examples, it expounds specific feasibility of the diagnosis method, compares the correctness rates of the sole diagnosis method (result of judgment obtained only through neural network) and information fusion technique, and points out its advantages for development and implementability.

information fusion; neural network; evidence theory;power transformer;state judgment

TM407

A

1000-3886(2017)04-0084-04

10.3969/j.issn.1000-3886.2017.04.025

定稿日期: 2016-11-04

国家重点研发计划重点专项(2016YFB0101900)

沈煜(1983-)，男，湖北武汉人,硕士，高级工程师，主要从事配电网运行分析、状态管控和智能化方面的研究。 杨帆(1982-)，男，高级工程师，主要从事高压电气试验技术、电力电缆绝缘状态诊断及配电网技术等方面的研究工作。 杨志淳(1987-)，男，博士，工程师，主要从事配电网运维管控及配电自动化技术研究。