多源信息融合技术在变压器故障诊断中的实践探析

摘要：在我国电力工程建设规模不断扩大的背景下，电力网络建设日益完善，为社会生产提供充足且稳定的电力能源支持。在电力系统中，变压器是一项重要设备，能够直接影响供电效率，但是变压器需要长期处于高压运行状态下，所以不可避免地会出现一定故障问题，为了提高故障解决效率，需要采用科学的诊断技术，多源信息融合技术具有良好的应用效果。因此，本文将对多源信息融合技术在变压器故障诊断中的实践应用进行深入地研究与分析，旨在进一步提高变压器故障诊断技术水平。

关键词：多源信息融合技术;变压器设备;故障诊断;实践应用;技术优势

多源信息融合技术在变压器故障诊断中具有良好的应用效果，该技术充分利用多个传感器的资源，将多项传感器在空间与时间中进行互补，从而能够得到更加全面的变压器故障信息，具有较好的协同作用效果，能够提高变压器故障诊断信息真实性和可靠性。多源信息融合技术能够从大量复杂的变压器故障信息中快速分析和提取价值信息，能够有效提高故障诊断效率，从而为故障维修打下坚实的基础。

1多源信息融合技术应用原理分析

多源信息融合技术的应用原理为对具有相似或不同特点模式的多源信息进行处理，从而获取有效的决策信息，其中特征识别和融合算法是多源信息融合技术中的核心内容，特殊的算法能够将多源信息进行整合，能够有效应对信息模糊和信息矛盾的问题。多源信息融合技术的技术原理包括多个方面，比如信号处理、估计理论、模糊集理论、神经网络以及人工智能等;多源信息融合技术的构成包括三个模块，数据融合模块、特征融合模块以及决策融合模块，在多种信息的原始数据没有经过处理前能够对信息进行综合分析与判断;想要实现数据模块的融合，则必须保证传感器具有匹配性，能够在原始数据层面中实现关联;特征融合模块是从信息源的原始信息中提取特征信息，对其进行综合分析与处理，所提取的特征信息为原始信息的表示量或统计量，之后依据特征信息对多信息源进行分类、整合以及处理;决策融合模块是三个模块的最终处理结果，能够直接用于决策管理，融合的结果能够为决策系统提供依据，决策融合能够在多个信息失效的情况下持续运行，所以具有较好的容错性，主要采用模糊集理论、专家系统以及贝叶斯推断等。本文所采用的多源信息融合技术应用流程为：传感器原始色谱信息数据预处理→数据传输至BP神经网络推断→数据诊断→数据融合→诊断结论[1]。

2以BP神经网络为基础的故障诊断

2.1BP神经网络分析

BP神经网络为前馈型和模块型结构的神经网络模式，BP神经网络包括输入模块、隐含模块以及输出模块，输入模块主要负责信息获取，隐含模块和输出模块具有数据处理能力;因为BP神经网络中某模块输出的数据为下一层模块的输入，所以该系统对于数据的处理具有传递方向性。BP神经网络功能特点受到来接的拓扑结构、神经元连接以及学习方式影响[2]。

2.2网络设计

在本次变压器故障诊断系统中，在线监测功能以实时获取变压器油中溶解气体含量和对应故障信息作为融合数据的基本来源，输入量的确定需要选择对输出量影响较大的白能量，所以网络输入量选择变压器的DGA数据，输出量能够表现出实现功能目标，网络输出量则为变压器的故障类型。具体设计包括：（1）输入量设计。因为DGA数据为数值形式，所以能够利用在线监测方式获取，将数据作为神经网络的输入，因为对变压器故障影响较大的DGA数据中包括六种不同的气体数据，即氢气、甲烷、乙烷、乙烯、乙炔以及一氧化碳，所以输入层中需要设置对应的六个神经单元，输入量设计为一个n*6的矩阵，n代表DGA数据的样本个数。（2）输出量设计。因为变压器故障数据为文本格式，神经网络的实际输出为0—1或-1—1范围内，为此需要将故障类型以数值的方式呈现，本文采用归一化数据处理方法，公式为：yi=（xo-xmin）/（xmax-xmin），其中xmin表示样本最小值，xmax表示样本最大值，yi为归一化后的数据。因为变压器的故障主要包括低能放电、高能放电、中低温过热、高温过热以及局部放电五种不同类型，所以神经网络输出中设计对应的五个单元。（3）训练集设计。通常情况下样本的数据越多，则输出结果准确性越高，系统训练样本数量受到输入和输出非线性映射关系的复杂程度影响，关系越复杂则样本噪声越大，所以想要保证映射精确性，需要训练更多的样本数量。在H市某变电站中，监测系统收集了站内5个不同变压器的油色谱数据，每一个传感器收集到100组故障数据，每一个故障中又包括20个样本，本文选择其中50个样本进行训练，另外50用于测试。（4）隐含模块和隐含模块节点设计。在采用DGA数据作为变压器故障分析数据进行训练的过程中，需要对六种不同气体含量构建BP神经网络，都采用一个隐含模块，隐含模块中节点数量设计为12个，所以网络结构我6*12*5;通过Matlab软件构建BP神经网络模型，对变压器故障样本进行测试训练[3]。

3多源信息融合技术在变压器故障诊断中的实践应用

将尚未所设计的多源信息融合技术在H市某变电站中进行实践应用，主要用于采集变压器的油气数据，采集到4个传感器包括的400组故障样本油气数据，将其中200组用于故障诊断训练，剩余200组用于测试，部分典型数据包括：（1）第一组：氢气550、甲烷0、乙烷0.5、乙烯0.6、乙炔0、一氧化碳0.4，故障类型为局部放电。（2）第二组。氢气14、甲烷6.50、乙烷1.50、乙烯1.15、乙炔1.80、一氧化碳3，故障类型为低能放电。（3）第三组。氢气7.5、甲烷96.2、乙烷26.6、乙烯4.6、乙炔134、一氧化碳1200，故障类型为高能放电。（4）第四组。氢气19.5、甲烷320.6、乙烷574.6、乙烯279.1、乙炔0、一氧化碳800，故障类型为高温过热。（5）第五组。氢气300、甲烷489、乙烷179、乙烯360、乙炔94、一氧化碳200，故障类型为中低温过热。

采用多源信息融合方式对故障样本进行测试，在对油气数据进行处理后，将其出入到BP神经网络中进行诊断，针对各个传感器的油气数据进行分别BP网络测试，将4个传感器分别编号为X1、X2、X3以及X4，对比结果为：（1）F1故障X1识别精确度为75.0%，X2识别精确度为70.0%，X3识别精确度为80.0%，X4识别精确度为80.0%，多源信息融合技术识别精确度为85.0%。（2）F2故障X1传感器识别精确度为80.0%，X2识别精确度为识别精确度为70.0%，X3识别精确度为80.0%，X4识别精确度为80.0%，多源信息融合技术识别精确度为90.0%。根据对比测试结果显示，本文所提出的多源信息融合技术在变压器故障针对中，相比于单一的诊断方法，诊断准确性具有很大提升。

结束语

综上所述，本文全面阐述了多源信息融合技术的基本内涵，并对多源信息融合技术故障识别系统进行设计，在实践应用中正面多源信息融合技术对于变压器故障的诊断准确性具有很大提升，希望能够对我国变电站故障诊断工作起到一定的借鉴和帮助作用。

参考文献

[1]劉云鹏， 付浩川， 许自强，等. 基于AdaBoost-RBF算法与DSmT的变压器故障诊断技术[J]. 电力自动化设备， 2019， 39（6）：7-7.

[2]申刘飞， 何怡刚， 吴晓欣. 基于多源Mallat-NIN-CNN网络的变压器绕组故障诊断[J]. 测控技术， 2020， 39（12）：6-6.

[3]张亮. 关于人工智能技术的变压器故障诊断研究[J]. 百科论坛电子杂志， 2019，000（002）：23-23.

作者简介;

曹井川（1991.05.10），性别：男;籍贯：济宁;民族：汉;学历：研究生、硕士;职称：工程师;研究方向：电气工程