基于信息融合技术的变压器故障诊断

邬连学， 张思睿

(河北石油职业技术大学 电气与电子系，河北 承德 067000)

1 D-S证据理论思想

D-S证据理论最早是在1966年由Dempter提出的，后来Shafer又在其基础上对D-S证据理论进行了扩展和完善，最终将其归纳为一套数学理论，通过映射的方式将命题和集合之间联系起来，并在此基础上引入相关函数来表达“不确定性”和“未知不明”等概念。

为了让D-S证据理论[13]更完善，以保证诊断结果的可靠性，特意在识别框架Θ的基础上构建了一种推理模型。其中Θ表示人们针对某一目标对象所能想到的合理性结果。简单来说就是：在一些可靠证据的支持下，人们在所有能想到的合理性结果中会产生一个基本可信度分配[4]，该值就是证据在Θ上的体现，这也是人们做出最后判断的一个重要依据。

在一个判决中，如果有好几批证据是可以利用的话，即可得到同等数量的基本可信度分配[7]，这是D-S证据理论应用灵活性的一种体现。通常在获得基本可信度分配后，就能求出它们的合成以及信任函数Bel，在D-S证据理论中，Bel就是人们判决所获得的最后结果。

1.1 D-S证据理论融合规则

一个判决可能需要多批证据支持，假设用m1、m2、…，mn来表示Θ上不同的证据的BPA，则它们的正交即可用下列公式来表达：

(1)

(2)

公式(1)和公式(2)即代表D-S证据理论中理论融合的相关公式，证据间的冲突通常用K表示，且冲突的大小与该数值的大小呈正比关系。理论融合公式的最大优势在于能在保证结果准确度的基础上，对不同来源的证据进行高效融合[8]。

1.2 D-S证据理论在信息融合算法中的应用优势

D-S证据理论在信息融合算法中的应用较为常见，它的基本特征是结合故障类型建立证据体，并给每个证据体分配概率指派函数，再利用证据合成规程对其进行合成，由此就能得出最大故障类型的特征[9]。和传统证据理论相比，D-S证据理论在信息融合算法中的应用优势主要体现在以下几点：

1)不用结合以往故障类型的经验，只需在D-S合成规程的基础上，对相关不确定信息进行融合，结果更可靠、更准确。

2)针对具有冲突性的证据，D-S证据理论所融合的结果也在合理范围内，不会违背相关标准。

3)每个证据的概率指派函数[10]所获取的方法相对统一。

4)即便是面对海量证据，D-S证据理论也能保证信息融合的效率。

2 基于信息融合技术的变压器故障诊断方法

信息融合诊断是一个比较复杂的过程，需要多种理论和技术支持。在同一个识别框架下，各个特征向量信息存在一定的差异性[11]，而D-S证据理论系统则能对每一个证据体来源进行诊断，结合诊断结果即可判断出各个证据体的可信度，再对各个证据主元进行融合，就能得到最终的诊断结果，且该结果是可靠、准确的。

2.1 模型的建立

为了进一步提高变压器故障类型的诊断正确率，结合D-S证据理论构建完善的故障诊断模型。将变压器运行故障的特征向量构造划分为多个故障特征向量，并将这些故障特征向量分别映射到BP神经网络、Elman神经网络[6]和概率神经网络[5]，其结果输出为具有初步判断变压器故障类型能力的新的特征向量[12]，再利用D-S证据理论融合规则对所输入的特征向量进行融合，从而得出最终的诊断结果。基于D-S证据理论所完善的故障诊断模型如图1所示。

2.2 网络结构设计及仿真

通过图1可以看出，基于信息融合技术的变压器诊断方法的核心结构有两部分构成。一部分是BP神经网络，特征气体含量是它的输入，它的输出是变压器发生各类故障的概率值，将其称为初步诊断层；另一部分是D-S信息融合部分，它的输入是初步诊断层的输出，它的输出是变压器的最终诊断结果，将其称为最终诊断层。

1)网络输入设置

网络的输入有两种方式，一种是以氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)和乙炔(C2H2)这五种特征气体的含量值为输入，另一种以C2H2/C2H4，CH4/H2，C2H4/C2H6六种气体含量的三种比值为输入。训练样本如表1所示。

表1 网络试训样本

2)网络输出设置

网络的输出是变压器的六种常见故障类型[1]，故障类型分类如表2所示。BP神经网络、Elman神经网络和概率神经网络的输出的数据表示变压器发生某种故障的概率值[2]，同时也是基于融合技术的变压器诊断方法的输入。

表2 网络输出与变压器故障的对应关系

3)网络参数设置

初步诊断层的参数有输入量的维度为3或5、输出量的维度为6、隐藏层节点数为15、网络误差为0.001、训练次数为2000。当输入为5时，BP神经网络、Elman神经网络和概率神经网络的误差曲线如图2所示。

3 变压器故障诊断实例分析

某型号为SZ11-20000/35的故障变压器，2019年6月21日，检测人员利用色谱在线监测装置对变压器进行数据观测时，发现变压器绝缘油色谱分析数据较前一天变化异常，次日继续观察发现总烃含量有所增加，并有继续增加的趋势，其他特征气体含量均有增加，工作人员初步判断变压器内部存在过热故障，且温度有不断上升趋势。两次检测的油色谱数据如表3所示。

表3 变压器故障诊断样本

由表3特征气体含量，计算出三比值C2H2/C2H4=0.153 7，CH4/H2=1.118 7，C2H4/C2H6=4.074 8，编码为122，对应的故障类型为电弧放电。

改良三比值法[3]初步认定变压器为电弧放电故障，而变电站工作人员依据经验诊断为过热故障，为了确定正确诊断结果，需对变压器故障进一步诊断。将故障特征量依次输入BP神经网络、Elman神经网络和概率神经网络，得到变压器各个故障类型的概率分配如表4所示。

表4 各证据体的基本概率分配

从表4的诊断结果可见，BP神经网络诊断为高温过热故障，Elman神经网络和概率神经网络诊断为电弧放电。将以上三种神经网络的输出数据进行融合，如表5所示。

表5 J1, J2, J3融合后的概率分配

从表5融合结果可以得出，该变压器为电弧放电故障，而工作人员的经验判断是错误的。

4 结论

通过对变压器故障的分析，可以确定基于信息融合技术的变压器故障诊断方法为我们的变压器故障诊断带来了一个新的亮点，在故障诊断过程中部分综合性故障也被诊断出来，基于信息融合技术的变压器诊断方法相比于变压器故障诊断的传统方法准确率更高，纠错能力更强。通过以上分析，可以得出以下结论：

1)基于信息融合技术的变压器故障诊断方法的精度和准确度，依赖于三种神经网络的准确度。

2)基于信息融合技术的变压器故障诊断方法对常见的变压器故障诊断方法具有纠错能力。

3)基于信息融合技术的变压器故障诊断方法随着融合次数的增加，准确度会有明显的提高。

为了进一步验证诊断效果，本文对105组样本进行了故障诊断，正确诊断数为100组，诊断准确率为95.24%。

通过基于BP神经网络的变压器故障诊断方法和基于信息融合技术的变压器故障诊断方法，这两种方法对变压器故障诊断的准确率如表6所示。

表6 不同诊断方法准确率对比