郭 棟 熊文真 徐建新,3 韓繼光 李 哲

1(昆明理工大學(xué)質(zhì)量發(fā)展研究院 云南 昆明 650093)2(云南農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院 云南 昆明 650201)3(冶金節(jié)能減排教育部工程研究中心 云南 昆明 650093)4(信陽(yáng)職業(yè)技術(shù)學(xué)院 河南 信陽(yáng) 464000)

基于變精度粗糙集與量子貝葉斯網(wǎng)絡(luò)的變壓器故障診斷研究

郭 棟1熊文真4徐建新1,3韓繼光2*李 哲1

1(昆明理工大學(xué)質(zhì)量發(fā)展研究院 云南 昆明 650093)2(云南農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院 云南 昆明 650201)3(冶金節(jié)能減排教育部工程研究中心 云南 昆明 650093)4(信陽(yáng)職業(yè)技術(shù)學(xué)院 河南 信陽(yáng) 464000)

及時(shí)準(zhǔn)確的變壓器故障診斷對(duì)電力部門(mén)正常運(yùn)轉(zhuǎn)而言意義重大。針對(duì)粗糙集與貝葉斯網(wǎng)絡(luò)模型在變壓器故障診斷中出現(xiàn)受噪聲數(shù)據(jù)影響大、存在完全搜索NP困難等問(wèn)題，提出基于變精度粗糙集與量子貝葉斯網(wǎng)絡(luò)的變壓器故障診斷模型。通過(guò)Grover量子搜索算法快速搜索變壓器故障、征兆類型等目標(biāo)數(shù)據(jù)，運(yùn)用層次分析法刪減對(duì)診斷故障影響較小的指標(biāo)，并分析確定變精度粗糙集的錯(cuò)誤分類率β，獲得最小故障決策表，從而構(gòu)建貝葉斯網(wǎng)絡(luò)故障推理模型，實(shí)現(xiàn)對(duì)變壓器故障的診斷研究。實(shí)例分析表明，與粗糙集、量子貝葉斯網(wǎng)絡(luò)等模型相比，該模型更適合變壓器故障的診斷且診斷精確。

變壓器故障診斷 變精度粗糙集Grover量子搜索算法 貝葉斯網(wǎng)絡(luò)

0 引 言

作為發(fā)電廠與變電所的重要設(shè)備之一，變壓器的可靠運(yùn)行是保障電力系統(tǒng)安全、穩(wěn)定運(yùn)行的重中之重[1]。由于變壓器結(jié)構(gòu)復(fù)雜，故障點(diǎn)較多，若未能及時(shí)準(zhǔn)確地診斷變壓器潛在故障，無(wú)疑會(huì)給電力部門(mén)帶來(lái)巨大損失。于是，精確有效的變壓器故障診斷研究對(duì)電力部門(mén)而言顯得格外重要。

目前，研究變壓器故障診斷的方法主要有：專家系統(tǒng)[2-3]、神經(jīng)網(wǎng)絡(luò)[4-5]，支持向量機(jī)[6-7]、粗糙集[8]、貝葉斯網(wǎng)絡(luò)[9-10]等?；趯＜蚁到y(tǒng)法、神經(jīng)網(wǎng)絡(luò)法，支持向量機(jī)等智能算法雖被廣泛應(yīng)用于變壓器故障診斷研究且取得一定成效，但變壓器結(jié)構(gòu)機(jī)理復(fù)雜、運(yùn)行環(huán)境多變使得故障數(shù)據(jù)采集精度大大受限，造成智能算法在診斷能力、實(shí)用性等方面存在一定的局限性。于是開(kāi)始嘗試結(jié)合先驗(yàn)知識(shí)、模糊不確定等理論對(duì)變壓器故障進(jìn)行診斷。粗糙集理論(RS)可以有效分析處理不精確、不完備的變壓器故障數(shù)據(jù)，并可以直接提取變壓器隱含的故障；貝葉斯網(wǎng)絡(luò)(BN)是運(yùn)用概率不確定性推理方法處理變壓器故障不確定性知識(shí)表達(dá)的最有效理論模型之一。二者在變壓器故障診斷方法上的有機(jī)結(jié)合既優(yōu)勢(shì)互補(bǔ)，又大幅提升變壓器故障診斷能力及可信度[11]。然而，粗糙集[12]在具備處理不確定性與模糊知識(shí)、有效克服神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)方法不足等諸多優(yōu)點(diǎn)的同時(shí)，也存在對(duì)變壓器故障分類要求精確、得到結(jié)論只針對(duì)固定對(duì)象集以及診斷結(jié)果受噪聲數(shù)據(jù)影響較大等局限性。貝葉斯網(wǎng)絡(luò)雖能有效便捷地處理變壓器故障信息的不完備，但在求解過(guò)程中完全確定搜索已被Chickering等人[13]證明是個(gè)NP困難問(wèn)題(指至今沒(méi)有找到多項(xiàng)式時(shí)間算法解的一類問(wèn)題)。變精度粗糙集[14]相對(duì)粗糙集有較好的容錯(cuò)性，能夠解決屬性間無(wú)函數(shù)或不確定關(guān)系數(shù)據(jù)的分類問(wèn)題，對(duì)噪聲有一定的免疫力。量子貝葉斯網(wǎng)絡(luò)[15]相對(duì)貝葉斯網(wǎng)絡(luò)可以將求解過(guò)程存在的NP問(wèn)題轉(zhuǎn)化為簡(jiǎn)單易解決的P問(wèn)題(存在多項(xiàng)式時(shí)間算法的一類問(wèn)題)，有效降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性并迅速獲取故障類型特征，保證變壓器故障診斷的快速性。

基于此，本文針對(duì)粗糙集與貝葉斯網(wǎng)絡(luò)在變壓器故障診斷中出現(xiàn)的問(wèn)題，提出基于變精度粗糙集與量子貝葉斯網(wǎng)絡(luò)的變壓器故障診斷模型。該模型既發(fā)揮粗糙集與貝葉斯網(wǎng)絡(luò)在變壓器故障診斷方面的優(yōu)勢(shì)，又彌補(bǔ)了原模型在變壓器故障診斷中出現(xiàn)的不足，從而快速準(zhǔn)確地診斷出變壓器故障。實(shí)例分析表明，該優(yōu)化模型在變壓器故障診斷上確實(shí)優(yōu)于原模型且診斷精確。

1 故障診斷模型基礎(chǔ)理論

1.1 變精度粗糙集

變精度粗糙集VPRS(Variable Precision Rough Set)，是指在Pawlak粗糙集模型中引入?yún)?shù)β(0<β<0.5)的模型。它是對(duì)Pawlak粗糙集的推廣，即當(dāng)錯(cuò)誤分類率β=0時(shí)，變精度粗糙集則變?yōu)镻awlak粗糙集[16]。由其基本思想[14]知，允許一定程度上錯(cuò)誤分類率存在，可以解決變壓器故障類型、征兆類型等屬性間無(wú)函數(shù)關(guān)系的數(shù)據(jù)分類問(wèn)題。

為了更好地運(yùn)用變精度粗糙集約簡(jiǎn)變壓器屬性集，現(xiàn)給出以下幾個(gè)定義[17-18]：

定義1 設(shè)X為有限集合，F(xiàn)={Y|Y?X}，?為F上的偏序關(guān)系。對(duì)?X,Y∈F，當(dāng)且僅當(dāng)：

(1)

時(shí)，c(X,Y)記X為關(guān)于Y的相對(duì)錯(cuò)誤分類率，c(X,Y)×|X|記為絕對(duì)分類誤差。

定義2 給定論域U，設(shè)(U,R)為近似區(qū)域，VPRS下隨β調(diào)整而調(diào)整，R?U×U，X?U，定義X的β下近似為：

(2)

定義3 決策屬性Q與條件屬性P的β依賴度定義為：

γ(P,Q,β)=|pos(P,Q,β)|/|U|

(3)

定義4 給定決策信息系統(tǒng)S=(U,P∪Q,V,f)，P關(guān)于Q的β近似約簡(jiǎn)應(yīng)滿足(近似約簡(jiǎn)是P的一個(gè)子集red(P,Q,β))：

(1)γ(P,Q,β)=γ(red(P,Q,β),Q,β)；

(2) 從red(P,Q,β)中去掉任一屬性，條件(1)都將不成立。

定義5 若集合Z在閾值0≤β<0.5上是可辨別的，則Z在任何0≤β1<β上是可辨別的。若集合Z在閾值0≤β<0.5上是不可辨別的，則Z在任何0≤β1<β上也是不可辨別的。

1.2 量子貝葉斯網(wǎng)絡(luò)

近些年，學(xué)者對(duì)變壓器故障診斷的研究大多集中在診斷過(guò)程優(yōu)化以及準(zhǔn)確性方面[19]，對(duì)變壓器故障診斷速度缺乏針對(duì)性考慮。變壓器故障發(fā)生后，若能迅速診斷故障，就能快速排除變壓器故障，減少故障帶來(lái)的損失，并提高供電的可靠性。量子貝葉斯網(wǎng)絡(luò)QBN(QuantumBayesianNetwork)，是指結(jié)合Grover量子搜索算法的并行性搜索，重點(diǎn)提高變壓器故障診斷的速度，獲得最小診斷時(shí)間的貝葉斯網(wǎng)絡(luò)推理模型。

1.2.1Grover量子搜索算法

Grover量子搜索算法[20]，基本思想是通過(guò)幺正變換、初始等幅疊加態(tài)、Grover量子多次迭代等手段放大目標(biāo)項(xiàng)，抑制非目標(biāo)項(xiàng)的概率幅，再測(cè)量量子態(tài)從而達(dá)到快速精確搜索目標(biāo)項(xiàng)的目的。該算法既能實(shí)現(xiàn)對(duì)凌亂貝葉斯網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的量化級(jí)搜索，還能解決貝葉斯網(wǎng)絡(luò)經(jīng)典計(jì)算中所謂的NP類問(wèn)題。

Grover量子搜索算法大致步驟[21]如下：(1) 初始化，產(chǎn)生一個(gè)等幅度的狀態(tài)疊合；(2) 完成對(duì)判決函數(shù)的并行計(jì)算；(3) 對(duì)最后分量作“Z操作”變換，標(biāo)出真解，且只有真解的幅度才是負(fù)值；(4) 對(duì)|x,f(x)〉的第一分量執(zhí)行D變換，增大真解b對(duì)應(yīng)狀態(tài)|b,1〉的出現(xiàn)概率；(5) 重復(fù)執(zhí)行步驟(3)、步驟(4)k次后進(jìn)行觀察，得到觀察結(jié)果|x,1〉，并將x作為真解輸出。Grover量子搜索算法的流程見(jiàn)圖1所示。

圖1 Grover量子搜索算法流程圖

1.2.2 貝葉斯網(wǎng)絡(luò)

2 構(gòu)建變壓器故障診斷模型

由于貝葉斯網(wǎng)絡(luò)是變壓器故障診斷中運(yùn)用最普遍的搜索方法，搜索速度較慢，于是本文采用Grover量子搜索算法將故障類型、征兆類型進(jìn)行壓縮，以簡(jiǎn)化故障診斷結(jié)構(gòu)，快速搜索判斷征兆各類型對(duì)應(yīng)可能出現(xiàn)各故障的先驗(yàn)概率庫(kù)，得出各故障的概率情況；再運(yùn)用層次分析法(AHP)分別對(duì)變壓器故障、征兆進(jìn)行重要度排名，刪除重要度較小的故障、征兆類型；接著，用余下指標(biāo)建立因果關(guān)系集合R列表，并按照給定的量化原則對(duì)數(shù)據(jù)進(jìn)行離散化，得到變壓器故障診斷決策表；然后運(yùn)用變精度粗糙集，通過(guò)確定適合的β值，對(duì)帶有噪聲、缺失的決策表進(jìn)行條件屬性約簡(jiǎn)，得到最小約簡(jiǎn)表；最后，利用貝葉斯網(wǎng)絡(luò)進(jìn)行因果關(guān)系的推斷，結(jié)合變壓器故障征兆數(shù)據(jù)，得到各故障出現(xiàn)的概率值，概率值最大的即為變壓器最有可能出現(xiàn)的故障。

2.1 故障診斷指標(biāo)的確定

為后期更快更準(zhǔn)確地建立貝葉斯網(wǎng)絡(luò)故障推理模型，首先應(yīng)快速確定變壓器故障類型、征兆類型。在此需要引入Grover量子搜索算法來(lái)對(duì)398條變壓器故障數(shù)據(jù)中的故障類型、征兆類型進(jìn)行壓縮。為了完成對(duì)變壓器故障目標(biāo)數(shù)據(jù)的搜索，需要引入量子程序設(shè)計(jì)語(yǔ)言QCL(QuantumComputationLanguage)[24],它是一種可以對(duì)量子計(jì)算進(jìn)行語(yǔ)言級(jí)模擬的高級(jí)語(yǔ)言。它提供了基本量子運(yùn)算符和量子態(tài)的表示方法，能實(shí)現(xiàn)量子位的各種幺正變換及測(cè)量操作。通過(guò)運(yùn)用該語(yǔ)言的MATLAB編程(偽代碼如下所示)，可快速完成對(duì)變壓器故障類型、征兆類型的篩選，得到的變壓器征兆集(H)、故障集(N),如表1、表2所示。

grover.qcl偽代碼如下：

1 procedure grover (int n) {

2 int l = floor(log(n,2))+1;

3 int m = ceil(pi/8* sqrt(2^l));

4 int x; int i;

5 qureg [l];

7 print l, ”qubits, using”, m, “iteration”

8 {

9 reset;

10 H(q);

11 For i = 1 to m {

12 querg (q, f, n);

13 CPhase (P, f);

14 ！query (q, f, n);

15 diffuse(q);

內(nèi)部審計(jì)人員要避免參加相同的審計(jì)活動(dòng)，而且不能干涉企業(yè)的生產(chǎn)經(jīng)營(yíng)活動(dòng)，只能行使評(píng)價(jià)與建議的權(quán)利。然而在實(shí)際工作中，上述情況時(shí)有發(fā)生，當(dāng)這種情況無(wú)法避免的時(shí)候，一定要依據(jù)實(shí)際情況來(lái)進(jìn)行科學(xué)合理的協(xié)調(diào)，保證審計(jì)人員工作的獨(dú)立。

16 } measure q, x;

17 print “measured”, x;

18 } until x == n;

19 reset;

20 }

表1 變壓器征兆集(H)

表2 變壓器故障集(N)

再通過(guò)運(yùn)用層次分析法(AHP)分別對(duì)變壓器故障、征兆類型進(jìn)行重要度排名，刪除重要度較小的故障、征兆類型。通過(guò)專家打分得到變壓器故障類型判斷矩陣，如表3所示。

表3 變壓器故障類型判斷矩陣

表4 約簡(jiǎn)后變壓器故障類型及其概率

2.2 故障診斷決策表的獲取

為獲取故障診斷決策表，首先應(yīng)建立關(guān)聯(lián)關(guān)系集合K，具體如表5所示，其中Kij表示在di發(fā)生條件下bj發(fā)生的概率。其次由于變壓器故障屬性值為連續(xù)值，須將屬性值離散化，故作如下規(guī)定：0.5

表5 關(guān)聯(lián)關(guān)系集合(K)

注：—表示屬性值為0

表6 故障診斷決策表

ξ(R,X)=infndis(R,X)

(4)

β=ξ(R,X)=min(m1,m2)

(5)

m1=1-max(pr(Y/Xi)|Y?U,pr(Y/Xi)≥0.5)

(6)

m2=min(pr(Y/Xi)|Y?U,pr(Y/Xi)≥0.5)

(7)

綜合運(yùn)用以上算法，可得出變壓器故障診斷數(shù)據(jù)的變精度粗糙集的錯(cuò)誤分類率β取值區(qū)間為[0.45,0.5)。為了進(jìn)一步確定錯(cuò)誤分類率β值，由數(shù)據(jù)驅(qū)動(dòng)的變精度粗糙集噪音閾值獲取算法[26]，先求出基于該算法獲取錯(cuò)誤分類率β下的測(cè)試正確率和拒識(shí)率，再在[0.45,0.5)上，以0.005為步長(zhǎng)獲取錯(cuò)誤分類率β，并求取相關(guān)測(cè)試正確率和拒識(shí)率。實(shí)驗(yàn)數(shù)據(jù)分析結(jié)果如圖2所示。

圖2 錯(cuò)誤分類率β閾值取值情況

由圖2知，當(dāng)取β=0.45時(shí)測(cè)試正確率最高，且拒識(shí)率低，效果最佳，即本文變精度粗糙集的錯(cuò)誤分類率β取0.45。當(dāng)A=A+∪A-時(shí)，結(jié)合定義1-定義4知，正區(qū)域?yàn)?

(8)

(9)

(10)

綜合以上b1、b12為核屬性，然后逐一驗(yàn)證包含核屬性的所有情況，最后得到最小屬性集共六個(gè)：

{b1,b2,b4,b10,b12} {b1,b2,b4,b8,b12}{b1,b2,b5,b10,b12} {b1,b2,b10,b12,b15}{b1,b4,b5,b10,b12} {b1,b4,b5,b8,b12}

(11)

刪除結(jié)論屬性對(duì)應(yīng)條件屬性為0的屬性集，考慮到征兆獲取的難易，最后選擇{b1,b2,b5,b10,b12}作為最小屬性集，并重新建立最小故障診斷決策，如表7所示。

表7 最小故障診斷決策表

2.3 故障推理模型的構(gòu)建

由表7中故障類型與征兆類型之間的連接關(guān)系，可得到變壓器的貝葉斯網(wǎng)絡(luò)故障推理模型結(jié)構(gòu)，如圖3所示。

圖3 貝葉斯網(wǎng)絡(luò)故障推理結(jié)構(gòu)

運(yùn)用該模型進(jìn)行具體故障診斷如下：(1) 根據(jù)變壓器故障征兆存在與否把征兆集H={m2,m5,m6}分成H+與H-兩類，其中H+代表發(fā)生征兆的集合，H-代表不發(fā)生征兆的集合，H=H+∪H-；(2) 各變壓器故障類型發(fā)生概率為先驗(yàn)概率與其條件下征兆發(fā)生率的乘積，用概率公式表示為P(ai|A+∩A-)=P(ai)∏P(mj|ai)∏P((1-mk)|ai)，mj∈A+，mk∈A-；(3) 在變壓器診斷中更希望得到哪個(gè)故障類型發(fā)生概率最大，這樣才能進(jìn)行針對(duì)性診斷與修復(fù)，即求max{P(ai|A+∩A-)}。

3 實(shí)例結(jié)果與分析

3.1 實(shí)例結(jié)果分析

實(shí)例數(shù)據(jù)來(lái)源于2013年云南省昆明市某供電局的110kV變壓器故障診斷記錄數(shù)據(jù)庫(kù)，得到DGA采樣數(shù)據(jù)如表8所示。

表8 各特征氣體濃度

由表8可知C2H2/C2H4=3.27，CH4/H2=0.18，C2H4/C2H6=0.979，三比值編碼為210，屬于低能放電故障特性，鐵芯接地電流正常，CO/CO2值合格，所以H+={b5}，H-={b1,b2,b10,b12}。結(jié)合表5條件概率連接關(guān)系，再結(jié)合圖3的貝葉斯網(wǎng)絡(luò)故障推理模型，得到各故障原因的概率結(jié)果，如表9所示。

表9 各故障原因概率

由表9知，d8的發(fā)生概率最大，其次是d9、d14。參照故障類型表即得到變壓器發(fā)生懸浮放電故障的可能性最大，其次是圍屏放電、油中放電，說(shuō)明通過(guò)變精度粗糙集—量子貝葉斯網(wǎng)絡(luò)模型快速診斷該供電局110kV變壓器的故障結(jié)果為懸浮放電、圍屏放電、油中放電。而本變壓器故障診斷的實(shí)際結(jié)果為：不同電位之間的油中火花放電或懸浮電位之間的電火花放電，其模型診斷結(jié)論與實(shí)際結(jié)果高度一致且更精確。因此，實(shí)例分析結(jié)果直觀表明，基于變精度粗糙集與量子貝葉斯網(wǎng)絡(luò)的變壓器故障診斷模型可以對(duì)變壓器故障進(jìn)行精確診斷。

3.2 實(shí)例性能分析與對(duì)比

為了更全面地了解本文模型對(duì)變壓器故障診斷的優(yōu)越性，現(xiàn)對(duì)實(shí)例中變壓器故障診斷性能進(jìn)行量化分析并與前人相關(guān)研究模型進(jìn)行對(duì)比，以此驗(yàn)證本文所提模型的必要及價(jià)值性。采用10折交叉驗(yàn)證法[27]，并分別運(yùn)用粗糙集(RS)、量子貝葉斯網(wǎng)絡(luò)(QBN)、粗糙集—貝葉斯網(wǎng)絡(luò)(RS-BN)以及本文所提的VPRS-QBN模型對(duì)該110kV變壓器故障相關(guān)數(shù)據(jù)進(jìn)行分析測(cè)試，獲得診斷的準(zhǔn)確率、靈敏度以及特異度，并以假陽(yáng)性率(1-特異度)為橫坐標(biāo)、真陽(yáng)性率(靈敏度)為縱坐標(biāo)，得到ROC面積。最終得到的變壓器故障診斷性能分析如表10所示。由表10知，基于VPRS-QBN模型的變壓器故障診斷性能指標(biāo)較其他模型指標(biāo)均最高，說(shuō)明該模型診斷變壓器故障的能力最強(qiáng)，更適合應(yīng)用于變壓器故障診斷；此外，從VPRS-QBN模型的各項(xiàng)性能指標(biāo)看，變壓器故障診斷精度達(dá)到90.4%、靈敏度約為85.3%、特異度高達(dá)94.8%以及ROC面積達(dá)到92.7，各項(xiàng)數(shù)據(jù)都客觀說(shuō)明該模型對(duì)變壓器故障診斷結(jié)果具有較高準(zhǔn)確性。再結(jié)合上述實(shí)例分析結(jié)果，主客觀均表明基于變精度粗糙集與量子貝葉斯網(wǎng)絡(luò)的模型更適合實(shí)施變壓器故障診斷且診斷精確。

表10 故障診斷性能分析表

4 結(jié) 語(yǔ)

及時(shí)準(zhǔn)確地診斷變壓器故障對(duì)電力系統(tǒng)正常運(yùn)轉(zhuǎn)意義重大，本文針對(duì)粗糙集與貝葉斯網(wǎng)絡(luò)在變壓器故障診斷中出現(xiàn)的不足，提出基于變精度粗糙集與量子貝葉斯網(wǎng)絡(luò)的變壓器故障診斷模型。實(shí)例分析表明，該模型更適合變壓器故障的診斷且診斷精確。本文由于實(shí)例數(shù)據(jù)有限，使得Grover量子搜索算法的優(yōu)勢(shì)發(fā)揮不明顯，但重點(diǎn)突出了該優(yōu)化模型在變壓器故障診斷的精確性。在后續(xù)的研究中當(dāng)變壓器故障數(shù)據(jù)達(dá)到一定數(shù)量級(jí)時(shí)，將重點(diǎn)突出該模型的及時(shí)性，從而實(shí)現(xiàn)對(duì)變壓器故障的快速精確診斷。

[1]SicaFC,Guimar?esFG,DuarteRDO,etal.Acognitivesystemforfaultprognosisinpowertransformers[J].ElectricPowerSystemsResearch,2015,127:109-117.

[2]GhoneimSSM,TahaIBM.AnewapproachofDGAinterpretationtechniquefortransformerfaultdiagnosis[J].InternationalJournalofElectricalPower&EnergySystems,2016,81:265-274.

[3] 高松,劉志剛,徐建芳,等.基于模型診斷和專家系統(tǒng)的牽引變壓器故障診斷研究[J].鐵道學(xué)報(bào),2013,35(7):42-49.

[4]IlliasHA,ChaiXR,BakarAHA.Hybridmodifiedevolutionaryparticleswarmoptimisation-timevaryingaccelerationcoefficient-artificialneuralnetworkforpowertransformerfaultdiagnosis[J].Measurement,2016,90:94-102.

[5] 付強(qiáng),陳特放,朱佼佼.采用自組織RBF網(wǎng)絡(luò)算法的變壓器故障診斷[J].高電壓技術(shù),2012,38(6):1368-1375.

[6]BachaK,SouahliaS,GossaM.Powertransformerfaultdiagnosisbasedondissolvedgasanalysisbysupportvectormachine[J].ElectricPowerSystemsResearch,2012,83(1):73-79.

[7] 鄭含博,王偉,李曉綱,等.基于多分類最小二乘支持向量機(jī)和改進(jìn)粒子群優(yōu)化算法的電力變壓器故障診斷方法[J].高電壓技術(shù),2014,40(11):3424-3429.

[8] 陳小青,劉覺(jué)民,黃英偉,等.采用改進(jìn)人工魚(yú)群優(yōu)化粗糙集算法的變壓器故障診斷[J].高電壓技術(shù),2012,38(6):1403-1409.

[9]SuchánekP,MareckiF,BuckiR.Self-learningBayesiannetworksindiagnosis[J].ProcediaComputerScience,2014,35:1426-1435.

[10] 王永強(qiáng),律方成,李和明.基于貝葉斯網(wǎng)絡(luò)和DGA的變壓器故障診斷[J].高電壓技術(shù),2004,30(5):12-13,36.

[11]LiQ,LiZB,ZhangQ.ResearchofpowertransformerfaultdiagnosissystembasedonroughsetsandBayesiannetworks[J].AdvancedMaterialsResearch,2011,320:524-529.

[12] 莫娟,王雪,董明,等.基于粗糙集理論的電力變壓器故障診斷方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2004,24(7):162-167.

[13]ChickeringDM,GeigerD,HeckermanD.LearningBayesiannetworksisNP-hard:MSR-TR-94-17[R].TechnicalReport,MicrosoftResearch, 1994:1-22.

[14]ZiarkoW.Variableprecisionroughsetmodel[J].JournalofComputerandSystemSciences,1993,46(1):39-59.

[15] 崔歡歡.基于量子貝葉斯網(wǎng)絡(luò)的電力變壓器故障診斷方法研究[D].北京:華北電力大學(xué),2015.

[16]ChenD,YangY,DongZ.Anincrementalalgorithmforattributereductionwithvariableprecisionroughsets[J].AppliedSoftComputing,2016,45:129-149.

[17] 陳昊,楊俊安,莊鎮(zhèn)泉.變精度粗糙集的屬性核和最小屬性約簡(jiǎn)算法[J].計(jì)算機(jī)學(xué)報(bào),2012,35(5):1011-1017.

[18]YangY,ChenD,DongZ.Novelalgorithmsofattributereductionwithvariableprecisionroughsetmodel[J].Neurocomputing,2014,139:336-344.

[19]LowGH,YoderTJ,ChuangIL.QuantuminferenceonBayesiannetworks[J].PhysicalReviewA,2014,89(6):062315.

[20]LuanL,WangZ,LiuS.ProgressofGroverquantumsearchalgorithm[J].EnergyProcedia,2012,16:1701-1706.

[21]EllinasD,KonstandakisC.Parametricquantumsearchalgorithmasquantumwalk:aquantumsimulation[J].ReportsonMathematicalPhysics,2016,77(1):105-128.

[22] 吳立增,朱永利,苑津莎.基于貝葉斯網(wǎng)絡(luò)分類器的變壓器綜合故障診斷方法[J].電工技術(shù)學(xué)報(bào),2005,20(4):45-51.

[23]ZhuY,HuoL,LuJ.Bayesiannetworks-basedapproachforpowersystemsfaultdiagnosis[J].IEEETransactionsonPowerDelivery,2006,21(2):634-639.

[24]YingM.Quantumcomputation,quantumtheoryandAI[J].ArtificialIntelligence,2010,174(2):162-176.

[25]ChengY,ZhanW,WuX,etal.Automaticdeterminationaboutprecisionparametervaluebasedoninclusiondegreewithvariableprecisionroughsetmodel[J].InformationSciences,2015,290:72-85.

[26] 趙彥鈞,王國(guó)胤,胡峰.數(shù)據(jù)驅(qū)動(dòng)的可變精度粗糙集噪音閾值獲取方法[J].計(jì)算機(jī)科學(xué),2008,35(11):174-177.

[27]ZhangH,YangS,GuoL,etal.ComparisonsofisomiRpatternsandclassificationperformanceusingtherank-basedMANOVAand10-foldcross-validation[J].Gene,2015,569(1):21-26.

RESEARCH ON TRANSFORMER FAULT DIAGNOSIS BASED ON VARIABLE PRECISION ROUGH SET AND QUANTUM BAYESIAN NETWORK

Guo Dong1Xiong Wenzhen4Xu Jianxin1,3Han Jiguang2*Li Zhe1

1(QualityDevelopmentInstitute,KunmingUniversityofScienceandTechnology,Kunming650093,Yunnan,China)2(FacultyofMechanicalandElectricalEngineering,YunnanAgriculturalUniversity,Kunming650201,Yunnan,China)3(MetallurgicalEngineeringResearchCenteroftheMinistryofEducationforEnergyConservationandEmissionsReduction,Kunming650093,Yunnan,China)4(XinyangVocationalandTechnicalCollege,Xinyang464000,Henan,China)

It is significance for electric power department to diagnose transformer fault timely and accurately. Aiming at the problem that the rough set and the Bayesian network model have great influence on the transformer fault diagnosis and the complete search NP difficulty, a transformer fault diagnosis model based on variable precision rough set and quantum Bayesian network is proposed. By using Grover quantum search algorithm, the target data such as transformer fault and symptom type can be searched quickly. The analytic hierarchy process is used to delete the index which has less influence on the diagnosis fault and to analyze the misclassification rate of the variable precision rough set. The minimum fault decision table is obtained, and the fault reasoning model of Bayesian network is constructed to diagnose the transformer fault. Example analysis shows that compared with rough sets and quantum Bayesian network model, the proposed model is more suitable for the transformer fault diagnosis and more accurate diagnosis.

Transformer fault diagnosis Variable precision rough set Grover quantum search algorithm Bayesian network

2016-08-24。國(guó)家自然科學(xué)基金青年科學(xué)基金項(xiàng)目(51406071)。郭棟，碩士生，主研領(lǐng)域：數(shù)據(jù)挖掘。熊文真，講師。徐建新，副教授。韓繼光，講師。李哲，碩士。

TP

ADOI:10.3969/j.issn.1000-386x.2017.02.016