沈煜，楊帆，楊志淳，鄭重，于志誠, 杜赫

(1.國網(wǎng)湖北省電力公司電力科學研究院，湖北 武漢 430000;2.高電壓與電磁兼容北京市重點實驗室,華北電力大學，北京 102206)

數(shù)據(jù)融合技術(shù)在變壓器狀態(tài)評估中的應用

沈煜1，楊帆1，楊志淳1，鄭重2，于志誠2, 杜赫2

(1.國網(wǎng)湖北省電力公司電力科學研究院，湖北 武漢 430000;2.高電壓與電磁兼容北京市重點實驗室,華北電力大學，北京 102206)

電力變壓器是電力系統(tǒng)及變電站的最至關(guān)重要的設(shè)備之一。對電力系統(tǒng)進行運行維護時，監(jiān)測并預報變壓器運行狀態(tài)并且能夠有效地監(jiān)測并判斷變壓器的故障情況具有非常現(xiàn)實的意義?；谠O(shè)備狀態(tài)信息融合技術(shù)，分析了D-S證據(jù)理論的基本原理、組合規(guī)則和決策過程。通過具體的實例論述了診斷方法的具體可行性，比較了單一診斷方法(只經(jīng)神經(jīng)網(wǎng)絡(luò)判斷的結(jié)果)與信息融合技術(shù)的正確率，并指出信息融合技術(shù)的發(fā)展優(yōu)勢和可實現(xiàn)性。

信息融合;神經(jīng)網(wǎng)絡(luò);證據(jù)理論;電力變壓器;狀態(tài)判斷

0 引 言

對電力設(shè)備進行準確狀態(tài)評估可以及時掌握設(shè)備的運行狀況，對電力系統(tǒng)的安全可靠運行具有重要的意義。在電力設(shè)備的狀態(tài)評估領(lǐng)域中，近年來國內(nèi)外出現(xiàn)了各種新的技術(shù)和方法。然而，由于電力變壓器的狀態(tài)監(jiān)測所涉及的變量眾多,信息的不明確性、測試的不精準性、參考標準的不完備性等使得變壓器的狀態(tài)評估不能保證完全正確[1]。

在國內(nèi)外相繼開展基于設(shè)備實際狀態(tài)的狀態(tài)檢修的開發(fā)應用后，設(shè)備運行數(shù)據(jù)的獲取及處理與信息技術(shù)，智能技術(shù)的融合顯得尤為重要[2]。為此，國內(nèi)外很多學者創(chuàng)建了很多的現(xiàn)代綜合評價算法,為了試圖建立起具有良好應用成效的變壓器狀態(tài)評估模型。

本文利用D-S數(shù)據(jù)融合理論對變壓器監(jiān)測數(shù)據(jù)進行證據(jù)融合，使狀態(tài)評估結(jié)果更為準確，并用實例驗證了其有效性，對電力設(shè)備的診斷和評估具有實際的參考意義。

1 變壓器診斷技術(shù)的應用現(xiàn)狀

目前主要的變壓器診斷發(fā)展方向包括：關(guān)于改進PSO-BP人工神經(jīng)網(wǎng)絡(luò)和運用D-S證據(jù)理論的變壓器狀態(tài)全面判斷分析[3-5]；運用融合集得出變壓器故障診斷方法[6-9]；基于D-S證據(jù)理論的變壓器故障爭端模型[10-12]；灰色層次評估模型等。以上方法的基本想法是：首先構(gòu)建起關(guān)于變壓器的狀態(tài)評估指標體系,然后遵循體系規(guī)則將變壓器的狀態(tài)劃分為不同等級類型,計算出各評估指標的數(shù)值分別與哪個狀態(tài)指標相對應，最后全面分析所有信息總結(jié)出變壓器的整體狀態(tài)。

應用到診斷方法有：基于模糊理論的診斷方法；基于神經(jīng)網(wǎng)絡(luò)的診斷方法[13]；基于專家系統(tǒng)的診斷方法；基于灰色理論的診斷方法；基于貝葉斯網(wǎng)絡(luò)的診斷方法；基于信息融合技術(shù)的診斷方法。

在以上各方法中，信息融合技術(shù)是近期學者重點研究的領(lǐng)域，其關(guān)鍵在于系統(tǒng)的全面優(yōu)化調(diào)整。信息融合技術(shù)將來源不同、模式不同、媒質(zhì)不同、時間不同、表達方法不同，尤其是層次不同的信息進行有效的融合，追尋一些更加規(guī)范并精確的法則來融合，篩除并合并信息系統(tǒng)在時間和在空間上的冗余和互補信息，從而獲取對所評估問題的一致性解釋和更為全面的概括。由于其篩選和融合的過程，促使該系統(tǒng)得到比其各個組成部分更為優(yōu)秀的性能。

D-S證據(jù)理論是一種具有不確定性的推理方法，當存在多個證據(jù)源提供的證據(jù)時，它能夠有效融合每個證據(jù)，依靠證據(jù)的積聚，不斷減小假設(shè)集，有效地融合各個來源的信息，具有較強的處理和決策能力。對于電氣設(shè)備的測量數(shù)據(jù)(以變壓器為例)，可以運用人工神經(jīng)網(wǎng)絡(luò)建立相應的輸入輸出關(guān)系，再運用D-S證據(jù)理論進行數(shù)據(jù)融合處理，分析出設(shè)備的運行狀態(tài)信息，對運維人員做出正確決策具有重大的意義。

2 D-S數(shù)據(jù)融合方法原理分析

2.1 基本概念

定義1： 假如一個決策問題，對于這個問題，我們能預見到的結(jié)論的集合為Θ,那么，此結(jié)論中包含的任何一個命題都對應于Θ的一個子集。為了強調(diào)集合Θ所具有的認識論特性，Shafer稱其為識別框架[14]。

定義2 ：設(shè)Θ為識別框架。如果集函數(shù)m：2Θ→[0,1](2Θ為Θ的冪集)滿足：

(1)m(φ)=0

則稱m為識別框架Θ上的基本概率賦值函數(shù)BPAF，又稱基本可信度分配函數(shù)、基本概率指派函數(shù)、質(zhì)量函數(shù)。

定義3：設(shè)Θ為識別框架，m：2Θ→[0,1]為框架Θ上的基本概率賦值函數(shù)，則稱

Bel(A)=∑B∈Am(B)為A在Θ上的置信度函數(shù)。

所定義的函數(shù)Bel：2Θ→[0,1]為Θ上的信度函數(shù)。對于m(A)也稱為證據(jù)對命題A的基本概率賦值[12]。

m(A)的大小代表分配給A自身的置信度大小，也是證據(jù)支持命題A本身出現(xiàn)的程度，但是不支持任意A的真子集，它的獲取一般是大家憑經(jīng)驗得到的，抑或是根據(jù)傳感器所測得的數(shù)據(jù)分析得到。

按照Shafer的觀點，證據(jù)處理的數(shù)學模型為：首先確定識別框架Θ，用測得的數(shù)據(jù)構(gòu)建一個基本概率分配，對證據(jù)加以分析，得出證據(jù)對每一個命題本身的支持度(而不用記及任何真子集(前因后果))[15]。計算證據(jù)對每一個命題的支持度，進一步計算得出我們對全部命題的置信度。

定義4：設(shè)Θ為識別框架，Θ上由基本概率賦值函數(shù)導出的似真度函數(shù)定義為:

Pl:2Θ→[0,1]且Pl(A)=∑B∩A≠?m(B)

式中pl(A)代表對命題A不反對的程度，即與A有任何一點交集的全部集合所對應的基本可信度賦值的相加。[Bel(A),Pl(A)],稱為不明確區(qū)間，代表對A命題存在的不確定性的衡量的大小。D-S證據(jù)理論的初衷或意義之一就在于減小不確定區(qū)間。 [1,1]表示A為真；[0,0]表示A為假；[0,1]表示對A完全不知道。如圖1所示。

圖1 證據(jù)理論數(shù)學描述

2.2 D-S合成規(guī)則

D-S合成規(guī)則是一種體現(xiàn)多個證據(jù)相互融合作用的規(guī)則。新的置信函數(shù)的獲取得渠道是多個不同來源的置信函數(shù)的正交用D-S合成規(guī)則來組合的。

因為證據(jù)的來源途徑不一樣，面對一個識別框架即命題集合Θ，可以得出相互無關(guān)的不同的概率分配函數(shù)，假設(shè)對于兩個不同來源的證據(jù)體其基本概率分配函數(shù)分別為m1,m2，通過D-S合成規(guī)則，按照公式對子證據(jù)體進行融合，那么，m1,m2合成新的基本概率分配函數(shù)可以表示為：

式中⊕表示直和，E=X+Y。

k=∑X∩Y=gm1(X)m2(Y)且X∩Y≠Φ，它反映了證據(jù)沖突的程度。k的值越大，表示存在更多的證據(jù)沖突程度。系數(shù)(1/(l-k))稱為歸一化因子，表明在合成時將非0的信任賦給空集Φ[16-17]。

2.3 多信息融合決策過程

在一個推理系統(tǒng)中，最為重要的就是決策規(guī)則，決策規(guī)則就是根據(jù)融合后的信息及證據(jù)體的信任區(qū)間[Bel(Fj),Pls(Fj)]推斷出診斷結(jié)論，若Bel(Fi)=max{Bel(Fj),Fj∈Θ}，使得Fj滿足式以下關(guān)系：

則Fi為診斷結(jié)果，其中ε1和ε2為預先設(shè)定的閾值。

D-S證據(jù)推理信息融合決策的基礎(chǔ)流程如下[10]：

(1)在對決策問題更進一步考慮的基礎(chǔ)上，創(chuàng)建關(guān)于問題的命題集，即系統(tǒng)識別框架，q={A1,A2……}；

(2)創(chuàng)建出關(guān)于目標信息系統(tǒng)的基于識別框架的證據(jù)體，Ei(i=1,2,……)；

(3)利用所整理的各證據(jù)體的信息，與各個命題集合的特性相綜合，得出各證據(jù)體的基本可信度分配mi(Aj),j=1,2,……,n；

(4)通過基本可信度分配mi(Aj)分別計算單證據(jù)體作用下識別框架中各命題的信度區(qū)間[Beli,Plsi][19]；

(5)運用改進的D-S合成規(guī)則計算所有證據(jù)體聯(lián)合作用下的基本可信度分配mi(Aj)和信度區(qū)間[Beli,Plsi]；

(6)通過實際的案例進行分析，創(chuàng)建決策規(guī)則；

(7)通過融合后的決策規(guī)則給出具體結(jié)果。

3 基于D-S判據(jù)的設(shè)備狀態(tài)判斷

3.1 整體思路

電力設(shè)備在運行中長期受到電、熱、力等因素的作用，其存在缺陷或發(fā)生故障時都會產(chǎn)生多種缺陷信息或故障信息，各數(shù)據(jù)源從不同的側(cè)面反映了電力設(shè)備的運行狀態(tài)及不同的各種信息。為了更周全精準的判別電力設(shè)備變壓器的運行狀態(tài)，需要全面運用電力設(shè)備系統(tǒng)反饋的多渠道信息，以此來判斷故障的性質(zhì)、部位及嚴重程度。

設(shè)備狀態(tài)基本評估模型如圖2所示。本文通過若干個子模型，建立依托于人工神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論相結(jié)合的多信息融合模型。以平行式人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，融合電力設(shè)備狀態(tài)信息的分類，將電力設(shè)備各類信息作為人工神經(jīng)網(wǎng)絡(luò)的輸入，并聯(lián)各個神經(jīng)網(wǎng)絡(luò)用作評估模型的第一級，D-S證據(jù)理論作為第二級進行融合，以此來確定變壓器狀態(tài)。

圖2 多信息融合的電力設(shè)備評估模型

3.2 證據(jù)融合

根據(jù)變壓器各種狀態(tài)的現(xiàn)實情況和相對比例，通過反復綜合考慮，對輸出層取正常、報警、一級報警、二級報警作為四個輸出神經(jīng)元，分別對應F1、F2、F3、F4，輸出值最大為1，代表屬于此種狀態(tài)，數(shù)值越接近1則表明該類型狀態(tài)的可能性越大，反之則可能性越小，最后選取值最大的一種作為判斷結(jié)果。

狀態(tài)判斷所需步驟大致如下：

(1)利用歸一化函數(shù)mapminmax進行輸入數(shù)據(jù)的歸一化處理[18]；

(2)選取輸入:

I1={ H2,CH4,C2H6,C2H2,C2H4}；

I2={C2H2/C2H4,CH4/H2,C2H4/C2H6}；

分別取各氣體含量。對應四種狀態(tài)分別代表正常、報警、一級報警、二級報警。建立基于BP人工神經(jīng)網(wǎng)絡(luò)的變壓器狀態(tài)判斷模型后, 利用提前處理的學習樣本對神經(jīng)網(wǎng)絡(luò)進行訓練, 測定適合網(wǎng)絡(luò)融合的權(quán)重和閾值。

(3)取證據(jù)體：

e1={H2,CH4,C2H6,C2H2,C2H4}；

e2={C2H2/C2H4,CH4/H2,C2H4/C2H6}；

根據(jù)基本概率賦值的獲得公式，分別得到證據(jù)e1,e2對四種狀態(tài)的基本概率分配和不確定度，將上述證據(jù)用D-S證據(jù)理論進行融合，得到融合后的概率分配，得到判斷結(jié)論。

(4)對比神經(jīng)網(wǎng)絡(luò)判斷和D-S證據(jù)融合后的判斷結(jié)果正確率。

以2011年6月A莊變電站3號的監(jiān)測數(shù)據(jù)為案例，該監(jiān)測數(shù)據(jù)包括變壓器油的溶解氣體含量及廠家結(jié)論。通過油中溶解氣體分析來辨識變壓器狀態(tài)類型是一種有效的途徑。在分析變壓器油中溶解的七種氣體含量時，發(fā)現(xiàn)由于CO和CO2氣體含量值范圍不穩(wěn)定、分散性大并且現(xiàn)場獲取的數(shù)據(jù)常常不全等因素的影響，其含量值輸入會對神經(jīng)網(wǎng)絡(luò)的訓練造成不利的影響。因此選取H2、CH4、C2H2、C2H4、C2H6這五種氣體作為狀態(tài)判斷的特征，輸入BP神經(jīng)網(wǎng)絡(luò)。表1結(jié)果證實，這五種氣體可以準確判斷出變壓器的狀態(tài)。

表1 神經(jīng)網(wǎng)絡(luò)的判斷結(jié)果

把神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果用作相關(guān)證據(jù)加入到融合時,基本概率賦值的計算是將神經(jīng)網(wǎng)絡(luò)的學習誤差用作不確定因素，用作各焦點元素的基本概率值,計算公式為:

將表2所示證據(jù)進行D-S證據(jù)融合，得到?jīng)_突因子：

對于實例1，K1=0.241 3<1；

對于實例2，K1=0.224 8<1；

對于實例3，K1=0.245 7<1；

通過融合后的基本概率分配，可得出診斷結(jié)果如表4。根據(jù)分析實例所用方法，分別對21組測試樣本進行分析對比，得到結(jié)果見表5。其中15例測試樣本中2例錯誤樣本及其融合后的概率分配見表6。各表中F1、F2、F3、F4分別對應正常、報警、一級報警、二級報警四個輸出神經(jīng)元。

表2 各證據(jù)體基本概率分配

表3 融合后的基本概率分配

表4 實例診斷結(jié)果

表5 測試樣本診斷結(jié)果

表6 錯誤診斷實例

在100組訓練樣本中，48組正常樣本，20組注意樣本，22組一級報警樣本，10組二級報警樣本，在3例錯誤診斷實例中，其中一例是二級報警誤判，一例是二級報警不靈敏。從上述模型診斷失效的狀態(tài)看，分析其主要原因在于建立模型所需的訓練樣本中，二級報警樣本數(shù)量較其他狀態(tài)樣本數(shù)偏少，不夠準確所致。那么在更多的擴充這類狀態(tài)樣本后，對這類狀態(tài)判斷靈敏度及準確率會有上升的趨勢。

4 結(jié)束語

通過對電力設(shè)備的日常檢測、在線狀態(tài)監(jiān)測、采樣帶電監(jiān)測或停電試驗并綜合其他因素進行狀態(tài)檢修，來判斷設(shè)備的狀態(tài)和壽命情況。這種方法的優(yōu)勢在于其先驗性，能夠通過融合利用各種來源的數(shù)據(jù)獲取設(shè)備的運行情況，評價其可靠性，根據(jù)設(shè)備健康狀態(tài)安排維護及檢修[19]。本文圍繞變壓器油中溶解氣體作為具體處理的試驗數(shù)據(jù)對變壓器狀態(tài)進行判斷,運用了神經(jīng)網(wǎng)絡(luò)分類、證據(jù)理論等融合的方法，得出如下結(jié)論:

(1)利用油中變壓器相關(guān)狀態(tài)特征和氣體含量，可以建立出基于人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的電力變壓器狀態(tài)判斷系統(tǒng)。

(2)基于證據(jù)理論的信息融合狀態(tài)判斷模型可以應用在電力變壓器狀態(tài)判斷中。并通過實例檢驗了模型的有效性。

(3)D-S證據(jù)理論可以克服某方面證據(jù)體的片面性，對各個證據(jù)體進行有效的信息融合，使狀態(tài)評估的結(jié)果更加明確，并且大大降低了評估的不確定性。

[ 1 ] 廖瑞金,黃飛龍,楊麗君,等.多信息量融合的電力變壓器狀態(tài)評估模型[J].高電壓技術(shù),2010,36(6)：1455-1460.

[ 2 ] 鐘順帆,萬金萍,石延輝,等. 110 kV 及以上變壓器(電抗器)狀態(tài)評估方法及案例[J].南方電網(wǎng)技術(shù),2012,6(2)：62-65.

[ 3 ] 吳曉平,葉清,劉玲艷. 基于改進的BP網(wǎng)絡(luò)的D-S 證據(jù)理論及其應用[J]. 武漢理工大學學報,2007,29(8):158-161.

[ 4 ] 劉海軍,許丹,周一宇,等. 基于D-S證據(jù)理論多傳感器信息融合的輻射源及平臺識別[J]. 信號處理,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,趙紅東,姚婧婧.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展和應用[J]. 電子設(shè)計工程,2011,25(7)：62-65.

[ 7 ] 魏星,舒乃秋,崔鵬程,等. 基于改進PSO-BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的大型變壓器故障綜合診斷[J]. 電力系統(tǒng)自動化,2006,30(7):46-50.

[ 8 ] 任紅衛(wèi),鄧飛其.基于證據(jù)理論的信息融合故障診斷方法[J].系統(tǒng)工程與電子術(shù),2005,27(3):471-474.

[ 9 ] 紀航,朱永利,郭偉. 基于模糊綜合評價的變壓器狀態(tài)評分方法研究[J]. 繼電器, 2006, 34(5): 29-33.

[10] 駱思佳,廖瑞金,王有元,等. 帶變權(quán)的電力變壓器狀態(tài)模糊綜合評判[J]. 高電壓技術(shù), 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,孫才新,張昀,等. 電力變壓器運行狀態(tài)的灰色層次評估模型[J].電力系統(tǒng)自動化, 2007, 31(7): 55-60.

[13] 齊振中. 多信息融合的變壓器實時狀態(tài)評估[J]. 高壓電器. 2012, 48(1):95-100.

[14] 朱承治,郭創(chuàng)新,孫旻,等. 基于改進證據(jù)推理的變壓器狀態(tài)評估研究[J]. 高電壓技術(shù),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] 徐濤,王祁.一種神經(jīng)網(wǎng)絡(luò)預測器在傳感器故障診斷中的應用 [J]. 傳感器學報,2005,18(2):235-236.

[17] 趙文清,朱永利,姜波,等. 基于貝葉斯網(wǎng)絡(luò)的電力變壓器狀態(tài)評估[J]. 高電壓技術(shù),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] 劉有為,李光范,高克利,等. 關(guān)于制訂《電氣設(shè)備狀態(tài)維修導則》的原則框架[J].電網(wǎng)技術(shù),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

國家重點研發(fā)計劃重點專項(2016YFB0101900)

沈煜(1983-)，男，湖北武漢人,碩士，高級工程師，主要從事配電網(wǎng)運行分析、狀態(tài)管控和智能化方面的研究。 楊帆(1982-)，男，高級工程師，主要從事高壓電氣試驗技術(shù)、電力電纜絕緣狀態(tài)診斷及配電網(wǎng)技術(shù)等方面的研究工作。 楊志淳(1987-)，男，博士，工程師，主要從事配電網(wǎng)運維管控及配電自動化技術(shù)研究。