戴迎宏,陳威,閆培淵,周際,湯國(guó)龍
(1.國(guó)網(wǎng)電力科學(xué)研究院武漢南瑞有限責(zé)任公司,武漢 430074; 2.南瑞集團(tuán)有限責(zé)任公司,南京 210000)
作為車輛行駛過程中的主要電氣設(shè)備,車載式變壓器的運(yùn)行狀態(tài)對(duì)于車輛的安全行駛與經(jīng)濟(jì)效益產(chǎn)生直接影響[1]。由于車載式變壓器的運(yùn)行環(huán)境與本身結(jié)構(gòu)均較為復(fù)雜,因此其出現(xiàn)不同故障的概率較高[2],如絕緣、短路與放電等方面的故障等。當(dāng)車載式變壓器出現(xiàn)故障時(shí),輕則導(dǎo)致財(cái)力、人力與物力的損失,重則導(dǎo)致人員傷亡。由此可知,確保車載式變壓器的安全穩(wěn)定運(yùn)行極為重要,而監(jiān)測(cè)車載式變壓器運(yùn)行信息,根據(jù)其運(yùn)行信息特征判斷其運(yùn)行狀態(tài)是確保車載式變壓器的安全穩(wěn)定運(yùn)行的關(guān)鍵[3]。
以往獲取車載式變壓器運(yùn)行信息特征提取時(shí)主要采用基于變分模態(tài)分解和獨(dú)立分量分析的提取系統(tǒng)和基于時(shí)域介電譜和去極化電量的提取系統(tǒng)[4,5],但上述系統(tǒng)在獲取車載式變壓器運(yùn)行信息時(shí)數(shù)據(jù)來源較為單一,運(yùn)行信息的不全面導(dǎo)致特征提取的準(zhǔn)確性受到一定限制。針對(duì)此問題,設(shè)計(jì)基于信息融合的車載式變壓器運(yùn)行信息特征提取系統(tǒng),獲取高精度的車載式變壓器運(yùn)行狀態(tài),提升車輛運(yùn)行安全性。
基于信息融合的車載式變壓器運(yùn)行信息特征提取系統(tǒng)通過數(shù)個(gè)專家模塊獲取車載式變壓器運(yùn)信息特征過程中,各專家模塊得到的結(jié)果有所差異,因此這些不同結(jié)果之間的相互融合至關(guān)重要[6]。車載式變壓器運(yùn)行信息主要來源為傳感器的監(jiān)測(cè),其中還存在部分理論知識(shí)或中間結(jié)果等[7]。因此基于車載式變壓器運(yùn)行信息特征提取的特點(diǎn)與要求,以信息融合的層次為依據(jù)進(jìn)行車載式變壓器運(yùn)行信息特征提取系統(tǒng)結(jié)構(gòu)設(shè)計(jì),如圖1所示。
數(shù)據(jù)層中利用傳感器監(jiān)測(cè)車載式變壓器運(yùn)行過程中的局部放電現(xiàn)象與油內(nèi)溶解氣體情況[8],利用信息融合模型融合傳感器采集的不同方面各監(jiān)測(cè)點(diǎn)的原始信息,最大限度上提升信息保持率,通過信息融合實(shí)現(xiàn)采集數(shù)據(jù)的誤差校正。
特征層中基于數(shù)據(jù)層融合結(jié)果,選取D-S(Dempster/Shafer)證據(jù)原理進(jìn)行不同方面的信息特征融合[9]。通過電聲定位法、統(tǒng)計(jì)算子分析法和神經(jīng)網(wǎng)絡(luò)分析法等獲取車載式變壓器運(yùn)行過程中局部放電狀態(tài)信息,利用特征氣體法、神經(jīng)網(wǎng)絡(luò)以及三比值法確定車載式變壓器運(yùn)行過程中油內(nèi)溶解氣體狀態(tài)信息,融合不同方法獲取的狀態(tài)信息后實(shí)施特征提取,結(jié)合專家知識(shí)以及我國(guó)相關(guān)法律法規(guī)中設(shè)定的標(biāo)準(zhǔn)數(shù)據(jù),進(jìn)行信息特征融合。
決策層根據(jù)特征層的信息融合結(jié)果,結(jié)合專家建議、傳感器采集數(shù)據(jù)和維修記錄等將不同方面的信息特征實(shí)施進(jìn)一步加權(quán)融合[10],由此獲取車載式變壓器運(yùn)行信息特征。
圖1 車載式變壓器運(yùn)行信息特征提取系統(tǒng)結(jié)構(gòu)圖
作為人工智能領(lǐng)域中的不確定推理方法,D-S證據(jù)原理的主要優(yōu)勢(shì)體現(xiàn)在其可滿足同貝葉斯概率論相比更微小的條件,能夠直接呈現(xiàn)“不確定”和“不知道”[11],被普遍應(yīng)用在不確定信息推理以及目標(biāo)識(shí)別等領(lǐng)域中。利用D-S證據(jù)原理能夠?qū)④囕d式變壓器來源與描述方式均有所差異的信息融合為效用更高的信息,且具有較強(qiáng)的決策能力。
假設(shè)k:2Y→ [ 0,1],同時(shí)符合下述描述:
式(1)和式(2)分別描述不可能存在的運(yùn)行狀態(tài)發(fā)生概率和全部運(yùn)行狀態(tài)發(fā)生的概率。其中k和k(S)分別表示Y上命題S的基本概率分配函數(shù)和對(duì)S的置信度。
其中,d(S)和k(G)分別表示置信函數(shù)和對(duì)G的置信度。
定義:
其中p(S)表示S的似然函數(shù)。
在?S?Y的條件下,利用式(7)實(shí)現(xiàn)Y上元素的證據(jù)融合:
上式內(nèi),T表示沖突系數(shù),其計(jì)算公式如下:
沖突系數(shù)的高低可描述證據(jù)間的沖突水平,T值越大說明證據(jù)間沖突越大[12]。在T值較大的條件下,數(shù)據(jù)融合結(jié)果可信度較低。
通過D-S證據(jù)原理內(nèi)的概率分配函數(shù)、置信函數(shù)與似然函數(shù)等,能夠處理不同信息造成的不確定問題,提升信息特征融合的魯棒性。
專家建議模塊是決策層的核心,其結(jié)構(gòu)如圖2所示,其中包含人機(jī)交互界面、推理機(jī)、知識(shí)庫與數(shù)據(jù)庫等主要組成部分[13]。
專家建議模塊的核心是推理機(jī)與知識(shí)庫,推理機(jī)的主要功能是基于知識(shí)庫內(nèi)存儲(chǔ)的專家知識(shí),通過推理過程進(jìn)行問題求解。
專家建議模塊詳細(xì)運(yùn)行過程為:使用者利用人機(jī)交互界面提出相關(guān)專業(yè)問題;推理機(jī)根據(jù)該問題在知識(shí)庫內(nèi)查詢相關(guān)知識(shí)并實(shí)施推理求解[14];基于推理機(jī)所得結(jié)果構(gòu)建問題解答集合;在解答集合內(nèi)選取最佳解答;利用解釋器將推理過程與選取的最佳解答提供給使用者,若未找到相關(guān)問題的解答,則向使用者提出“無解”。
作為專家建議模塊的主控程序,推理機(jī)的主要功能是協(xié)調(diào)控制整體系統(tǒng)[15],針對(duì)數(shù)據(jù)采集模塊采集的車載式變壓器運(yùn)行數(shù)據(jù)選取匹配的數(shù)據(jù)庫實(shí)施推理,由此獲取相應(yīng)的運(yùn)行信息特征。具體推理流程如圖3所示。
圖2 專家建議模塊基本結(jié)構(gòu)
在確定車載式變壓器非正常運(yùn)行條件下,知識(shí)庫內(nèi)用于提取運(yùn)行信息特征的知識(shí)包括兩種分別是局部特征量分析和油內(nèi)溶解氣體分析。采用電聲定位法、統(tǒng)計(jì)算子分析法和神經(jīng)網(wǎng)絡(luò)分析法進(jìn)行局部放電采集數(shù)據(jù)的特征提取,選取三比值法、神經(jīng)網(wǎng)絡(luò)分析法和特征氣體法提取油內(nèi)溶解氣體采集數(shù)據(jù)的特征,不同特征提取方法均可單獨(dú)獲取一份車載式變壓器運(yùn)行信息特征提取結(jié)果,因此需采用加權(quán)算法進(jìn)行信息融合實(shí)現(xiàn)車載式變壓器運(yùn)行信息特征提取。
推理過程中采用WM加權(quán)算法進(jìn)行信息融合,表達(dá)式如下:(9)
上式內(nèi),θ、Ui和Ei分別表示最終信息特征提取結(jié)果、第i個(gè)專家的判斷結(jié)果和第i個(gè)專家判斷結(jié)果的權(quán)重。
實(shí)驗(yàn)為驗(yàn)證本文設(shè)計(jì)的基于信息融合的車載式變壓器運(yùn)行信息特征提取系統(tǒng)的應(yīng)用性能,選取某品牌汽車采用的96X40型車載式變壓器為實(shí)驗(yàn)對(duì)象(見圖4),采用本文系統(tǒng)提取其運(yùn)行過程中的運(yùn)行信息特征,判斷其運(yùn)行狀態(tài)。
2.1.1 開發(fā)環(huán)境
本文系統(tǒng)開發(fā)過程中分別選取Microsoft Visual C++和SQL Srever2000 數(shù)據(jù)庫作為系統(tǒng)開發(fā)環(huán)境與數(shù)據(jù)庫。
作為可視化軟件開發(fā)工具,Microsoft Visual C++由編輯器與調(diào)試器等組件構(gòu)成,其具有強(qiáng)大功能,可實(shí)現(xiàn)面向?qū)ο笈c過程兩種程序設(shè)計(jì)方法,能夠編譯不同類別的Windows程序。
SQL Srever2000采用使用者/服務(wù)器體系架構(gòu),可實(shí)現(xiàn)不同數(shù)據(jù)庫服務(wù)器間的協(xié)同運(yùn)行,在提供運(yùn)用程序數(shù)據(jù)存儲(chǔ)與OLAP處理功能的同時(shí),還附加全面的圖形管理工具與向?qū)?,可?shí)現(xiàn)數(shù)據(jù)庫的創(chuàng)建、配置與維護(hù)。
2.1.2 運(yùn)行環(huán)境
實(shí)驗(yàn)過程中本文系統(tǒng)運(yùn)行環(huán)境設(shè)定如表1所示,以確保系統(tǒng)的正常運(yùn)行。
圖3 基于信息融合技術(shù)的推理分析流程
圖4 實(shí)驗(yàn)對(duì)象
本文系統(tǒng)開發(fā)過程中選用使用者/服務(wù)器體系架構(gòu),其具有有序操作的特性,就是數(shù)據(jù)庫服務(wù)器的相關(guān)服務(wù)不同終端均可使用。設(shè)計(jì)本文系統(tǒng)車載式變壓器運(yùn)行信息特征提取過程終端信息采集界面與運(yùn)行信息特征提取顯示界面,結(jié)果如圖5所示。
圖5(a)當(dāng)前實(shí)驗(yàn)對(duì)象所示為油內(nèi)溶解氣體信息采集界面,其中包含C2H2、CH4、H2和CO2等特征氣體含量。將所得信息傳輸至數(shù)據(jù)庫服務(wù)器內(nèi),利用專家建議模塊推理出當(dāng)前實(shí)驗(yàn)對(duì)象運(yùn)行信息特征,判斷其運(yùn)行狀態(tài),如圖5(b)所示。由此驗(yàn)證了本文系統(tǒng)的有效性。
表1 系統(tǒng)運(yùn)行環(huán)境
圖5 系統(tǒng)界面設(shè)計(jì)
實(shí)驗(yàn)為驗(yàn)證本文系統(tǒng)的信息特征提取精度,選取實(shí)驗(yàn)對(duì)象9組不同的油內(nèi)溶解氣體監(jiān)測(cè)信息(見表2),分別采用本文系統(tǒng)和基于變分模態(tài)分解和獨(dú)立分量分析的提取系統(tǒng)提取其信息特征,判斷其運(yùn)行狀態(tài),并將不同系統(tǒng)判斷結(jié)果與實(shí)際結(jié)果相對(duì)比,結(jié)果如表3所示。
表2 油內(nèi)溶解氣體監(jiān)測(cè)信息
表3 油內(nèi)溶解氣體信息狀態(tài)判斷精度
分析表3能夠得到,本文系統(tǒng)提取實(shí)驗(yàn)對(duì)象運(yùn)行信息特征,判斷其運(yùn)行狀態(tài)的結(jié)果同實(shí)際運(yùn)行狀態(tài)的一致度與對(duì)比系統(tǒng)相比更高,這是由于本文系統(tǒng)采用信息融合技術(shù),融合多方面的運(yùn)行信息,能夠全面、準(zhǔn)確的描述不同運(yùn)行狀態(tài)的特征。
實(shí)驗(yàn)為驗(yàn)證本文系統(tǒng)在車輛運(yùn)行過程中的實(shí)際應(yīng)用性能,選取100位相關(guān)領(lǐng)域中的專家學(xué)者,對(duì)上述兩個(gè)系統(tǒng)提取實(shí)驗(yàn)對(duì)象運(yùn)行信息特征結(jié)果對(duì)于車輛行駛安全的提升比例進(jìn)行評(píng)估,100位學(xué)者平均分為10組,評(píng)估結(jié)果以百分制進(jìn)行描述,結(jié)果如表4所示。
分析表4得到,采用本文系統(tǒng)提取實(shí)驗(yàn)對(duì)象運(yùn)行信息特征,判斷其運(yùn)行狀態(tài),車輛行駛安全比例提升幅度均值達(dá)到7.17 %,與對(duì)對(duì)比系統(tǒng)相比提升3.84 %,由此可知本文系統(tǒng)具有更高的應(yīng)用價(jià)值,可廣泛推廣。
具有復(fù)雜結(jié)構(gòu)與運(yùn)行環(huán)境的車載式變壓器,運(yùn)行狀態(tài)具有多樣性、隨機(jī)性與不確定性,導(dǎo)致其安全性能受到嚴(yán)重影響。本文設(shè)計(jì)基于信息融合的車載式變壓器運(yùn)行信息特征提取系統(tǒng),針對(duì)車載式變壓器局部放電信息采集結(jié)構(gòu)和油內(nèi)溶解氣體信息采集結(jié)果等,采用不同分析方法獲取信息特征,并將特征融合。本文系統(tǒng)在有效提取實(shí)驗(yàn)對(duì)象運(yùn)行信息特征的基礎(chǔ)上,提升實(shí)驗(yàn)對(duì)象運(yùn)行狀態(tài)判斷精度,具有較高應(yīng)用價(jià)值。
表4 專家評(píng)估結(jié)果