王倩倩， 付躍軍， 李世江， 陳婷婷

（貴州中煙工業(yè)有限責任公司 銅仁卷煙廠， 貴州 銅仁 554300）

0 引言

作為電力系統(tǒng)的核心設備， 電力變壓器運行的可靠性是整個電力系統(tǒng)穩(wěn)定安全運行的關鍵。 當前快速經(jīng)濟發(fā)展下超高壓、大容量的需求，加劇了電力變壓器故障發(fā)生的概率， 且變壓器故障征兆與原因之間存在著異常復雜的非線性關系，由于故障的潛在性和緩變性，很容易造成片面的診斷。 而油浸式電力變壓器油中溶解氣體分析（dissolved gases analysis，DGA）技術可以直觀有效地發(fā)現(xiàn)變壓器內部早期潛伏性的故障[1]，在電力系統(tǒng)中已得到認可應用。 因此，基于DGA 的變壓器故障診斷技術逐漸成為研究焦點。

隨著人工智能技術的發(fā)展， 提出了基于神經(jīng)網(wǎng)絡[2]、證據(jù)理論[3]、支持向量機[4]等人工智能的變壓器故障診斷方法。這些方法都取得了一定的成效，卻也還存在不同的缺點，神經(jīng)網(wǎng)絡和支持向量機結構和參數(shù)不易確定，而且神經(jīng)網(wǎng)絡需要大量已知樣本進行訓練； 證據(jù)理論不能很好處理沖突證據(jù)。 為了處理人類決策過程中出現(xiàn)的不確定信息，Yang[5]等提出了基于證據(jù)推理方法的置信規(guī)則庫（Belief Rule Base，BRB）專家系統(tǒng)，該專家系統(tǒng)具有多類型信息處理的特點，與上述缺點相比，BRB 專家系統(tǒng)同時具備缺省數(shù)據(jù)和沖突證據(jù)處理的能力。 在處理定性定量信息時， 置信規(guī)則庫專家系統(tǒng)學習模型是一個帶有線性和非線性約束優(yōu)化的優(yōu)化問題。 利用該方法建立變壓器故障診斷規(guī)則庫，并對低能放電、電弧放電、中溫過熱、高溫過熱這4 種故障進行診斷。 實驗結果表明該方法有效可行。

1 置信規(guī)則庫

1.1 信息表示

知識的表示是專家系統(tǒng)實現(xiàn)的關鍵。 在傳統(tǒng)IFTHEN 規(guī)則的基礎上，BRB 在規(guī)則的結果中加入了置信度，以分布式的結構呈現(xiàn)評價結果，并為每條規(guī)則設置了規(guī)則權重，以表示其相對于其他規(guī)則的重要性。 其中BRB的第k 條置信規(guī)則的描述如下：

式中：Rk—BRB 中的第k（k=1，2，…，L）條規(guī)則；xi—BRB的第i（i=1，2，…，M）個輸入；Aik（i=1，2，…，M，k=1，2，…，L）為第k 條規(guī)則中第i 個前提屬性的候選值，且Ai={Ai，j，j=1，2，…，Ji}表示由第i 個前提屬性的Ji個參考值所組成的集合；Dj（j=1，2，…，N）為規(guī)則結果的評價等級；βj，k（j=1，2，…，N，k=1，2，…，L）為在第k 條規(guī)則中輸出部分相對于第j 個評價等級Dj的置信度；θk是每條規(guī)則在BRB 中的規(guī)則權重，反映了第k 條規(guī)則相對于BRB 中其他規(guī)則的重要度；δi表示第i 個前提屬性的權重， 反映了第i 個前提屬性相對于其他屬性的重要度。

1.2 學習模型

在專家知識的指導下，BRB 可以被運用到實際問題中進行推理而不產生誤判，除非專家知識自身包含錯誤。為了解決專家知識的主觀性帶來的局限性，Yang 等提出了BRB 的離線優(yōu)化模型，見圖1。

圖1 BRB 參數(shù)訓練過程Fig.1 The parameter training process of BRB

2 診斷實例分析

2.1 建立故障診斷置信框架

DGA 是一種有效地變壓器潛在故障診斷技術，當變壓器內部出現(xiàn)故障時， 會分解出與某種故障相關的主要特征氣體，如CO、H2、CO2、CH4、C2H2、C2H4、C2H6等。作為故障征兆，這些溶解在油中的氣體與故障類型息息相關，以這些特征氣體為依據(jù)，可以建立變壓器故障診斷的模型。根據(jù)前提屬性重要度判斷， 本文選取H2、CH4、C2H2這3種氣體的體積分數(shù)作為決策輸入，依次記作x=[x1，x2，x3]，根據(jù)對故障數(shù)據(jù)的初步分析， 為每種故障氣體設置參考值等級，分為H2={（非常大，75），（大，45），（中等，22），（小，10），（很小，0）}、CH4={（非常大，46），（大，35），（中等，30），（小，10），（很小，2）}、C2H2={（非常大，28），（大，15），（小，4），（很小，0）}；低能放電、電弧放電、中溫過熱、高溫過熱這4種故障，連同正常工況狀態(tài)5 種情況作為輸出，依次對應于 結 果 向 量D=[D1，D2，D3，D4，D5]。 對 應 輸 出 編 碼 為{10000}，{01000}，{00100}，{00010}，{00001}。

2.2 模型預測結果

表1 故障數(shù)據(jù)診斷結果Tab.1 The results of the fault diagnosis

在變壓器故障診斷中，一般認為當故障概率大于0.6時，則基本可以確定故障類型[7]。基于此，分析表1 可以看出， 除了第12 組和22 組數(shù)據(jù)的診斷置信度在0.6 左右外，余下23 組數(shù)據(jù)的故障評價置信度均超過了0.8，其中第2、3、18、19、23 和15 組數(shù)據(jù)的置信度達到了0.99。 由上所述，對15 組故障樣本中不同故障類型的診斷正確率如表2 所示，BRB 診斷模型對這5 種工況的診斷率為100%。 綜上所述，本文所述模型為變壓器故障的診斷提供了較可靠的參考。

表2 診斷正確率Tab.2 Diagnosis accuracy

3 結束語

本文基于置信規(guī)則庫專家系統(tǒng)提出了一種油浸式變壓器故障診斷模型， 利用置信規(guī)則庫可以有效處理帶有非線性或不確定性的信息的特點，對油浸式變壓器的故障氣體進行建模分析。 實驗結果表明，置信規(guī)則庫故障診斷模型對文中所述4 種故障和正常工況診斷率較高，為基于DGA 的變壓器故障診斷技術的實現(xiàn)提供了參考與支持。