图1故障诊断流程图

　　Fig.1 Flow chart of fault diagnosis system

　　3 算例分析

　　3.1构造参数空间与故障识别框架

　　通过对变压器故障数据的统计分析，选取{C2H2/C2H4，CH4/H2，C2H4/C2H6}三比值作为参数空间1，选取{H2，CH4，C2H6，C2H4，C2H2，CO，CO2}作为参数空间2，选取{直流电阻不平衡系数，极化指数，绕组介损，铁心接地电流，油介损，泄露电流}等电气试验项目作为参数空间3。将参数空间1、2处理后作为QNN的输入，将参数空间3处理后作为BP神经网络的输入，并将各参数空间对应的神经网络输出作为一个独立的子证据体。

　　统计变压器常见故障(包括过热、放电等)试验数据及参考实际诊断结果，构建故障识别框架Θ={ F1，F2，F3，F4，F5，F6 }，其中F1代表无故障，F2代表中低温过热，F3代表高温过热，F4代表低能量放电，F5代表高能量放电，F6代表绝缘受潮。

　　3.2应用实例

　　东北某地区主变型号为XFSZ8-31500/110，于1997年2月投入运行，2006年在对其本体油样做定期试验时，发现总烃含量超标，色谱分析跟踪数据如表1所示。

　　表1 主变色谱分析数据

　　Tab.1 The DGA datas of main transformer 试验日期 故障特征参数(单位：μL/L) H2 CH4 C2H6 C2H4 C2H2 总烃 CO CO2 2006.12.1 68 99.2 35.9 202.9 0 338 905 48.9 2006.12.20 63 109.4 39 211.5 0 369 867 3218 2007.1.3 63.5 149 58 276 0 485.1 715 3156 2007.1.10 72 160.2 62.9 302.9 0.2 528 778 3098 在进行电气试验时，高压侧直流电阻的不平衡系数为5.5%，且CO与AO、BO直流电阻平均值之差大约为41MΩ，铁心对地绝缘电阻、泄漏电流等试验均正常。

　　输入DGA数据和电气试验数据，根据QNN、BP神经网络的输出值得到子证据体的熵值、熵权(见表2)，对QNN、BP神经网络的输出值进行转换后作为子证据体的基本概率分配 (见表3)，子证据体的信任区间及融合后证据体的信度函数见表4、表5。

　　表2 证据体的熵值、熵权

　　Tab.2 Entropy and entropy weight of evidence 熵 证据体 1 2 3 熵值Hk 0.327912 0.177022 0.317192 熵权ω(k) 0.308598 0.377881 0.313521 表3 子证据体的基本概率分配

　　Tab.3 BPA of different bodies of evidence 证据体 mk(Θ) mk(Fj) F1 F2 F3 F4 F5 F6 QNN 1 0.2977 0.000294 0.170475 0.528193 0.003246 0.000096 0.000018 2 0.14 0.018485 0.018946 0.803434 0.000091 0.018767 0.000278 BP 3 0.2865 0.010298 0.023979 0.618383 0.00519 0.008892 0.046783 表4 子证据体的信任区间

　　Tab.4 Believable sections of evidence 证据体 mk(Θ) [Bel(Fj), Pls(Fj)] 诊断结果 F1 F2 F3 F4 F5 F6 1 0.2977 0.000294 0.170475 0.528193 0.003246 0.000096 0.000018 未知 0.297972 0.468153 0.825871 0.300924 0.297774 0.297696 2 0.14 0.018485 0.018946 0.803434 0.000091 0.018767 0.000278 F3 0.158484 0.158945 0.943433 0.14009 0.158766 0.140277 3 0.2865 0.010298 0.023979 0.618383 0.00519 0.008892 0.046783 未知 0.296773 0.310454 0.904858 0.291665 0.295367 0.333258 表5 融合后证据体的信度函数

　　Tab.5 Believable of combinationed evidence 证据体 mk(Θ) Bel(Fj) 诊断结果 F1 F2 F3 F4 F5 F6 1&2 0.0417 0.000013 0.007553 0.992429 0.000001 0.000004 0 F3 1&3 0.0853 0.000009 0.01236 0.987575 0.000051 0.000003 0.000003 F3 2&3 0.0401 0.000382 0.000913 0.998342 0.000001 0.000335 0.000026 F3 1&2&3 0.0119 0 0.000295 0.999705 0 0 0 F3

　　三比值编码为022，即为高于700℃的高温过热故障。根据表5融合后证据体的信度函数及决策规则得到诊断结论为F3(高温过热)。经高压试验，并参照相关规程[9]，推测故障为导线接触不良或断股。实际故障为高压侧C相引线在应力锥与高压套管尾端的均压环处打了一个结，造成引线与均压环接触不良，断股处有明显的灼伤痕迹，与诊断结果一致。

　　从表4、表5可以得到，子证据体1、3单独作用时不能得出诊断结果，而融合后的证据体均可以得到诊断结果;同时，证据体1、2、3融合后的m123(Θ)=0.0119，m123(F3)=0.999705，所以，融合后证据体的m(Θ)明显减小，即对诊断结果的不确定性降低，可信度提高。这主要由于融合后的证据体充分利用多征兆域信息，从而更加全面、准确的反映设备的状态，且该方法考虑证据体间的相互关联及各子网络的诊断能力，使诊断结果更合理、客观。

　　4 结论

　　采用证据理论可以实现多来源故障信息的有效融合，但子证据体的可靠性采用经验性赋值，影响了诊断结果的可信度，本文针对这一问题，利用熵权法求出子证据体的可靠性，通过实际工程案例的应用，得到以下结论：

　　(1)采用熵权法求取证据体的可靠性，避免了推理过程中存在的主观局限性，使BPA函数的赋值更合理、客观;

　　(2)采用证据理论将变压器多来源故障信息进行有效融合，更加全面、准确的反映了变压器的状态，提高了诊断的准确率。算例分析结果表明，本文方法是有效、可行的。

　　参考文献 王建元，纪延超.模糊Petri网络知识表示方法及其在变压器状态诊断中的应用[J].中国电机工程学报，2003，23(1)：121-125. Wang Jianyuan，Ji Yanchao.Application of fuzzy Petri nets knowledge representation in electric power transformer fault diagnosis[J].Proceeding of the CSEE，2003，23(1)：121-125. Mao P L，Aggarwal P K.A Novel Approach to the Classific- ation of the Transient Phenomena in Power Transformers Using Combined Wavelet Transformand Neural Network [J].IEEE Trans on Power Delivery，2001，16(4)：654-660. 熊浩，杨俊，李卫国，付红军，李虹，王勇.多种类证据体的变压器故障综合诊断方法[J].中国电机工程学报，2008，28(28)：24-30. Xiong Hao，Yang Jun，Li Wei-guo，Fu Hong-jun，Li Hong，Wang Yong.Application of Evidence Theory to Power Tran- sformer Faults Synthesized Diagnosis[J].Proceeding of the CSEE，2008，28(28)：24-30. 廖瑞金，廖玉祥，杨丽君，王有元.多神经网络与证据理论融合的变压器综合诊断方法研究[J].中国电机工程学报，2006，26(3)：119-124. Liao Rui-jin，Liao Yu-xiang，Yang Li-jun，Wang Youyu- an.Study on Synthetic Diagnosis Method of Transformer Fault Using Multi-neural Network and Evidence Theory [J].Proceedings of CSEE，2006，26(3)：119-124. 尚勇，闫春江，严章.基于信息融合的大型油浸电力变压器故障诊断[J].中国电机工程学报，2002，22(7)：115-118. Shang Yong，Yan Chunjiang，Yan Zhang.Synthetic insulati-on fault diagnostic model of oil-immers-ed[J].Proceedings of the CSEE，2002，22(7)：115-118(in Chinese). 王蓓蓓，郭基伟，谢敬东，等.基于信息融合技术的电力变压器故障部位诊断[J].高压电器，2003，39(1)：49-52. Wang Beibei，Guo Jiwei，Xie Jingdong，et al.Application ofinformation fusion based on Dempster-Shafer’s evidence theory to the diagnosis of transformer’s fault position[J].High Voltage Apparatus，2003，39(1)：49-52. 朱承治，郭创新，辛建波.基于改进证据推理的变压器状态评估研究[J].高电压技术，2008，34(11)：2332-2336. ZHU Cheng-zhi，GUO Chuang-xin，SUN Min，XIN Jian- bo.Power Transformer Condition Assessment Based on Im- proved Evidential easoning[J].High Voltage Engineering，2008，34(11)：2332-2336. 符向前，刘光临，蒋劲，等.基于信息熵的机组运行劣化度综合指标[J].电力系统自动化，2005，29(7)：75-78. FU Xiangqian，LIU Guanglin，JIANG Jin，et al.An evalua- tion index of the hydroelectric generating sets overall perfo- rmance based on information entropy.Automation of Elect- r ic Power，Systems，2005，29(7)：75-78.

 2/3   首页 上一页 1 2 3 下一页 尾页