摘要：作为电力系统的枢纽设备，电力变压器的运行状态直接关系着电网的安全与稳定，变压器的故障诊断与预测对于掌握变压器运行状态、实现风险预警以及事故发生时的及时应对具有重要意义。变压器油中溶解气体体积分数的发展趋势与其运行状态变化及故障模式具有密切联系，而其变化趋势可通过历史数据分析和建立数学模型进行分析，且DGA在故障诊断预测时具有无损、在线实时的优势，近些年来受到了许多学者的关注。
关键词：云理论；变压器多重故障诊断；短期预测方法
现有的诊断方法虽然对采集样本数据所存在的模糊性进行了针对性的分析，但忽略了样本选取时的随机性，因而样本数据的状态划分及数据处于相邻值域间过渡区段时的分类方法仍有待改进。传统的云理论能较好地同时考虑模糊性及随机性，但对正常样本缺乏诊断能力且对样本与样本之间的关联缺乏深入研究。
一、云理论
云理论综合模糊性和随机性通过自然语言值进行表示，并构成定性与定量的相互映射。云模型是基于模糊集合论以及概率论融合，构造出能对概念的模糊性(边界的亦此亦彼性)、随机性(发生的几率)及其关联性科学描述的算法，从而实现定性概念与定量数值相互间不确定转换的数学模型。云模型的描述基于3个数字特征(期望、熵、超熵)：期望(取)对云概念进行定性描述，其数值是隶属云的分布中心：熵(既)对云概念的模糊程度进行描述，其数值表征了被该概念可接受范围大小；超熵(儡)对云概念的不确定性进行描述，其数值反映了变压器油中气体体积分数采样数据的离散程度，从而也将样本数据的随机性与模糊性关联起来。利用云模型构建不确定性推理机需要云发生器和条件云发生器组合而成。因此，引入云模型对变压器进行状态评估是适用的、可靠的。
二、基于云理论的变压器多重故障诊断
1.分析油中气体数据云分布特性。众所周知，变压器油中气体数据会因变压器检修而习惯成周期性的起伏。如某次变压器检修后，变压器内的油被换成全新的，因而此时油内各气体的含量最少，数据最小。而随着使用时间的推移，变压器油内各气体含量会逐渐上升，数据逐渐增大，若没有对变压器进行及时检修则会发生各类故障，此时相应气体的含量最多，数据最大。由此可得，单个检修周期中，变压器油内气体含量从检修初期开始呈现出缓慢增加的状态，而在变压器存在故障隐患时，增加速度会加快，且在故障发生时达到峰值。从油内气体增长的规律来看，其数据变化规律符合左半云模型的统计分布特征。通过对１５０起变压器故障的跟踪分析，发现变压器油内气体含量变化与上述相符，因此可设定一个注意值和一个警戒值。一旦油中气体增长速率或增长含量大于注意值时，就需要启动云推理机制进行故障预测；当气体增长速率或增长含量大于警戒值时，就需要启动云推理机制进行故障诊断。
2.多重故障诊断。首先需要明白前件云发生器以及后件云发生器。所谓前件云发生器，即在确定论域中固定一点的前提下，能利用正向运算法生成该点隶属于定性概念的确定度。所谓后件云发生器，即在确定一个确定度的前提下，能利用逆向云算法生成满足该确定度论域中的云滴。一个前件云发生器与一个后件云发生器能构成一个单条件单规则发生器，而利用这种发生器实现对某种不确定性的推理就是云推理。本文构建了五条件单规则发生器，用来表示５种不同油中气体的某个云概念，这样，一个五条件单规则发生器便能对一条关联规则进行描述。然而在实际预测中还需要注意，由于云变换后会有可能出现两个相邻云概念过近，或一个云概念包含另一个云概念的情况，因此在向上述规则发生器输入某个观测点数据时可能得到不同的预测结果，导致实际故障预测检修工作受到影响，预测可靠性不高。
期刊文章分类查询,尽在期刊图书馆而在五条件单规则发生器中，因此设备的多重故障能被准确而有效的诊断。总之，基于云推理的故障诊断方法能为变压器的多重故障诊断提供多个具有较高可信度的诊断结果，并且丰富了变压器多重故障诊断方法。同时，由于该诊断方法的结果可信度较高，因此对于故障检修人员来说具有很好的实际价值。另外，这里涉及的云变换提取的概念与人的认知更加符合，使得油中气体数据的隶属判定更加客观，诊断结果也更加准确。
3.变压器故障的算法较多，其中常见的是基于时间序列的预测算法。但是在实际应用中，这种算法无法解决数据异常波动较大而导致的误差较大问题，并且还有较差的鲁棒性；在解决非等间隔时间序列数据的预测问题时效果并不理想；在分析不同时间粒度数据时具有较大的预测性能波动性。但是云理论能克服以上缺陷，它可利用逆向云算法对临近预测时间点的数据序列进行变换，在描述数据分布模糊性的前提下对变压器状态变化的当前趋势进行发掘，并得出能描述变压器未来状态的期望值。通常来说，该预测方法需要经过以下几个步骤。第一，标准化处理油色谱数据，确定时间零点（通常选择检修时间点），并构建坐标横轴；以０为基准零点根据油中气体体积分数建立坐标纵轴。第二，选择临近预测点的若干组油色谱数据，并利用逆向云算法为某种油中气体的当期变化趋势建立云模型。第三，判定预测点变压器中油中气体数据所对应的云概念。第四，利用云概念合并算法合并某种油中气体当前所属云和趋势云，最终得到这种油中气体的预测云。然后根据预测云的坐标，设定对应时间为横坐标。第五，将某种气体预测云的期望值作为该气体的预测值，同时判断预测数据所属云概念，进而根据预测值对应的横坐标得出相应的隶属度。第六，利用输入的多规则发生器的前件得到相应的后件，寻找信任度超过设定阈值的规则，那么该规则的后件即为本次预测得到的变压器故障结果。
三、基于云推理的变压器短期故障预测
当前，相关学者提出的基于时间序列的预测算法，在数据异常波动较大时误差偏大，鲁棒性较差：且无法有效解决非等间隔时间序列数据的预测问题，对不同时间粒度数据分析时其预测性能波动较大。云理论能有效解决上述问题，通过对临近预测时间点的数据序列利用逆向云算法变换，在描述数据分布的模糊性基础上，发掘变压器状态变化的当前趋势，并求出变压器未来状态的期望值。任何事物都有保持当前状态的惯性性质，而趋势云只反映了DGA变化的可能性，需要在当前状态基础上对其进行预测。并利用云推理组合规则发生器求解变压器的短期故障预测结果，从而实现了对变压器状态的短期预测。具体算法步骤如下：1)油色谱数据标准化处理，以检修时间点为时间零点，构建坐标横轴；油中气体体积分数以0为基准零点构建坐标纵轴。2)取邻近预测点油色谱数据，利用逆向云算法求解油中气体当前变化趋势的云模型。3)各油中气体预测云的期望值作为油中气体的预测值，对应的横坐标值为并分别判断预测数据各自所属云概念，并求出对应的隶属度。由于云模型具备的随机性与模糊性特点，对于少许监测数据误差以及异常变化数据有很好的容错性，鲁棒性强，其预测结果充分考虑了数据变化的随机性与模糊性，对于实际故障诊断与预测具有很好的适应性，在云推理机制下具有更好的预测效果。
基于云理论的变压器多重故障诊断及其短期预测方法是当前的研究热点之一，对提高变压器故障检测的准确率，确保变压器的稳定运行具有十分重要的现实意义。本文率先对相关理论进行了分析，可应用在实际的变压器检修工作中。
参考文献
[1]宫政，何飓.云模型在电力变压器故障诊断中的应用[J].安徽电气工程职业技术学院学报，2016，17(1)：4-9.
[2]周湶，徐智，廖瑞金，等.基于云理论和核向量空间模型的电力变压器套管绝缘状态评估[J].高电压技术，2016，39(5)：1101-1106.
[3]王学磊，李庆民，李成榕，等.基于统计分布和相关分析的变压器油中溶解气体注意值计算方法[J].高电压技术，2016，39(8)：1960-1965.
论文作者:王重,王苏鸿
论文发表刊物:《电力设备》2018年第16期
论文发表时间:2018/10/1
标签：变压器论文; 气体论文; 数据论文; 发生器论文; 概念论文; 算法论文; 故障诊断论文; 《电力设备》2018年第16期论文;