0 引言
整个电力系统中电力变压器占据着非常重要的位置，变压器的安全运行是整个电力系统安全、可靠、优质、经济运行的重要保证，因此及时的诊断出电力变压器的故障类型，并采取对应的解决方案，对保证变压器的安全运行有着决定性作用。故障诊断问题实际上是从征兆空间到故障空间的一种映射关系，多种征兆对应一个故障，一种征兆也可能对应多种故障[1]。由于映射方式的多样及复杂性，若通过相关业务人员进行人为判别，不但会造成庞大的工作量，而且分析结果的准确性也将受限于业务人员的水平，同时也难以分辨出某些征兆对故障结果是否有着直接影响。因此研究一种针对电力变压器的多故障诊断技术具有很强的实际意义。
随着传感器技术、计算机技术的快速发展，电力变压器运行环境及状态数据的采集变的十分便利，电力公司积累了大量的设备发生故障时的状态数据。BP神经网络作为人工神经网络发展最完善和成熟的网络之一，具有大规模并行、分布式处理、自组织、自学习等优点，非常适合用来处理潜在大量知识的海量数据。同时，对于由于冗余数据造成神经网络算法收敛时间过长，结果不精确的问题。可以通过粗糙集对进行判定的数据进行预处理，去除掉一些对判断结果无影响的冗余数据。
1.变压器故障分析
电力变压器在运行中，可能发生各种故障和不正常的运行状态，若故障一旦发生，将对整个电力系统造成巨大的影响[2]。在这种情况下，及时诊断电力变压器的故障类型，并采取积极措施消除或减少故障的可能性，将有效的保证变压器的正常运行，提高使用寿命，减轻工作人员工作压力。
电力变压器一般常见的有油浸变压器和干式变压器，而电力公司大量使用的则是油浸变压器。变压器故障类型多样，包括突发性故障以及长年累月运行而逐渐扩展形成的故障等。按变压器的故障发生的部位可分为绕组故障、铁芯故障、套管故障、分接开关故障、油故障、端子排故障、其他故障等[3]。快速的分析出变压器的故障类型及造成因数，对保证电力系统的稳定运行有着重要作用。
2.故障诊断技术分析
设备故障诊断其本身就是一个复杂的系统，而影响故障发生的因素多种多样，如何在多种综合因数影响的条件下增强故障诊断的识别能力，提高诊断精度是近几十年来主要研究的问题，目前常用的故障诊断方法可以划分为三类，基于解析模型的方法；基于信号处理的方法；基于知识的处理方法。本文主要研究基于知识的处理方法，依据现有海量的电力变压器故障数据，通过粗糙集理论，建立决策规则，筛除对判断结果影响不大的冗余数据，之后将归一化处理后的样本数据通过BP神经网络进行训练，使得收敛函数的误差达到预期标准，得到电力变压器故障诊断的算法模型。
2.1 粗糙集理论
粗糙集理论（Rough Set，RS）是一种新的处理模糊和不确定性知识的数学工具，其主要思想就是在保持分类能力不变的前提下，通过知识简约，导出问题的决策或分类规则[5]。下面是粗糙集理论的一些基本概念及公式：
（1）知识与知识库
设∪≠∅是我们感兴趣的对象组成的有限集合，我们称为论域。任何子集X⊆∪，称为∪中的一个概念或范畴，∪中的任何概念族称为关于∪的抽象知识，简称知识。∪上的一簇划分称为关于∪的一个知识库。
（2）基本集
由论域中相互间不可区分的对象组成的集合，是组成论域知识的颗粒。
（3）不可分辨关系IND（P）/等价关系
分类过程中，相差不大的个体被归于同一类，他们的关系就是不可分辨关系，不可分辨关系就是U上的。对于任何一个属性集合P，不可分辨用IND表示，定义如下：
当SGF（a，C，D）= 0时，表明属性a对决策属性D没有什么影响。
2.2.BP神经网络
BP神经网络是人工神经网络发展最完善和成熟的网络之一。BP神经网络算法通过模仿了人脑神经系统对外界信息的接受、处理和存储过程，建立BP神经网络模型[6]。其具有强大的智能处理信息的功能，学习机制分为正向传输和反向误差回馈。输入的向量在输入、隐含、输出三层之间层层映射，通过层与层之间的权值矩阵，输出结果，如果符合预期结束算法过程，如果不符合预期，则转入反方向误差回馈过程。回馈误差经过层层传递，在隐含层进行权值调整，这两个阶段依次进行，直至最后结果满足要求。
3.电力变压器故障诊断模型实现
其基本思想是将粗糙集作为神经网络的前置处理器，对采集到的信息进行特征提取，形成决策样本表，利用粗糙集获取决策规则，去掉冗余属性，并对数据进行归一化处理，然后用BP神经网络对归一化的数据样本进行训练学习[7]。
电力变压器的油劣化将造成其绝缘性质的下降甚至是散失，通过大量事例发现油温、电压、电场及环境潮湿程度都可能造成油劣化，通过粗糙集，可以分析出这些因素对油劣化的影响程度。
步骤一：寻找不可分辨关系
高温：{P1，P2，P5，P6，P9，P10，P11}，{P3，P4，P7，P8，P12，P13}
潮湿：{P1，P2，P4，P6，P9，P12，P13}，{P3，P5，P7，P8，P10，P11}
强电场：{P2，P4，P5，P7，P8，P9，P10，P13}，{P1，P3，P6，P11，P12 }
过电压：{P1，P2，P3，P7，P10，P12}，{P4，P5，P6，P8，P11，P13}
步骤二：针对各个属性下的初等集合寻找下近似和上近似
以“高温+潮湿+强电场+过电压”为例，设集合X为出现故障的设备集合，设I为4个属性构成的一个等效关系，则
X={P1，P2，P4，P5，P6，P9，P10 }
I={{P1}，{P2}，{P3 }，{P4，P13}，{P5}，{P6}，{P7}，{P8}，{P9}，{P10}，{P11}，{P12}，{P13}}
根据2.1节公式（2.2）得到集合X的下近似为：
根据2.1节公式（2.3）得到集合X的上近似为：
根据2.1节公式（2.5）得到集合X的负区为：
根据2.1节公式（2.4）得到集合X的边界区为：
步骤三：获取规则
根据上面的分析可以得出关于属性“高温+潮湿+强电场+过电压”的规则：
正区得到的：
RULE1：IF（高温=是）and（潮湿=是）and（强电场=否）and（过电压=是）THEN变压器绝缘油劣化
RULE2：IF（高温=是）and（潮湿=是）and（强电场=是）and（过电压=是）THEN变压器绝缘油劣化
RULE3：IF（高温=是）and（潮湿=否）and（强电场=是）and（过电压=否）THEN变压器绝缘油劣化
RULE4：IF（高温=是）and（潮湿=是）and（强电场=否）and（过电压=否）THEN变压器绝缘油劣化
RULE5：IF（高温=是）and（潮湿=是）and（强电场=是）and（过电压=否）THEN变压器绝缘油劣化
RULE6：IF（高温=是）and（潮湿=否）and（强电场=是）and（过电压=是）THEN变压器绝缘油劣化
负区得到的：
RULE7：IF（高温=否）and（潮湿=否）and（强电场=否）and（过电压=是）THEN绝缘油未劣化
RULE8：IF（高温=否）and（潮湿=否）and（强电场=是）and（过电压=是）THEN绝缘油未劣化
RULE9：IF（高温=否）and（潮湿=否）and（强电场=是）and（过电压=否）THEN绝缘油未劣化
RULE10：IF（高温=是）and（潮湿=否）and（强电场=否）and（过电压=否）THEN绝缘油未劣化
RULE11：IF（高温=否）and（潮湿=是）and（强电场=否）and（过电压=是）THEN绝缘油未劣化
边界得到的：
RULE12：IF（高温=否）and（潮湿=是）and（强电场=是）and（过电压=否）THEN可能
步骤四：计算属性依赖度
根据2.1节公式（2.11）可计算出“高温+潮湿+强电场+过电压”属性对设备出现故障的依赖度：
步骤六：去除冗余属性，获取样本数据
通过步骤五计算结果，可知：对于电力变压器的油劣化，高温起到至关重要的作用，潮湿和强电场也会引起油劣化，而过电压对油劣化没什么影响，作为冗余属性可以去除。
步骤七：将数据进行归一化处理
为保证在实际训练时网络具有较高的收敛速度，同时减少变化的幅度以便于降低调整权重的难度，对所有的输入数据进行归一化的处理。样本数据归一化后的区间可以灵活选择，采用变换式为：
骤九：将输出结果集映射到分类结果集上
将步骤八输出的结果与期望值对映，得出故障分类结果，如：当油劣化故障的期望值为1时，若 ，则该故障类型为有劣化故障。
4.实例分析
（1）选取天津市某地区的部分电力变压器故障数据进行分析，这里主要对电力变压器的油劣化故障、铁芯故障、绕组故障进行诊断分析，选取的电力变压器故障数据如下表所示。
（2）将电力变压器故障初始数据通过粗糙集进行处理，发现对于绝缘油劣化故障，电压属于冗余属性，因此在建立BP神经网络训练样本时，剔除该冗余属性。同时为了提高BP神经网络的训练效率及收敛速度，先对数据样本进行归一化处理，处理结果如下表所示。
（3）将训练样本作为输入向量，期望值集合作为输出向量，通过BP神经网络的三层映射进行数据的分析处理，通过不断调整隐含层各个节点的权值，使函数不断收敛，当误差满足需求时，训练结束，得到下表的训练结果。
5结论
快速诊断出电力变压器的故障类型及故障导致因数对于变压器的维护工作具有重要的意义，本文研究通过粗糙集对故障无关冗余数据进行清除，之后通过BP神经网络进行训练分析起到了很好的故障诊断效果。但由于故障数据来源于不同的传感器，在数据采集的频率上难以达到统一，导致在实时诊断并及时预警出可能造成故障的因素变化上具有一定的滞后性。
参考文献：
[1] 谭翔. 核动力装置一回路分布式多故障诊断方法研究[D]. 哈尔滨：哈尔滨工程大学，2013，1-2.
[2] 孙中伟. 改进支持向量机在油浸变压器故障诊断与预测中的应用[D]. 北京：华北电力大学，2009：1-4.
[3] 颜芳. 电力变压器故障的风险识别[J].企业家天地：中旬刊. 2012（10）：96.
[4] 王松林. 变压器绝缘老化诊断技术[J]. 电气技术. 2011（8）：82-85.
[5] 孙中伟. 基于粗糙集的遥感影像分类中的不确定性问题研究[D]. 太原：山西大学，2008：4-6.
[6] 周文婷，顾楠，王涛，韩双立，邓家贵. 基于数据挖掘算法的用户窃电嫌疑分析[J].河南科学. 2015，33（10）：1767-1772.
[7] 李雪冬. 基于粗糙集神经网络液压机故障诊断专家系统的研究开发[D]. 合肥：合肥工业大学，2012：18-22.
论文作者:方琼1,李琳1,董艳唯1,邓家贵2,黎小菲2
论文发表刊物:《电力设备》2017年第1期
论文发表时间:2017/3/9
标签：过电压论文; 故障论文; 电场论文; 神经网络论文; 变压器论文; 潮湿论文; 数据论文; 《电力设备》2017年第1期论文;