2 故障诊断及预测
    2.1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。
    2.2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x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y。所谓后件云发生器，即在确定一个确定度y任X0、1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x。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，可用if A1 、A、A3、A4 、A5 、then Bf表述。在这个表述中，A、9 A9 A3、A49A5为规则前件，用来表示5种不同油中气体的某个云概念；同时，Bf为规则后件，表示某种故障类型。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。而在五条件单规则发生器中，如果将（x1，x2 ，x3，x4，x5）输入各发生器前件，那么均能输出一个Yk（隶属度），它表示（（xi，x2，x3，x4，x5）对这个规则的激活强度。如果Yk大于提前设定的Om值，那么说明状态为（x1，x2，x3，x4，x5）的变压器，其故障为Bf 、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。
  2.3短期故障的预测
      变压器短期故障预测的算法较多，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。

上一页  [1] [2] [3]  下一页