《基于粗糙集和概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法》5200字

基于粗糙集和概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法綜述目錄TOC\o"1-2"\h\u27154基于粗糙集和概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法綜述 1213001.1粗糙集理論基礎(chǔ) 1243971.1.1粗糙集的理論 156811.1.2粗糙集的約簡及規(guī)則 327951.2結(jié)合粗糙集理論與神經(jīng)網(wǎng)絡(luò)實現(xiàn)故障診斷 381241.2.1故障數(shù)據(jù)的選擇 427511.2.2數(shù)據(jù)初始處理決策表建立 515391.3仿真及結(jié)果分析 10在進(jìn)行變壓器故障診斷時，采集的故障氣體信息往往是不完備及不準(zhǔn)確的，對于信息不完整且有不確定因素的樣本集，如何去除重復(fù)無效的信息并篩選出核心診斷判據(jù)成為研究的熱點。粗糙集是由波蘭的兩位學(xué)者所創(chuàng)立的[36]，是一種針對數(shù)據(jù)缺失不完整及模糊不精確問題進(jìn)行數(shù)據(jù)處理分析的工具，實際應(yīng)用中只需數(shù)據(jù)樣本集，無需其他條件和先驗知識儲備[37]，實際應(yīng)用性較強。粗糙集理論可以對關(guān)鍵有效的信息進(jìn)行保留，從而建立潛在的模糊知識信息的聯(lián)系，并處理冗余數(shù)據(jù)樣本[39]，是一種簡單高效的解決方法，對于故障診斷技術(shù)更有積極的影響力。該理論近年來在機器學(xué)習(xí)、模式識別及知識獲取等方面都已得到了深入的應(yīng)用和研究。1.1粗糙集理論基礎(chǔ)1.1.1粗糙集的理論粗糙集理論通過將知識引入信息系統(tǒng)后，建立知識空間和數(shù)據(jù)表的內(nèi)在聯(lián)系[38]。下面介紹幾個粗糙集理論的定義。(1)信息系統(tǒng)、決策表信息系統(tǒng)作為粗糙集理論研究對象，需將研究對象先整合為信息系統(tǒng)的數(shù)據(jù)集再進(jìn)行分析，其中行表示樣本事件的具體研究對象，列表示特征、標(biāo)準(zhǔn)等研究對象所對應(yīng)的各個屬性，一個完整的系統(tǒng)可用S=(U,A,V,F)表示，其中U,A,V,F有著各自的含義：U表征一個論域，可以表示一些的概念、事物、狀態(tài)、對象等，是一個有限的非空集合，其中U集合包含（x1,x2,...,xn）集合。A表征關(guān)于屬性的有限非空集，各個屬性用a表示，則有A=(a|a∈A)。V表征關(guān)于屬性的值域，各個屬性在U中均有映射，Va可以表示屬性a的一個值域。F表征一種映射關(guān)系，也表示各個屬性的具體值，F(xiàn)a(x)就可以表示目標(biāo)對象x屬性a值的大小。針對故障診斷而言，信息系統(tǒng)的屬性A由兩部分構(gòu)成，一部分是歸為條件屬性C的故障特征集組成的集合表示，另一部分由歸為決策屬性D的故障分類類型所組成的集合表示，可表示為S=(U,C∪D,V,F)。當(dāng)信息系統(tǒng)的屬性集合由條件屬性C和決策屬性D構(gòu)成且兩屬性各自獨立C∩D為空集，此時信息系統(tǒng)成為決策表。(2)不可分辨關(guān)系、近似集不可分辨關(guān)系即為IND(P)[36]，R是U上的一簇等價關(guān)系，有定義對于一個近似空間知識集K=(U,R)而言，假定P是R中的一個非空子集P?R，則∩P仍是U上的等價關(guān)系，P將U劃分為互不相交的基本等價類，此時稱為P上的不可分辨關(guān)系或不可區(qū)分關(guān)系。依照子集的不可分辨關(guān)系，可將域U進(jìn)行劃分，即為U/IND(P)或U/P。若存在P?A時，目標(biāo)對象的不可分辨關(guān)系還可表示為：IND(P)={(x,y)∈U*U|?a∈H,Fa(x)=Fa(y)}，當(dāng)(x,y)存在于不可分辨關(guān)系P的同一個等價類中時，無法區(qū)分x和y?；诓豢煞直骊P(guān)系的的基礎(chǔ)上，對解決一些較為模糊且無法精確表示的概念進(jìn)一步定義上近似與下近似及邊界區(qū)。假定集合X屬于論域U，B表示一等價關(guān)系，且H?A，可表示近似集及邊界區(qū)。上近似：`HX=(x∈U|[x]H∩X≠?);下近似：HX=(x∈U|[x]H?X);其中[x]H表示x在H上不能被表示的集合。則(1)邊界區(qū)：LNH(X)=`HX－HX表示X的邊界區(qū)；(2)正區(qū)域POSH(X)=HX表示判定H屬于X的目標(biāo)對象所組成的最大集合；(3)負(fù)區(qū)域NEGH(X)=U－HX表示判定H不屬于X的目標(biāo)對象所組成的集合。粗糙集近似集及邊界區(qū)可表示如4-1所示。圖4-1近似集和邊界區(qū)示意圖Fig.4-1Schematicrepresentationofapproximatesetsandboundaryzones由上圖可知，若x位于X集藍(lán)色區(qū)域的下近似集內(nèi)時，一定是X集的范圍，可將對象x歸屬于正區(qū)域POSH(X)；同理對象x在紫色框圍成白色區(qū)的上近似集時，可能是X集的范圍，可將對象x歸屬在邊界區(qū)LNH(X)。所以當(dāng)有上近集`HX與下近似集HX相等時稱X是H的精確集，若不等時稱X是H的粗糙集。1.1.2粗糙集的約簡及規(guī)則粗糙集的核心思想就是對于知識的約簡，而屬性的約簡對于故障診斷知識的屬性分析起著重要的作用，屬性各自之間的依賴程度決定屬性最終能否約簡，根據(jù)依賴程度判定屬性的重要等級是決策表簡化過程的突破點[40]。決策表作為表達(dá)屬性約簡的工具，其可看做是一種判斷決策的信息表，當(dāng)滿足條件可指導(dǎo)決策行為。決策表簡化通常將表中冗余條件屬性進(jìn)行約簡刪除，使得決策表適應(yīng)度和實用性得到提升。(1)在信息系統(tǒng)S中(U,C∪D,V,F)，若存在H?C有U/RH≠U/RH\h時，認(rèn)為h∈H是必要的，反之則非必要，而當(dāng)h是H的子集且屬性均為必要的，則有H是獨立的，反之成為是依賴的。D對于H的依賴度為。(2)在論域U中，若定義T、Y是U中的等價關(guān)系簇，且有T?Y時，若T是獨立的且有關(guān)系IND(T)=IND(Y)時，認(rèn)為T是Y的絕對約簡，即：Y?RED(T)。(3)在信息系統(tǒng)S中，條件屬性C中的必要屬性共同構(gòu)成C的核，即：CORE(C)。當(dāng)有H?C且H?RED(C)時，C的核就是C約簡后的交集，即：CORE(C)=∩RED(C)，C的核值等價于C中約簡的交集。在決策信息系統(tǒng)中進(jìn)行屬性約簡就是一個在條件屬性中進(jìn)一步尋找必要條件的過程，并保證約簡前后的條件屬性具有相同指導(dǎo)系統(tǒng)分類的能力[41-51]。本文通過判別屬性依賴度對屬性列進(jìn)行約簡，將條件屬性列依次單獨計算依賴度，若=0時，認(rèn)為該條件屬性是獨立且冗余的，則可以刪除該列屬性，若計算結(jié)果不為0時，則需保留該列屬性。在論域中，粗糙集的知識結(jié)構(gòu)具有分散顆粒性，針對約簡的知識結(jié)構(gòu)也需有相同屬性，在故障氣體信息中，氣體數(shù)據(jù)均為連續(xù)變量，故需要進(jìn)行連續(xù)數(shù)據(jù)的離散化處理后才可執(zhí)行，即離散化處理，離散化方法會影響至十月間的準(zhǔn)確度和復(fù)雜度，離散區(qū)間過窄時，會增大約簡計算量，存在多余無效的數(shù)據(jù)，離散區(qū)間過寬時，會丟失一定的屬性信息。本章中在考慮到特征屬性的輸入較多，對數(shù)據(jù)分為三個模塊進(jìn)行離散化處理。將文獻(xiàn)中的先驗知識及基于油中溶解改良溶解氣體知識的相關(guān)規(guī)則作為依據(jù)，利用現(xiàn)有結(jié)果進(jìn)行離散，再以基于python軟件等頻分箱函數(shù)的方法對部分?jǐn)?shù)據(jù)進(jìn)行離散化處理。1.2結(jié)合粗糙集理論與神經(jīng)網(wǎng)絡(luò)實現(xiàn)故障診斷利用粗糙集作為前端處理對冗余數(shù)據(jù)的刪簡可先確立診斷流程如圖4-2，粗糙集結(jié)合概率神經(jīng)網(wǎng)絡(luò)診斷思路如下：(1)選擇用于故障診斷的原始決策表。由于粗糙集的約簡方法對于輸入樣本數(shù)量較多的才具有明顯優(yōu)勢，所以要選擇輸入特征量多的樣本作為約簡目標(biāo)。(2)由于粗糙集僅作用于離散值，而故障特征氣體確定的原始決策表多為連續(xù)值，所以需將其進(jìn)行離散化處理。(3)利用粗糙集理論對離散后的決策表進(jìn)行約簡，刪減冗余無關(guān)的條件屬性列，得到最簡決策表。最簡決策表將作為故障診斷網(wǎng)絡(luò)最終的輸入特征向量。圖4-2粗糙集做前端優(yōu)化診斷流程圖Fig.4-2FlowchartforOptimizedDiagnosisoftheFrontEndofRoughSet保留必要信息的特征進(jìn)行降維，在刪減決策表中的某屬性時，決策規(guī)則相同而剩余條件規(guī)則發(fā)生矛盾，則此條屬性不能刪減，相反情況則允許，1.2.1故障數(shù)據(jù)的選擇在選取數(shù)據(jù)時，需要涵蓋變壓器故障運行時的各種特征及類型，在2.2、2.3兩節(jié)中分析了溶解氣體含量因故障程度及位置的不同，產(chǎn)生氣體的成分與含量也各不同，為能多維度去評價故障，增加故障診斷的判據(jù)，由改良IEC的3組比值擴(kuò)充至15組特征氣體比值作為約簡輸入特征量做屬性集：包括C2H2/C2H4，CH4/H2，C2H4/C2H6，C2H6/CH4，CH4/總烴，C2H4/總烴，C2H6/總烴，C2H2/總烴，H2/H2+總烴，CH4/C2H4，C2H2/CH4，C2H2/C2H6，C2H6/H2，C2H4/H2，C2H2/H2，輸出定義5種故障類型并重新編號為D1-D5，包括放電兼過熱、低能放電(即火花放電、局放)、高能放電(即電弧放電)、中低溫過熱、高溫過熱，做決策集。為達(dá)到診斷效果橫向?qū)Ρ鹊哪康?，選取與3.1.4節(jié)仿真案例中相同的70組故障數(shù)據(jù)做粗糙集約簡的初始數(shù)據(jù)。具體樣本數(shù)據(jù)的分布情況如圖4-3所示。下圖中字母GZLX表示故障類型，ZT表示總烴，以豎列形式看每種故障對應(yīng)的氣體比值關(guān)系，在最后一行表示故障類型。圖4-370組氣理數(shù)據(jù)的比值分布情況Fig.4-3Distributionofprocessedgasdatain70groups1.2.2數(shù)據(jù)初始處理決策表建立在早期大多數(shù)的各類智能算法處理變壓器故障時，基于第二章介紹變壓器故障產(chǎn)氣及相關(guān)原理，大都選用與故障關(guān)系明確的5種相關(guān)氣體含量為判斷故障的基礎(chǔ)，(即：甲烷CH4、氫氣H2、乙烷C2H6、乙烯C2H4、乙炔C2H2)，考慮到變壓器故障特征的關(guān)聯(lián)性模糊且內(nèi)部機理復(fù)雜，若僅僅選擇基礎(chǔ)比值作為故障特征參量的方法，難以滿足故障診斷的可靠性，運用改良IEC法作為模式分類故障特征量仍有一定局限性。為了進(jìn)一步提升診斷精度，需要探究故障氣體比值與故障類型的關(guān)系，結(jié)合文獻(xiàn)[41][42]中各類型故障涉及的特征氣體比值與故障類型的關(guān)系，引入C2H2/C2H4，CH4/H2，C2H4/C2H6，C2H6/CH4，CH4/總烴，C2H4/總烴，C2H6/總烴，C2H2/總烴，H2/H2+總烴，CH4/C2H4，C2H2/CH4，C2H2/C2H6，C2H6/H2，C2H4/H2，C2H2/H2，15種比值關(guān)系作初始特征量，分別編號G1-G15，令G1-G15為條件屬性。由于變壓器故障較為復(fù)雜，根據(jù)第二章的變壓器故障類型介紹及《油中溶解氣體導(dǎo)則分析》指出的相關(guān)類型，把電故障中電弧放電歸為高能放電，火花放電與局部放電歸為低能放電，并將熱故障中的中溫過熱和低溫過熱合為一種中低溫過熱，最終定義5種故障類型為放電兼過熱、低能放電(即火花放電、局放)、高能放電(即電弧放電)、中低溫過熱、高溫過熱，并按照數(shù)字D1-D5編號，令其為決策屬性。確定初始決策表后，下面進(jìn)行離散化操作。運用改良IEC編碼規(guī)則對G1-G3進(jìn)行離散化，G4-G9由文獻(xiàn)[45]中的油中溶解氣體分析的先驗知識進(jìn)行離散，G10-G15結(jié)合Python軟件中sklearn.preprocessing中的KbinsDiscretizer函數(shù)進(jìn)行數(shù)據(jù)離散化，等頻分箱函數(shù)設(shè)置k=3，(函數(shù)調(diào)用格式為：est=KBinsDiscretizer(n_bins=k,encode=’ordinal’,strategy=’quantile’))，通過該方法能夠?qū)⒋x散化的數(shù)據(jù)屬性值域在整個空間范圍劃分成子區(qū)間再進(jìn)行編碼規(guī)則。最終得到離散化結(jié)果后定義規(guī)則如表4-1所示。表4-1離散結(jié)果規(guī)則Tab.4-1DiscreteResultsRule得到初始離散化決策表后，利用粗糙集約簡原理對必要知識提取，通過matlab建立約簡仿真模型后獲得最簡核值決策表，結(jié)果如表4-2所示，將初始決策表中的7條非必要屬性約簡，最終保留了8個用于輸入神經(jīng)網(wǎng)絡(luò)的必要屬性，將8組氣體比值作為概率神經(jīng)網(wǎng)絡(luò)的輸入，分別是G1(C2H2/C2H4)、G2(CH4/H2)、G3(C2H4/C2H6)、G5(CH4/總烴)、G6(C2H4/總烴)、G8(C2H2/總烴)、G9(H2/H2+總烴)、G10(CH4/C2H4)，如表4-2、4-3所示；表4-2最簡決策表Tab.4-2Summarydecision-makingtableG1(C2H2/C2H4)G2(CH4/H2)G3(C2H4/C2H6)G5(CH4/總烴)故障類型1101D10220D10000D10001D2G1(C2H2/C2H4)G2(CH4/H2)G3(C2H4/C2H6)G5(CH4/總烴)故障類型1011D20011D20001D20011D20101D21031D31021D31020D31020D32020D31020D30221D40201D40201D40011D40211D40201D40211D50210D50221D50220D52220D50221D50221D50101D21021D31021D31020D32020D31020D31020D30221D40202D40201D40012D40211D40212D40211D40202D40220D50220D50222D50220D50220D50221D50221D50101D21020D31021D3G1(C2H2/C2H4)G2(CH4/H2)G3(C2H4/C2H6)G5(CH4/總烴)故障類型1120D31120D31120D31020D30221D40201D40201D40011D41002D10220D10000D10101D21011D20111D20101D20011D20101D2表4-3最簡決策表(續(xù)表)Tab.4-3Summarydecisiontable(continued)G6(C2H4/總烴)G8(C2H2/總烴)G9(H2/H2+總烴)G10(CH4/C2H4)故障類型1012D10000D11011D11012D21012D21012D21012D21012D21012D21000D31011D30110D31110D31110D31101D32001D40012D40011D42011D41001D40012D40000D52000D52011D51000D52200D51001D5G6(C2H4/總烴)G8(C2H2/總烴)G9(H2/H2+總烴)G10(CH4/C2H4)故障類型2000D51022D21000D31011D31110D31120D31110D31101D31001D40012D40011D40011D41001D41011D41001D41012D40000D50000D52011D51200D51000D51001D51000D51022D21000D31011D31110D31110D31110D31101D31001D41022D40011D41011D41112D11000D11011D11022D22012D22122D21022D22012D21012D21.3仿真及結(jié)果分析故障氣體數(shù)據(jù)仍選擇與3.1.4節(jié)中大型變壓器3號主變歷年采集的真實故障信息進(jìn)行實例訓(xùn)練診斷，經(jīng)1.2.1節(jié)進(jìn)行約簡剔除多余屬性后最終將，將原來的15個條件屬性簡化為表4-2、4-3中約簡后的8個必要屬性，為下一步神經(jīng)網(wǎng)絡(luò)輸入的訓(xùn)練和診斷做好優(yōu)化數(shù)據(jù)的準(zhǔn)備，在約簡結(jié)果的8個條件屬