基于粗糙集理论与模糊Petri网络的油浸电力变压器综合故障诊断.docVIP

　　基于粗糙集理论与模糊Petri网络的油浸电力变压器综合故障诊断|第1 内容加载中... 摘 要：电力变压器故障诊断因果关系的复杂性与模糊性，采用单一智能方法难以准确描述。文中基于智能互补融合的思想，将粗糙集理论与模糊Petri网络有机结合在一起进行油浸电力变压器故障诊断。利用粗糙集信息表简化技术来实现对专家知识的简化与故障特征的压缩，获得最小诊断规则，基于最小诊断规则的Petri网络模型可以有效降低网络结构的复杂性与故障特征获取的难度。同时利用模糊Petri网络实现并行模糊推理，便于描述故障特征的变化及对变压器运行特性的快速分析。故障实例分析表明，文中所提出的智能方法可以有效地进行模糊推理，减小诊断信息的冗余性，诊断效率高，计算快速、准确，结果易于被人理解。 关键词：变压器；故障诊断；粗糙集理论；模糊Petri网络 1引言 电力变压器是电力系统厂站的关键设备，一旦发生故障，将带来巨大的经济损失。因此，建立智能诊断系统来保证变压器的安全可靠运行，具有非常重要的意义。 油浸电力变压器特征信号（如油色谱、介质损耗、铁心接地电流等）很多都能在不同方面反映变压器运行的状态。为提取这些特征信号来进行故障诊断，已提出了包括气相色谱法[1]、局部放电检测法[2]在内的多种故障检测方法。但由于每种特征信号反映故障均存在一定的局限性，就必须对多种检测方法提取的特征进行综合处理和协同分析，这是一个典型的信息融合过程。因此，基于专家系统、模糊理论、神经网络和Dempster-Shafer证据推理[3-6]等人工智能技术的油浸电力变压器故障综合诊断被广泛地研究。但是以上的这些方法往往都需要大量的统计信息与先验知识，因而计算、训练复杂，而实际变压器故障的复杂性与运行环境的恶劣，又造成了故障知识不完备或检测信息缺失，使得它们在诊断能力、适用性和知识获取方面还不尽人意，这就需要尝试应用一些新的智能技术进行变压器故障诊断[7-8]。同时，单一智能方法都具有自身的局限性，但结合使用可以实现智能互补，这是探索变压器故障诊断的一条新途径。 文献[8]提出了基于Petri网络的故障诊断方法，该方法可以将模糊启发式规则的表示和诊断能力融为一体，完成不确定性知识和过程性的模糊诊断推理，通过简单的矩阵运算即可快速获得诊断结果。但文中未提及建立Petri网络的规则是如何获得的，对于变压器故障诊断而言，建立专家系统所需的信息量非常大，因而所获得的专家知识中存在较大的冗余性，这在一定程度上影响了Petri网络建模的准确性和诊断的效率。针对上述问题，本文将粗糙集理论引入到变压器故障诊断中，利用其分析和处理不精确、不一致、不完整等不完备信息的能力，来发现专家知识间隐藏的关系，揭示潜在的规律，有效地简化了知识。同时进一步探讨了粗糙集与模糊Petri网络在知识表达上的优缺点及彼此间的互补性，基于智能互补融合的思想，将粗糙集理论与模糊Petri网络有机结合在一起进行油浸电力变压器故障诊断。故障实例分析表明，本文所提出的智能方法可以有效地进行智能推理，减小诊断信息的冗余性，提高了诊断效率。 2 基于粗糙集理论的知识约简 2.1 粗糙集理论简介 粗糙集理论（Rough Sets Theory，缩写为RST）是由Z. Paouseg(this) 定U中每个对象属性值的信息函数，即f:U×A→Vq。由这种“属性－值”关系就构成了一张二维表，称之为信息表（Information Table）。 在RST中，知识是通过指定对象的基本特征（属性）和它的特征值（属性值）来描述的。通常启发式规则可以表示为IF-THEN结构，即条件-结论方式。如果用知识系统的条件属性表示规则的条件部分，决策属性表示规则的结论部分，则每一个对象可以方便地表示一条产生式规则。表1给出了规则对应的信息表。 2.2知识约简 在根据启发式规则进行推理时，并非所有条件都是必要的，有些条件是相关的，有些条件是独立的，因而可能只需要某个或少量的条件就可以推断出结论。对信息表而言，并非所有的条件属性都是必要的，有些是多余的，去除这些属性不会影响原有的表达效果。如将表1中的属性C3去除，余下的属性仍能有效地分类，无规则冲突情况出现，这说明属性C3是冗余的。 500)this.style.ouseg(this) 因此，信息表知识约简是进行高效推理的关键。通过知识约简，可以获得最小化的推理规则，仅需使用少数必不可少的条件属性，通过简单推理便能获得与原信息表完全相同的结果。求解最小化规则的RST知识约简的步骤如下： （1）删除表中相同的规则； （2）基于协调性，约简表中条件同性集合的冗余属性，即消除表中多余的条件属性，得到最小属性集； （3）基于协调法，约简表中各规则的冗余条件同性值，求出算法的核值表；