变压器故障诊断

变压器故障诊断硕士学位论文选题报告基于量子神经网络信息融合的变压器故障诊断研究学 号：20姓 名：卢富强学科专业：控制理论与控制工程研究方向：检测与控制技术及智能装置指导教师：龚瑞昆 教授所在学院：计算机与自动控制学院2011年 11月26日Study on Fault Diagnosis for Power Transformer Based on Quantum Neural Network Information FusionStudent Number2009080119Candidate:Ma LiangSupervisor:Gong RuikunMajor:Control Theory and Control EngineeringCollege of Computer and Automatic ControlHebei Polytechnic University46 West Xinhua Road, Tangshan 063009，P.R.CHINA21 / 25目次引言11 文献综述21.1 电力变压器故障诊断方法的国内外研究现状21.2 基于神经网络信息融合的故障诊断模型81.3 量子神经网络101.4 信息融合的理论基础122 研究内容及方案172.1 研究目标及意义172.2 研究内容172.3 研究方案182.4 在课题进展中可能遇到的关键问题192.5 课题研究的可行性192.6 预期创新点193研究工作计划及时间安排203.1 工作计划203.2 时间安排20参考文献21引言变压器是电力系统的核心设备，在电力的产生、传送和按用户电量需求进行供给中起到非常重要的作用。因此，研究电力变压器故障诊断方法对提高电力系统运行的安全性和可靠性具有决定性意义，同时也具有重要的理论价值和广阔的工程应用前景。量子神经网络利用量子计算的优势，具有很强的并行处理能力，指数级的记忆容量和回忆速度及其高稳定性和可靠性，使得其在数据处理方面具有前所未有的潜在优势。而信息融合作为一门综合性强，实践性强的新兴学科，随着系统论、控制论、信息论、D-S证据理论等基础理论以及计算机技术、网络技术、高效传感器技术等使用技术的快速发展，信息融合技术在故障诊断领域也得到了广泛的应用。正是由于以上两种方法的优势，本课题预研究基于量子神经网络信息融合的变压器故障诊断方法，首先回顾和总结变压器故障诊断的一些基本方法和发展趋势，然后深入分析基于量子神经网络信息融合的变压器故障诊断方法、实施方案、步骤，通过Matlab7.0软件对该方法进行仿真分析；最后将所提方法与相关传统方法进行比较，验证本方法的有效性、可行性和优越性。另外，搭建实验平台，通过改变温度、光强度分别跟踪监测六种特征气体浓度电信号的变化情况来了解这两种外界条件的变化对变压器油中溶解气体浓度的影响，运用改良的三比值法初步对变压器进行故障诊断。本课题是对电力变压器故障诊断方法进行的系统研究，将对电力变压器故障诊断技术的发展具有重要的理论意义和实用价值。1 文献综述1.1 电力变压器故障诊断方法的国内外研究现状变压器故障诊断就是根据变压器故障前的征兆信息，确定故障的性质、程度和部位。变压器内部结构复杂，由于长期运行造成绝缘老化、材质裂化、外部的破坏和影响等因素，故障和事故的发生是难以避免的。因此，及时诊断出变压器的潜伏性故障，尽量排除变压器故障可能导致系统崩溃的潜在因素是电力部门关注的一项重要课题。变压器故障诊断和预测准确性的提高对于实现电业部门所盼望的电气设备状态检修、减少检修费用以及提高电力系统供电可靠性具有非常重要的意义。评估变压器状态的方法包括油气检测（又称为溶解气体分析，Dissolved Gasses Analysis，简称DGA，工程中还被称为色谱分析）、介质损耗检测、绕组阻抗、绕组变比测量、温度监测等传统方法，以及局部放电、返回电压、调压装置在线监测、内部温度测量、在线功率因数测量、绕组位移变形测量等非传统方法17。油气检测、介质损耗检测应用最为广泛，其它检测技术也得到了不断的发展，但因费用、数据解释、可靠性、兼容性等因素而使得应用范围受到了制约。110kV及以上等级的大型电力变压器主要采用油纸绝缘结构，在正常老化过程及故障初期，油纸绝缘劣化所形成的低分子烃、氢气以及碳的氧化物等气态化合物绝大部分将溶解于油中。变压器油中溶解的各种气体成分的相对数量和形成速度主要取决于故障点能量的释放形式及故障的严重程度，所以根据色谱分析结果可以进一步判断设备内部是否存在异常，推断故障类型及故障能量等。Halstead在1973年发表的报告中，对油中分解的碳氢气态化合物的产生过程进行了热动力学理论分析，认为对应于不同温度下的平衡压力，一种碳氢气体相对于另一种碳氢气体的比例取决于热点的温度。因此建立了如下假设：特定碳氢气体的析出速率随温度而变化，每种气体在不同的温度下达到其最大析出速率，在特定温度下各类气体的相对析出速率是固定的。根据这一假设，随着温度升高，析出速率达到最大值的次序依次为：H2、CH4、C2H6、C2H4和C2H2。Halstead假说是应用油中溶解气体比值法诊断设备故障类型并估计热点温度的理论基础。根据这一假设，随温度的变化，故障点产生的各气体组份间的相对比例是不同的。Rogers由此选择5种特征气体的4个相对比例CH4/H2、C2H6/CH4、C2H4/C2H6和C2H2/C2H4来进行故障诊断。由于C2H6/CH4只能反映油纸分解的极有限的温度范围，所以在后来的IEC标准中将此比值删去，改良后的三比值法被普遍认为是最为简明的解释，表1所示的编码规则和表2所示的故障类型判断方法作为诊断故障性质的依据89。表1 改良三比值法的编码规则Table 1 Code rules of the improved three-ratio method气体比值范围比值范围的编码C2H2/C2H4CH4/H2C2H4/C2H60.10100.11100131213222表2 故障类型判断方法Table 2 Judgement methods on fault types of transformer编码组合故障类型判断故障实例（参考）C2H2/C2H4CH4/H2C2H4/C2H6001低温过热（低于150）绝缘导线过热，注意CO和CO2含量及CO2/CO值20低温过热（150300）分接开关接触不良，引线夹件螺丝松动或接头焊接不良，涡流引起铜过热，铁芯漏磁，局部短路，层间绝缘不良，铁芯多点接地等21中温过热（300700）0,1,22高温过热（高于700）10局部放电高湿度、高含气量引起油中低能量密度的局放20，10，1，2低能放电引线对电位未固定的部件之间连续火花放电，分接抽头引线和油隙闪络，不同电位之间油中火花放电或悬浮电位之间的火花放电20，1，2低能放电兼过热10，10，1，2电弧放电线圈匝间、层间短路，相间闪络、分接头引线间油隙闪络、引起对箱壳放电、线圈熔断、分接开关飞弧、因环路电流引起电弧、引线对其它接地体放电等然而，这些方法大多仍局限于阀值诊断的范畴910，一般只给出一个判定边界的描述，难以确切反映故障与表现特征之间的客观规律，并且很难在溶解气体含量较小的情况下对变压器状态进行分析，也就是说，只有当某些特征气体含量超过“注意值”时，判断结果才被认为是有意义的。传统方法的这些缺点无疑对变压器潜伏性故障的发现和分析非常不利。针对传统方法的不足，各种智能技术如人工神经网络、粗糙集、遗传算法、小波分析、模糊推理、动态聚类、Petri网络、灰关联熵以及证据推理1130等被引入变压器故障诊断中，取得了比较好的效果。然而由于变压器的复杂性、测试手段的局限性、知识的不精确性，各种方法表现出不同的优缺点。文献11针对变压器故障诊断的特点，结合三比值法构建神经网络。通过实例验证了用BP神经网络对气体比值编码的正确性和可行性，该方法既发挥了三比值法的长处，又在一定程度上弥补了三比值法对于在比值区间交界处附近的数据可能会导致错误判断编码的不足。文献12提出了一种在分类能力、学习速度等方面都优于BP神经网络的径向基函数神经网络和组合诊断的概念，并将其应用到变压器DGA故障诊断中。在处理输入数据和改进训练方法后，组合RBF神经网络诊断变压器故障训练速度快、诊断准确。文献13把粗糙集理论与人工神经元网络结合起来，应用于变压器故障诊断，可以充分发挥两种方法的优势，取长补短。粗糙集理论可以有效地对样本集约简，从而简化了ANN的网络结构，减少了网络的训练步数，提高了判断准确率，并用仿真实验验证了此方法的有效性。文献14结合色谱数据和电气试验数据，利用数据融合原理，将神经网络和证据理论进行有机结合，使两者优势互补，提出了多神经网络与证据理论融合的变压器故障综合诊断方法。诊断结果表明，运用提出的融合诊断算法，能充分利用色谱数据和电气试验数据的冗余、互补信息，使基于多种特征信号综合诊断结果的准确性和可靠性比基于单一故障特征的诊断得到有效的提高。文献15依据Elman神经网络具有动态处理数据及对历史数据敏感的能力，提出了将它用于油浸式电力变压器的故障诊断新方法，并给出了其具体的实现，同时对故障诊断的结果，将Elman网络与BP网络进行了比较。检测结果表明，Elman网络具有区别油浸式电力变压器不同故障类型的能力。文献16提出了一种基于核特征量的BP神经网络变压器故障诊断模型。通过核主成分分析将故障样本从低维的特征空间非线性地映射到高维的核空间，提高了样本的可分性，然后以核特征量作为BP神经网络的输入特征量，建立变压器故障诊断模型。实验对比了结构相似、输入量不同的BP神经网络，结果表明采用核特征量的诊断模型具有更好的诊断效果和抗干扰能力。文献17分别使用了L-M算法和RPROP算法构造了满足要求的神经网络，并将它们应用于充油电气设备故障诊断神经网络的训练。结果表明，两种神经网络均能快速收敛到较高的精度，对训练所得网络分别使用没有训练过的样本进行诊断，两种算法的诊断准确率分别是86. 47%、92. 00%。上述用神经网络进行变压器故障诊断无疑是合理的，可概括为有以下优点：训练过的神经网络能存储有关过程的知识，能直接从定量的、历史的故障信息中学习；可以根据对象的正常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定故障；神经网络具有滤出噪声及在有噪声的情况下得出正确结论的能力，可以训练神经网络来识别故障信息，使其在噪声环境中有效地工作，这种滤出噪声的能力使得人工神经网络适于在线监测和诊断；神经网络具有分辩故障原因和类型的能力，这为实现故障智能诊断奠定了基础。因此，神经网络结构对故障进行诊断具有很好的效果。电力变压器在发生故障时，其故障现象、故障原因及故障机理之间存在大量的不确定性和模糊性。因此，模糊推理为变压器的绝缘故障诊断提供了一种较为有效的方法。文献18引入了一种基于粗糙集约简并结合模糊规则的方法进行变压器故障诊断。该方法从变压器故障判别表出发，首先使用粗糙集理论进行决策表约简，在保持故障判别表分类能力不变的条件下，去除了变压器故障诊断知识中大量的冗余特征，然后结合模糊集合理论和模糊推理，计算出各个约简后的决策规则的模糊隶属度，最终得到故障类型的判断。文献19把模糊理论与专家经验知识相结合，形成模糊推理知识库，反映故障现象与故障原因之间的模糊关系，根据用户输入的故障信息进行正反向的多级推理来做出故障诊断，具有良好的可靠性和实用性。文献20在提出电力变压器绝缘故障诊断概率模型的基础上，又以统计数据为依托来考察故障与征兆之间的相互关系，以及故障发生的可能性的同时，考虑了在征兆提取中的模糊边界问题。与仅用概率推理或模糊数学的方法相比，文中的方法更能真实地反映故障诊断的特性。文献21对于变压器油中局部放电超高频测量系统所得到的局部放电的特征量，首先，选择优先权较高的6个特征量作为自适应神经模糊推理系统(ANFIS)的输入量，其次，构建6输入单输出的ANFIS，它采用了Takagi-Sugeno模糊系统的if-then规则, 利用梯度下降和最优平方估计相结合的混合学习算法进行训练。从文献18到文献21可以看到模糊数学在电力变压器绝缘故障诊断中的不足性，它着重研究“认知不确定性”问题，主要是凭经验借助于隶属函数进行处理，其研究对象具有“内涵明确、外延不明确”特点，而目前电力变压器发生故障时的故障现象、故障原因及故障机理之间的许多“内涵”联系尚未研究清楚，所以，模糊数学理论在变压器故障诊断中具有其局限性。 Petri网将领域知识编成一系列产生规则，可以解决许多系统的故障诊断问题。文献22将多Agent技术引入变压器故障综合诊断系统，采用模糊Petri网技术实现建模。该模型中每个Agent代表一种智能知识或智能处理方法，利用Petri网进行知识表示及推理的矩阵运算算法以描述故障征兆与故障的关系，进而达到多Agent之间的协同工作，并利用协调综合Agent给出诊断结果。运用所提出的诊断系统，不但可以充分利用各种故障信息资源，而且可对采用不同诊断方法时的诊断结果进行协调综合，并且在故障信息不全面的情况下也可以做出较准确的诊断结论，实例运算也验证了该诊断系统的快速性、协调性和准确性。但是Petri网产生的大量规则导致运行速度较慢，很难适应要求，当遇到新故障或新信息时，会出现“匹配冲突”、“组合爆炸”等问题23。专家系统在变压器故障诊断中得到了应用，文献24在传统的变压器故障诊断专家系统的基础上，引入粗糙集理论以解决专家系统较难获取完备知识的瓶颈问题。该系统从历史故障数据所形成的决策表出发，运用粗糙集理论进行约简，构建专家系统知识库模型，通过计算规则隶属粗糙度来表示诊断规则的置信程度，利用推理机和故障事例库实现对知识库的动态维护。文献25介绍了一种以变压器的DGA为特征量的绝缘故障诊断专家系统及专家系统中各模块的功能，并用具体实例说明该专家系统的可行性和可信度。文献26将黑板型结构首次应用于变压器绝缘故障诊断专家系统中，建立了该种形式专家系统的主体结构和推理机制，并结合面向对象技术建立了变压器绝缘故障诊断黑板型专家系统。该专家系统能正确识别故障类型并给出故障发生的大致部位、严重程度以及故障发展趋势等，对实际变压器故障的诊断检验了专家系统的有效性，但是专家系统也存在不少缺陷5，如知识获取的瓶颈问题、推理单调性等。无论是Petri网还是专家系统，都需要从专家那里获取知识，而变压器故障诊断的专家知识少且零散，原因是变压器故障的种类繁多、绝缘老化机理复杂、故障次数少，且除非确认存在严重缺陷，否则不允许拆开检查。文献23在重要属性数据缺失条件下需要先使用粗糙集约简算法对输入贝叶斯分类器的属性进行约简，然后再利用贝叶斯分类器对于变压器进行故障诊断，取得了一定的效果。但是没有一种贝叶斯分类器对于变压器的诊断总是正确的，仅仅依靠单一的贝叶斯分类器是不可行的。支持向量机（Support Vector Machines，SVM）是一种小样本学习方法，在小样本学习上有特殊的优越性，能在训练样本数目很小的情况下取得很好的推广能力，适合于故障数据较少的变压器故障诊断。文献27利用支持向量机理论开展对变压器的故障诊断，文献28提出用支持向量机作为分层决策电力变压器故障诊断模型。首先通过相关统计分析，选择典型油中气体作为支持向量机输入参数，然后在深入发掘油中气体所含故障信息基础上，利用典型故障气体的相对含量在高维空间的分布特性进行变压器故障类型诊断。该方法基于小训练样本条件下寻求最优解，具有很好的推广能力及一致性等优点，还适用于变压器典型故障数据少的特点。文中还给出了两种不同支持向量机核函数分类结果的比较。为了提高故障诊断的正判率，该模型同时在相关性强的特征气体之间，利用K-近邻搜索聚类在最优分类面附近对分类结果进行精确逼近，使分层决策模型可靠性显著改善。文献29针对支持向量机中的参数通常靠交叉试验来确定的状况，提出了遗传支持向量机，即使用遗传算法来优化支持向量机中的参数，并将之进一步应用在基于溶解气体分析的变压器故障诊断中。以变压器油中5种主要特征气体作为支持向量机的输入，以7种变压器状态作为相应的输出，选用径向基核，使用遗传算法得到优化参数，充分发挥了支持向量机具有较高泛化能力的优势。该方法能够在较大范围内准确地找到相应的优化参数，并能有效地进行变压器的故障诊断。综上所述，目前变压器故障诊断技术的研究还远不够完善，寻找一种既能很好地处理不完备信息，又能提高变压器故障诊断的实际应用性和准确性的智能方法，是目前解决变压器故障诊断问题的出路所在。针对变压器结构的复杂性、故障的多样性和故障信息的不确定性、数据量大与无规律性的特点，本课题将神经网络与信息融合结合起来，互补长短，才能克服神经网络的缺乏经验、无推理性以及信息融合技术处理知识“瓶颈问题”等缺陷，到达一种较完美的组合。从而，两者的组合能够发挥分布存储、并行处理能力、较好处理纷繁复杂数据的优势。1.2 基于神经网络信息融合的故障诊断模型对于故障诊断而言，其核心技术是模式识别，而神经网络由于自身的诸多优势，能够出色解决那些传统模式识别方法难以圆满解决的复杂问题，神经网络具有分辩原因及故障类型的能力。神经网络是由大量的神经元按照一定的拓扑结构和学习调整方法所构成的。它是一个具有高度非线性的超大规模连续时间动力系统，其主要特征为30：1）分布存储和冗余性。信息在神经网络内的存储是按照内容分布于大量的神经元之中，即一个事物的信息不只是对应于一个神经元的状态进行记忆，而是分散到很多神经元中进行记忆，而且每个神经元实际上存储着多种不同信息的部分内容。在分布存储的内容中，有许多是完成同一功能的，即网络具有冗余性，网络的冗余性导致网络的存储具有容错性，即其中某一些神经元受到损伤或死亡时，仍不至于丢失其记忆的信息。信息在神经网络中的记忆，主要反映在神经元之间的连接强度上。2）并行处理性（Parallel Processing）。网络的各单元可以同时进行类似的处理过程，整个网络的信息处理方式是大规模并行的。神经网络系统对于处理以求得问题满意解为目标的决策任务（如视觉、运动控制等）非常迅速，相反，冯诺依曼（Von Neumann）计算机却在这方面显得非常迟钝和笨拙。很显然，前者速度快是由大量神经元协同工作并行处理的结果。3）可塑性与自适应性和自组织性。神经元之间的连接具有多样性，各种神经元之间的连接强度具有可塑性，因而网络可以通过学习与训练进行自组织，以适应不同的信息处理的要求。4）层次性。信息在不同层次的神经回路中逐级进行加工和处理，同时神经网络具有一般的非线性动力系统的共性，例如不可预测性、不可逆性、多吸引子、可塑性、耗散性等特性，因而神经网络实际是一个大规模非线性连续时间自适应信息处理系统。5）信息处理与存储合一。每个神经元都兼有信息处理和存储的功能，神经元之间的连接强度的变化既反映了神经元对激励的响应，即信息处理过程，同时其响应结果又反映了信息的记忆。这种合二为一的优点是同时有大量相关知识参与信息过程，这对于提高网络信息处理的速度和智能是至关重要的。与此不同，目前一般计算机的存储和处理是分别属于两个独立的部件，存储器的作用只不过是一个知识库，这就是说，任一时刻都只有极少量的知识被取来参与处理，大部分知识却处于休闲无用状态。6）鲁棒性。网络的高连接度意味着一定的误差和噪声不会使网络的性能恶化，即网络具有鲁棒性，神经网络的鲁棒性对智能的演化是一个十分重要的因素。基于神经网络以上的特性，为神经网络设备状态检测和故障诊断开辟了一条新的途径，主要体现在两个方面：1）是利用神经网络可逼近任意连续有界非线性函数的能力，建立系统故障的非线性数学模型进行故障诊断；2）是利用神经网络强大的分类能力，进行故障模式的分类与学习，诊断出故障。神经网络方法是基于物理模型和数学模型的有机结合，发挥两者长处，使故障诊断的范围更宽，诊断更准确。多传感器信息融合技术为解决复杂系统故障诊断的不确定性问题提供了新的途径，其应用于故障诊断领域才刚刚起步。它充分利用了多传感器采集电压、电流、速度、温度等参数对电梯系统进行多方位动态监测，融合了多传感器输出的不同信息，强调了各种参量信息的综合判断，使系统的监测水平大大提高。基于信息融合的方法用神经网络对故障特征信息进行局部融合，用基于统计的融合方法D-S证据理论对局部融合结果进行决策融合，并针对具体的电梯对象进行仿真实验，结果验证了此方法的有效性31。综上所述，可以得到基于信息融合的神经网络诊断模型如图1所示，该模型由信息分配（包括信号的模糊化处理）、局部诊断和决策融合诊断三层构成。图1 基于信息融合的故障诊断模型图Fig.1 Fault diagnosis model based on data fusion1.3 量子神经网络量子神经网络出现于20世纪90年代，它是将量子力学的思想引入神经网络的研究当中，克服了传统神经网络的缺陷和不足。量子神经网络是经典神经网络的延伸，它利用了量子计算的一些优势特别是量子计算的并行计算特性，使得量子神经网络比经典神经网络具有更强的并行处理能力，并能处理更大的数据集，在数据处理方面具有前所未有的潜在优势。目前，量子神经网络已经用在电力电子电路故障诊断32、容差模拟电路的软故障诊断33、语音降噪34等方面。与经典的神经网络相比具有如下优点32：1）指数级的记忆容量和回忆速度；2）快速学习和高速信息处理能力；3）因不存在模式间的相互干扰问题而具有消除灾变性失忆的能力；4）高稳定性和可靠性。量子神经网络是量子计算与经典神经网络相结合的产物，结合形式大概有两种：1）在神经网络的结构和训练过程中引入量子计算理论；2）直接借用量子理论中某些原理和概念来设计神经网络拓扑结构和训练算法。量子神经网络的结构和学习算法如下：1）量子神经网络的结构量子神经网络结构如图2所示。它包括输入层、第一隐层、第二隐层和输出层。设系统的输入为，输出为。三层的作用函数为Sigmoid函数，三层的权值和神经元个数分别为、。量子计算理论和第一隐层相结合，为量子间隔的数目，为量子间隔，其大小的选择与待诊断的故障模式数目相同，也即与待检测的故障元件数目相同，为陡度因子。图2 四层量子神经网络结构Fig.2 The structure of four-layer quantum neural network根据其网络结构得到网络的输出为： （1）式中，；。设输入样本总数为，输出的期望值为，网络输出层第个节点、第个样本的输出可以由式（1）得到记为，定义误差能量函数表达式为： （2）由式（2）可以得到对、的偏导数为： （3） （4） （5）2）量子神经网络的学习算法网络的学习算法中神经元间的权值更新与常规BP算法相同，即采用梯度下降法求权值变化及误差的反向传播；为了加快训练速度，避免陷入局部极小值，引入附加动量和自适应学习速率法，使网络滑过局部极小值并能快速收敛。记为 （6）式中，为权值的更新量。则反向传播的动量改进公式可以写为 （7） （8） 式中，为训练的前一次权值；为训练后的权值。mc、lr分别为动量因子和学习速率，它们按下面的式子更新：If then （9）If then （10）式中最大错误率；，动量因子；，学习速率减小量和学习速率增加量。且量子间隔的更新公式如下： （11）其中式中量子间隔更新量；在输入矢量为时第一隐层第i个神经元的输出；在输入矢量为，第s个量子间隔时，第一隐层的第i个神经元的输出。1.4 信息融合的理论基础科学技术的发展使传感器的性能大大提高，在多传感器系统中，信息表现形式的多样性、信息容量以及信息处理速度等都已大大超出了传统信息处理方法的能力，一种新的信息综合处理方法信息融合技术便产生了。多传感器信息融合（Multisensor Information Fusion）是针对一个系统中使用多个或多种传感器这一特定问题而进行的新的信息处理方法。1）信息融合的定义信息融合技术是一种自动化信息综合处理技术，它充分利用多源信息的互补性和算机的高速运算和智能来提高信息处理的质量。该技术主要研究对各种传感器的信息进行采集、传输、分析和综合，通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在时间和空间上的冗余或互补信息依据某种准则进行组合，以获取被观测对象的一致性解释或描述。传感器之间的冗余数据增强了系统的可靠性，互补数据扩展了单个传感器的性能。信息融合技术扩展了时空覆盖范围、改善了系统的可靠性、对目标或事件的确认增加了可信度、减少了信息的模糊性，这是任何单个传感器做不到的35。根据国外研究成果，信息融合比较确切的定义可概括为：利用计算机技术对强时序获得的若干传感器的观测信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。它强调的是融合的具体的方法与步骤。按照这一定义，多传感器系统是信息融合的硬件基础，多源信息是数据融合的加工对象，协调优化和综合处理是数据融合的核心。在军事中，则把信息融合定义为：对多源数据和信息进行检测、关联、相关、估计和综合等多级、多方面的处理，以得到精确的状态和种类判定，快速取得完整的态势和威胁估计。两种定义在本质上是一致的，后者着重强调了信息融合在军事上的重要作用和功能。简言之，信息融合技术是对多源数据优化处理的多种方法的统称，它有着广泛的应用领域，它的表示和处理方法来自于通信、模式识别、决策论、不确定理论、信号处理、估计理论、最优化技术、计算机科学、人工智能和神经网络。2）信息融合过程信息融合过程主要包括多传感器（信号获取）、数据预处理、数据融合中心（特征提取、数据融合计算）和结果输出等环节。由于被测对象多半为具有不同特征的非电量，如压力、温度、色彩和灰度等，因此首先要将它们转换成电信号，然后经过A/D转换将它们转换为能由计算机处理的数字量。数字化后的电信号由于环境等随机因素的影响，不可避免地存在一些干扰和噪音信号，通过预处理滤除数据采集过程中的干扰和噪音，以便得到有用信号。预处理后的有用信号经过特征提取，并对某一特征量进行数据融合计算，最后输出融合结果。图3为信息融合过程的一般过程示意图。图3 信息融合过程示意图Fig.3 The process picture of data fusion3）信息融合的特点多传感器信息融合系统与所有单传感器信号处理方式相比，单传感器信号数据处理不能像多传感器信息融合系统那样有效地利用，多传感器资源。多传感器系统可以更大程度上的获得被探测目标和环境的信息量多传感器系统的复杂性大大增加。多传感器信息融合在解决探测、跟踪和识别等问题方面，具有以下特点：（1）生存能力强。在有若干传感器不能被利用或受干扰，或某个目标/事件不在覆盖范围内时，总有一种传感器可以提供信息；（2）扩展了空间覆盖范围。通过多个交叠覆盖的传感器作用区域，扩展了空间的覆盖范围，总有一种传感器可以探测到其它传感器探测不到的地方；（3）扩展了时间的覆盖范围。用多传感器的协同作用提高了检测概率，某个传感器可以探测其它传感器不能顾及的目标/事件；（4）提高了可信度。一种或多种传感器对同一目标/事件加以确认；（5）降低了信息的模糊度。多传感器的联合信息降低了目标/事件的不确定性；（6）改进了探测性能。对目标/事件的多种测量有效融合，提高了探测的有效性；（7）提高了空间分辨率；（8）增加了测量维数,系统不易受到破坏。4）信息融合的分类信息融合作为一种技术思想，在工程中的应用越来越广泛。系统的信息融合相对于信息表征的层次可以分为3类：数据层融合、特征层融合和决策层融合31。在数据层融合方法中，匹配的传感器数据直接融合，而后对融合的数据进行特征提取和状态（属性）说明。实现数据层融合的传感器必须是相同的或匹配的，在原始数据上实现关联，且保证同一目标或状态的数据进行融合，传感器的原始数据融合后，识别的处理等价于对单传感器信息的处理，数据层融合所达到的精度依赖于可得到的物理模型的精度。最简单、最直观的数据层融合方法是算术平均法和加权平均法。特征层状态属性融合就是特征层联合识别，它实际上是模式识别问题。多传感器系统为识别提供了比单传感器更多的有关目标(状态)的特征信息，增大了特征空间维数。具体的融合方法仍是模式识别的相应技术，只是在融合前，融合系统首先对传感器数据进行预处理以完成特征提取及数据配准，即通过传感器信息变换，把各传感器输入数据变换成统一的数据表达形式（即具有相同的数据结构），在数据配准后，还必须对特征进行关联处理，对目标（状态）进行的融合识别，就是基于关联后的联合特征矢量，具体实现技术包括参量模板网络及基于知识的技术等。决策层融合是不同类型的传感器监测同一个目标或状态，每个传感器各自完成变换和处理，其中包括预处理、特征提取、识别或判决，以建立对所监测目标或状态的初步结论，而后通过关联处理、决策层融合判决，最终获得联合推断结果。决策层融合输出是一个联合决策结果，所采用的主要方法有Bayes推断、Dempster-Shafer证据理论、模糊集理论、专家系统等。多传感器信息融合技术的故障诊断过程是根据从对象的某些检测量得到的故障特征（故障模式），经过信息融合分析处理，判断是否存在故障及查找故障源的过程。5）故障诊断信息融合的数学背景采用信息融合故障诊断方法的直观意义就是从不同的侧面提供更多的故障状态信息，以提高诊断的准确性和可靠性。下面以信息论中有关“熵”、“条件熵”、“平均条件熵”和“互信息”为基础，给出故障诊断领域中的相关定义，从信息论的角度证明信息融合在故障诊断中的有效性和实用性。这里将诊断信息系统作为随机变量处理，而不区分其具体来源和内容。定义1 用表示设备运行状态有限集，用随机变量表示设备的运行状态，其概率为，则设备的运行状态的熵为： （12）由熵的定义可知，定义1描述的是设备运行状态的不确定性。定义2 假设某个诊断信息用表示，且设是取有限个离散值的随机变量，即，则已知时，设备运行状态的平均条件熵为： （13）定义3 已知诊断信息时，设备运行状态的平均条件熵为： （14）定理1 设备运行状态的条件熵必定不大于无条件熵，即： （15）因此，条件熵必定不会大于无条件熵，即定理1成立，证明完毕。该定理说明，在具有诊断信息的条件下，设备状态的不确定性有所减小，因此诊断的准确性有所增加。定义5描述了诊断信息所包含设备运行状态的信息量的大小。与的互信越大，则已知诊断信息时，确定设备运行状态的不确定性越小，因此诊断信息的诊断效果越好；反之，则诊断信息的诊断效果越差。从以上讨论可以看出，在故障诊断的过程中，随着融入诊断信息的增加，诊断的不确定性随之减小，诊断的准确性和可靠性随之提高。因此说明采用信息融合技术后，能够有效的提高故障诊断的准确性和可靠性。2 研究内容及方案2.1 研究目标及意义变压器是电力系统的核心设备，在电力的产生、传送和按用户电量需求进行供给中起到非常重要的作用。在科技高速发展的今天，变压器是一个集机械、电子、计算机、液压等一体化的大型复杂设备。因此，提高供电系统运行的可靠性、防止和杜绝影响正常供电工作故障的发生和发展一直是人们非常关心的重要课题。鉴于以上原因，故障诊断技术受到了工程领域科研人员的高度重视，并得到了迅速发展。在大多数情况下，由于其工作条件比较恶劣，发生故障的可能性也较大，而且其发生故障后，将会影响供电系统的正常运行，直接或间接的造成巨大损失。进一步的理论研究和应用结果表明，故障诊断技术本身的发展还远远不能满足实际问题的需要。各种监测手段和诊断方法仅利用单一信息源数据对设备某类特定故障实施诊断，缺乏对多源多维信息的协同利用、综合处理，也未能充分考虑诊断对象的系统性和整体性，因而在可靠性、准确性和实用性方面都存在着不同程度的缺陷。近几年迅速发展起来的神经网络与信息融合技术，探讨变压器故障诊断中的智能化和多源信息融合的理论、方法和手段，并将其应用于变压器故障诊断中，取得了预期的效果，为变压器故障诊断技术的系统化和智能化开拓了新的理论方法和技术途径，同时推动了变压器故障诊断技术的实用化进程。2.2 研究内容变压器是一个复杂的系统，对其故障诊断的研究将随着科学技术的进步而不断进步。本课题在总结和研究前人工作的基础上，探讨了变压器故障诊断的方法，将主要完成了以下几方面工作：1）搭建实验平台。通过改变温度、光强度分别监测六种特征气体浓度电信号的变化情况来了解这两种外界条件的变化对变压器油中溶解气体浓度的影响，用改良的三比值法初步对变压器进行故障诊断。（1）利用色谱柱的分离原理，搭建油气分离实验平台，把变压器油中的特征气体H2、CO、CH4、C2H6、C2H4、C2H2分离出来，成为各单个组份的气体。（2）搭建信号检测系统平台。经过色谱柱分离出来的单个组份的气体进入气敏检测单元(气敏传感器)，对气体的浓度进行变换，将浓度信号转换为电压信号，即传感器输出分别代表各种气体浓度的电信号。在此系统中，选择一种能对H2、CO、CH4、C2H6、C2H4、C2H2六种气体均能反应，并具有非常高的灵敏度、精度和稳定性，较短的反应时间和恢复时间，较大的检测范围的传感器。2）深入分析基于量子神经网络信息融合的变压器故障诊断方法、实施方案、步骤，通过Matlab7.0软件对该方法进行仿真分析。3）与改良三比值法、BP神经网络进行比较，验证本方法的有效性、可行性和优越性。2.3 研究方案为了弥补单一诊断方法的不足，研究方案中将量子神经网络和信息融合技术相结合，更加精确的对变压器故障进行综合诊断。量子神经网络和信息融合关键点是将量子神经网络的输出值作为证据，然后利用DS证据理论进行综合决策。融合的具体实现方法是：用量子神经网络融合得出初步的融合结果，将此结果进行归一化处理，将输出值作为证据理论识别框架上命题的基本概率分配，然后再应用组合规则进行综合诊断。图4是对变压器进行二次故障诊断的模型，即本课题的总体研究方案结构图。图4 变压器二次故障诊断模型Fig.4 Repeated fault diagnosis mode for transformer 该融合结构是二级融合结构，一级融合用量子神经网络和证据理论判断变压器故障类型，在一级融合的基础上，再次应用这两种融合算法判断变压器故障部位。一级故障诊断中结合DS证据理论，量子神经网络的输入信息是H2、CH4、C2H6、C2H4、C2H2的浓度，用5个神经元表示。输入的形式有直接输入各种气体浓度和对样本进行归一化两种方式，前者容易导致样本空间过大,进而导致网络的规模过大，影响网络的正常训练和诊断。本课题中选用后一种方式，将上述5种气体浓度与气体浓度总和的比值作为网络的输入。隐层节点的个数根据具体的实际情况来寻求最优的数目。输出层有6个神经元，分别表示网络能诊断的6种故障类型，即低温过热、中温过热、高温过热、局部放电、火花放电和电弧放电。在一级融合的基础上，二级故障部位诊断结合DS证据理论，量子神经网络的输入信息是低温过热、中温过热、高温过热、局部放电、火花放电和电弧放电，隐层隐层节点的个数根据具体的实际情况来寻求最优的数目。输出层有6个神经元，分别表示网络能诊断的6种故障部位，即套管下端部、分接开关接触不良、引线接头断开或接触不良、穿心螺杆绝缘不良、铁心多点接地、匝间绝缘击穿。2.4 在课题进展中可能遇到的关键问题目前，所考虑到的有以下几方面因素将会影响课题的进展：1) 在搭建实验平台过程中，气敏传感器的选型、光源的选择一定程度上会影响气体浓度电信号的采集；2）所选数据的合理性及代表性一定程度上将会影响故障诊断的准确性；3）量子神经网络隐层结点个数的选择，权值及学习算法的选择问题将会影响故障诊断的准确性及学习速度。这些因素一定程度上将会影响故障诊断的准确度，因此要在导师的指导下，充分准备、认真学习，确保课题正常、有序的进行。2.5 课题研究的可行性本课题的研究是可行的，是基于下列条件：1）阅读了大量参考文献，是在基于大量国内外有关变压器故障诊断研究的基础上进行的；2）实验室具备做实验的条件，可进行课题的实验操作和数据方面的收集工作；3）国内外有关量子神经网路与信息融合理论比较成熟，为课题进展提供理论依据。2.6 预期创新点1) 搭建实验平台，通过改变温度、光强度分别监测六种特征气体浓度电信号的变化情况，了解这两种外界条件的变化对变压器油中溶解气体浓度的影响；2）将量子神经网络与信息融合相结合对变压器进行二次故障诊断。3 研究工作计划及时间安排3.1 工作计划整个课题计划的指导原则是：“快速、高效、创新、实用”，初步设想用一年的时间来做好，做完善；对于可能遇到的困难和可能出现的问题，在导师的指导下做好思想、资料等方面的储存和准备，只有一个目标：做好课题，及时完成计划。3.2 时间安排表3 论文工作阶段时间安排Table 3 Arrangement of dissertation research序号论文阶段工作名称及内容起止时间目标1收集整理资料，了解该领域研究水平2010.92010.11找出创新点，完成开题报告2搭建实验平台分析实验结果。深入了解变压器工作过程、学习掌握神经网络及信息融合技术的理论知识2010.122011.4分析实验结果，为课题进展储备理论知识及建立变压器故障诊断模型3完成利用量子神经网络信息融合对变压器进行故障诊断的仿真验证2011.52011.8仿真，阶段成果发表论文4论文写作，修改定稿，准备答辩2011.92011.12完成论文的修正，装订参考文献1 Y.-C Huang.Condition assessment of power transformers using genetic-based neural networks.IEE Science,Measurement and Technology,2003,150:19-24.2 T.K.Saha,Zheng Tong Yao.Experience with return voltage measurements for assessing insulation conditions in service-aged transformers.IEEE Trans. Power Delivery,2003,18:128-135.3 G.J.Paolett,M.Baier.Failure contributors of my electrical equipment and condition assessment program development.IEEE Trans.Industry Applications,2002,38:1668-1676.4 Stephen M.Hess,William J.Biter,Stephen N.Hollingsworth.An evaluation method for application of condition-based maintenance technologies.2001 Annual Reliability and Maintainability Symposium,2001,240-245.5 G.Frimpong,T.Taylor.Developing an effective condition based maintenance program for substation equipment.2003 Rural Electric Power Conf.,2003.C6-1-C6-9.6 W.H.Tang.An evidential reasoning approach to transformer condition assessments.IEEE Transactions on Power Delivery,2004,99:1-9.7 M.Darveniza.Investigations into effective methods for assessing the condition of insulation in aged power transformers.IEEE Transactions on Power Delivery,1998,13:1214-1223.8 中华人民共和国国家经济贸易委员会.DL/T722-2000变压器油中溶解气体分析和判断导则S.北京:中国电力出版社,2001.9 孙才新,陈伟根,李俭.电气设备油中气体在线监测与故障诊断技术M.北京:科学出版社,2003.10 高文胜,严璋,谈克雄.基于油中溶解气体分析的电力变压器绝缘故障诊断方法J.电工电能新技术,2000,19:22-26.11 杜文霞,吕锋,句希源.基于BP神经网络的电力变压器故障诊断J.变压器.2007,44(3):45-47.12 梁永春,李彦明.改进型组合RBF神经网络的变压器故障诊断J.高电压技术.2005,31(9):31-33.13 俞晓冬,马凤英,臧宏志.粗糙集理论与神经网络在变压器故障诊断中的应用J.继电器.2005,34(1):10-15.14 廖瑞金,廖玉祥,杨丽君.多神经网络与证据理论融合的变压器故障综合诊断方法的研究J.中国电机工程学报.2006,26(3):119-124.15 李天云,程思勇,童建东.基于Elman神经网络的油浸式电力变压器故障诊断J.继电器.2006,39(11):55-57.16 胡青,杜林,杨丽君.Kernel PCA与BP神经网络相结合的变压器故障诊断J.计算机应用研究.2010,27(2):580-581.17 周亚明,田野,陈斌.两种神经网络在变压器油色谱故障诊断中的应用J.四川电力技术.2009,32(1):84-87.18 王志勇.基于粗糙集与模糊规则的变压器故障诊断方法J.继电器,2006, 34(9):8-11.19 周平.人工智能专家系统在变压器故障诊断中的应用研究D.中国电力科学研究院博士学位论文.1992.20 杨莉,尚勇,周跃峰.基于概率推理和模糊数学的变压器综合故障诊断模型J.中国电机工程学报,2000,20(7):19-23.21 李延沐,袁鹏,牟磊.基于自适应神经模糊推理系统(ANFIS)的变压器超高频局部放电模式识别.电工电能新技术,2005,24(4):30-33.22 李明华,屈彦明,周孟戈.基于多Agent及Petri网的变压器故障诊断系统J.西安交通大学学报,2006,40(2):223-227.23 Wu Lizeng,Zhu,Yongli,Li Xueyu.Application of multi-agent and data mining techniques in condition assessment of transformers.POWERCON 2004,823-827.24 项新建.基于粗糙集理论的变压器故障诊断专家系统研究J.仪器仪表学报,2005,26(1):93-96.25 陈新岗,李太福.基于DGA特征量的变压器绝缘故障诊断专家系统的研究J.变压器.2005,42(1):33-36.26 廖瑞金.变压器绝缘故障诊断黑板型专家系统和基于遗传算法的故障预测研究D.重庆大学,2003.27 Wenqing Zhao,Yongli Zhu.A fault diagnosis model for power transformer based on statistical theory.Proceedings of 2007 International Conference on Wavelet Analysis and Pattern Recognition,Beijing,China,2007,962-966.28 董明,孟源源,徐长响.基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究J.中国电机工程学报,2003,23(7):88-92.29 肖燕彩,陈秀海,朱衡君.遗传支持向量机在电力变压器故障诊断中的应用J.上海交通大学学报,2007,41(11):1878-1881.30 孙世权.神经网络在变压器油色谱故障诊断上的应用D.阜新:辽宁工程技术大学,2006.31 李端,艾永乐.神经网络信息融合用于电梯故障诊断的研究J.计算机工程与应用,2010,46(14):231-234.32 龙伯华,谭阳红,许慧.基于量子神经网络的电力电子电路故障诊断J.电工技术学报,2009,24(10):170-175.33 李云红,谭阳红.基于