幕 ｃ ｛ 缒ｌｅ ＰＯＷＥ融 ＮＧ｛ＮＦ．Ｆ－ＲＩＮＧ ● 第２９卷第１１期 电力科学与工程 Ｖｏ１．２９．Ｎｏ．１１ ２１ ２０１３年１１月 Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ ＮＯＶ．．２０１３ 多源信息融合技术在变压器故障诊断中的应用 荣经国 ，郑 玲 （１．江苏省电力公司宿迁供电公司，江苏宿迁２２３８００；２．华北电力大学控制与计算机工程学院，北京１０２２０６） 摘要：变压器作为电力系统的关键设备，维护其安全稳定运行具有重要的意义。由于变压器自身结构复 杂，利用单一信息的传统故障诊断方法对其进行诊断具有一定的局限性。结合变压器油气数据，利用数 据融合原理，将ＢＰ神经网络和证据理论相结合，设计了多源信息融合的变压器故障诊断模型，并利用 现场数据对该模型进行测试。测试结果表明，该模型能有效地进行变压器的故障诊断，与传统方法相比 提高了故障诊断的正确率，具有较高的理论意义和应用价值。 关键词：变压器；故障诊断；多源信息融合；ＢＰ神经网络；油中溶解气体 中图分类号：ＴＭ７３２ 文献标识码：Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７２—０７９２．２０１３．１１．００５ 限，提高诊断结果的准确率。近年来，人工智能 ０ 引言 理论，如人工神经网络、模糊理论、专家系统、 遗传算法等，为变压器故障诊断技术的发展拓展 多源信息融合技术是近年来发展起来的信息 了新的方向 。这些方法弥补了传统ＤＧＡ方法 处理新技术 。它充分利用多个传感器资源， 的不足，但是仍存在一些问题，为了能够更精确 将各种传感器在空间和时间上的互补与冗余信息 地判断变压器故障类型，需要综合多方面的变压 依据某种优化准则组合起来，以达到最佳协同作 器故障信息，利用各类传感器所收集的大量信息 用的效果，增加了系统的生存能力，扩展了空间、 和情报进行分析、处理、综合，以做出正确决策。 时间覆盖范围，提高了结果的可信度，降低了信 本文结合变压器油气数据，利用数据融合原理， 息的模糊度。将多源信息融合技术应用于变压器 将ＢＰ神经网络和证据理论相结合，设计了多源 故障诊断中，可以弥补传统故障诊断方法中数据 信息融合的变压器故障诊断模型，并利用现场数 源单一的缺点，可从海量的、错综复杂的变压器 据对该模型进行测试。实例分析验证了该方法的 特征数据中准确、高效地分析出潜在信息，从而 有效性。 判定变压器状态和预测变压器故障，减少变压器 故障带来的危害，保证电力系统安全稳定运 １多源信息融合原理及模型 行。。 。变压器油中溶解气体分析（ＤＧＡ）是目 前广泛应用的电力变压器故障诊断手段 Ｊ，主 多源信息融合技术研究的关键问题，在于提 要有ＩＥＣ／ＩＥＥＥ推荐的三比值法、四比值法、改 出一种理论和方法，对具有相似或不同特征模式 良三比值法等 。这些方法都是先确定故障类 的多源信息进行处理，最终获得决策信息。特征 型，然后把故障样本按照一定的规则或经验分配 识别和融合算法是研究的重点。这些算法导致多 到模式中去，并对同一模式中的样本提取模式特 源信息的互补集成，改善不确定环境中信息的处 征量来实现故障诊断的 “ 。这些方法存在的诸 理过程，从而解决模糊、矛盾的问题。 多局限性，是造成诊断准确率不高的主要原因。 多源信息融合涉及多方面理论和技术，包括 只有寻求新的智能化的诊断方法才能打破这些局 信号处理、估计理论、模糊集理论、聚类分析、 收稿日期：２０１３—０９—１５。 作者简介：荣经国（１９８８一），男，助理工程师，研究方向为电力工业信息化，Ｅ－ｍａｉｌ：ｓｕｎｚｓｏｎ＠１６３．ｃｏｍ。 ２２ 电力科学与工程 ２０１３拄 神经网络和人工智能等。信息融合可分为３个层 构、神经元连接权值以及学习方式来决定。其全 ．次，即数据层融合、特征层融合和决策层融合。 体连接权值可由一个矩阵 表示，它整体反映了 数据层融合是在采集到的原始信息层次上进行融 神经网络对于所解决问题的知识存储。单隐含层 合，在各种信息源的原始数据在未经预处理之前 的ＢＰ神经网络模型如图２所示。 输入层 隐含层 一 一 就进行信息的综合和分析。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 输出层 菌 一 关联。特征层融合则对从信息源的原始信息中提 取的特征信息进行综合分析和处理。提取的特征 信息是原始信息的充分表示量或充分统计量，然 后按特征信息对多信息源数据进行分类、聚集和 综合。决策层融合为三级融合的最终结果，直接 面对决策目标，融合的结果为指挥控制决策提供 依据。决策级融合能在一个或几个信息源失效的 情况下继续工作，具有较好的容错性，所采用的 主要方法有贝叶斯推断、Ｄ—ｓ证据理论、模糊集 理论、专家系统等。 本文提出的多源信息融合的过程是：首先对 传感器的原始色谱信息进行数据预处理；然后把 处理后的数据送人ＢＰ神经网络进行诊断，由不 同传感器数据的诊断子网络进行诊断；最后将诊 断结果通过证据理论进行融合，得到最终的诊断 结论。融合模型如图１所示。 呈！ 竺 Ｈ三兰 卜 证 据 理 论 卜 口△ 图１信息融合模型 Ｆｉｇ．１ Ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｍｏｄｅｌ ２基于ＢＰ神经网络故障诊断 ２．１ ＢＰ神经网络 ＢＰ神经网络是前馈型的层次型结构的神经网 络。ＢＰ神经网络分为输入层、隐含层和输出层。 其中输入层只负责信息的获取，只有隐含层和输 出层具有处理能力。ＢＰ神经网络中某一层的输出 是下一层的输入，信息处理具有逐层传递进行的 方向性。神经网络的功能特性由其连接的拓扑结 图２ ＢＰ神经网络模型 Ｆｉｇ．２ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ 图２中Ｘ＝（ 。， ， ，…， ）‘为输入向量，Ｙ＝ （Ｙ。，Ｙ ，Ｙ ，…，Ｙ ） 为隐含层向量，Ｏ＝（Ｏ。，Ｏ２， Ｏ３，…，Ｏ ） 为输出向量，Ｖ：（ １， ２， －－，Ｏ ） 和 Ｗ＝（ ，Ｗ ，Ｗ，，…，加 ） 分别是输入层与隐含层 间、隐含层与输出层之间的权值向量。列向量’， （１＜ ＜ｍ）表示隐含层第．／个神经元对应的权值 向量，列向量 （１＜ｋ＜Ｓ）表示输出层第ｋ个神 经元对应的权值向量。Ｄ：（ｄ ，ｄ ，ｄ 一，ｄ ） 为 期望输出向量，△＝（△ ，△ ，△ 一，△ ） 表示误差 向量。△是Ｄ—Ｄ的表达式，是实际输出与期望 输出的差值的函数，它从输出层开始向隐含层逐 层反传，隐含层再根据误差信号调整权值。 ２．２ 网络设计 在线监测单元以实时获取的变压器油中溶解 气体含量以及对应的故障信息作为融合数据来源。 输入量的选择必须是那些对输出量影响大且能够 监测或提取的变量，因此网络的输入量选用变压 器ＤＧＡ数据。输出量代表系统要实现的功能目 标；，在变压器故障诊断系统中，网络的输出量则 是变压器当前的故障类型。 （１）输人量设计 由于ＤＧＡ数据都是数值的，所以可以再通过 在线监测工具将其直接获取，再将其直接作为神 经网络的输入。由于对变压器故障影响较大的 ＤＧＡ数据共有６种气体数据，它们是Ｈ ，ＣＨ ， ｃ：Ｈ ，ｃ：Ｈ ，ｃ Ｈ：，ＣＯ；则输入层设置６个神经 元，即输入量是一个ｎ×６的矩阵，其中ｎ表示 藏１．摄Ｇ 疆｝ｅ Ｏ 疰 鞋 Ｇ｛ＮＥＥＲＩ ８ 第１１期 荣经国，等多源信息融合技术在变压器故障诊断中的应用 ２３ ＤＧＡ数据样本个数。 （２）输出量设计 将每个子网络的输出作为证据理论的＿个输 人证据体。 （３）确定各证据体的概率分配函数 对于ＢＰ神经网络模型，各网络的输出本质 子网络的输出结果转化为证据理论中各命题的基 本概率分配函数。假设ｃ。Ｄ 为第ｉ个子网络的第 由于变压器故障类型是文本格式，而神经网 络的实际输出只能是０～１或一１～１之间的数， 所以需要将故障类型映射为数值型，即需标准化 上体现了特征空间与故障空间的相关程度，将各 或归一化处理。归一化方法见公式（１）所示。 Ｙ１ ： －二 （１） 式中：戈 ， 分别为样本中的最小值与最大值； Ｙ 为归～化后的数据。 系统将变压器故障分为５类，分别为低能放 电（Ｆ１）、高能放电（Ｆ２）、中低温过热（Ｆ３）、 高温过热（Ｆ４）、局部放电（Ｆ５），故网络的输出 层设置５个神经元。 （３）训练集的设计 一般来说，样本数越多，训练结果越能正确 反映其内在规律。网络训练的样本数取决于输入 输出非线性映射关系的复杂程度。映射关系越复 杂，样本噪声越大。若要保证较高的映射精度， 所需的样本数就越多，网络越复杂。在某变电站 现场监测系统中搜集得到４个不同传感器的变压 器油色谱数据，每个传感器采集得到１００组故障 数据，每个故障类型包含２Ｏ个样本。本文选取５０ 组用来训练，５０组用来测试。 （４）隐含层数量和隐含层节点数的设计 利用选用的ＤＧＡ故障样本数据进行训练时， 对６种特征气体含量数据所构造的ＢＰ神经网络， 均采用１个隐含层，且隐含层节点数设为１２，即 网络结构为６ Ｘ １２ Ｘ ５。利用ＭＡＴＬＡＢ工具箱，建 立神经网络模型，对变压器故障样本进行训练， 并利用训练好的神经网络进行测试。 ３基于证据理论的数据融合 首先将神经网络诊断出的结果构造证据体， 然后通过证据理论融合方法对各证据体进行融合， 最终得到诊断结论，实现变压器故障诊断。步骤 如下： （１）建立识别框架 该识别框架包括神经网络诊断后的各个诊断 子空间。 （２）构造证据体 个节点的输出，那么证据Ｅ 分配给命题Ａ，的基本 概率分配值为 ｍ ｍ （Ｄ，）＝Ｃ （Ｄ ）／乏Ｃ （Ｄ ） 式中：ｍ为故障类型的个数。 （４）证据合成 利用证据理论合成方法计算出各证据体联合 推理决策下的可信度函数和不确定描述ｍ（０）。 （５）诊断决策 确定诊断结论的规则如下： ①确定的故障类型具有最大的信度函数值。 ②确定的故障类型的信度函数值大于不确定 信度函数值。 ③定位的故障类型与其他类型的信度函数值 之差大于设定的阈值。本文设定阈值为０．３。 ④不确定信度值小于某设定的阈值。本文设 定该阈值为０．２。 以上规则必须同时满足才可得出最终的诊断 结论。 ４诊断实例分析 在某变电站在线监测系统中采集变压器油气 数据。对采集得到的４个传感器的４００组故障样 本的油气数据，选择其中２００组用来训练，２００组 用来测试。部分变压器典型故障数据见表１所示。 表１变压器故障数据 Ｔａｂ．１ Ｄａｔａ ｏｆ ｐｏｗｅｒ ｔｒａｎｓｆｏｒｍｅｒｓ ｆａｕｌｔｓ 电力科学与工程 ２０１３定 采用多源信息融合方法对故障样本进行测试， 将油气数据进行处理后，输入神经网络进行诊断， 三比值法的诊断情况，对变压器现场运行条件下 检测出的１０组油气数据样本进行诊断分析，结果 见表４所示。 表３诊断结果分析 Ｔａｂ．３ Ｄｉａｇｎｏｓｅｄ ｒｅｓｕｌｔｓ ａｎａｌｙｓｉｓ 输出的各证据体的基本概率分配值见表２所示。 表２基本概率分配值 Ｔａｂ．２ Ｂａｓｉｃ ｐｒｏｂａｂｉｌｉｔｙ ａｌｌｏｃａｔｉｏｎ ｖａｌｕｅｓ 对各传感器的油气数据进行单独ＢＰ网络测 试，４个传感器对应的编号为Ｔ１，Ｔ２，Ｔ３，Ｔ４。 测试对比结果见表３所示。 分析表３数据可以看出，本文提出的基于多 分析表４可以看出，常规三比值诊断方法中 源信息融合方法的变压器故障诊断方法与基于单 存在较多的不符合实际故障的诊断结论，而本文 一传感器数据的故障诊断方法相比，具有更高的 提出的多源信息融合诊断方法由于综合了多个传 感器的油气数据信息，其诊断准确性较高，能够 识别精度。 为对比本文提出的多源信息融合方法与常规 更为全面而准确地诊断变压器的故障类型。 表４结果分析 Ｔａｂ．４ Ｒｅｓｕｌｓ ａｎａｌｙｓｉｔｓ 的精度得到了较大提高，研究成果具有较高的理 ５ 结论 本文提出一种基于多源信息融合技术的变压 论和现实意义。 参考文献： 器故障诊断方法。结合４个不同传感器的变压器 油气数据，利用ＢＰ神经网络对数据进行处理，并 ［１］赵黎明，刘贺平，张冰．多源信息融合技术及其工业应 用［Ｊ］．自动化仪表，２０１０，（９）：ｌ～５． Ｚｈａｏ Ｌｉｍｉｎｇ，Ｌｉｕ Ｈｅｐｉｎｇ，Ｚｈａｎｇ Ｂｉｎｇ．Ｔｅｃｈｎｏｌｏｇｙ ｏｆ ｍｕ！一 将神经网络的输出作为证据理论的证据体进行融 合。诊断结果表明，本文所提方法充分利用不同 传感器之间数据的信息互补，使变压器故障诊断 ｔｉｓｏｕｒｃｅ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ａｎｄ ｉｔｓ ｉｎｄｕｓｔｒｉａｌ ａｐｐｌｉｃａｔｉｏｎ［Ｊ］． 膨ｌ 班０ 辩｛Ｇ ｐ０ＷＥＲ墨Ｎ０ｌ黜鞋 艘｛Ｎ嚣 第１１期 荣经国，等多源信息融合技术在变压器故障诊断中的应用 Ｐｒｏｃｅｓｓ Ａｕｔｏｍａｔｉｏｎ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ，２０１０，（９）：１—５． Ｌｕｏ Ｙｕｎｂａｉ，Ｙｕ Ｐｉｎｇ，Ｓｏｎｇ Ｂｉｎ，ｅｔ ａ１．Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｈｅ ｇａｓ ｄｉｓｓｏｌｖｅｄ ｉｎ ｐｏｗｅｒ ｔｒａｎｓｆｏｒｍｅｒ ｏｉｌ ｂｙ ｔｈｅ ｇｒｅｙ ｍｏｄｅｌ ［２］Ｓｐｕｒｇｅｏｎ Ｋ，Ｔａｎｇ Ｗ Ｈ，Ｗｕ Ｑ Ｈ，ｅｔ ａ１．Ｄｉｓｓｏｌｖｅｄ ｇａｓ ａ— ｎａｌｙｓｉｓ ｕｓｉｎｇ ｅｖｉｄｅｎｔｉａｌ ｒｅａｓｏｎｉｎｇ［Ｊ］．Ｓｃｉｅｎｃｅ，Ｍｅａｓｕｒｅ— ｍｅｎｔ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，ＩＥＥＥ，２００５，１５２（３）：１１０—１１７． ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｃｓｅｅ，２００１，２１（３）：６５—６９． ［１ １］乔维德．基于模拟退火改进粒子群混合算法的变压器 ［３］Ｓｕｒｙａ Ｋａｉａｖａｔｈｉ Ｍ，Ｒａｖｉｎｄｒａｎａｔｈ Ｒｅｄｄｙ Ｂ，Ｓｉｎｇｈ Ｂ Ｐ． Ｔｒａｎｓｆｏｒｍｅｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｕｓｉｎｇ ｆｕｚｚｙ ｌｏｇｉｃ ａｎｄ ｎｅｕｒａｌ Ｎｅｔ— 故障诊断［Ｊ］．高压电器，２００８，４４（３）：２０８—２１３． Ｑｉａｏ Ｗｅｉｄｅ．Ｔｒａｎｓｆｏｒｍｅｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｂａｓｅｄ ｏｎ ＳＡＰＳＯ— ｗｏｒｋ［Ａ］．Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｅｌｅｃｔｒｉｃａｌ Ｉｎｓｕｌａｔｉｏｎ ａｎｄ Ｄｉｅｌｅｃ． ＢＰ ｈｙｂｒｉｄ ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｈｉｇｈ Ｖｏｌｔａｇｅ Ａｐｐａｒａｔｕｓ，２００８， ｔｒｉｃ Ｐｈｅｎｏｍｅｎａ（ＣＥＩＤＰ）［Ｃ］．ＩＥＥＥ，２００５：４８６～４８９． ［４］Ｇｏｎｇ Ｙｉｓｈａｎ，Ｚｈａｎｇ Ｂｏ．Ｔｈｅ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｍｏｄｅｌ ｏｆ ｔｒａｎｓ． ｆｏｒｍｅｒ ｗｈｉｃｈ ｂａｓｅｄ ｏｎ ｔｈｅ ｔｅｃｈｎｏｌｏｇｙ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ［Ａ］．Ｎｉｎｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｈｙｂｒｉｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ［Ｃ］．ＩＥＥＥ，２００９．１８４—１８７． ［５］Ｔａｎｇ Ｗｅｎｈｕ，Ａｌｍａｓ Ｓ，Ｗｕ Ｑ Ｈ．Ｔｒａｎｓｆｏｒｍｅｒ ｄｉｓｓｏｌｖｅｄ ｇａｓ ａｎａｌｙｓｉｓ ｕｓｉｎｇ ｌｅａｓｔ ｓｑｕａｒｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ａｎｄ ｂｏｏｔ— ｓｔｒａｐ［Ｃ］．Ｃｏｎｔｒｏｌ Ｃｏｎｆｅｒｅｎｃｅ，ＩＥＥＥ，２００７：４８２～４８６． ［６］高振兴，郭创新，俞斌，等．基于多源信息融合的电网 故障诊断方法研究［Ｊ］．电力系统保护与控制，２０１１， ３９（６）：１７—２３． Ｇａｏ Ｚｈｅｎｘｉｎｇ，Ｇｕｏ Ｃｈｕａｎｇｘｉｎ，Ｙｕ Ｂｉｎ，ｅｔ ａ１．Ｓｔｕｄｙ ｏｆ ａ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ａｐｐｒｏａｃｈ ｆｏｒ ｐｏｗｅｒ ｄ ｗｉｔｈ ｉｎｆｏｒｍａｔｉｏｎ ｆｕ— ｓｉｏｎ ｂａｓｅｄ ｏｎ ｍｕｌｔｉ．ｄａｔａ Ｒｅｓｏｕｒｃｅｓ『Ｊ］．Ｐｏｗｅｒ Ｓｙｓｔｅｍ Ｐｒｏ。 ｔｅｃｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ，２０１１，３９（６）：１７—２３． ［７］彭剑，罗安，周柯，等．变压器故障诊断中信息融合技 术的应用［Ｊ］．高电压技术，２００７，３３（３）： １４４—１４７． Ｐｅｎｇ Ｊｉａｎ，Ｌｕｏ Ａｎ，Ｚｈｏｕ Ｋｅ，ｅｔ ａ１．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｉｎｆｏｒｍａ— ｔｉｏｎ ｆｕｓｉｏｎ ｔｅｃｈｎｉｑｕｅ ｔｏ ｔｒａｎｓｆｏｒｍｅｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ［Ｊ］． ｇｈ Ｖｏｌｔａｇｅ Ｅｎｇｉｎｅｅｒｉｎｇ，２００７，３３（３）：１４４—１４７． ［８］戴劲峰．基于信息融合的变压器故障在线检测［Ｊ］．电 工电气，２０１０，（７）：５１—５５． Ｄａｉ Ｊｉｎｆｅｎｇ．Ｏｎ—ｌｉｎｅ ｆａｕｌｔ ｄｅｔｅｃｔｉｏｎ ｆｏｒ ｔｒａｎｓｆｏｒｍｅｒｓ ｂａｓｅｄ ｏｎ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ［Ｊ］．Ｅｌｅｃｔｒｏｔｅｃｈｎｉｃｓ Ｅｌｅｃｔｉｒｃ，２０１０， （７）：５１—５５． ［９］Ｌｉ Ｙｏｎｇｗｅｉ，Ｌｉ Ｗｅｉ，Ｈａｎ Ｘｉｎｇｄｅ，ｅｔ ａ１．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｍｕｌｔｉ－ｓｅｎｓｏｒ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｉｎ ｔｈｅ ｐｏｗｅｒ ｔｒａｎｓｆｏｍｒｅｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ［Ｃ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ，ＩＥＥＥ，２００９，２９—３３． ［１０］罗运柏，于萍，宋斌，等．用灰色模型预测变压器油 中溶解气体的含量［Ｊ］．中国电机工程学报，２００１， ２１（３）：６５—６９． ４４（３）：２０８—２１３． ［１２］申涛，朱永利，李强，等．基于支持向量机和ＤＧＡ的 变压器状态评估方法［Ｊ］．电力科学与工程，２００８， ２４（２）：４７—５０． Ｓｈｅｎ Ｔａｏ，Ｚｈｕ Ｙｏｎｇｌｉ，Ｌｉ Ｑｉａｎｇ，ｅｔ ａ１．Ｐｏｗｅｒ ｔｒａｎｓｆｏｒｍｅｒ ｃｏｎｄｉｔｉｏｎ ｅｖａｌｕａｔｉｏｎ ｂａｓｅｄ ｏｎ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ａｎｄ ＤＧＡ［Ｊ］．Ｅｌｅｃｔｉｒｃ Ｐｏｗｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，２００８． ２４（２）：４７—５０． ［１３］孔英会，苑津莎，李新叶，等．基于时序特征和参数 估计的变压器故障诊断方法［Ｊ］．电工技术学报， ２００８，２３（１２）：４８—５４． Ｋｏｎｇ Ｙｉｎｇｈｕｉ，Ｙｕａｎ Ｊｉｎｓｈａ，Ｌｉ Ｘｉｎｙｅ，ｅｔ ａ１．Ａ ｆａｕｌｔ ｄｉａｇ－ ｎｏｓｉｓ ｍｅｔｈｏｄ ｆｏｒ ｐｏｗｅｒ ｔｒａｎｓｆｏｒｍｅｒ ｂａｓｅｄ ｏｎ ｔｅｍｐｏｒａｌ ｃｈａｒ－ ａｃｔｅｒｉｓｔｉｃｓ ａｎｄ ｐａｒａｍｅｔｅｒ ｅｓｔｉｍａｔｉｏｎ［Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ Ｃｈｉｎａ Ｅｌｅｃｔｒｏｔｅｃｈｎｉｃａｌ Ｓｏｃｉｅｔｙ，２００８，２３（１２）：４８～５４． ［１４］杨廷方．变压器在线监测与故障诊断新技术的研究 ［Ｄ］．武汉：华中科技大学，２００８． ［１５］张健．变压器故障诊断技术研究［Ｊ］．科技传播， ２０１１，（１７）：１９． ［１６］兰华，郑广瑞，廖志民．基于模糊ＴＯＰＳＩＳ和ＢＰ网络 的电力变压器故障诊断方法［Ｊ］．南方电网技术， ２０１１，（１）：７０—７３． Ｌａｎ Ｈｕａ，Ｚｈｅｎｇ Ｇｕａｎｇｒｕｉ，Ｌｉａｏ Ｚｈｉｍｉｎ．Ｆｕｚｚｙ ＴＯＰＳＩＳ ａｎｄ ＢＰＡＮＮ ｂａｓｅｄ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｍｅｔｈｏｄ ｆｏｒ ｐｏｗｅｒ ｔｒａｎｓ— ｆｏｒｍｅｒ［Ｊ］．Ｓｏｕｔｈｅｒｎ Ｐｏｗｅｒ Ｓｙｓｔｅｍ Ｔｅｃｈｎｏｌｏｇｙ，２０１１， ’（１）：７０—７３． ［１７］董卓，朱永利，胡资斌．基于遗传规划和数据归一化 的变压器故障诊断［Ｊ］．电力科学与工程，２０１１，２７ （９）：３１—３４，５４． Ｄｏｎｇ Ｚｈｕｏ，Ｚｈｕ Ｙｏｎｇｌｉ，Ｈｕ Ｚｉｂｉｎ．Ｏｉｌ．ｉｍｍｅｒｓｅｄ ｔｒａｎｓ． ｆｏｒｍｅｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｂａｓｅｄ ｏｎ ＰＣＡ ａｎｄ ＧＰ［Ｊ］．Ｅｌｅｃｔｉｒｃ Ｐｏｗｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１１，２７（９）：３１—３４， ５４． 睡ｌ 鞋Ｇ下糙ｌ ０ 鞋辍蛙 舀｛ 筑鞋辩｝％ ２６ 电力科学与工程 ２０１３年 Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｍｕｌｔｉ—Ｓｏｕｒｃｅ Ｉｎｆｏｒｍａｔｉｏｎ Ｆｕｓｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ ｏｆ Ｐｏｗｅｒ Ｔｒａｎｓｆｏｒｍｅｒ Ｒｏｎｇ Ｊｉｎｇｇｕｏ 。Ｚｈｅｎｇ Ｌｉｎｇ （１．Ｓｕｑｉａｎ Ｐｏｗｅｒ Ｓｕｐｐｌｙ Ｃｏｍｐａｎｙ，Ｊｉａｎｇｓｕ Ｐｒｏｖｉｎｃｉａｌ Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｃｏｍｐａｎｙ，Ｓｕｑｉａｎ ２２３８００，Ｃｈｉｎａ； ２．Ｓｃｈｏｏｌ ｏｆ Ｃｏｎｔｒｏｌ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎｏａｈ Ｃｈｉｎａ Ｅｌｅｃｔｉｒｃ Ｐｏｗｅｒ Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ １０２２０６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｓ ｔｈｅ ｋｅｙ ｅｑｕｉｐｍｅｎｔ ｏｆ ｔｈｅ ｅｌｅｃｔｒｉｃ ｐｏｗｅｒ ｓｙｓｔｅｍ，ｔｈｅ ｐｏｗｅｒ ｔｒａｎｓｆｏｒｍｅｒ ｐｌａｙｓ ａｎ ｉｍｐｏｒｔａｎｔ ｒｏｌｅ ｉｎ ｍａｉｎｔａｉｎｉｎｇ ｓｙｓｔｅｍ’Ｓ ｓｔａｂｉｌｉｔｙ．Ｄｕｅ ｔｏ ｔｈｅ ｔｒａｎｓｆｏｒｍｅｒ’Ｓ ｃｏｍｐｌｉｃａｔｅｄ ｓｔｒｕｃｔｕｒｅ，ｔｈｅｒｅ ｉｓ ｌｉｍｉｔａｔｉｏｎ ｉｎ ｔｒａｄｉｔｉｏｎａｌ ｄｉａｇ— ｎｏｓｉｓ ｍｅｔｈｏｄｓ ｂａｓｅｄ ｏｎ ｓｉｎｇｌｅ ｉｎｆｏｒｍａｔｉｏｎ．Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ａ ｓｙｎｔｈｅｔｉｃ ｄｉａｇｎｏｓｉｓ ａｐｐｒｏａｃｈ ｕｓｉｎｇ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ ｆｏｒ ｔｒａｎｓｆｏｒｍｅｒ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｉｓ ｐｒｅｓｅｎｔｅｄ．ｃｏｍｂｉｅｓ ｍｕｌｔｉ—ｓｅｎｓｏｒ（ｄｉｓｓｏｌｖｅｄ ｇａｓ ａｎａｌｙｓｉｓ） ＤＧＡ ｄａｔａ．Ｆｉｅｌｄ ｄａｔａ ｉｓ ｕｓｅｄ ｔｏ ｔｅｓｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｐｐｒｏａｃｈ．Ｒｅｓｕｌｔｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈａｔ ｔｈｅ ｐｒｅｓｅｎｔｅｄ ｍｅｔｈｏｄ ｃａｎ ｅｆ－ ｆｅｃｔｉｖｅｌｙ ｃｏｎｄｕｃｔ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｏｆ ｐｏｗｅｒ ｔｒａｎｓｆｏｒｍｅｒｓ．Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｍｅｔｈｏｄ，ｔｈｅ ｎｅｗ ａｐｐｒｏａｃｈ ｉｍｐｒｏｖｅｓ ｔｈｅ ａｃｃｕｒａｃｙ ａｎｄ ｈａｓ ｈｉｇｈ ｔｈｅｏｒｅｔｉｃａｌ ｓｉｇｎｉｉｆｃａｎｃｅ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｖａｌｕｅ． Ｋｅｙ ｗｏｒｄｓ：ｐｏｗｅｒ ｔｒａｎｓｆｏｒｍｅｒ；ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ；ｍｕｌｔｉ・ｓｏｕｒｃｅ ｉｎｆｏｒｍａｔｉｏｎ ｆｕｓｉｏｎ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｄｉｓｓｏｌｖｅｄ ｇａｓ ａｎａｌｙｓｉｓ 华北电力大学科技园简介 华北电力大学科技园是２００６年１Ｏ月经科技部、教育部评估认定的国家级大学科技园。国家大学科技 园是以具有较强科研实力的大学为依托，将大学的综合智力资源优势与其他社会优势资源相结合，为高 等学校科技成果转化、高新技术企业孵化、创新创业人才培养、产学研结合提供支撑的平台和服务机构。 科技园隶属华北电力大学科学技术研究院，由北京、保定两个园区组成，分别由国家大学科技园 管理办公室、华北电力大学科学技术处（保定）负责科技园的建设和管理。北京华电天德科技园有限 公司、保定华电天德科技园有限公司是我校科技园的运行载体和执行机构。 华北电力大学科技园保定园区（保定华电天德科技园有限公司）是由华北电力大学和保定高新技 术创业服务中心共同投资组建的独立法人机构。科技园以保定电力特色产业集群为基础，以华电技术、 人才和行业优势为依托，以“整合资源、构建平台、专业服务、促进转化”为宗旨，以建设一流的 “中国电力科技园”为目标，突出电力特色，挖掘行业优势，开展科技成果转化、科技企业孵化及技术 服务，形成电力科技产业。园区现有华北电力大学校内及保定大学科技园５号楼两个主要孵化服务场 地，孵化服务面积１１ ０００ １３３ ，是河北省科技企业孵化器、河北省中小企业技术创新公共服务示范机构。