智能变电站运行中变压器故障诊断系统研究

吴瑞鑫

摘 要：利用IEC60599的三比值法对应6种故障输出目标函数，包括：无故障NoFault、局部放电PD（PartialDischarges，含低能量密度及高能量密度放电）、低能量火花放电D1（Dischargeof LowEnergy）、高能量电弧放电D2（DischargeofHighEnergy）、低于700 ℃的过热故障T1及T2（ThermalFaults<700 ℃）及高于700 ℃的过热故障T3（ThermalFaults>700 ℃）等6种类型，来建立SVM多层分类器。

关键词：智能变电站 变压器 故障诊断

中图分类号：TM7 文献标识码：A 文章编号：1674-098X（2016）09（c）-0030-02

1 建构故障诊断系统

1.1 输入向量

变压器以DGA方法分析出来的油中气体成分H2、CH4、C2H6、C2H4、C2H2等5种特征气体，依据IEC599Std所组成三比值法的气体比值做为输入向量。

1.2 支撑向量

利用IEC60599Std的三比值法對应6种故障输出目标函SVM，依据IEC60599所定义的6种故障特性类型，包括有无故障（NoFault）、局部放电PD（含低能量密度及高能量密度放电）、低能量火花放电D1、高能量电弧放电D2、低于700 ℃的过热故障（T1及T2）及高于700 ℃的过热故障（T3）等类型所组成的支撑向量。

2 回归模型的参数选取

在建构支撑向量回归模型的过程中，尚有3个参数需要由研究者自行决定，这3个参数分别是：C、2和ε。C为惩罚常数、2为高斯核函数的带宽、ε为不敏感区域的宽度。任意的选取这些参数，虽然也可以很容易的经由计算而得到训练资料的训练误差，但是它隐含着具有过度配适的风险。为了避免过度配适的现象发生，可使用交叉验证技术，但是交叉验证的过程则是相当耗时的。可运用k-fold交叉验证技术于分类辨识的领域，得到了不错的效果，且该技术能于计算的时间成本和参数估计的可信度间取得适当的平衡。Duan同时也建议k取5，因为在他的实验里使用5-fold交叉验证技术来训练样本资料时，能很适当的估计出支撑向量回归模型的预测误差。在此，所谓5-fold交叉验证技术，即是将训练资料集分成5等份，每等份具有相同个数的输入资料，且无任何交集，然后利用其中的4等份以某一参数组合，来训练支撑向量回归模型，训练完成后所得到的模型再用来测试剩余的另一等份，并评估其预测误差，重复此类实验共5次，最后求得这5次预测的平均误差，并以这平均误差当作在该特定参数组合下所建构的模型的交叉验证误差，依参数组合的不同进行多次实验，并分别记录各不同参数组合下所得到的交叉验证误差，取具有最小交叉验证误差时的参数组合，做为未来建构支撑向量回归模型的最佳参数组合，该研究也利用此种法则，将训练样本数据100组分为5个组别来进行5-fold交叉验证，评估及选取参数组合。设定2的取值范围在1到100之间，而C的取值范围在10到100之间时，所建构的支撑向量回归模型将得到较佳的预测结果。为能更广泛的寻找最佳状态时的参数，在此将使用格子点法搜寻最佳参数组合。实验将利用各格子点上3个参数的组合，以5-fold交叉验证技术训练支撑向量回归模型，最后求取各格子点上的交叉验证所得的最佳参数组合。

运用格子点法配合5-fold交叉验证技术，总共对训练资料进行了20×100×4×10次训练，于参数的选取决策上将由ε开始，在各ε值下平均支撑向量个数占训练样本个数的比例，训练验证察图可发现，平均支撑向量个数随ε值而递减。当支撑向量个数占训练样本个数的比例太大时，容易产生过度配适或不足配适的问题。因此该论文将先筛选出比例小于90%的ε值。再就各ε值下交叉验证，产生最适当的支撑向量个数的模型数，以获得较稳定的预测结果。配适分类器与一个具有较佳训练结果分类器的比较将误差修正来选取ε、2及C以建立支撑向量回归模型；界线误差修正较交叉验证技术可以较小的bias及较高的variance。

3 以多层SVM分类器为基础的变压器故障诊断

以多层SVM为基础的分类器作为变压器故障诊断的程序，包括有下列三个步骤。

Step1：撷取变压器故障所产生的特征气体，当为SVM分类器的输入数据。

Step2：训练SVM分类器，产生可用的系统模型。

Step3：以训练后的SVM分类器模型，进行变压器故障类型的辨识测试。

案例：

变压器将有6种状态作为诊断结果的目标输出，它包括有：无故障、局部放电PD、低能量火花放电D1、高能量电弧。

放电D2、低于700 ℃的过热故障（T1及T2）及高于700 ℃的过热故障（T3）等类型。

3.1 SVM的输入向量

故障分析诊断，是以DGA方法所得到的可燃性气体成分当为诊断所需的数据，然后利用IEC599的三比值法所得到的3个比值当为输入向量，故障气体包括有：H2、CH4、C2H6、C2H4、C2H2等5种特征气体。3个比值向量包括：

，，

在SVM网路中，由5种故障特征气体所组成的3个比值向量为系统输入向量，X[x1x2x3]T，而有i个特征向量（支撑向量）。

3.2 SVM网路的训练

训练的目的乃系利用5种故障特征气体的输入，撷取其特征向量，透过SVM的训练，建构一个适用于本故障诊断的SVMModel，以做为网路测试的SVMModel，一个SVMTraining架构。

案例：

以IEC60599Std所列的6种不同的故障特性型式作为SVM网路的训练目标输出的基本特性，并以IECTC10资料库所列的134笔数据样本（即变压器设备故障案例）做为该系统的训练与测试验证的数据资料，该研究的SVM网路系统发展来辨识这6种的故障类型，它包括了无故障、部分放电PD（含低能量密度及高能量密度放电）、低能量火花放电D1、高能量电弧放电D2、低于700 ℃的过热故障（T1及T2）及高于700 ℃的过热故障（T3）等类型。

（1）SVM第一层的网路训练。

在这一层网路中，将被训练并区分出无故障与其它5种故障类型等两大类[部分放电PD、低能量火花放电D1、高能量电弧放电D2、低于700 ℃的过热故障（T1及T2）、高于700 ℃的过热故障（T3）]，当进入于SVM网路的输入样本是属无故障的样本，则SVM-1的输出为y1-1，否则其他输出为y11。

（2）SVM第二层的网路训练。

具有部分放电PD、低能量火花放电D1、高能量电弧放电D2、低于700 ℃的过热故障（T1及T2）、高于700 ℃的过故障（T3）等5种故障类型的输入样本进入了第二层的SVM网路，在这一层网路中，将被训练并区分出“部分放电PD”与其他4种故障类型等两大类[D1、D2、低于700 ℃的过热故障（T1及T2）、高于700 ℃的过热故障（T3）]，当进入于SVM网路的输入样本是属“部分放电PD”的样本，则SVM-2的输出为y2-1，否则其他输出为y21。

（3）SVM第三层的网路训练。

具有低能量火花放电D1、高能量电弧放电D2、低于700 ℃的过故障（T1及T2）、高于700 ℃的过故障（T3）等四种故障类型的输入样本进入了第三层的SVM网路，在这一层网路中，将被训练并区分出“高于700 ℃的过热故障（T3）”与其他3种故障类型等两大类[D1、D2、低于700 ℃的过热故障（T1及T2）]，当进入于SVM网路的输入样本是属“高于700 ℃的过热故障（T3）”的样本，则SVM-3的输出为y3-1，否则其他输出为y31。

（4）SVM第四层的网路训练。

具有低能量火花放电D1、高能量电弧放电D2、低于700 ℃的过热故障（T1及T2）等3种故障类型的输入样本进入了第四层的SVM网路，在这一层网路中，将被训练并区分出“低于700 ℃的过故障（T1及T2）”与其他二种故障类型等两大类（D1、D2），当进入于SVM网路的输入样本是属“低于700 ℃的过热故障（T1及T2）”的样本，则SVM-4的输出为y4-1，否则其他输出为y41。

（5）SVM第五层的网路训练。

具有低能量火花放电D1、高能量电弧放电D2等2种故障类型的输入样本进入了第五层的SVM网路，在这一层网路中，将被训练并区分出“高能量电弧放电D2”与“低能量火花放电D1”两类故障类型，当进入于SVM网路的输入样本是属“高能量电弧放电D2”的样本，则SVM-5的輸出为y5-1，否则输出为y51（属低能量火花放电D1）。经过前述五层的SVM的网路训练，即可得到一个多层SVM分类器，以一个多层SVM分类器为基础的变压器故障诊断法则。

4 结语

利用DGA分析所得的变压器故障油中气体成分当为测试原始输入数据，并经过前置处理程序，撷取特征向量（IEC599三比值法）输入至这个多层SVM分类器网路中，在第一层的SVM-1输出，“Normal State”将被分辨出来，其余属于其他5种故障状态的测试样本将进入到第二层SVM-2的网路内，而在第二层的SVM-2输出，“PD故障”将被分辨出来，其余属于其他4种故障状态的测试样本将再进入到第三层SVM-3的网路内，而在第三层的SVM-3输出，“T3故障”将被分辨出来，其余属于其他3种故障状态的测试样本将继续进入到第四层SVM-4的网路内，第四层SVM-4及第五层SVM-5的网路以相同方法分别分辨出“T1&T2故障”“D2故障”及“D1故障”等故障状态，这个已训练完成的多层SVM网路，经过5次的辨识过程（CASE部分），将6种变压器故障类型诊断出来，而整个SVM网路也完成了Testing工作，并将诊断结果输出。

参考文献

[1] 杜晓萍，郑帆.专家系统在智能变压器在线监测中的应用[J].电子质量，2011（12）：35-37.

[2] 曹海.基于D-S证据理论的变压器诊断系统研究[J].四川电力技术，2009（5）：46-49.

[3] 张文亮，刘壮志，王明俊，等.智能电网的研究进展及发展趋势[J].电网技术，2009（13）：1-11.

[4] 赵文清，朱永利.电力变压器状态评估综述[J].变压器，2007（11）：9-12，74.

[5] 钱苏翔，沈晓梅.大型变压器在线监测技术及其发展[J].嘉兴学院学报，2007（3）：5-8.