油中溶解气体分析的电力变压器故障诊断

王汉林，杨 超，唐 华

(贵州大学电气工程学院，贵州 贵阳 550025)

0 引言

变压器是电力系统的枢纽，其安全、正常运行关系到整个电力系统的有效运行。所以，对变压器发生的故障作出及时、准确的判断具有重要的意义。目前，诊断和检测油浸式电力变压器故障的主要方法有国际电工委员会(International Electrotechnical Commission，IEC)和我国国网公司推荐的油中溶解气体分析(dissolved gas analysis，DGA)。对变压器的运行和监测研究结果表明，DGA能够较早检测出变压器中发生的绝缘隐藏性故障。

变压器中的甲烷、乙烷、氢气以及一氧化碳等物质是由于其中绝缘材料老化、绝缘油变质产生的，气体产生的速度和数量会随着变压器内部故障而发生改变(例如变压器内部发生过热或放电性故障，会加速这些气体的产生)。由于该方法不会受到外界电场和磁场的影响，可通过分析绝缘油中气体含量的方式找到气体含量与变压器故障之间的内在联系，从而实现对变压器的故障诊断［1］。

IEC运用的三比值法及人工智能优化法是电力变压器故障诊别的主要算法，对这些算法的论述如下。

1 三比值法

1．1 传统三比值法

传统三比值法是在1978年经IEC充分研究和讨论之后所总结出的变压器故障诊断方法。三比值法依据发生故障时所产生的气体情况，计算出乙炔/乙烯(C2H2/C2H4)、甲烷/氢气(CH4/H2)和乙烯/乙烷(C2H4/C2H6)的值;然后，根据各比值所处的区间范围对其进行相应的编码，并制定遵守的编码规则;由故障类型表中的比值判断出其所对应的故障，并确定其相对应的故障性质。

IEC三比值法的缺点是诊断的故障有限且准确率不高。文献［2］通过IEC三比值法分析，发现其对发生放电性故障识别不够灵敏，对于过热和放电同时出现时的故障诊断比较低效，且灵敏度不高。

1．2 改进三比值法

除了1．1节所提到的问题外，传统三比值法还存在气体未达到比值时无法进行诊断，以及分类的边界值过于绝对化等问题。对于以上问题，国内的相关学者对三比值法进行了相关的改进。

将粗糙理论运用到三比值法中。利用粗糙集理论的模糊性和不确定性，构造出一个粗糙集理论的决策表。采用这种方法对原始数据进行预处理，克服了故障机理模糊和形式不唯一的问题。但由于只是对编码范围进行一定的扩展，该方法仍无法克服三比值法中的固有缺陷。

文献［3］利用模糊C均值聚类方法，根据隶属度函数和模糊方法对采集的样本空间进行柔性划分，用来解决三比值法编码本身存在的硬性缺失和临界值判据不足等问题。对样本空间进行容性划分之后，聚类编码结果(三比值法)与样本的特征，进而判定所发生的故障类型。但该方法存在计算量大、成本高的缺点，暂时难以大规模应用。

2 人工智能优化法

由于三比值法所存在的以上不足，相关的研究人员针对DGA的故障诊断，提出了人工神经网络［4］、专家系统［5］以及支持向量机［6］等人工智能算法。

2．1 基于人工神经网络的诊断方法

人工神经网络(artificial neural network，ANN)通过模拟人的神经系统来处理信息。ANN处理信息的基本单元为神经元，由其构成复杂的神经网络。目前，神经网络主要依靠大量的训练样本对神经元进行训练，得到符合当前系统的模型，从而对变压器故障信息进行分类诊断。当前，在电网故障诊断所涉及的区域内，具有前馈功能的神经网络得到了普遍应用。其中，反向传播(back propagation，BP)神经网络和径向基(radial basis function，RBF)神经网络是2种典型的神经网络。以下介绍几种神经网络算法在变压器故障诊断中的应用。

①混合神经网络算法［7］。首先，采用粒子群优化(particle swarm optimization，PSO)算法，对自组织映射(self organizing map，SOM)网络算法的连接权值进行优化;然后，将学习矢量量化(learningvector quantization，LVQ)，以解决SOM分类信息不足的问题。该方法大大提高了诊断精度，使结果更加可靠。但是对于各个算法的迭代次数，需要进行多次试验后才能得到最优，增加了算法的复杂性。

②改进蝙蝠算法优化BP神经网络算法［8］。BP神经网络除线性外的映射关系泛化能力较强。采用改进的蝙蝠算法(即引入混沌算法改善原算法寻优精度不高和迭代后期容易陷入局部收敛的不足)，得到一个逼近真实值的权值和阈值向量矩阵，然后优化神经网络参数。该方法需要对网络进行反复试验，才能够最终确定各神经层的数量，因此会产生表达能力不足、容易过拟合的现象。

③卷积神经网络算法［9］。该方法可将特征气体数据归一化，从而确定卷积神经网络的卷积核大小、个数以及采样宽度;然后，进行模型训练，进而确定诊断模型。虽然这种模型在准确率上较一般的神经网络有所提高，但是在模型的训练时间上所花费的时间大大超过一般的神经网络，而且需要多次试验才能获得最优参数。

④径向基神经网络与自适应遗传算法［10］。采用RBF神经网络搭建用于识别变压器故障的数学模型，在优化RBF神经网络的基函数宽度和中心，以及连接权值方面采用遗传算法，得到全局的最优值。该算法能够提高网络的收敛速度，避免易陷入局部寻优的问题，大大提高了变压器故障识别精度。但是该方法所获取的样本太少，不具有说服力。

综上所述，虽然神经网络算法的学习能力很强、有很强的鲁棒性，但是仍然具有一些缺点。因为神经网络算法一般都需要足够大的训练样本，所以如何获取有价值的训练样本以及减少训练的成本是最大的问题。

2．2 基于支持向量机的诊断方法

由于不是每一次诊断都有充足的样本，因而需要研究一种在有限样本情况下进行故障诊断的方法。参照统计学理论研究，Vapnik等人提出了支持向量机(support vector machine，SVM)这一模式识别算法。它有效地规避了传统分类方法的弱点，具有广泛的理论依据。以下列举几种改进算法。

①分类最小二乘支持向量机(least squares support veotor maohine，LSSVM)与改进粒子群算法。该方法采用组合编码法，将LSSVM二分类器扩展成多类分类，针对该模型的2个参数，使用引入动态惯性权重的改进粒子群算法进行优化，对分类算法的泛化性有所加强，可得到最终诊断模型。

②粒子群相关向量机法［11］。粒子群相关向量机(relevance vector machine，RVM)法采用相关向量机，克服了SVM得到矩阵所具有的稀疏性不强以及核函数计算量大等缺点。同时，利用粒子群算法对其核函数的参数进行优化处理，可将参数选取对分类准确度的影响降到最低。但是该算法需要靠试验选取核函数，增加了预测结果的不确定性以及运算的复杂程度，影响了计算结果的精度和泛化能力。

支持向量机方法在适用性和准确率上都有提高，但是也有需要改进的方面。今后将对如何改进算法、提高诊断速率进行研究。

2．3 基于贝叶斯的故障诊断方法

贝叶斯网络(Bayesian network，BN)将概率论中的贝叶斯公式和图论相关知识进行结合，用来表述和推理未知性模型。该模型能解决复杂变压器由于不确定因素引起的故障等问题。关于故障诊断的贝叶斯类型算法如下。

①正态云模型与改进贝叶斯分类器［12］。为了解决离散时边界数据多重属性的问题，引入云正态模型，同时对数据集进行精简;利用规则森林表示法和属性联合概率计算法，对贝叶斯分类器进行相关的修改，从而提高了诊断的正确率。

②贝叶斯框架的LSSVM概率输出方法。由于LSSVM分类器在参数选取方面具有随意性和不确定性等缺点，所以采用了贝叶斯推断。该方法通过3级分层推断优化来确定各类参数，使建模效率得到了极大的提升。

虽然贝叶斯在处理不完备和不确定的问题上具有优势，但是其训练属于非确定多项式(nondeterministic polynomially，NP)问题，在处理复杂程度大的难题时会变得很困难。

2．4 基于模糊集理论的诊断方法

L．A．Zadeh在自动控制方面极具权威，其在1965年提出了著名的“模糊集合”，并引入“隶属函数”，用于描述差异的中间过渡。所谓隶属函数，即如果对研究范围U中任意元素x，都存在一个数A(x)∈［0，1］与之对应，就称A为U上的模糊集，A(x)为x对A的隶属度;当x在U中变动时，A(x)就是一个函数，称为A的隶属函数。以下介绍2种相关的诊断方法。

①模糊关系和自组织竞争网络法［13］。通过模糊理论中的隶属度函数确定故障类型与特征气体之间的处理输入数据，再经自组织竞争网络进行学习训练，构建诊断模型。但是凭借经验选取学习速度与最大迭代次数，会造成不同使用者产生的结果不同。

②将纵横交叉算法与模糊聚类相结合，从而对变压器故障进行判断。该诊断方法采用鸡群优化(chicken swarm optimization，CSO)算法，具有整体搜寻的能力。因此，首先在空间解内进行整体搜寻，然后通过种群的迭代进化搜寻到k个整体最优的聚类中心，并把这k个聚类中心作为糢糊C均值(fuzzy C-means，FCM)聚类算法的初始聚类中心;最后利用FCM聚类算法再进行部分的搜寻，从而得到最佳的聚类划分。

这种算法使得处理边界问题时更加科学。但是隶属度函数的建立并没有明确的标准，会影响该算法的实用性。在现实中，该算法常与其他算法结合，从而提高精度和泛化性。

2．5 其他改进和多算法融合的诊断方法

很多智能算法都有缺点，但可以通过一定的方法对其进行改进优化，进而提高模型的诊断准确率。多算法融合是在不同阶段使用不同的算法。例如在样本输入模型前，采用一种算法对样本进行处理，增强样本的实用性和精简性;或者在其中的一种模型上，采用另一种计算方法对其所有的参数进行相关优化处理。改进类的算法有:改进小波网络、支持向量机及交叉验证、基于D-S证据理论的变压器故障诊断、径向基函数神经网络在变压器故障诊断中的应用、基于典型样本和证据理论的变压器故障诊断、基于因子分析和灰色关联度分析法的变压器故障诊断、基于半监督分类的变压器故障诊断以及基于深度自编码网络的变压器故障诊断。以下详细说明几种多算法融合类型。

①互补免疫算法。利用智能互补策略融合的概念，并在自组织抗体网络(self-organization antibody net，soAbNet)的基础上，在相关免疫进化算法中引入免疫算子。接种疫苗和免疫选择是免疫算子的2个主要的方面。在接种疫苗方面，首选系统已有的先验知识来构造疫苗。此方法可提高免疫网络的效率，使网络性能更加稳定。免疫选择则对应相关免疫调节机制，删除多余、无用的抗体，并对网络结构进行相关的优化处理。该方法的不足之处是:在训练模型的过程中，采用多种方法对参数以及网络结构进行优化，使得模型的训练时间和复杂程度较大。

②改进人工鱼群优化粗糙集算法。故障变压器判断特征气体数据有可能会有缺陷，而粗糙集理论正是处理各种缺陷数据的理论。在此基础上，引入改进人工鱼群算法，并结合该方法本身特性，使所在区间得到了有效融合。该方法具有离散性，可以达到属性值约减的目的;通过减少冗余信息，得到简化的诊断规则。

3 结束语

目前，对于发生故障变压器进行诊断领域所面临的关键问题如下。①三比值法在实际应用领域的应用比较广泛，加快了对故障变压器诊断领域的发展。虽然有了改进的方法，但是该方法的固有缺陷并未得到改正。②本文所介绍的一些智能算法，还存在非常多的缺陷和限制，而且在实际应用中还很少用到。

从当前面临的问题出发，可看出未来的研究方向如下。①多种人工智能算法相互融合，取长补短，是未来诊断故障电力变压器的方向。②随着技术的进步，所采集到的特征量会越来越多，需要研究在大量数据的情况下模型运行的速度与效率。③智能化算法的落地应用研究。虽然现在所取得的研究成果很多，但是真正用于实际的却很少，所以要加强故障诊断的实用性。

总之，任何一种方法想要得到实际应用，都必须要对可行性和准确性这两个方面进行权衡。智能算法之所以还未得到大规模的推广，其原因在于算法太复杂导致成本太高。但是，提升故障诊断的准确性又必须使用智能算法。所以，实现智能算法的实际应用仍有一个漫长的过程。