基于多维特征量的电力变压器故障诊断技术研究

扈常生，黄永烈，顾斯洋，崔 鹏，张 英，王 军

（国网辽宁省电力有限公司营口供电公司，辽宁 营口 115000）

0 引 言

电力系统变压器的稳定运行决定着整个电网的稳定运行，因此提高电力变压器故障诊断技术水平，可以保证电网的安全稳定运行。变压器是一个复杂的器件结构，可以检测到多种故障信息，且故障与特征量之间具有复杂的关系，导致难以对故障类型做出准确判断。采取多维特征量和决策融合的变压器故障诊断方式，对多层次的故障特征信息实施融合，能够精准检测变压器故障信息，保证变压器的稳定运行，提高电力系统运行的安全性和可靠性。

1 多证据体构造与特征融合分析

获取故障特征信息过程中容易出现数据信息缺失的现象，因此单一的故障检测方法难以取得良好的检测效果，最好采用实施多种方法进行检测将检测结果进行融合的方式。多证据体是在多特征量融合的故障检测技术的基础上，依照诊断的结果实施建立的[1]。电力系统中变压器的故障信息量大，种类繁多，且来源也较多，原始故障特征信息的简单融合已不能满足故障检测模型的基本要求。由于先前检验的数据信息并不完备，在筛选特征量时容易出现盲目性的选择，产生因特征量过多影响故障检测最后的结果等问题。

2 基于多维特征量的电力变压器故障诊断技术研究

2.1 多信息模型融合设计

建立多信息融合模型可以满足故障诊断的基本需要，有效提高故障诊断的效率。多信息融合故障诊断模型图如图1所示。

图1 多信息融合故障诊断模型图

在多信息融合故障诊断模型中，特征信息融合模块和故障决策融合诊断模块是结构的核心部分。在特征信息数据选取阶段，由于变压器运行状态信息的特征量较多，在判断故障信息时，不能把所有的特征状态量数据都考虑进来[2]。变压器是一个复杂的结构体，可以依据变压器对象的故障类型实施归类划分，进而对故障信息做出判断。在特征信息融合阶段，变压器故障特征信息的反馈具有局限性，且变压器故障具有一定潜伏性，依靠DGA很难对变压器具体的故障信息数据进行挖掘。笔者设计将DGA和在线监测数据相结合作为特征量，从而进行特征信息的互补，得出丰富的故障特征信息组合。故障特征信息的融合可以有效提高故障诊断效率，但是简单的特征融合会导致分类性能的降低。在初步诊断阶段，会将特征信息组合之后的样本数据放入初步诊断模块中，通过贝叶斯计算和BP神经网络计算方法对故障进行初步诊断，输出初步诊断的结果，获得故障决策融合的证据体。在故障决策融合诊断阶段，若初步诊断的结果一致，可直接得出故障决策结果，而当初步诊断的结果不一致时，应对诊断数据进行融合[3]。在融合证据时，若证据之间存有冲突，D-S证据合成的规制便是不成功的，而若证据体之间没有冲突，D-S证据合成规制便是成功并且可以使用的。

2.2 基于D-S证据理论的故障决策融合分析

笔者选用220 V主变压器，选取230组故障样本实例，其中110组是测试样本数据实体。故障决策融合主要指将初步诊断的结果进行有效融合，得出综合的故障判断依据，并对故障信息进行高效准确的分类。D-S证据的最基本策略是将各证据体划分为不相关的个体，在辨识框架内采取独立方式实施判断，最终采用Dempster计算规则对故障诊断结果数据进行融合[4]。用证据理论辅助的方法处理初步诊断结果可以得出合理的故障诊断结果。先对选用的故障样本实体进行分组，然后进行故障决策信息融合，进一步验证采用的方法是否有效。在对故障诊断结果进行对比分析时，若结果数据不一致，需要对结果数据进行决策融合，得出正确的判断结果。在进行多信息融合诊断模型有效性验证时，可通过贝叶斯计算和BP神经网络计算方法对故障特征量进行分类，进而其故障数据结果进行判断[5]。多信息融合故障诊断技术比单一的DGA故障判断技术效果更好，而且在故障识别方面具有更大优势。例如，基于D-S证据理论的故障决策融合技术，在变压器故障识别应用领域发挥出很好的效果。

3 结 论

随着电子系统设备状态检修技术的不断发展，保证变压器故障诊断技术的准确性成为研究的重点内容。笔者以多维特征量和信息融合为基础，对电力变压器故障诊断技术开展研究，提出基于多维特征量的电力变压器故障诊断技术，从而有效检测变压器运行状态，保证变压器的正常稳定工作。