基于DGA支持向量机的变压器故障诊断

郭慧莹 王毅

摘  要： 针对基于DGA的变压器故障诊断方法在实际操作中存在的不足，提出两种解决方案：基于粒子群优化支持向量机的变压器故障诊断、基于差分进化支持向量机的变压器故障诊断。通过分析两种方案的算法原理建立支持向量机的变压器故障诊断模型，从而完成参数的优化，对得到的最优参数进行验证，获取最优的支持向量机模型。在Matlab软件平台上进行仿真实验，结果证明，采用基于粒子群优化支持向量机的变压器故障诊断结果获取的变压器故障诊断率较高;基于差分进化支持向量机的变压器故障诊断方法的误判率较低，全局寻优能力较好，相比于粒子群优化算法，差分进化支持向量机的优化精度更高。

关键词： DGA; 支持向量机; 变压器; 故障诊断; 参数优化; SVM模型

中图分类号： TN99?34                        文献标识码： A                             文章编号： 1004?373X（2019）19?0154?05

Abstract： In view of the shortcomings of DGA?based transformer fault diagnosis methods in practical operation， two solutions are proposed， that is， transformer fault diagnosis based on particle swarm optimization support vector machine and transformer fault diagnosis based on differential evolution support vector machine. The transformer fault diagnosis model based on support vector machine is established by analyzing the algorithm principles of the two solutions， thus completing the parameters optimization， verifying the optimal parameters and obtaining the optimal support vector machine model. The simulation experiment was carried out on Matlab software platform. The results prove that the fault diagnosis rate of transformer based on particle swarm optimization support vector machine is higher; the fault diagnosis method based on differential evolution support vector machine has lower error rate and better global optimization ability. In comparison with particle swarm optimization， the differential evolution support vector machine has better global optimization ability and higher optimization accuracy.

Keywords： DGA; support vector machine; transformer; fault diagnosis; parameter optimization; SVM model

0  引  言

電力变压器是电力系统的重要组成部分，其运行状态的好坏关系到电力系统的可靠性，一旦电力变压器出现故障，将会造成巨大的经济损失。变压器出现故障后采取的诊断方式多种多样，油中溶解气体分析（DGA）法是检测变压器出现故障后最有效的手段之一，可以及时发现变压器中存在的内部故障，同时在对变压器进行维护的过程中还可以排除变压器中存在的故障隐患。当变压器出现故障后，通过产生的气体使用不同的测试法进行故障分析诊断，特征气体法、罗杰斯比值法以及改良三比值法是基于DGA的变压器故障的主要诊断方法，在进行故障诊断时存在编码盲点的问题，不能同时对多种故障进行诊断。因此，为了解决比值法存在的盲点问题，提出一种新的故障诊断方法对变压器故障进行诊断[1]。

支持向量机算法以统计学习理论为基础，可以解决非线性、维度高等问题的机器，采用支持向量机对变压器进行故障诊断分类，选择的参数对故障诊断的结果影响较大。仅仅依靠基于DGA的变压器故障诊断方法无法准确地诊断出变压器的故障位置所在。基于此，本文提出一种基于粒子群优化支持向量机的变压器故障诊断方法和差分进化支持向量机的变压器故障诊断方法，对变压器进行故障诊断，以最快的速度确定故障所在位置并进行解决，确保电力系统的正常运行。

4  结  语

本文提出一种基于DGA差分进化支持向量机和基于粒子群优化支持向量机的变压器故障诊断方法。差分进化算法可以对支持向量机中的核函数进行优化，并选出最佳参数，从而对电力变压器中经常出现的故障进行诊断和识别;基于DGA的变压器故障诊断方法无法对变压器的故障进行准确判断，因此，需要在DGA的基础上加入粒子群优化支持向量机的故障诊断方法，对变压器的故障进行诊断。实验结果表明，基于粒子群优化支持向量机的变压器故障诊断结果准确;基于差分进化算法支持向量机的仿真速度和识别精度较高，比粒子群优化的支持向量机有更快的识别精度，具有较好的工程应用价值。

参考文献

[1] 贾立敬，张建文，王传林，等.基于DGA的差分进化支持向量机电力变压器故障诊断[J].高压电器，2015（4）：13?18.

JIA Lijing， ZHANG Jianwen， WANG Chuanlin， et al. DGA?based differential evolution support vector machine for power transformer fault diagnosis [J]. High voltage appliances， 2015（4）： 13?18.

[2] 韩世军，朱菊，毛吉贵，等.基于粒子群优化支持向量机的变压器故障诊断[J].电测与仪表，2014，51（11）：71?75.

HAN Shijun， ZHU Ju， MAO Jigui， et al. Transformer fault diagnosis based on particle swarm optimization support vector machine [J]. Electrical measurement and instrumentation， 2014， 51（11）： 71?75.

[3] 陈欢，彭辉，舒乃秋，等.基于鲁棒能量模型LS?TSVM和DGA的变压器故障诊断[J].电力系统保护与控制，2017，45（21）：134?139.

CHEN Huan， PENG Hui， SHU Naiqiu， et al. Transformer fault diagnosis based on robust energy model LS?TSVM and DGA [J]. Power system protection and control， 2017， 45 （21）： 134?139.

[4] 袁海满，雷帆，陈宇，等.基于DGA的粒子群相关向量机变压器故障诊断[J].高压电器， 2017（2）：108?112.

YUAN Haiman， LEI Fan， CHEN Yu， et al. Transformer fault diagnosis based on particle swarm correlation vector machine based on DGA [J]. High voltage electrical appliances， 2017（2）： 108?112.

[5] 汪可，李金忠，张书琦，等.变压器故障诊断用油中溶解气体新特征参量[J].中国电机工程学报，2016，36（23）：6570?6578.

WANG Ke， LI Jinzhong， ZHANG Shuqi， et al. New characteristic parameters of dissolved gas in transformer fault diagnosis oil [J]. China journal of electrical engineering， 2016， 36（23）： 6570?6578.

[6] 周妺末.基于DGA分析的电力变压器多层次分级故障诊断技术研究[D].成都：西南交通大学，2018.

ZHOU Momo. Research on multi?level hierarchical fault diagnosis technology of power transformer based on DGA analysis [D]. Chengdu： Southwest Jiaotong University， 2018.

[7] 闵亚琪，马鑫，翟振刚，等.用于变压器DGA故障诊断的改进PSO优化SVM算法研究[J].现代电子技术，2018，41（15）：124?128.

MIN Yaqi， MA Xin， ZHAI Zhengang. Study on SVM algorithm optimized by improved PSO used for transformer DGA fault diagnosis [J]. Modern electronics technique， 2018， 41 （15）： 124?128.

[8] 李华中，杨景花.基于改进支持向量机的推荐系统托攻击检测方法[J].现代电子技术，2016， 39（18）：96?98.

LI Huazhong， YANG Jinghua. Method of improved support vector machine based shilling attack detection for recommendation system [J]. Modern electronics technique， 2016， 39（18）： 96?98.