电力变压器故障自动化实时检测技术

摘要：电力变压器故障高精度检测是保障电力系统稳定运行的基本条件。现结合最小二乘法与支持向量机，构建了最小二乘支持向量机分类模型，通过参数优化与样本分类的方式，实时检测变压器运行故障。首先设计了油色谱在线监测系统，获取变压器故障特征样本信息;然后采用粒子群算法优化分类模型的两个参数，粒子群算法优化参数过程中将分类误差作为适应度值，直到其符合迭代终止条件，输出参数优化结果;最后将优化后的参数带入分类模型，将油色谱在线监测数据作为测试样本，模型输出结果即为变压器故障类型，以此实现电力变压器故障检测的目的。

关键词：电力变压器;故障;支持向量机;分类模型;实时检测

0 引言

变压器是电力系统运行的核心设备，变压器一旦出现故障将影响整个系统电力传输的稳定性。为了降低各种外界因素及不确定因素对电力变压器运行的干扰，相关人员需要实时掌握电力变压器运行状态。油色谱数据是反映变压器运行故障的有效介质，在变压器故障识别领域中得到了广泛应用[1]。本文以电力变压器的油色谱数据为基础，采用粒子群算法优化最小二乘支持向量机参数，构建高精度的分类模型，将油色谱数据作为预测样本，模型输出结果即为变压器运行状态，以此判断变压器是否处于故障状态。

1 变压器油色谱数据在线采集

本文采用变压器油色谱在线监测系统采集油色谱数据，将其作为变压器故障检测的样本数据。变压器油色谱数据采集系统架构如图1所示，其主要由油气分离模块、气敏传感器、色谱柱模块、通信模块、监测端构成，结合图1分析系统采集数据的思路：（1）油气分离模块负责分离样本状态，得到气体样本[2];（2）利用色谱柱进一步分离多种混合气体，由气敏传感器接收分离完成的气体;（3）成功识别经过气敏传感器的气体类型，以电信号的形式描述气体信号;（4）在计算机监测端进行数据存储、运算、分析，获取故障气体各组分及总烃含量，利用支持向量机分类器判断监测对象是否存在故障。

放电故障及过热故障是变压器故障的主要形式，包括内部致因、外部致因引起的变压器故障，所以，综合考量变压器目前存在的故障状态，划分的变压器故障类型如表1所示。

2 最小二乘支持向量机的构建

目前用于解决分类问题的算法种类繁多，其中，支持向量机在处理非线性问题方面性能突出，运算场主要为向量空间，大大减小了计算量，并且通过核函数解决了高维空间的维数缺陷问题。支持向量机进行数据样本分类的原理如下：（1）高维空间映射。基于函数完成输入空间的非线性映射，将原始输入空间转换为高维特征空间[3]。（2）最优超平面分类。最优线性超平面通过空间结构风险最小原则确定，非线性分类面与此超平面为对应关系，最后要得到原始空间的非线性分类面，还需对分类完成的高维空间中的最优线性超平面进行逆映射，至此完成数据样本的分类[4]。基于支持向量机分类原理，对电力变压器的油色谱数据进行智能分类，可据此判断变压器是否处于故障状态以及处于何种故障状态。

传统的支持向量机求解速度不尽如人意，为优化故障检测效率，支持向量机的损失函数由最小二乘线性法的误差平方和代替，在减少计算量的同时，可起到优化分类效率的作用。式（1）和式（2）描述了原始空间中的最小支持向量机分类状态。

综上可知，μ为式（5）中待优化的参数，σ为式（9）中需要优化的参数，通过优化这两个参数可提高最小支持向量机的分类精度。

3 基于粒子群算法优化核函数参数

最小支持向量机参数优化通过粒子群优化算法完成，以构建高精度的变压器故障检测模型。粒子群算法优化最小二乘支持向量机参数的步骤如图2所示。

步骤1：还原粒子群。在随机环境下生成原始粒子群，包括速度参数、位置参数的生成，同时确定粒子本身经历过的最优位置和粒子群经历过的最优位置[5]，分别用pbest与gbest表示。

步骤2：基于各个粒子向量对应的最小二乘支持向量机模型，预测采集的变压器样本，基于实际值与预测值计算粒子预测误差;误差即为粒子适应度值，继续寻优过程中对比当前适应度值与历史最优适应度值，将较差者淘汰，将较优者留下作为gbest进行下一次迭代。

步骤3：基于文献[6]方法，计算粒子当前速度参数与位置参数，实现参数更新。

步骤4：粒子群算法迭代终止条件。当符合参数优化精度标准时或者达到迭代次数上限时，终止算法运算，输出最优参数。反之，则继续重复步骤2。

采用粒子群算法输出最优σ参数、γ参数后，利用优化后的参数构建最小二乘支持向量机分类模型，将实时采集的电力变压器油色谱信息作为实验样本，模型输出结果即为变压器故障分类结果，由此实现电力变压器故障的实时自动检测。

4 结语

本文介绍的电力变压器故障检测方法突破了传统支持向量机分类模型的性能限制，一方面，引入最小二乘线性法的误差平方和，减少了数据计算量，提高了故障分类的速度;另一方面，基于粒子群算法优化了分类模型的两个参数，使分类模型处于高精度分类状态，大幅降低了变压器故障检测的误差，为电力系统的平稳运行提供了可靠保障。

[参考文献]

[1] 韩赛赛，刘宝柱，艾欣，等.考虑绝缘老化和油色谱监测数据的变压器动态故障率模型[J].电网技术，2018，42（10）：3275-3281.

[2] 郭亮，武岗.电力变压器油色谱在线监测系统[J].农村电气化，2018（3）：45-47.

[3] 杨梅.一种用于电力变压器故障识别的理论方法研究[J].电气传动自动化，2017，39（4）：17-20.

[4] 朱超岩，姚晓东.基于遗传算法优化的支持向量机在变压器故障诊断中应用[J].仪表技术，2019（3）：21-32.

[5] 马松龄，郭小艳，张清敏，等.基于改进粒子群优化RBF网络的变压器故障诊断[J].水電能源科学，2019，37（4）：184-186.

[6] 刘益岑，袁海满，范松海，等.基于粒子群与多分类相关向量机的变压器故障诊断[J].高压电器，2018，54（5）：236-241.

收稿日期：2020-06-29

作者简介：张瑞芯（1999—），女，辽宁开原人，研究方向：电气工程及其自动化。