基于多层向量机的变压器故障诊断

方森田

（广东电网有限责任公司广州供电局，广东广州510000）

0 引言

电力变压器油中溶解的气体种类与它的绝缘故障类型有着密切的联系。在运行电压下，变压器油与固体绝缘材料会因为电热等故障慢慢发生劣化分解，并且油中会产生很少数量的各类低分子烃及CO、CO2等气体。故障类型的不同会导致产生气体的种类、含量、比例甚至产气速率均不相同[1]。油中溶解气体分析（Dissolved Gas Analysis，DGA）是一种通过在线检测及时发现变压器油中溶解的超出限值的特征气体，以识别变压器内部故障的方法。如何构建变压器故障诊断模型，利用变压器油中特征气体的相关数据精确判断出故障类别和程度，提高故障诊断的准确率，是变压器故障诊断的重要研究方向[2]。

1 基于DGA技术的变压器故障诊断原理

变压器故障大致上分为电性故障、热性故障和机械故障三类，通常以前两者为主。除去因电磁力的影响或者因为搬运过程中受振而导致的物理损坏等，其余的机械故障仍然是以电性故障或热性故障的形式表现出来。变压器在电弧放电的大电流作用下集中分解出C2H2、H2和少数C2H4；而在局放的小电流作用之下，主要分解出H2、C2H4；绝缘油受高温作用时分解出H2、C2H4、C2H2等；一些固体材料受高温作用时分解出CO、CO2。《变压器油色谱分析与判断导则》（GB/T 7252—2001）中详细列出了变压器不同内部故障产生的特征气体的主要成分和次要成分[3]。因此，变压器内部故障与特征气体成分息息相关，可根据油浸式变压器油中溶解气体的特征，判别故障是否在变压器内部出现，并采用改良三比值法等算法进行故障诊断。

2 基于多层向量机的变压器故障诊断模型构建

为解决传统三比值法存在比值编码组合不足和编码边界模糊的缺陷，提出了基于多层向量机的变压器故障诊断模型，采用网格搜索算法对模型惩罚因子C和核函数参数g进行寻优。

（1）故障特征量选取：不同气体对象在变压器故障诊断分析中起不同作用。判断热源温度和是否出现局部放电或受潮的依据是H2含量；CH4、C2H4和C2H6等烃类气体含量是判断热源温度的主要依据；C2H2含量主要用来判断是否出现放电或高温热源；CO含量主要用来判断固体绝缘材料有无发生热分解；CO2含量主要用来判断固体绝缘材料的老化程度或平均温度。因此，本文选取H2、CH4、C2H2、C2H4和C2H6作为故障特征量。

（2）分类模型确定：本文将变压器状态分为4类，即正常状态、热故障、低能放电、高能放电。考虑采用基于二叉树法的SVM多分类算法构建分类模型，将变压器的4种状态区分出来。对于4种变压器状态的所有样本，通过训练SVM1将正常状态与其他3种故障类型的样本区分开来，从而得到基于支持向量机的多层分类模型，如图1所示。

图1 基于支持向量机的多层分类模型

（3）样本数据收集划分：根据上文选定的故障特征量和故障类别的情况，对相关公开发表文献中的油浸式变压器气体数据进行收集与分类，可得120组变压器特征气体数据，其中包括10个正常状态样本，54个热故障样本，18个低能放电样本以及38个高能放电样本。

（4）参数寻优：网格搜索算法（Grid Search）的基本原理是在给定参数的变化范围内，按照不同的增长方向，以设定好的步长遍历范围内的所有点，相当于形成了一个二维的网格。利用交叉验证的概念，每一对参数组合求出判断函数的值，比较每一个参数组合的分类准确率，再选出分类精确率最高的那组参数[4]。

（5）模型构建：从原始的DGA气体数据中提取特征气体含量数据，构成4类变压器状态下的原始数据样本，然后按大致7:3的比例从样本集中随机抽样组成训练集和测试集。根据交叉验证的思想，应用两种算法对该SVM分类模型进行优化，选取最优惩罚因子C和核函数参数g，从而得出一个诊断精度较高的故障诊断分类模型，如图2所示。

图2 优化后的故障诊断分类模型

3 仿真分析

在MATLAB中使用LIBSVM工具箱对模型进行仿真分析，采取网格搜索算法对惩罚因子C和核函数参数g进行寻优。根据算例可知，对于一个故障样本，通过SVM1被正确判断为故障的概率是26/26；通过SVM2被正确判断为热故障的概率是12/13，被正确判断为电故障的概率是13/13；通过SVM3，该故障被正确判断为低能放电故障的概率是4/4，被正确判断为高能放电故障的概率是8/9。对上述相关概率进行乘积计算可得，对于热故障，依次通过SVM1和SVM2，被正确判断的概率约92.31%；对于低能放电故障，依次通过SVM1、SVM2和SVM3，被正确判断的概率为100%；对于高能放电故障，依次通过SVM1、SVM2和SVM3，被正确诊断的概率约为88.89%。因此该模型具有较高的故障诊断准确率。

为进一步证明前文中构建的诊断模型的可行性和有效性，把它对各类故障的诊断准确率分别和改良三比值法及BP神经网络算法进行比较分析。对比分析表1中各方法的诊断准确率，可知本文构建的故障诊断模型在诊断准确率方面表现良好。

表1 各算法故障诊断准确率比较 单位：%

4 结语

本文所提出的基于多层向量机的变压器故障诊断模型，能有效解决传统三比值诊断方法存在的编码过于绝对、边界问题难以判别等缺陷，并在MATLAB中使用LIBSVM工具箱对模型进行了仿真分析，并与改良三比值法、BP神经网络算法进行了比较。结果表明，本文构建的故障诊断模型在诊断准确率方面表现良好，在故障诊断领域具有优越的泛化能力和广阔的应用前景。