基于多故障分类的电力变压器故障自动检修方法

贾文皓

(国网浙江缙云县供电有限公司，浙江 缙云 321400)

0 引 言

随着电力系统的规模扩张，电力设备功能也逐渐完善，自动化程度越来越高。为了保障电力系统安全、稳定运行，对电力设备进行故障检修变得尤为重要[1-2]。电力变压器是电力系统的关键电力设备，起着贯穿多个设备的枢纽作用。电力变电器是否存在故障，直接关系着电力系统是否能够稳定运行。因此，电力变电器故障检修受到了电力部门的高度重视。电力变压器有些故障隐患并不会引起事故，但是随着故障隐患的积累，电力变压器事故的发生概率大大增加，电力系统的风险性极高[3-5]。由此可见，电力变压器故障检修是保障电力系统安全运行的关键环节。

近几年，许多专家、学者均对电力变压器故障检修进行了深入的研究，常见的检修方法为红外测温检修、气相色谱检修和图像识别技术检修等。但是现有的电力变压器故障自动检修方法存在着自动化程度较低的问题，为了解决上述问题，提出基于多故障分类的电力变压器故障自动检修方法研究。

1 电力变压器故障自动检修方法研究

1.1 电力变压器数据特征提取

采用KPCA方法提取电力变压器数据特征，为电力变压器故障检修提供精确的数据支撑[6]。

现有电力变压器故障自动检修方法提取数据特征时，未考虑异常数据对数据特征提取的影响，极大地降低了故障检修的精准度。为此，本文采用KPCA方法提取数据特征，该方法可以将异常数据剔除，并对提取的数据特征进行归一化处理，可以为故障检修提供更加准确的数据来源[7]。

假设电力变压器数据集合为X={X1,X2,…,XN}，N为数据量。若是直接提取数据特征，会忽视数据集合中的各个数据之间的非线性关系[8]。为此，利用非线性映射函数Φ(Xi)与其反函数Φ(Xi)T将数据集合映射到高维空间，其协方差矩阵表示为：

(1)

求解式(1)得到特征值与特征向量如下:

λ·W=Cov·W

(2)

式中：λ为协方差矩阵的特征值；W为协方差矩阵的特征向量。

将式(1)代入式(2)，得到

λ·Wi=Φ(Xi)Φ(Xi)TWi

(3)

采用数据集Φ(X)线性表示协方差矩阵的特征向量Wi，具体如式(4)所示。

(4)

式中：αi为矩阵Φ(Xi)TΦ(Xi)的特征向量集合；α为单一特征向量。

将式(4)代入式(3)得到：

Φ(Xi)TΦ(Xi)Φ(Xi)α=λ·(Xi)α

(5)

令K=Φ(Xi)TΦ(Xi)，整理式(5)得到

Kα=λα

(6)

式中：K为核函数。

上述过程完成了电力变压器数据特征值λ的提取，为电力变压器故障检修做准备[9]。

1.2 多故障分类器设计

依据提取的电力变压器数据特征，选取核函数，依据最小二乘支持向量机设计多故障分类器，具体设计过程如下所示。

合适的核函数直接决定着故障检修的精准度，为此需要选取适当的核函数设计多故障分类器[10-11]。设定核函数K表示为K=K(X,Xj)=φ(X)…φ(Xj)，将其变换到Hilbert空间，表示为：

(7)

式中：K(X,X′)为Hilbert空间的核函数[12]；[φ(X)…φ(X)′]为Hilbert空间的内积。

核函数主要是将线性不可分问题转换为线性可分问题，通过转换维度实现上述功能，维度转换过程如图1所示。

图1 维度转换示意图

常用的核函数包括线性核函数H(X,X′)、多项式核函数

K(X,X′)以及高斯径向基核函数L(X,Xi)，公式表示如下：

(8)

式中：X为变压器数据集合;XT为数据集X的取反运算;X′为第i个RBF函数的中心；σ为常数，即RBF函数绕中心点的宽度。

通过研究对比发现，高斯径向基核函数更适用于电力变电器故障检修，得到方程如下：

θ=(XTX)TXTY=[bβ1…βi]

(9)

式中：Y为已知矩阵；b为偏差；βi为回归系数[13]。

采用最小二乘法求解偏差b与回归系数βi，得到电力变压器故障分类器模型f(Xi)为：

(10)

1.3 电力变压器故障类别确定

为了提升电力变压器故障检修水平，需要对电力变压器故障进行系统的认识，确定电力变压器故障类别[14-15]。

电力变压器主要是由于过热而导致故障，关键部位为分接开关、引线接头和铁芯。电力变压器故障类别情况如表1所示。

表1 电力变压器故障类别情况表

上述过程完成了电力变压器故障类别的确定，并对其进行了编码，为下述电力变压器故障自动检修提供故障分类依据。

1.4 电力变压器故障自动检修

以上述确定的电力变压器故障类别为依据，采用设计的多故障分类器，搭建电力变压器故障自动检修模型，实现电力变压器故障的自动检修。电力变压器故障自动检修流程如图2所示。

分析图2可知，首先采集变压器数据，对采集到的数据进行归一化处理，然后通过利KPCA方法提取数据特征，选取核函数设计多故障分类器，将特征数据输入至分类器中进行训练，判断训练结果是否满足精度需求，满足则输出故障检修结果，完成电力变压器故障自动检修过程；否则回到归一化处理数据过程，继续循环，直到满足精度需求后输出。

图2 电力变压器故障自动检修流程图

根据式(10)电力变压器故障分类器模型得到故障诊断结果为：

(11)

式中：μ′为故障诊断分类参数。

依据式(11)结果对故障类别进行确定，根据表1对电力变压器故障进行维修。

上述过程实现了电力变压器故障的自动检修，为电力变压器的稳定运动提供有效的保障。

2 自动化程度测试

上述过程实现了电力变压器故障自动检修方法的设计与运行，但是否能够解决现有方法存在的问题，还无法确定。为此设计仿真对比测试，具体测试过程如下所示。

2.1 测试对象确定

为了保障测试结果的准确性，确定唯一的测试对象，其实物如图3所示。

图3 电力变压器实物图

测试对象参数设置如表2所示。

表2 测试对象参数设置表

2.2 测试数据选取

电力变压器数据众多，若对其直接使用，会导致测试过程变得极为复杂。为简化测试过程，提高电力变压器检修精度，选取测试数据如表3所示。

表3 测试数据选取表

2.3 测试结果分析

为了进一步研究所提方法的故障检修效果，分别在不同的故障类型下测试故障检测准确率，具体结果如图4所示。

由图4可知，不同类型的故障下检测准确率不同。当试验迭代次数为10次时，变压器热故障的检测准确率为86%，变压器电故障的检测准确率为90%，变压器漏油故障的检测准确率为94%。当试验迭代次数为60次时，变压器热故障的检测准确率为82%，变压器电故障的检测准确率为96%，变压器漏油的故障检测准确率为98%。所提方法的故障检测准确率始终在80%以上，检测效果佳。

图4 故障检测结果对比

为进一步验证所提方法的有效性，进行电力变压器故障自动检修时间试验，结果如图5所示。

图5 变压器故障自动检修时间对比

分析图5可知：当试验迭代次数为5次时，变压器热故障的检修时间为15 min，变压器电故障的检修时间为21 min，变压器漏油故障的检修时间为7 min；当试验迭代次数为50次时，变压器热故障的检修时间为16 min，变压器电故障的检修时间为26 min，变压器漏油故障的检修时间为6 min。由试验整体数据可知，所提方法的检测时间都不超过30 min，检测用时较低，效率较高。

3 结束语

本文设计的基于多故障分类的电力变压器故障自动检修方法极大地提升了自动化程度，可以为电力变压器以及电力系统的安全、稳定运行提供更加有效的保障。通过试验，得到以下结论：

(1)基于多故障分类的变压器故障检修方法的检测准确率始终在80%以上，检测效果较好。

(2)基于多故障分类的变压器故障检修方法的检测时间都不超过30 min，检测用时较低，效率较高。

但是，测试只选取了一部分数据，得到的测试结果可能存在一定误差，为此需要对基于多故障分类的电力变压器故障自动检修方法进行进一步的优化研究，对大量试验数据加以验证。