電力工程變壓器故障診斷中人工智能技術的應用研究

陳欣

（湛江中匯電力咨詢有限公司，廣東 湛江 524005）

1 變壓器故障以及診斷方法

變壓器的故障有多種形式，造成故障的原因也較為復雜多樣，根據實際情況來看，變壓器制造上的問題占據了事故發生總量的80%左右，運行維護中的問題占據了20%左右。制造方面包括套管質量差、絕緣缺陷、短路強度差以及分解開關質量等問題，在運行方面主要是進水受潮，運行、安裝以及檢修不當造成的各種狀況，其他還有一些諸如雷擊、絕緣老化、過電壓、污閃等問題。按照發生部位可分為外在故障以及內在故障，這些故障的發生嚴重影響著變壓器的正常運行，造成了電力系統故障。

針對這些故障進行診斷，首先就是要根據變壓器故障征兆進行判斷，定位故障發生的位置和性質。故障檢測主要是通過繼電保護、有種氣體分析、絕緣試驗、電氣試驗等綜合進行診斷，主要有神經網絡方法、模糊集理論方法以及專家系統方法等。人工智能技術的應用不僅能夠克服傳統故障診斷的不足，提升診斷準確性更好的設計解決方案，同時在此系統的基礎上實現混合智能診斷系統的開發，這對于拓展人工智能技術的應用前景具有積極意義。

2 人工智能技術在變壓器故障診斷中的應用

人工智能技術集成神經網絡系統、范例推理、模糊數學的綜合應用，對于故障診斷過程中的模糊性問題既能在已有的經驗知識基礎之上進行故障診斷，提升準確性和可靠性，同時還能夠通過輸入與輸出狀態間“映射”關系的訓練學習提升各神經元之間的結合程度，使其加強映射的質量。因此，作為最有前景的故障診斷技術，人工智能技術能夠不斷通過對已知范例的學習，逐步增強對未知故障的診斷能力。目前，人工智能技術的故障診斷主要是基于神經網絡方法、模糊集理論、專家系統、遺傳算法與粗糙集理論五種方法進行故障診斷，下面我們以其中幾項方法的應用為例略作分析。

2.1 人工神經網絡的變壓器故障診斷

作為典型的模擬人類神經系統進行信息傳輸與數據處理的人工智能技術，神經網絡方法最大的特點就在于對于神經元網絡的應用。不同神經元之間的溝通連接共同構成了網絡運行的基礎，對于各種隱含所處理問題的智慧進行權重連接，從而實現診斷與處理。從其運行方式和結構來看，它具有一定的學習能力，能夠通過對學習算法的應用實現訓練樣本的訓練，同時完成知識的自我組織與構建，容錯能力較強，即使輸入信號存在一定的干擾因素，也能在較大程度上給出相對正確的輸出結果。同時，系統強大的神經元并行運算能力還能并行處理故障診斷，因為在執行效率上也較為令人滿意。眾多的神經網絡模型中，應用較為廣泛和典型的是誤差逆傳播神經網絡（BP網絡）。這種網絡具有很強的非線性映射能力，同時是一種柔性網絡結構，能夠隨著逆傳播的修正不斷減少誤差，同時還能通過對輸入模式的響應做好分類，提升正確率，尤其是對于變壓器故障中的油中溶解氣體類故障診斷具有較好的應用效果。

雖然誤差逆傳播神經網絡在變壓器的故障診斷中有過多次成功的先例，但是隨著學習樣本的增多，輸入輸出關系的發雜多樣化，這種系統的網絡收斂速度不斷受到影響，變得越來越慢，有時候甚至出現不收斂現象。基于這種情況，有些研究指出將徑向路基函數網絡應用與變壓器的故障診斷，以此來彌補和改善此神經系統的缺陷，有些研究則提出了基于概率神經網絡的變壓器故障診斷方法等等不一而足。神經網絡方法的應用簡化了復雜故障問題的處理與分類，同時在自我學習的基礎上實現了對專家系統不足的彌補，但是綜合來說，還是存在網絡收斂慢、結構參數受經驗設定影響大等情況，仍舊需要不斷加強研究，拓寬神經網絡應用范圍，不斷綜合其他方法優勢進行彌補，提升應用效率。

2.2 專家系統的變壓器故障診斷

專家系統作為以知識和推理程序主要構成方式的智能系統，在內部設置中包括大量專家知識與經驗等內容，通過對這些知識經驗的整合與分類來處理相關領域的問題。作為在電力系統中最成功的應用方式，專家系統的存在為其故障診斷提供了強大的助力。這種系統主要有知識庫、數據庫、知識獲取、解釋機制、推理機五部分組成。其中知識庫的建立以及知識的獲取是系統運行和成功的關鍵所在，解釋機制則將具體問題的診斷用知識加以分析，為最終形成處理方案做指導。專家系統的應用重點魏濤氣體色譜分析，同時結合外部檢查與絕緣油特性試驗等檢測手段建立較為完善的知識庫，在傳統三比值法的基礎上更進一步提升系統的綜合分析能力。系統中最重要的知識庫以模塊形式存在，互相之間相互獨立，這對于不斷更新、修改、調整知識庫來說較為便利，能夠持續實現系統的擴充與升級，將最先進的專家知識與經驗融入系統，不斷提升診斷功能和水平。專家系統依靠知識和經驗的優勢對變壓器運行的整體狀況進行評測、分析，對故障進行診斷處理，尤其對內部故障的早期診斷存在一定預見性，在很大程度上可以減少故障的發生，降低影響和損失。雖然專家系統具有以上優點，但是在實際使用中也仍舊存在一定局限性。完備知識的獲取和經驗的總結，是知識庫建立的基礎，這種瓶頸的存在很大程度上制約了系統的不斷發展和應用，尤其是一般專家系統因為不具備學習能力，在超出系統知識范圍外的新故障處理上經常出現失誤，且容錯能力較大，也在很大程度上制約了這種系統的推廣。因此，將神經網絡系統中的學習功能與專家系統相結合是近年來專家系統發展的大趨勢之一。

2.3 遺傳算法的應用

作為近些年來新發展起來的一種優化算法，遺傳算法是通過對自然界生物進化過程的模擬設計計算模型，根據達爾文優勝劣汰得到進化規則，對可能包含故障信息的群體進行類似于遺傳學的操作，促使新的群體的不斷生成以及進化，并且選取進化過程中表現最為優秀的個體，以滿足其要求完成最優解的運算。雖然目前來說這種算法的應用還存在一定難度，適用范圍還稍窄一些，但是這種新思路對于人們解決高度復雜的問題來說是一種探索性和實踐性很強的模式。這種算法在變壓器故障診斷中的應用范圍很廣，效果也較好，運行過程中能夠以極短的運算速度和較大概率獲得全局最優解，可以說是一種應用前景非常好的算法。

人工智能技術在電力工程變壓器故障診斷中應用對于維護電力系統的正常運行，及時應對故障，尋求解決措施提供了眾多幫助，同時關于這種技術的研究也在不斷拓展變壓器診斷的途徑與方法。在多種方法應用的基礎上，不斷實現優勢的綜合互補，是未來人工智能技術發展應用的必然趨勢。

[1]謝可夫，鄧建國.變壓器故障模糊診斷系統[J].湖南師范大學自然科學學報，2004，27（1）：43-47.

[2]謝可夫，羅安.遺傳算法在變壓器故障診斷中的應用[J].電力自動化設備，2005，25（4）：55-58.