電力變壓器故障診斷方法研究

張 桔

（華潤電力（興寧）有限公司，廣東 梅州514548）

0 引言

作為支持電力運行的重要設備，電力變壓器具有非常復雜的結構，這就使得其一旦發生故障，很難快速確定故障原因。我國現階段主要采用基于DGA的診斷方法進行故障診斷，除此之外，還有遺傳支持向量機加灰色人工免疫算法、多分類最小二乘支持向量機加改進粒子群優化算法、粗糙集診斷法等等。

1 基于DGA的診斷方法

當前電力變壓器故障診斷依然以基于DGA的診斷方法為主，其原理為：在常規條件下，電力變壓器內部有機絕緣材料會在電與熱的雙重作用下不斷老化分解，產生溶于油中的多種氣體，如氫氣、二氧化碳、一氧化碳、甲烷、乙烷、乙烯和乙炔等。一旦變壓器出現放電故障或具備潛伏性過熱條件，氣體產生速度將會大大加快。故障越嚴重，氣體在油中產生的氣泡就會在油中對流和擴散得越強烈。基于DGA所衍生的診斷方法，正是借助油溶氣體含量或種類及故障類型或嚴重程度之間的密切關系來判斷故障原因。

使用基于DGA的診斷方法，可以對電力變壓器如下故障進行準確診斷：以正常運行時一氧化碳和二氧化碳占比最多為標準，若裂解氣體主要為氫氣和甲烷，則可判定油紙絕緣材料出現了局部放電；若溫度稍高于正常溫度，則甲烷占比最大，隨著溫度增加，乙炔和乙烯的占比會逐漸上升。若溫度過高，超過了1×104℃，油分解物中含有大量乙炔，則可判定為電弧故障。

變壓器故障多為單一故障，少數為多重故障。單一故障一般包括：（1）低于300℃的低溫過熱；（2）介于300～700℃之間的中溫過熱；（3）高于700℃的高溫過熱；（4）高能放電；（5）低能放電；（6）局部放電或受潮。而多重故障則包括：（1）高溫過熱的同時還有中溫過熱；（2）低能放電的同時還有過熱現象；（3）高能放電的同時還有過熱現象。

在實際的故障診斷中，可以將收集到的電力變壓器故障數據作為樣本，輸入到反饋云熵模型中進行統計學計算，以結果作為故障診斷的參考依據。該模型具有如下要素：（1）精確數值組成的定量域U；（2）期望值Ex、熵En以及超熵He；（3）U中的定性概念C；（4）C的隸屬度x。該模型通過逆向云發生器將定向自然語言值與定量數值進行不定性轉換，將定量映射為定性，進而將分析數據轉化成故障類型。

計算樣本w與標準云之間的關聯系數k：

設故障類型有n種，涉及的故障特征氣體有m種，樣本w與第j種故障的第i種特征氣體的關聯系數記為kij。令Ph＝，定義H（kj）＝ ，則：

根據以上模型即可準確判斷變壓器發生故障的具體性質。

2 遺傳支持向量機加灰色人工免疫算法

所謂遺傳支持向量機加灰色人工免疫算法，主要是通過模擬生物的免疫系統來實現兩級分類器的級聯，通過遺傳支持向量機來判斷變壓器是否正常工作。該方法借助人工免疫算法可以實現最佳記憶抗體的聚集，將變壓器故障根據記憶抗體集進行分類，從而有效分辨電力變壓器是發生了單一故障還是多重故障，并能判斷出故障部位同時提供準確信息，非常適合變壓器多重故障的快速診斷。

該算法來源于生物免疫系統對于非自體細胞的吞噬性操作，具體計算流程如下：第一步需將故障樣本與正常樣本全部輸入支持向量機，使其先建立起正常狀態與故障狀態各自的、經過遺傳算法優化過的SVM函數；第二步則將數據樣本基于人工免疫算法制出記憶抗體集；然后由向量機進行樣本判斷，若正常則可直接輸出結果，若有故障，則借助近鄰綜合決策這一方法繼續進行記憶抗體集的判斷，以分辨出具體故障類型，直至得出確切結果后輸出。

這種診斷方法的優點在于可以分析小樣本數據，對樣本少的故障數據具有非常出色的識別能力與泛化學習能力，不必像DGA一樣必須有大數據樣本才能作出準確計算。

3 多分類最小二乘支持向量機加改進粒子群優化算法

本方法也是通過構建模型來實現對變壓器故障類型的診斷，構成基礎為組合編碼法與分類器LS－SVM。由于本方法通過交叉驗證來提高模型的泛化性，又結合故障診斷實例以驗證，因此較BPNN或標準SVM具有更高的準確率。具體流程為：收集樣本數據，然后對數據進行預處理，判別變壓器正常工作還是發生故障，若正常則直接輸入LS－SVM模型；若出現故障，則輸入訓練樣本，再進行各個參數的優化，直至計算完畢再輸入LS－SVM模型；若結果仍有疑問，則從數據預處理環節再次開始運算。在輸入訓練樣本、優化參數、計算直到算法終止這幾個環節，可以通過PSO算法進行全局或局部尋優，然后結合CV原理建模。

4 粗糙集診斷法

盡管神經網絡法、決策樹法、模糊數學法或援例分析法在近年來獲得了比較令人滿意的應用效果，但這是建立在信息準確且完整的前提下。而現實工作中信息通常是不夠準確、不夠完整的，這時就需要借助粗糙集理論來對變壓器故障進行分析。本方法同樣需要借助模型來實現對故障的具體診斷，模型建立流程如下：首先，要收集大量的待診數據，然后將其分類到兩個集合之中，一為確定條件的屬性集，一為決策屬性集，基于兩個屬性集制定出決策表，然后繼續進行條件屬性計算，將計算所得的每一條約簡結果填入決策表并進行粗糙隸屬度的計算，然后將給定置信度規則歸入規則集，以進行最終診斷，作出診斷后結合實例進行驗證，驗證正確后輸出結果。

本方法由于搜集了大量歷史數據，兼顧到DGA參數、電氣參數等多種因素，因此對故障診斷的準確率極有保障。這些粗糙的歷史數據使用神經網絡法和模糊數學法等進行計算，因此即使信息不夠完備，也能在一定程度上保證故障診斷結果具有較高的準確性。

5 結語

筆者撰寫本文，查閱了許多文獻，發現變壓器的診斷方法諸多，主要有DGA診斷法、遺傳支持向量機加灰色人工免疫算法、多分類最小二乘支持向量機加改進粒子群優化算法、粗糙集診斷法等，這些方法各有優缺點，筆者在文中進行了簡單闡述。實際工作中，人們可以根據具體情況選擇最適合的方法進行故障排查與解決。

［1］鄭含博，王偉，李曉綱，等.基于多分類最小二乘支持向量機和改進粒子群優化算法的電力變壓器故障診斷方法［J］.高電壓技術，2014，40（11）.

［2］許惠君，王宗耀，蘇浩益.基于DGA的反饋云熵模型電力變壓器故障診斷方法研究［J］.電力系統保護與控制，2013，41（23）.

［3］伍席文.基于粗糙集理論的變壓器故障診斷與檢修決策方法［D］.石河子：石河子大學，2013.

［4］鄭蕊蕊，趙繼印，趙婷婷，等.基于遺傳支持向量機和灰色人工免疫算法的電力變壓器故障診斷［J］.中國電機工程學報，2011，31（7）.