基于DGA的變壓器故障診斷智能方法分析

王國平，余濤，傅森木，鐘運平，張勇，程小華

(1.華南理工大學電力學院，廣州市 510640；2.廣東電網公司河源供電局，廣東省河源市517000；3. 國網江西省贛西供電公司，江西省新余市338025)

?

基于DGA的變壓器故障診斷智能方法分析

王國平1，余濤1，傅森木1，鐘運平2，張勇3，程小華1

(1.華南理工大學電力學院，廣州市 510640；2.廣東電網公司河源供電局，廣東省河源市517000；3. 國網江西省贛西供電公司，江西省新余市338025)

針對傳統變壓器故障診斷方法的不足，介紹了多種智能診斷方法在基于油中溶解氣體分析(dissolved gas-in-oil analysis， DGA)的變壓器故障診斷中的應用，包括人工神經網絡、模糊理論、專家系統、灰關聯分析及其他智能方法。通過對這些智能診斷方法的分析，得出其優缺點及需要改進的方案，為研究人員選擇最優油浸式電力變壓器故障診斷方法提供參考。最后對基于DGA的變壓器故障智能診斷方法進行了展望，并分析了未來的發展方向。

變壓器；故障診斷；DGA； 智能方法

0 引 言

電力變壓器是電力系統中非常關鍵的設備之一，其能否安全穩定運行對于電力系統的安全、穩定、可靠運行，具有十分重要的作用。電力變壓器在運行過程中，因絕緣損壞、安裝不當等原因會出現各種故障，這些故障嚴重影響了變壓器的正常運行[1]。因此，對電力變壓器的故障診斷方法進行深入探討，是一項具有十分重要研究價值的課題。國家標準DL/T722—2000《變壓器油中溶解氣體分析和判斷導則》指出，變壓器發生的故障類型與變壓器油中溶解氣體的組分之間有著顯著的對應關系。根據這種對應關系，國內外專家提出了通過對變壓器油中溶解氣體的各分量的含量值、總炔含量及產氣速率作分析的特征氣體法[2]、通過對油中溶解氣體的相對含量進行編碼和分類的三比值法[3]、改良三比值法[4]等傳統變壓器故障檢測方法。但是特征氣體法具有識別精度低、三比值和改良三比值存在編碼不全、編碼邊界過于絕對等缺陷，這些缺點無疑對變壓器存在的潛伏性故障的診斷十分不利。

針對上述傳統方法的不足，多種智能技術，如人工神經網絡、專家系統、模糊理論、灰色關聯理論等被引入到基于油中溶解氣體分析(dissolved gas-in-oil analysis， DGA)的變壓器故障診斷研究領域中，這些智能方法彌補了傳統DGA方法的不足，直接或間接提高了變壓器故障診斷的精度，為高精度變壓器故障診斷提供了思路。本文將詳細分析這幾種智能診斷方法，指出其在使用過程中所具有的優勢和存在的問題，并總結出未來診斷方法的發展方向，即多種智能算法相結合，相互補充，構成復合型網絡，為研究人員在油浸式電力變壓器故障診斷方法的選取上提供參考。

1 人工神經網絡在基于DGA的變壓器故障診斷中的應用

人工神經網絡(artificial neural network，ANN)是一種模擬人腦神經元結構而建立的非線性動力學網絡系統，具有大規模并行處理信息的能力和極強的容錯性、魯棒性及自學習功能，能映射高度非線性、非確知系統的輸入、輸出關系，因此很適用于解決變壓器故障診斷問題[5-7]。其基本思想為：以變壓器油中溶解特征氣體類型為輸入，以與之相對應的故障類型為理想輸出，輸入變量經過ANN后產生實際輸出，通過理想輸出和實際輸出之間的偏差來動態調節ANN的連接權值，從而形成具有變壓器故障決策分類功能的網絡結構。由于網絡的各輸入變量之間的數量級不同，為減小其對網絡收斂性能的影響，一般首先要對其進行歸一化處理，如采用模糊技術對數據進行預處理[5]。此外，網絡的隱層節點數目也會對網絡收斂性能產生影響，據此，文獻[8]以單隱層神經網絡在基于DGA的變壓器故障診斷中的應用為例，詳細介紹了隱層節點數目對網絡訓練效果及泛化能力的影響，在此基礎上，文獻[9]探索了雙隱層神經網絡在基于DGA的變壓器故障診斷中的應用，診斷結果表明該方法診斷效果較好。神經網絡的訓練算法一般采用BP算法，文獻[10]利用收集到的105個學習樣本，采用有監督學習的BP神經網絡，診斷準確率在83%以上。但BP算法易出現局部收斂、求解精度不高等缺點，為解決上述問題，各種改進算法先后被提出，如變學習速率的BP算法[11]、附加動量項的BP算法[12]等。

除了常見的BP網絡結構外，還有其他類型的網絡結構，如徑向基函數網絡結構、概率神經網絡結構、小波神經網絡結構等[13-15]，這些網絡結構在不同程度上提高了變壓器故障診斷的精度。雖然ANN能夠處理復雜的分類問題，并且已在基于DGA的變壓器故障診斷中取得了較好的效果，但是ANN診斷技術存在診斷性能依賴于訓練樣本的完備性、利用和表達知識單一、識別效果易出現“振蕩”現象等影響了其在高精度變壓器故障診斷中的應用，因此將ANN診斷技術與其他智能方法相結合成為未來基于DGA的變壓器故障診斷的發展方向。

2 模糊理論在基于DGA的變壓器故障診斷中的應用

模糊理論(fuzzy theory，FT)是一種通過在經典集合理論基礎上引入語言變量和近似推理的模糊邏輯，將經典集合理論模糊化，形成具有完整模糊推理體系的一種智能技術[14-17]。在基于DGA數據的變壓器故障診斷中，故障現象、故障原因、故障機理以及故障分類之間存在較為嚴重的不確定性和模糊性，由于模糊理論能夠較好地解決具有模糊性和不確定性的問題，故這種智能診斷技術能運用于基于DGA的變壓器故障診斷中，其基本原理為：首先建立基于DGA的變壓器故障數據庫，作為基礎數據庫，用于模糊規則的建立；再以變壓器DGA為輸入，經過模糊化、模糊處理及去模糊化等過程確定模糊診斷的結果；當模糊診斷結果和實際結果差值超過預設閥值時，運用優化算法對模糊規則進行優化，依次循環，直至確定故障診斷的最優結果[18-19]。現有的模糊診斷方法主要有以下2個研究方向：一是在單純的模糊技術中引入自組織、自學習的功能，如針對傳統三比值法、四比值法編碼區間存在缺失的問題，文獻[16]通過對編碼進行模糊化處理，利用模糊關聯矩陣來確定DGA與故障類型之間的關系，并采用系統辨識方法對模糊關系矩陣的參數進行了優化，取得了較好的診斷效果；二是將模糊診斷技術和其他智能技術結合，形成復合診斷技術，如模糊聚類算法、模糊C均值算法、概率模糊診斷算法、灰色關聯模糊診斷算法等[16-17]，文獻[20]利用收集到的195組故障樣本，分別利用模糊聚類算法和模糊C均值算法，準確度分別為80%和91.3%，不同的復合診斷技術差別比較大。

雖然模糊診斷技術能夠利用模糊隸屬函數、模糊關系方程和模糊聚類分析等方法對基于DGA的變壓器故障進行診斷，但由于變壓器故障現象、故障原因、故障機理以及故障分類之間的聯系尚不十分明確，故模糊診斷技術具有一定的局限性，如模糊規則表要求樣本數據必須具備完備性、模糊隸屬度函數難以準確確定等，從而間接影響了診斷結果的全面性。

3 專家系統在基于DGA的變壓器故障診斷中的應用

專家系統(expert system，ES)是一種包含大量專門知識、能夠準確模擬專家經驗及推理過程的智能計算機程序系統[22]。基于DGA的變壓器故障診斷專家系統一般由變壓器故障診斷知識庫、數據庫、推理機、學習系統、上下文、征兆提取器和解釋器7部分組成。其中知識庫是整個診斷系統的核心，通常在重點圍繞氣體色譜分析的同時，結合外部檢查、絕緣油特性試驗、絕緣預防性檢查試驗等檢測手段建立知識庫；數據庫由氣體分析與絕緣預防數據庫和動態數據庫2部分組成，共同完成數據的動靜態調用；推理機的作用主要是解決某些模糊不確定問題；學習系統是與實際領域專家的接口，對該領域專家的知識進行提取、分類，并存入診斷知識庫中；上下文是一種存放中間結果的地方，能夠保證推理機順利工作；征兆提取器和解釋器為典型的人機交互接口[21-23]。由于在基于DGA的變壓器故障診斷系統中存在信息不完整或不確定的因素，故專家系統在基于DGA的變壓器故障診斷系統中獲得了廣泛的應用。文獻[21]以DGA為特征量開發了電力變壓器絕緣故障診斷專家系統，實際應用診斷結果顯示其能夠綜合分析變壓器的絕緣狀況，正確識別故障類型，并給出故障發生的部位、嚴重程度及發展趨勢等，但其存在個別故障診斷不準確的缺點。針對上述情況，文獻[22]利用模糊技術通過樣本找出故障原因和現象之間的關聯矩陣，在一定程度上克服了專家系統知識獲取方面的問題，文獻[23]利用具有較強數據分析能力和容錯性的粗糙集理論，實現了變壓器故障診斷專家系統完備知識庫的建立。文獻[24]利用收集到221臺次的故障變壓器的色譜數據作為原始故障樣本集，采用信息融合的多層分布式推理機制的變壓器故障診斷專家系統，綜合診斷正確率 89%。

雖然專家系統在基于DGA 的變壓器故障診斷中取得了一些研究成果，但依然存在一些亟待解決的問題，主要表現在：故障診斷知識庫的建立難以具備完備性，當遇到一個之前不存在的故障表現時，由于不存在相應的故障規則，故不能夠判斷故障的類型；在診斷一些數學相關性不確定的故障現象時，其準確度難以把握；知識維護困難，由于采用基于規則的系統構造知識庫，其算法較為復雜，維護時較麻煩。

4 灰色關聯分析在基于DGA的變壓器故障診斷中的應用

灰色系統理論(grey theory， GT)是一項在模糊數學的實踐基礎上發展起來的理論成果，其主要通過對研究對象的部分已知信息的生成和開發，提取出有價值的信息，實現對研究系統行為的正確認識和有效控制[25-27]。由于變壓器故障診斷系統中某些故障原因與故障結果之間的關系不明確，同時，即使在發生故障時，也不能明確確定是由油中哪幾種氣體所致，故變壓器故障診斷系統可以看成是一個典型的灰色系統[27]。變壓器故障的灰色關聯分析就是應用灰色理論對故障的征兆模式和故障模式進行識別和分類，其分析的一般步驟為：首先在輸入的DGA數據的基礎上構造比較序列，其次運用灰關聯理論計算比較序列和參考序列之間的灰色關聯度，最后對照灰色關聯度，遵循的原則為灰色關聯度越大則實際故障模式和參考故障模式之間越接近。目前，灰色關聯分析在國內外已有不少研究成果，文獻[25]提出了一種基于DGA的變壓器絕緣故障診斷的灰色聚類模型及分析方法，并成功驗證了該灰色系統模型能夠準確判斷故障部位及性質；在此基礎上，文獻[24]提出了基于灰色關聯熵的變壓器故障診斷方法，并通過實例驗證了該方法的可行性和有效性，且比傳統三比值法在相同條件下診斷結果更好，但診斷結果易受外界干擾影響；為解決上述問題，文獻[27]提出了一種基于熵權優化加權灰色關聯度的變壓器故障診斷方法，以油中5種溶解氣體為特征參數，驗證了模型的診斷效果，較好地解決了外界干擾問題。文獻[28]提出了基于加權灰靶理論的電力變壓器狀態評估方法，通過對300組變壓器故障數據統計分析，得出7組故障識別序列，在100組電力變壓器正常數據中，故障有無的判斷準確率達到98%，在100組電力變壓器故障數據中，故障有無的準確率達到96%。

灰色關聯分析對于正常情況下的DGA數據有時會出現誤判現象，而對于一些較難判斷的故障如受潮等則有較好的準確判斷能力，有學者指出可能是診斷系統輸入的原因[27]，但具體原因尚不十分明確，這也是限制其廣泛應用于基于DGA的變壓器故障診斷中的原因之一。

5 其他智能方法在基于DGA的變壓器故障診斷中的應用

基于DGA的電力變壓器故障診斷系統是一個復雜的系統，不確定因素和未知信息充斥其間，為解決這些不確定因素帶來的模糊性和隨機性，除了上述4種方法之外，還有其他一些方法，如人工免疫算法(artificial immune algorithm， AIA)、遺傳算法(genetic algorithms，GA)、動態聚類法(dynamic clustering，DC)、小波分析法(wavelet analysis，WA)、支持向量機(support vector machine， SVM)、貝葉斯網絡、信息融合等也被引入到基于DGA的變壓器故障診斷中。文獻[29]將AIA運用于基于DGA的變壓器故障診斷，通過免疫機制篩選最優故障結果，與傳統三比值法相比提高了診斷的精度；文獻[30]利用遺傳學中適者生存、優勝劣汰的進化規則，對包含可能解的變壓器故障結果進行全局優化搜索，最終找到滿足要求的最優解，算例表明，GA能夠有效防止診斷結果陷入局部最優，收斂性能較傳統最小二乘法好；文獻[20]將加權模糊核聚類方法引入到基于DGA的電力變壓器故障診斷中，解決了模糊C均值算法易受樣本分布和初始參數影響的問題，算例表明，該方法能快速有效地對樣本數據進行聚類，能夠滿足變壓器故障診斷的要求；文獻[31]基于小波變換具有良好的時-頻特性，結合小波變換和神經網絡構造了小波神經網絡，將其應用于基于DGA的電力變壓器故障診斷中，提高了神經網絡系統故障的效率和準確率，取得了較好的效果；文獻[32]利用SVM算法在解決小樣本數據時獨特的優勢，將支持向量機運用于基于DGA的變壓器故障診斷，利用基于交叉驗證的網格搜索法來確定SVM參數，構造了電力變壓器故障診斷模型，并在實際中得到較好的運用；文獻[33]利用貝葉斯網絡處理不確定問題的優勢，將貝葉斯網絡分類器和粗糙集簡約理論相結合，解決了輸入數據不完整帶來的故障診斷問題；文獻[34]采用自適應ANN作為信息融合方法，充分利用計算機技術對按序獲得的目標的多源信息在一定準則下分析和綜合，以實時完成變壓器故障診斷。

6 討論與展望

由于智能算法具有較強的故障診斷能力，因此在基于DGA的變壓器故障診斷中取得了巨大的成功。但也應該看到，單一的智能狀態檢測手段只能從某一方面反映變壓器的狀況，存在不同程度的弊端，主要表現在：(1)現有的智能診斷方法大多數只將變壓器故障類型分開診斷，沒有考慮各種故障之間存在的某些內在聯系，加上某些智能算法本身還不是很成熟，只是處于探索和實驗階段，因此勢必會影響故障診斷的結果；(2)由于油中溶解氣體的累積效應和取樣時的誤差影響，目前基于DGA數據的變壓器故障智能診斷方法在氣體含量較少時誤差較大，并且需要人為事先判定故障存在，這無疑對潛伏性故障的診斷不利；(3)在變壓器實際運行時，存在很多不完整的油中溶解氣體數據，利用這些數據進行智能診斷比較困難。

針對單一智能故障診斷方法的不足，一方面可以從算法的角度進行改進，如將多種智能算法相結合，相互補充，構成復合型網絡，文獻[35]將粗糙集理論與神經網絡相結合，診斷準確率達95.5%，文獻[36]將粒子群優化算法與模糊神經網絡結合，有利于平衡BP神經網絡局部搜索和全局搜索的關系，避免其陷入局部局部最優；另一方面可以從變壓器檢測手段角度進行改進，當變壓器故障或存在潛伏性故障時，除了油中溶解氣體發生變化之外，變壓器自身的機械振動、電氣特性等也會發生變化，有必要利用合理的檢測手段提取特征數據，利用這些特征數據與DGA數據進行合理配合，以尋求最優變壓器故障診斷方法。

7 結 語

本文詳細論述了智能算法在基于DGA的變壓器故障診斷系統中的應現狀用，為高精度變壓器故障診斷提供了思路，由于篇幅限制，仍有一些智能算法應用沒有列出。單個智能算法在一定條件下能夠較好滿足故障診斷的要求，然而由于單個智能算法難免會有它的局限性，因此，新型智能算法及復合智能算法將成為未來基于DGA的變壓器故障診斷的發展方向。

[1]孫才新， 陳偉根，李儉，等.電氣設備油中氣體在線監測與故障診斷技術[M].北京：科學出版社，2003.

[2]劉新良，莫燕玲.電力機車主變壓器呼吸不暢造成特征氣體含量嚴重異常的分析與處理[J]. 變壓器，2013，50(2)：64-67. Liu Xinliang， Mo Yanling. Analysis and treatment of abnormality of characteristic gas contents caused by bad breath in electric locomotive main transformer[J]. Transformer， 2013，50(2)：64-67.

[3]Caixin Sun，Ruijin Liao， Weigen Chen. The principle of transformer chromatograph detecting on-line and the analysis of output wave[M]. 1995.

[4]徐康健. 變壓器油色譜分析中用三比值法判斷故障時應注意的問題[J]. 變壓器，2010，47(1)：75-76. Xu Kangjian. The problem when using three-ratio method to judge the fault in dissolved gas analysis of transformer[J]. Transformer，2010， 47(1)：75-76[5]Wang H X， Yang Q P， Zheng Q M. Artificial neural network for transformer insulation aging diagnosis[C]//Electric Utility Deregulation and Restructuring and Power Technologies， 2008： 2233-2238.

[6]Zakaria F， Johari D， Musirin I. The Taguchi-Artificial Neural Network approach for the detection of incipient faults in oil-filled power transformer[C]//Power Engineering and Optimization Conference (PEOCO)， Langkawi： IEEE， 2013：518-522.

[7]Chen M J， Zeng X， Li G H， et al. A new transformer protection based on the artificial neural network model[C]//Automation Congress， Hawaii：IEEE，2008： 1-4.

[8]王雪梅，李文申，嚴璋. BP網絡在電力變壓器故障診斷中的應用[J]. 高電壓技術， 2005， 31(7)：12-14. Wang Xuemei， Li Wenshen， Yan Zhang. Study on fault diagnosis for power transformer based on BP neural network[J]. High Voltage Technology， 2005， 31(7)： 12-14.

[9]Zhang Y， Ding X， Liu Y， et al. An artificial neural network aapproach to transformer fault diagnosis[J]. IEEE Transaction on Power Delivery， 1996， 11(4)：1836-1841.

[10]劉燦萍. 基于DGA的變壓器故障診斷專家系統的研究[D]. 廣西大學，2007. Liu Canping. Expert system research of power transformer fault diagnosis based-on DGA[D]. Guangxi University， 2007.

[11]Sun Y J， Zhang S， Miao C X， et al. Improved BP neural network for transformer fault diagnosis[J]. Journal of China University of Mining and Technology， 2007， 17(l)： 138-142.

[12]Sugumaran V， Sabareesh G R， Ramachandran K I. Fault diagnostics of roller bearing using kernel based neighborhood score multi-class support vector machine[J]. Expert Systems with Applications， 2008(34)： 3090-3098.

[13]魏星，張霖，吉磊. 基于徑向基函數網絡的大型電力變壓器故障診斷[J]. 江蘇電機工程，2005，24(6)：19-21. Wei Xing， Zhang Lin， Ji Lei. Power transformer fault diagnosis based on radial basis function network[J]. Jiangsu Electrical Engineering， 2005， 24(6)： 19-21. [14]Zheng X X. Intelligent fault diagnosis of power transformer based on fuzzy logic and rough set theory[J]. Intelligent Control and Automation， 2008： 6858-6862.

[15]Cannas B， Delogu R S， Fanni A. Support vector machines for disruption prediction and novelty detection at JET[J]. Fusion Engineering and Design， 2007(82)： 1124-1130.

[16]Ma H Z， Li Z， Ju P， et al. Diagnosis of power transformer faults based on fuzzy three-ratio method[C]//7thInternational Power Engineering Conferenee， IPEC2005， Singapore：IEEE， 2005：162-186.

[17]Xie P，Li Q Q， Wang Y. A model for condition assessment of power transformers based on fuzzy theory[C]//Computational and Information Sciences (ICCIS)， Shiyang： IEEE， 2013：1757-1759.

[18]Su Q， Mi C， Lai L L， et al. A fuzzy dissolved gas analysis method for the diagnosis of multiple incipient faults in a transformer[J].IEEE Transactions on Power System， 2000， 15(2)：593-598.

[19]李儉，孫才新，廖瑞金，等. 以模糊聚類標準譜與灰色關聯序診斷變壓器內部故障的方法研究[J].儀器儀表學報，2004，25(5)：587-589. Li jian， Sun cai xin， Liao Ruijin， et al. Study on analysis method about fault diagnosis of transformer and degree of grey inidence based on fuzzy clustering[J]. Chinese Journal of Scientific Instrument，2004， 25(5)：587-589.

[20]符楊，田振寧，江玉蓉，等. 加權模糊核聚類法在電力變壓器故障診斷中的應用[J].高電壓技術，2010，36(2)：371-374. Fu Yang， Tian Zhenning， Jiang Yurong， et al. Power transformer fault diagnosis using weighted fuzzy Kernel clustering[J]. High Voltage Engineering， 2010，36(2)： 371-374.

[21]陳新崗，李太福. 基于DGA特征量的變壓器絕緣故障診斷專家系統的研究[J]. 變壓器，2005，42(1)：33-36. Chen Xingang， Li Taifu. Research on expert system of transformer insulation fault diagnosis basedon DGA characteristic parameters[J]. Transformer， 2005， 2(1)： 33-36.

[22]Jain M B， Srinivas MB， Jain A. A novel web based expert system architecture for on-line and off-line fault diagnosis and control (FDC) of transformers[C]//TENCON 2008-2008 IEEE Region 10 Conference，Hyderabad： IEEE， 2008： 1-5.

[23]束洪春，孫向飛，司大軍. 電力變壓器故障診斷專家系統知識庫建立和維護的粗糙集方法[J]. 中國電機工程學報，2002，22(2)：32-35. Su Hongchun， Sun Xiangfei， Si Dajun. A RS approach to founding and maintaining ES knowledge base for fault diagnosis of power transformer[J]. Proceeding of the CSEE， 2002， 22(2)：32-35.

[24]杜劍光. 變壓器故障診斷專家系統[D]. 北京：華北電力大學，2003. Du Jianguang. Transformer Fault Diagnosis Expert System[D]. Beijing： North China Electric Power University， 2003.

[25]李儉，孫才新，陳偉根，等. 基于灰色聚類分析的充油電力變壓器絕緣故障診斷的研究[J].電工技術學報，2002，17(4)：24-29. Li Jian， Sun Caixin， Chen Weigen， et al. Study on fault diagnosis of insulation of oil-immersed transformer based on grey cluster theory[J]. Transactions of China Electro technical Society， 2002， 17(4)：24-29.

[26]宋強，李菲，張云素，等. 基于灰關聯熵法的電力變壓器故障診斷研究[J]. 變壓器，2010，47(2)：56-58. Song Qiang， Li Fei， Zhang Yun， et al. Research on fault Diagnosis of power transformer based on grey entropy relational gorithem[J]. Transformer， 2010， 47(2)： 56-58.

[27]李 碩，趙 峰. 基于熵權優化加權灰色關聯度的變壓器故障診斷方法[J]. 變壓器，2013，50(9)：48-51. Li Suo， Zhao Feng. Transformer fault diagnosis method based on weighted degree of Grey incidence of optimized entropy[J]. Transformer， 2013，50(9)：48-51. [28]李建坡.基于加權灰靶理論的電力變壓器狀態評估方法[D].長春：吉林大學，2008. Li Jianpo. Study on power transformer fault diagnosis technology based on dissolved gases analysis[D]. Changchun： Jilin University， 2008.

[29]Yuan J S， Lu W， Li Z. Artificial immune algorithm for fault diagnosis of Power transformer[C] //Knowledge Acquisition and Modeling Workshop， 2008. KAM Workshop 2008. IEEE International Symposium on， Wuhan： IEEE， 2008：352-354.

[30]陳偉根，云玉新. 基于遺傳算法進化小波神經網絡的電力變壓器故障診斷[J]. 電力系統自動化，2007，31(13)：88-92. Chen Weigen， Yun Yuxin. Fault Diagnosis of power transformers based on genetic algorithm evolving wavelet neural network[J]. Power System Automation， 2007， 31(13)：88-92.

[31]方健，彭輝，李自品，等. 改進小波網絡在油浸式變壓器故障診斷中的應用[J]. 高壓電器， 2011， 47(11)：115-120. Fang Jian， Peng Hui， Li Zipin， et al. An improved wavelet network with application to the fault diagnosis of oil-immersed transformer[J]. High Voltage Electrical Apparatus， 2011， 47(11)： 115-120.

[32]吳曉輝，劉炯，梁永春，等. 支持向量機在電力變壓器故障診斷中的應用[J]. 西安交通大學報，2007，41(6)：722-726. Wu Xiaohui， Liu Jiong， Liang Yongchun， et al. Application of support vector machine in transformer fault diagnosis[J]. Journal of XI’AN Jiao Tong University， 2007， 41(6)： 722-726.

[33]朱永利，吳立增. 貝葉斯分類器與粗糙集相結合的變壓器綜合故障診斷[J]. 中國電機工程學報， 2005， 25(10)：161-167. Zu Yongli， Wu Lizeng. Synthesized diagnosis on transformer faults based on Bayesian classifier and rough set[J]. Proceeding of the CSEE， 2005， 25(10)： 161-167.

[34]張志文，喬悅，羅隆福，等. 信息融合技術在變壓器油氣識別故障診斷中的研究[J]. 計算機工程與科學，2012， 34(3)：132-136. Zhang Zhiwen， Qiao Yue， Luo Longfu， et al. Research of the information fusion technology in the transformer fault diagnosis with dissolved gas-in-oil analysis[J]. Computer Engineering & Science， 2012， 34(3)：132-136.

[35]張景明，肖倩華，王時勝. 融合粗糙集和神經網絡的變壓器故障診斷[J]. 高電壓技術，2007，33(8)：122-125. Zhang Jingming， Xiao Qianhua， Wang Shisheng. Transformer fault diagnosis by combination of rough set and neural network[J]. High Voltage Engineering， 2007， 33(8)：122-125.

[36]王婭娜，黃新波，宋桐，等. 基于改進粒子群算法的模糊神經網絡變壓器油色譜監測故障診斷策略[J].廣東電力，2013，26(5)：82-86.

Wang Yana， Huang Xinbo， Song Tong， et al. Fault diagnosis strategy for transformer oil chromatography monitoring of fuzzy neural network based on improved PSO[J]. Guangdong Electric Power， 2013，26(5)：82-86.

余 濤(1974)，男，教授，博士生導師，主要研究方向為負責電力系統的非線性控制理論和仿真，智能控制算法等；

傅森木(1990)，男，碩士研究生，主要研究方向為電力電子中的智能算法；

鐘運平(1986)，男，碩士研究生，主要研究方向為高頻開關電源設計；

張 勇(1987)，男，碩士研究生，主要研究方向為電力系統規劃，電機控制等；

程小華(1963)，男，教授，碩士生導師，主要研究方向為電機基本理論、電機設計以及新型電機。

(編輯：張小飛)

Intelligent Methods for Transformer Fault Diagnosis Based on DGA

WANG Guoping1， YU Tao1，FU Senmu1， ZHONG Yunping2，ZHANG Yong3， CHENG Xiaohua1

(1. School of Electric Power, South China University of Technology, Guangzhou 510460, China;2. Heyuan Power Supply Bureau of Guangdong Power Grid Corp, Heyuan 517000, Guangdong Province, China;3. State Grid Jiangxi Ganxi Power Supply Company, Xinyu 338025, Jiangxi Province, China)

Aiming at the shortcomings of the traditional fault diagnosis method for transformer, this paper introduced the applications of several intelligent methods in the fault diagnosis of power transformer based on dissolved gas-in-oil analysis (DGA), including the artificial neural network, the fuzzy theory, the expert system, the grey relational analysis and other intelligent methods. This paper analyzed these intelligent diagnosis methods and obtained the relative merits and improved solutions, which could provide a reference for the researchers to choose the optimal fault diagnosis method of oil-immersed power transformer. At last, the DGA-based intelligent fault diagnosis method for transformer was discussed, and its future development direction was analyzed.

transformer; fault diagnosis; DGA； intelligent methods

國家重點基礎研究發展計劃(973計劃)(2013 CB228205)；國家自然科學基金項目(51177051，51477055)；中國南方電網科技項目。

TM 41

A

1000-7229(2015)06-0034-06

10.3969/j.issn.1000-7229.2015.06.006

2015-01-25

2015-04-28

王國平(1988)，男，碩士研究生，主要研究方向為配網自動化，電力系統可靠性評估；

Project Supported by National Key Basic Research Program of China (973 Program)(2013CB228205);National Natural Science Foundation of China(5177051;51477055).