配電變壓器故障分析及隨機森林診斷實現

摘 要：配電變壓器工作狀態直接影響電力系統的安全，對電力系統及其用戶有著巨大的影響。本文對配電變壓器的常見故障進行了分析，并提出了一種基于隨機森林理論的變壓器故障診斷智能方法，對保證電力系統安全、減少經濟損失具有重要意義。

關鍵詞：變壓器；故障診斷；隨機森林；變壓器故障

隨著電力工業的飛速發展，電力用戶對電力系統的要求也越來越高[ 1 ]。通過對變壓器的運行狀態進行監控，可以及早有效的發現變壓器潛伏性故障，減少事故的發生，提高電網的供電效率[ 2 ]。隨機森林作為一種新興的人工智能方法，其變壓器故障診斷技術是指將專家知識與該人工智能方法有機的結合起來，通過獲取診斷信息及診斷方法，對變壓器的運行狀態做出正確判斷，對保證電力系統安全、減少經濟損失具有重要意義。

1 配電變壓器常見故障類型分析

一般來說，配電變壓器的常見故障主要包括短路故障、絕緣故障以及放電故障三大類[ 1，3-4 ]。

1.1 短路故障

造成配電變壓器突發短路故障的主要原因是變壓器內部相間出現短路、變壓器出口存在短路或者內部引線或繞組間短路等。其危害主要有短路力矩引起繞組變形、短路電流引起絕緣過熱兩個方面。變壓器突發短路故障時，若繼電保護能夠正確動作且短路電流較小，由于存在累計效應，多次短路沖擊會使繞組形變嚴重；若短路電流過大且繼電保護裝置動作遲緩甚至拒絕，繞組受到短路力矩影響后甚至可能導致繞組損壞。此外，由于變壓器的承受電流的能力有限且熱穩定性較差，當短路電流過大超過變壓器承受能力時，變壓器內的絕緣材料將會嚴重受損，進而發生擊穿或損毀。

1.2 絕緣故障

變壓器中絕緣材料的壽命決定著變壓器的壽命。固體紙絕緣作為油浸式變壓器主要絕緣部分之一，其老化特性不可逆轉。另一方面，油浸式變壓器中的絕緣油在正常情況下氧化過程緩慢，如果在維護良好的情況下甚至可以使用20-30年，但一旦混入氣體、雜質、金屬等物質，絕緣油的氧化速度便會加快，導致液體油絕緣故障。

1.3 放電故障

配電變壓器局部放電依據絕緣介質、絕緣部位不同來劃分。油浸式變壓器如果發生火花放電，主要會造成輕瓦斯動作、局部放電或者油色譜異常等情況；電弧放電伴隨著高能量的釋放，造成此故障的主要原因是繞組匝層間絕緣擊穿，其次為分接開關飛弧、引線斷裂或對地閃絡等。如果在工作中未能充分認識和注意此類故障的發展程度，勢必會引發嚴重后果。

2 基于隨機森林的變壓器故障診斷實現

隨機森林指的是一種利用多棵決策樹對樣本進行訓練并給出預測結果的高效分類器，此方法作為一種新興的機器學習算法被引入到故障診斷中，其優點在于在保證運算量的前提下提高了預測精度[ 5 ]。隨機森林算法的原理是利用隨機的理論建立一個決策森林，森林中的決策樹互補關聯，當把新的樣本輸入其中時，森林中的決策樹進行分析決策，最后根據給出的決策情況判定樣本類別。隨機森林算法匯聚了Bagging和隨機空間兩大算法的特點和優勢，采用了Bagging算法的無放回式抽樣，同時利用了隨機子空間算法的隨機性，只對部分樣本進行訓練，結果由決策樹投票得出。

在此算法中，每一棵決策樹即為一棵二叉樹，均遵循地遞歸分裂原則從根節點開始對訓練集進行劃分，并按照自頂向下的原則生成，包含全部訓練數據的根節點根據純度最小原則分裂為左、右節點，且其分別包含著訓練數據的一個子集。節點依據以上規則繼續分裂直到分支滿足停止規則時，停止生成。算法的具體實現步驟如下：1）將數據集D初始化，每次從數據集中依據Bootstrap算法有放回地隨機取出k個樣本集，從而生成k個分類樹。2）在k個分類樹中每棵樹的節點隨機獲得s個變量，從這些變量中挑選出最具代表性的變量，分類的閥值由多個分類點共同確定。3）分類樹不做修剪處理，使其無限生長。4）最終生長出的多棵分類樹共同構成了隨機森林，新的樣本通過構造的隨機森林進行劃分，分類結果由分類器投票決定。

依據上述算法的具體實現步驟，以配電變壓器常規測量變量以及油中氣體含量為輸入，以配電變壓器狀態變量y=[y1，…，y6]，yi∈{0，1}，i∈{1，…，6}，即可實現對配電變壓器繞組變形、固體紙絕緣故障、液體油絕緣故障、局部放電、火花放電、電弧放電等六類故障的診斷分析。

3 結語

隨著電網規模的不斷擴大，配電變壓器的數量激增，因此為保證電力系統安全，減小經濟損失，電力系統迫切需要能夠及時有效判斷出變壓器潛伏性故障的診斷方法，以便將變壓器的故障危害降低到最小。本文對配電變壓器的繞組變形、絕緣過熱、固體紙絕緣故障、液體油絕緣故障、局部放電、火花放電以及電弧放電等常見故障進行分析，并基于隨機森林理論人工智能方法，提出了一種新型配電變壓器故障診斷方法，為變壓器故障診斷研究領域提供了新的思路。

參考文獻：

[1] Tang W H，Wu Q H.Condition monitoring and assessment of power transformers using computational intelligence[M].New York：Springer-Verlag Press，2011.

[2] 尹金良，朱永利，俞國勤，等.基于高斯過程分類器的變壓器故障診斷[J].電工技術學報，2013，28（1）：158-164.

[3] 谷凱凱，郭江.緊致融合模糊集和故障樹的變壓器故障診斷[J].高電壓技術，2014，40（5）：1507-1513.

[4] 趙文清，朱永利，張小奇.應用支持向量機的變壓器故障組合預測[J].中國電機工程學報，2008，28（25）：14-19.

[5] 王愛平，萬國偉，程志全，李思昆.支持在線學習的增量式極端隨機森林分類器[J].軟件學報，2011，22（9）：2059-2074.

作者簡介：單林森（1981-），男，漢族，浙江紹興人，本科，工程師，研究方向：配電信息技術、模式識別。