智能變電站運行中變壓器故障診斷系統研究

吳瑞鑫

摘 要：利用IEC60599的三比值法對應6種故障輸出目標函數，包括：無故障NoFault、局部放電PD（PartialDischarges，含低能量密度及高能量密度放電）、低能量火花放電D1（Dischargeof LowEnergy）、高能量電弧放電D2（DischargeofHighEnergy）、低于700 ℃的過熱故障T1及T2（ThermalFaults<700 ℃）及高于700 ℃的過熱故障T3（ThermalFaults>700 ℃）等6種類型，來建立SVM多層分類器。

關鍵詞：智能變電站 變壓器 故障診斷

中圖分類號：TM7 文獻標識碼：A 文章編號：1674-098X（2016）09（c）-0030-02

1 建構故障診斷系統

1.1 輸入向量

變壓器以DGA方法分析出來的油中氣體成分H2、CH4、C2H6、C2H4、C2H2等5種特征氣體，依據IEC599Std所組成三比值法的氣體比值做為輸入向量。

1.2 支撐向量

利用IEC60599Std的三比值法對應6種故障輸出目標函SVM，依據IEC60599所定義的6種故障特性類型，包括有無故障（NoFault）、局部放電PD（含低能量密度及高能量密度放電）、低能量火花放電D1、高能量電弧放電D2、低于700 ℃的過熱故障（T1及T2）及高于700 ℃的過熱故障（T3）等類型所組成的支撐向量。

2 回歸模型的參數選取

在建構支撐向量回歸模型的過程中，尚有3個參數需要由研究者自行決定，這3個參數分別是：C、2和ε。C為懲罰常數、2為高斯核函數的帶寬、ε為不敏感區域的寬度。任意的選取這些參數，雖然也可以很容易的經由計算而得到訓練資料的訓練誤差，但是它隱含著具有過度配適的風險。為了避免過度配適的現象發生，可使用交叉驗證技術，但是交叉驗證的過程則是相當耗時的?？蛇\用k-fold交叉驗證技術于分類辨識的領域，得到了不錯的效果，且該技術能于計算的時間成本和參數估計的可信度間取得適當的平衡。Duan同時也建議k取5，因為在他的實驗里使用5-fold交叉驗證技術來訓練樣本資料時，能很適當的估計出支撐向量回歸模型的預測誤差。在此，所謂5-fold交叉驗證技術，即是將訓練資料集分成5等份，每等份具有相同個數的輸入資料，且無任何交集，然后利用其中的4等份以某一參數組合，來訓練支撐向量回歸模型，訓練完成后所得到的模型再用來測試剩余的另一等份，并評估其預測誤差，重復此類實驗共5次，最后求得這5次預測的平均誤差，并以這平均誤差當作在該特定參數組合下所建構的模型的交叉驗證誤差，依參數組合的不同進行多次實驗，并分別記錄各不同參數組合下所得到的交叉驗證誤差，取具有最小交叉驗證誤差時的參數組合，做為未來建構支撐向量回歸模型的最佳參數組合，該研究也利用此種法則，將訓練樣本數據100組分為5個組別來進行5-fold交叉驗證，評估及選取參數組合。設定2的取值范圍在1到100之間，而C的取值范圍在10到100之間時，所建構的支撐向量回歸模型將得到較佳的預測結果。為能更廣泛的尋找最佳狀態時的參數，在此將使用格子點法搜尋最佳參數組合。實驗將利用各格子點上3個參數的組合，以5-fold交叉驗證技術訓練支撐向量回歸模型，最后求取各格子點上的交叉驗證所得的最佳參數組合。

運用格子點法配合5-fold交叉驗證技術，總共對訓練資料進行了20×100×4×10次訓練，于參數的選取決策上將由ε開始，在各ε值下平均支撐向量個數占訓練樣本個數的比例，訓練驗證察圖可發現，平均支撐向量個數隨ε值而遞減。當支撐向量個數占訓練樣本個數的比例太大時，容易產生過度配適或不足配適的問題。因此該論文將先篩選出比例小于90%的ε值。再就各ε值下交叉驗證，產生最適當的支撐向量個數的模型數，以獲得較穩定的預測結果。配適分類器與一個具有較佳訓練結果分類器的比較將誤差修正來選取ε、2及C以建立支撐向量回歸模型；界線誤差修正較交叉驗證技術可以較小的bias及較高的variance。

3 以多層SVM分類器為基礎的變壓器故障診斷

以多層SVM為基礎的分類器作為變壓器故障診斷的程序，包括有下列三個步驟。

Step1：擷取變壓器故障所產生的特征氣體，當為SVM分類器的輸入數據。

Step2：訓練SVM分類器，產生可用的系統模型。

Step3：以訓練后的SVM分類器模型，進行變壓器故障類型的辨識測試。

案例：

變壓器將有6種狀態作為診斷結果的目標輸出，它包括有：無故障、局部放電PD、低能量火花放電D1、高能量電弧。

放電D2、低于700 ℃的過熱故障（T1及T2）及高于700 ℃的過熱故障（T3）等類型。

3.1 SVM的輸入向量

故障分析診斷，是以DGA方法所得到的可燃性氣體成分當為診斷所需的數據，然后利用IEC599的三比值法所得到的3個比值當為輸入向量，故障氣體包括有：H2、CH4、C2H6、C2H4、C2H2等5種特征氣體。3個比值向量包括：

，，

在SVM網路中，由5種故障特征氣體所組成的3個比值向量為系統輸入向量，X[x1x2x3]T，而有i個特征向量（支撐向量）。

3.2 SVM網路的訓練

訓練的目的乃系利用5種故障特征氣體的輸入，擷取其特征向量，透過SVM的訓練，建構一個適用于本故障診斷的SVMModel，以做為網路測試的SVMModel，一個SVMTraining架構。

案例：

以IEC60599Std所列的6種不同的故障特性型式作為SVM網路的訓練目標輸出的基本特性，并以IECTC10資料庫所列的134筆數據樣本（即變壓器設備故障案例）做為該系統的訓練與測試驗證的數據資料，該研究的SVM網路系統發展來辨識這6種的故障類型，它包括了無故障、部分放電PD（含低能量密度及高能量密度放電）、低能量火花放電D1、高能量電弧放電D2、低于700 ℃的過熱故障（T1及T2）及高于700 ℃的過熱故障（T3）等類型。

（1）SVM第一層的網路訓練。

在這一層網路中，將被訓練并區分出無故障與其它5種故障類型等兩大類[部分放電PD、低能量火花放電D1、高能量電弧放電D2、低于700 ℃的過熱故障（T1及T2）、高于700 ℃的過熱故障（T3）]，當進入于SVM網路的輸入樣本是屬無故障的樣本，則SVM-1的輸出為y1-1，否則其他輸出為y11。

（2）SVM第二層的網路訓練。

具有部分放電PD、低能量火花放電D1、高能量電弧放電D2、低于700 ℃的過熱故障（T1及T2）、高于700 ℃的過故障（T3）等5種故障類型的輸入樣本進入了第二層的SVM網路，在這一層網路中，將被訓練并區分出“部分放電PD”與其他4種故障類型等兩大類[D1、D2、低于700 ℃的過熱故障（T1及T2）、高于700 ℃的過熱故障（T3）]，當進入于SVM網路的輸入樣本是屬“部分放電PD”的樣本，則SVM-2的輸出為y2-1，否則其他輸出為y21。

（3）SVM第三層的網路訓練。

具有低能量火花放電D1、高能量電弧放電D2、低于700 ℃的過故障（T1及T2）、高于700 ℃的過故障（T3）等四種故障類型的輸入樣本進入了第三層的SVM網路，在這一層網路中，將被訓練并區分出“高于700 ℃的過熱故障（T3）”與其他3種故障類型等兩大類[D1、D2、低于700 ℃的過熱故障（T1及T2）]，當進入于SVM網路的輸入樣本是屬“高于700 ℃的過熱故障（T3）”的樣本，則SVM-3的輸出為y3-1，否則其他輸出為y31。

（4）SVM第四層的網路訓練。

具有低能量火花放電D1、高能量電弧放電D2、低于700 ℃的過熱故障（T1及T2）等3種故障類型的輸入樣本進入了第四層的SVM網路，在這一層網路中，將被訓練并區分出“低于700 ℃的過故障（T1及T2）”與其他二種故障類型等兩大類（D1、D2），當進入于SVM網路的輸入樣本是屬“低于700 ℃的過熱故障（T1及T2）”的樣本，則SVM-4的輸出為y4-1，否則其他輸出為y41。

（5）SVM第五層的網路訓練。

具有低能量火花放電D1、高能量電弧放電D2等2種故障類型的輸入樣本進入了第五層的SVM網路，在這一層網路中，將被訓練并區分出“高能量電弧放電D2”與“低能量火花放電D1”兩類故障類型，當進入于SVM網路的輸入樣本是屬“高能量電弧放電D2”的樣本，則SVM-5的輸出為y5-1，否則輸出為y51（屬低能量火花放電D1）。經過前述五層的SVM的網路訓練，即可得到一個多層SVM分類器，以一個多層SVM分類器為基礎的變壓器故障診斷法則。

4 結語

利用DGA分析所得的變壓器故障油中氣體成分當為測試原始輸入數據，并經過前置處理程序，擷取特征向量（IEC599三比值法）輸入至這個多層SVM分類器網路中，在第一層的SVM-1輸出，“Normal State”將被分辨出來，其余屬于其他5種故障狀態的測試樣本將進入到第二層SVM-2的網路內，而在第二層的SVM-2輸出，“PD故障”將被分辨出來，其余屬于其他4種故障狀態的測試樣本將再進入到第三層SVM-3的網路內，而在第三層的SVM-3輸出，“T3故障”將被分辨出來，其余屬于其他3種故障狀態的測試樣本將繼續進入到第四層SVM-4的網路內，第四層SVM-4及第五層SVM-5的網路以相同方法分別分辨出“T1&T2故障”“D2故障”及“D1故障”等故障狀態，這個已訓練完成的多層SVM網路，經過5次的辨識過程（CASE部分），將6種變壓器故障類型診斷出來，而整個SVM網路也完成了Testing工作，并將診斷結果輸出。

參考文獻

[1] 杜曉萍，鄭帆.專家系統在智能變壓器在線監測中的應用[J].電子質量，2011（12）：35-37.

[2] 曹海.基于D-S證據理論的變壓器診斷系統研究[J].四川電力技術，2009（5）：46-49.

[3] 張文亮，劉壯志，王明俊，等.智能電網的研究進展及發展趨勢[J].電網技術，2009（13）：1-11.

[4] 趙文清，朱永利.電力變壓器狀態評估綜述[J].變壓器，2007（11）：9-12，74.

[5] 錢蘇翔，沈曉梅.大型變壓器在線監測技術及其發展[J].嘉興學院學報，2007（3）：5-8.