基于油色譜超立方映射的電力變壓器缺陷援例診斷模型

鄭一鳴， 何文林， 孫 翔，王文浩， 詹江楊

(國網(wǎng)浙江省電力公司電力科學(xué)研究院，浙江 杭州 310014)

?

基于油色譜超立方映射的電力變壓器缺陷援例診斷模型

鄭一鳴， 何文林， 孫 翔，王文浩， 詹江楊

(國網(wǎng)浙江省電力公司電力科學(xué)研究院，浙江 杭州 310014)

文中提出了一種援例缺陷診斷模型，針對(duì)油色譜特征氣體數(shù)據(jù)的分布特點(diǎn)提出了歸一化超立方映射方法，將油色譜數(shù)據(jù)映射到可直接應(yīng)用的超立方空間域中；同時(shí)，針對(duì)性地提出援例相似度算法和基于計(jì)權(quán)選舉的診斷結(jié)果判定方法。并通過仿真實(shí)驗(yàn)確定了模型中參數(shù)的選取和優(yōu)化。該模型在案例庫交叉驗(yàn)證中表現(xiàn)出較高的正確率，平均正確率達(dá)到88.53%，高于現(xiàn)有BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)技術(shù)，能正確診斷運(yùn)行中充油設(shè)備的缺陷，在工程上具有重要的實(shí)際應(yīng)用價(jià)值。

電力變壓器; 缺陷診斷; 超立方映射; 油色譜

0 引言

隨著電力工業(yè)的快速發(fā)展、特高壓交直流工程的建設(shè)投運(yùn)，作為樞紐設(shè)備的電力變壓器和換流變壓器也向高電壓、大容量的方向發(fā)展。關(guān)鍵設(shè)備的大型化增加了單體設(shè)備缺陷故障對(duì)電網(wǎng)整體安全的影響。因此，及時(shí)有效地評(píng)估變壓器設(shè)備的運(yùn)行狀態(tài)，準(zhǔn)確判斷設(shè)備缺陷類型已成為電網(wǎng)運(yùn)行維護(hù)的關(guān)鍵課題。隨著帶電檢測(cè)和在線監(jiān)測(cè)技術(shù)的普及和推廣，實(shí)時(shí)監(jiān)測(cè)變壓器運(yùn)行狀態(tài)已成為可能，而如何進(jìn)一步利用監(jiān)測(cè)數(shù)據(jù)分析設(shè)備絕緣狀況、判斷缺陷類型是當(dāng)前的熱點(diǎn)研究問題[1]。

目前，變壓器缺陷診斷仍是一項(xiàng)經(jīng)驗(yàn)性較強(qiáng)的工作。由于缺乏行之有效的數(shù)學(xué)模型，在實(shí)際生產(chǎn)過程中多是基于測(cè)量、規(guī)程和運(yùn)行人員的經(jīng)驗(yàn)判斷，診斷效率和準(zhǔn)確性都很難有突破。目前，采用結(jié)合人工智能方法的專家系統(tǒng)來協(xié)助實(shí)現(xiàn)[2]壓器缺陷診斷方面的研究已逐步開展，并得到初步應(yīng)用，是未來變壓器缺陷診斷的發(fā)展方向。

變壓器運(yùn)行狀態(tài)的監(jiān)測(cè)方式，主要包括油中溶解氣體分析(DGA)、鐵心接地電流、局部放電、繞組位移變形測(cè)量等[3-7]。其中DGA是當(dāng)前發(fā)現(xiàn)油浸式變壓器潛伏性缺陷最有效的手段，而且已實(shí)現(xiàn)在線監(jiān)測(cè)。隨著計(jì)算機(jī)信息技術(shù)以及人工智能算法的發(fā)展，越來越多的學(xué)者以DGA檢測(cè)和監(jiān)測(cè)數(shù)據(jù)為對(duì)象，開展了基于人工智能算法的變壓器缺陷診斷方法研究，為電力變壓器缺陷診斷技術(shù)的發(fā)展提供了新思路。常用智能算法包括BP神經(jīng)網(wǎng)絡(luò)[8,9]、支持向量機(jī)[10,11]、云理論[12-14]等。

目前以DGA數(shù)據(jù)為對(duì)象的診斷模型主要存在2個(gè)影響診斷合理性和準(zhǔn)確性的問題：(1) 油色譜包含的7種特征氣體分布特性各不同，直接用于專家系統(tǒng)或特征庫的構(gòu)建存在困難。如何將7種特征氣體數(shù)值映射到可以直接應(yīng)用的目標(biāo)域是建模的難點(diǎn)。部分直接應(yīng)用監(jiān)測(cè)值的模型普遍存在診斷準(zhǔn)確性較低的問題；多數(shù)診斷模型采用規(guī)程中的三比值法或其他編碼方式進(jìn)行映射[15-17]，這種映射過程帶有較強(qiáng)人為性，在過程中容易丟失有效的信息，尚有提升空間。(2) 模型如何有效利用案例庫數(shù)據(jù)，推送出目標(biāo)范例的診斷結(jié)果是提高準(zhǔn)確性的重要環(huán)節(jié)。在案例庫規(guī)模較小的情況下可以考慮神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等基于案例庫訓(xùn)練的智能算法；隨著在線監(jiān)測(cè)的普及，合理的相似度判斷準(zhǔn)則和援例推理機(jī)制的結(jié)合更適合體量較大且不斷豐富的專家數(shù)據(jù)庫。

針對(duì)上述2個(gè)建模難點(diǎn)，本文提出了一種變壓器援例缺陷診斷模型，包括歸一化超立方映射方法、援例相似度算法和基于計(jì)權(quán)選舉的判斷方法。通過數(shù)據(jù)庫內(nèi)部的交叉驗(yàn)證和2臺(tái)實(shí)際變壓器類設(shè)備的缺陷診斷驗(yàn)證，確定了該模型的有效性和診斷結(jié)果的準(zhǔn)確性，同時(shí)分析了模型參數(shù)對(duì)診斷結(jié)果的影響。實(shí)踐證明，本文提出的模型在理論上完備，在工程上可行，具有重要的實(shí)際應(yīng)用價(jià)值。

1 案例庫數(shù)據(jù)

在設(shè)備缺陷診斷過程中，案例庫中案例的數(shù)量、典型性和正確性直接影響診斷結(jié)論的準(zhǔn)確性。且收集了實(shí)際電網(wǎng)中110 kV以上電壓等級(jí)運(yùn)行變壓器的缺陷實(shí)例735例。每一例案例具有油色譜7種特征氣體的帶電檢測(cè)數(shù)據(jù)，并依據(jù)解體或內(nèi)檢結(jié)果，列有每一例缺陷的的類型、原因和部位。缺陷類型分為放電缺陷和過熱缺陷兩類，其中放電缺陷依據(jù)缺陷部位分為涉及固體絕緣和不涉及固體絕緣兩類，過熱缺陷依據(jù)缺陷部位分為電路和磁路兩類。缺陷類型和缺陷部位對(duì)應(yīng)的案例數(shù)量如表1所示。具體的缺陷原因有電弧放電、多點(diǎn)接地、油流帶電、圍屏放電等。

表1 案例庫中不同缺陷種類的分布Table 1 Distribution of different defects in case base

2 援例缺陷診斷模型

本文提出一種針對(duì)變壓器油色譜數(shù)據(jù)的援例診斷模型，其工作流程如圖1所示。

圖1 援例診斷模型流程示意圖Fig.1 Flow diagram of case based defeat diagnosis model

首先，將案例庫中的油色譜數(shù)據(jù)和待診斷變壓器的油色譜數(shù)據(jù)通過同樣的映射方式映射到一個(gè)歸一化的空間域中。然后，經(jīng)過相似度分析，在案例庫中搜索與待診斷變壓器油色譜相似的案例。最后根據(jù)相似案例的缺陷類型、缺陷部位和缺陷原因等，結(jié)合各案例的權(quán)重，得出待診斷變壓器缺陷的診斷結(jié)論。若有條件有必要開展待診斷變壓器的解體驗(yàn)證，驗(yàn)證模型診斷結(jié)論后將待診斷油色譜和解體結(jié)論作為案例添加到原案例庫中。

2.1 歸一化映射方法

如前所述，合適的映射方法是建模的難點(diǎn)。選擇映射方法需要考慮2個(gè)方面：(1) 需要根據(jù)特征氣體數(shù)據(jù)的統(tǒng)計(jì)特征選擇映射方法及其參數(shù)，使得目標(biāo)域中7種特征氣體具有相近的分布特性；(2) 需要同時(shí)兼顧異常特征氣體和正常特征氣體，每種特征氣體在不同案例中可能是正常特征氣體也有可能是異常特征氣體，且數(shù)值差異較大，做統(tǒng)一的歸一化映射需要兼顧。

特征氣體整體分布特性均較為類似，以CO2為例，其直方圖如圖2所示。可以看到，氣體含量的頻數(shù)隨氣體含量的增加而減小，絕大部分案例中特征氣體含量是正常的，非常接近0。

圖2 案例庫中特征氣體含量直方圖(CO2)Fig.2 Histogram of characteristic gas content in case base (CO2)

為保證異常數(shù)據(jù)和正常數(shù)據(jù)的兼顧，使得特征氣體在目標(biāo)域中較均勻分布，選擇的映射函數(shù)應(yīng)為增凸函數(shù)。歸一化映射函數(shù)的值域設(shè)為[0,1)。根據(jù)上述2點(diǎn)原則，選擇映射函數(shù)應(yīng)具有圖3所示特性。

圖3 歸一化映射函數(shù)應(yīng)具有的特征Fig.3 The features of the normalized mapping functions

具體地選擇映射函數(shù)為：

(1)

將案例庫中的油色譜數(shù)據(jù)按式1進(jìn)行歸一化映射，繪制映射前后的盒圖如圖4所示。觀察特征氣體的分布特性可以看出，由于異常值數(shù)值較大，映射前特征氣體的絕大多數(shù)僅在整體值域的一小部分中分布，直接用于模型診斷會(huì)夸大異常值的作用而不易區(qū)分接近0的特征氣體之間的差異。而經(jīng)過歸一化映射后，所有特征氣體的含量均歸一至0～1區(qū)間內(nèi)，且其中位數(shù)接近、整體分布一致，適合用于進(jìn)一步的缺陷診斷。

圖4 歸一化映射前后特征氣體盒圖Fig.4 Characteristic gas box graphs before and after normalized mapping

2.2 援例相似度和計(jì)權(quán)選舉法

歸一化映射后，特征氣體含量可以構(gòu)成一個(gè)七維超立方空間，每一個(gè)案例對(duì)應(yīng)空間中的一個(gè)點(diǎn)。空間中2個(gè)點(diǎn)的接近程度表征了2組油色譜數(shù)值的相似程度。如圖5所示(以二維空間為例)，在歸一化空間中搜索最接近待診斷點(diǎn)的若干個(gè)案例點(diǎn)作為相似案例，通過相似案例的計(jì)權(quán)選舉確定診斷結(jié)果。相似度的計(jì)算公式為：

(2)

圖5 相似案例示意圖Fig.5 Sketch map of similar cases

權(quán)重的計(jì)算方法為：

(3)

式3中:WA為結(jié)論A的權(quán)重，為結(jié)論A對(duì)應(yīng)相似案例的相似度之和。

計(jì)算出所有結(jié)論的權(quán)重后可進(jìn)一步作歸一化。最大權(quán)重對(duì)應(yīng)的結(jié)論便為最終的診斷結(jié)論。

2.3 相似援例數(shù)的選擇

在模型中參與診斷結(jié)果判斷的相似案例的個(gè)數(shù)N是一個(gè)可變參量，該參量的選擇對(duì)診斷結(jié)果的正確率會(huì)產(chǎn)生影響。選擇過多的相似案例個(gè)數(shù)可能引入低效甚至無效的案例，若選擇過少相似案例個(gè)數(shù)則可能遺漏案例庫中部分有效信息。本文通過仿真實(shí)驗(yàn)選擇最優(yōu)的N。對(duì)已有的案例庫案例開展內(nèi)部交叉驗(yàn)證。在案例庫中隨機(jī)選擇100個(gè)案例作為驗(yàn)證組，其余的作為先驗(yàn)案例庫，對(duì)驗(yàn)證組中100個(gè)案例進(jìn)行診斷，對(duì)比診斷結(jié)果和實(shí)際結(jié)果，計(jì)算診斷正確率。重復(fù)驗(yàn)證過程500次，每次隨機(jī)選擇不同的驗(yàn)證組，以排除驗(yàn)證組選擇隨機(jī)性的干擾。選擇N從1-10，統(tǒng)計(jì)仿真實(shí)驗(yàn)結(jié)果，繪制盒圖如圖6所示。

圖6 不同相似案例個(gè)數(shù)對(duì)應(yīng)的診斷結(jié)果正確率盒圖Fig.6 Correct rate box graphs of diagnostic results corresponding to the number of different similar cases

可以看出，整體上模型的診斷結(jié)果正確率隨相似案例個(gè)數(shù)的增加而減小，相似案例個(gè)數(shù)為1-4時(shí)，模型均能保證較高的正確率，基本在80%以上，平均正確率也在85%以上。為避免陷入局部最優(yōu)，應(yīng)避免選擇N為1，因此在本文模型中N選擇2-4均可取。

3 模型驗(yàn)證

3.1 案例庫交叉驗(yàn)證

選擇N=3，驗(yàn)證組案例100個(gè)，同時(shí)開展本文提出模型、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的交叉驗(yàn)證，計(jì)算診斷結(jié)果的正確率，3種模型的診斷正確率的直方圖如圖7所示。

圖7 不同診斷模型正確率直方圖Fig.7 Histogram of correct rates of different diagnostic models

可以看出本文診斷模型正確率在高正確率區(qū)域分布更多，整體上診斷正確率明顯高于其他兩種診斷模型。本文模型、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的平均準(zhǔn)確率分別為88.53%，86.80%，85.52%，本文模型較其他2種模型提升了2%～3%的正確率。

3.2 典型案例

采用本文提出的缺陷診斷模型診斷2臺(tái)油色譜異常的油浸式變壓器類設(shè)備。

3.2 1 某220 kV變壓器

某220 kV變壓器異常油色譜數(shù)據(jù)如表2所示，主要表現(xiàn)為乙炔異常。三比值編碼022，分析結(jié)果屬于高溫過熱。應(yīng)用本文診斷模型進(jìn)行診斷，推送的3例相似案例和診斷結(jié)論如表2所示。3例推送案例結(jié)論一致，診斷結(jié)果認(rèn)為該臺(tái)變壓器存在由鐵心多點(diǎn)接地導(dǎo)致的磁路過熱缺陷。對(duì)該臺(tái)變壓器進(jìn)行解體發(fā)現(xiàn)(見圖8)，該變壓器確系鐵心對(duì)夾件局部放電造成鐵心多點(diǎn)接地，最終導(dǎo)致A相低壓側(cè)上壓板、夾件與上梁墊塊之間的發(fā)熱和墊塊角部炭化。本文模型診斷結(jié)果與解體分析結(jié)論吻合。

表2 某220 kV變壓器油色譜及援例診斷結(jié)論Table 2 Diagnosis conclusion of a 220 kV transformer oil chromatogram μL·L-1

圖8 某220 kV變壓器解體發(fā)現(xiàn)缺陷部位Fig.8 Defects positions of a 220 kV transformer

3.2.2 某1000 kV電抗器

某特高壓1000 kV電抗器異常油色譜數(shù)據(jù)如表3所示，主要表現(xiàn)為乙炔異常，乙烯也上升較為明顯。三比值編碼102，分析結(jié)果屬于電弧放電。應(yīng)用本文診斷模型進(jìn)行診斷，推送的3例相似案例和診斷結(jié)論如表3所示。

表3 某1000 kV電抗器油色譜及援例診斷結(jié)論Table 3 Diagnosis conclusion of a 1000 kV reactor oil chromatogram μL·L-1

可見診斷結(jié)果認(rèn)為該高抗的缺陷為不涉及固體絕緣的放電缺陷，缺陷原因67%為懸浮電位放電，33%為油流帶電，最終判斷是懸浮電位放電。該高抗解體后發(fā)現(xiàn)其中一柱心柱地屏銅帶存在明顯放電痕跡，部分銅帶均存在斷裂，缺陷不涉及固體絕緣，缺陷產(chǎn)生的直接原因是通帶斷裂造成的懸浮電位放電(見圖9)。因此本文模型的診斷結(jié)果正確。

圖9 某1000 kV電抗器解體發(fā)現(xiàn)缺陷部位Fig.9 Defects positions of a 1000 kV reactor

4 結(jié)論

(1) 經(jīng)歸一化超立方映射后，目標(biāo)空間域中的特征氣體的含量均歸一至0～1區(qū)間內(nèi)，且各種特征氣體中位數(shù)相同、整體分布相似，適用于進(jìn)一步缺陷診斷。

(2) 應(yīng)用本文提出的援例相似度算法可以在目標(biāo)域中搜索到與待診斷案例最接近(歐氏距離)的案例，而計(jì)權(quán)選舉法能夠有效利用相似案例的相似度信息綜合判斷待診斷案例的缺陷類型、缺陷原因和缺陷部位。

(3) 案例庫內(nèi)部的交叉驗(yàn)證顯示本文提出的援例診斷模型的正確率比基于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的診斷模型高2%～3%。

(4) 實(shí)際的2臺(tái)油浸式變壓器類設(shè)備的解體結(jié)果驗(yàn)證了本文缺陷診斷模型的正確性。

[1] BACKLUND F，HANNU J. Can we make maintenance decisions on risk analysis results? [J]. Journal of Quality in Maintenance Engineering，2002, 08(1): 77-91.

[2] 田秀梅. 人工智能在電力系統(tǒng)故障診斷中的應(yīng)用[J]. 電子技術(shù)，2011，38(1)：11-12. TIAN Xiumei. Application of artificial intelligent technologies in power fault diagnosis [J]. Electronics Design & Application，2011，38(1)：11-12.

[3] WANG M，VANDERMAAR A J，SRIVASTAVA K D. Review of condition assessment of power trans-formers in service [J]. IEEE Electrical Insulation Magazine，2002，18(6)：12-25.

[4] 趙文清，李慶良，王德文. 基于多模型的變壓器故障組合診斷研究[J]. 高電壓技術(shù)，2013，39(2)：302-309. ZHAO Wenqing，LI Qingliang，WANG Dewen. Combinational diagnosis for transformer faults based on multi-models [J]. High Voltage Engineering，2013，39(2)：302-309.

[5] 鄭書生，陳金祥，李成榕，等. 變壓器繞組對(duì)局部放電特高頻定位方法的影響[J]. 高電壓技術(shù)，2013，39(2)：324-329. ZHENG Shusheng，CHEN Jinxiang，LI Chengrong，et al. Influence of windings on locating partial discharge in transformers by using ultra-high frequency method [J]. High Voltage Engineering，2013，39(2)：324-329.

[6] 劉曉燕. 基于全壽命周期管理的電力設(shè)備狀態(tài)檢修成本研究[J]. 江蘇電機(jī)工程，2016，35(5)：74-76. LIU Xiaoyan. Study on electrical equipment condi-tion-based maintenance cost with life cycle cost theory[J]. Jiangsu Electrical Engineering，2016，35(5)：74-76.

[7] 包玉樹. 變壓器繞組變形檢測(cè)技術(shù)在江蘇電網(wǎng)的應(yīng)用[J]. 江蘇電機(jī)工程，2005，24(4)：49-51. BAO Yushu. Application of winding distortion inspec-tion technology of transformer in jiangsu power grid[J]. Jiangsu Electrical Engineering，2005，24(4)：49-51.

[8] BHALLA D，BANSAL R K，GUPTA H O. Integrating AI based DGA fault diagnosis using Dempster-shafer Theory[J]. International Journal of Electrical Power & Energy Systems，2013，48(1)：31-38.

[9] GUARDADO J L，NAREDO J L，MORENO P，et al. A comparative study of neural network efficiency in power transformers diagnosis using dissolved gas analysis[J]. IEEE Transactions on Power Delivery，2001，16(7)：71.

[10] SOUAHLIA S，BACHA K，CHAARI A. MLP neural net-work-based decision for power transformers fault diagnosis using an improved combination of Rogers and Doernenburg ratios DGA[J]. International Journal of Electrical Power & Energy Systems，2012，43(1)：1346-1353.

[11] 唐勇波，桂衛(wèi)華，彭 濤，等. PCA和KICA特征提取的變壓器故障診斷模型[J]. 高電壓技術(shù)，2014，40(2)：557-563. TANG Yongbo，GUI Weihua，PENG Tao，et al. Transformer fault diagnosis model based on PCA and KICA feature extraction [J]. High Voltage Engineering，2014，40(2)：557-563.

[12] 周 湶，王時(shí)征，廖瑞金，等. 基于AdaBoost優(yōu)化云理論的變壓器故障診斷方法[J]. 高電壓技術(shù)，2015，41(11)：3804-3811. ZHOU Quan, WANG Shizheng, LIAO Ruijin，et al. Power transformer fault diagnosis method based on cloud model of AdaBoost algorithm [J]. High Voltage Engineering，2015，41(11)：3804-3811.

[13] 徐鎮(zhèn)凱，溫勇兵，魏博文，等. 基于組合賦權(quán)模糊云理論的高邊坡穩(wěn)定性評(píng)價(jià)[J]. 水利水運(yùn)工程學(xué)報(bào)，2017(1)：10-17. XU Zhenkai，WEN Yongbing，WEI Bowen，et al. Stability evaluation method for high slope based on fuzzy cloud theory combined with weights [J]. Hydro-science and Engineering，2017(1)：10-17.

[14] 張 安，和 吉，陳曉楠. 基于云理論的區(qū)域水資源承載力評(píng)價(jià)模型研究[J]. 水利水電技術(shù)，2017，48(1)：18-22. ZHANG An，HE Ji，CHEN Xiaonan. Study on cloud theory-based regional water resources carrying capacity evaluation model [J]. Water Resources and Hydropower Engineering，2017，48(1)：18-22.

[15] 張珂斐，郭 江，聶德鑫，等. 基于化學(xué)反應(yīng)優(yōu)化神經(jīng)網(wǎng)絡(luò)與融合DGA算法的油浸式變壓器模型研究[J]. 高電壓技術(shù)，2016(4)：1275-1281. ZHANG Kefei，GUO Jiang，NIE Dexin，et al. Diagnosis model for transformer fault based on cro-bp neural network and fusion DGA method [J]. High Voltage Engineering，2016(4)：1275-1281.

[16] 錢 政，嚴(yán) 璋，羅承沐. 范例推理與模糊數(shù)學(xué)的變壓器故障診斷方法[J]. 高電壓技術(shù)，2001，27(6)：1-2. QIAN Zheng，YAN Zhang，LUO Chengmu. Fault diagnosis method of power transformer by integrating case-based reasoning with fuzzy theory and neural network [J]. High Voltage Engineering，2001，27(6)：1-2.

[17] 王學(xué)磊，李慶民，楊 芮，等. 基于油色譜分析的變壓器復(fù)

合絕緣缺陷多指標(biāo)綜合權(quán)重評(píng)估方法[J]. 高電壓技術(shù)，2015，41(11):3836-3842. WANG Xuelei，LI Qingmin，YANG Rui，et al. Multiindex and comprehensive weighted assessment method for transformer compound insulation defects based on dissolved gases analysis [J]. High Voltage Engineering，2015，41(11)：3836-3842.

126.com)；

孫 翔(1979—)，男，浙江金華人，高級(jí)工程師，從事高電壓試驗(yàn)技術(shù)、變電設(shè)備運(yùn)維等方面的研究工作；

王文浩(1982—)，男，浙江溫州人，高級(jí)工程師，從事高電壓試驗(yàn)技術(shù)、變電設(shè)備運(yùn)維等方面的研究工作；

詹江揚(yáng)(1988—)，男，浙江金華人，高級(jí)工程師，從事高電壓試驗(yàn)技術(shù)、變電設(shè)備運(yùn)維等方面的研究工作。

(編輯 徐林菊)

Case Based Power Transformer Defeats DiagnoseModel Using Hypercube Mapping of Oil Chromatography

ZHENG Yiming, HE Wenlin, SUN Xiang,WANG Wenhao, ZHAN Jiangyang

(Electric Power Research Institute of State Grid Zhejiang Electric Power Corporation, Hangzhou 310014, China)

A case based defect diagnosis model is proposed in this paper. A normalized hypercube mapping method is proposed according to the distribution characteristics of oil chromatogram data. Oil chromatogram data in the hypercube space domain can be applied for diagnosing directly. Meanwhile, the case similarity degree method and the judging method of diagnosis result based on weighting election are put forward, and the selection and optimization of parameters in the model are confirmed by simulation experiments. The model shows high correct rate in the cross validation of the case database. The average accuracy rate was 88.53%, higher than the existing BP neural network and support vector machine technology. It can diagnose the defects of the oil-immersed equipment. It is verified that the model proposed in this paper has significant practical application value in engineering.

power transformer; defeats diagnose; hypercube mapping; oil chromatography

2017-02-01；

2017-03-21

國家電網(wǎng)公司科技項(xiàng)目(5211DS16000G)；國網(wǎng)浙江省電力公司科技項(xiàng)目(5211DS150026)

TM407

A

2096-3203(2017)04-0048-06

鄭一鳴

鄭一鳴(1987—)，男，浙江溫州人，工程師，從事高電壓試驗(yàn)技術(shù)、變電設(shè)備運(yùn)維等方面的研究工作(E-mail：yiming_zheng@yeah.net)；

何文林(1965—)，男，浙江浦江人，教授級(jí)高級(jí)工程師，從事高電壓試驗(yàn)技術(shù)、變電設(shè)備運(yùn)維等方面的研究工作(E-mail： hz_hewl@