基于自適應免疫算法的變壓器故障診斷

邢 濤， 李志軍， 曹玲燕， 丁立華

（1．華電國際電力股份有限公司山東分公司，山東 濟南 250014；2．江蘇國電南自海吉科技有限公司，江蘇 南京 211153；3.華電青島發電有限公司，山東 青島 266000）

0 引言

變壓器是電力系統的樞紐設備，其中油浸式電力變壓器內部結構較為復雜，與一般的電力設備比較而言故障率相對比較高[1]。根據國家DL/596-1996《電力設備預防性試驗規程》的有關規定，油浸式電力變壓器一般1～3年就需要斷電進行一次絕緣預防性試驗。但常規的預防性試驗方法對于可能出現在運行工作中的潛伏性故障不能有效的發現，此外通過簡單的氣體繼電器檢測也不能準確測出每種氣體的組分及其組分的具體含量，對于已發生的故障不能準確的反映[2-3]。因此，油浸式電力變壓器進行深入有效的在線監測與故障診斷研究，開展指導變壓器運行狀態下的狀態檢修、維護，對預防、降低變壓器故障的發生率，有著重要的理論和現實意義。

變壓器油中溶解氣體分析技術(dissolved gases analysis，DGA)能夠及時監測出油浸式電力變壓器運行中的潛伏性故障，現已經是變壓器故障診斷的重要方法之一[3]。伴隨著在線監測技術、計算機技術和人工智能技術的發展，國內外學者專家已將變壓器油中溶解氣體分析法DGA(Dissolved Gas Analysis)與模糊邏輯（Fuzzy Logic）、專家系統（Expert System）和人工神經網絡（Artificial Neural Network,ANN）有效結合，進行常規的故障診斷研究，實現了對電力變壓器運行中的潛伏性故障進行診斷，為故障診斷技術的發展開拓了新的途徑[4]。但進一步的理論研究和應用結果表明，上述理論算法在和變壓器油中溶解氣體分析法DGA結合運用中發現，存在計算量大、算法復雜、耗時較長，在線檢測并進行診斷糾正難度大。針對以上算法中涉及的一些問題，根據大量的研究，提出了一種基于自適應免疫遺傳算法，對油浸式電力變壓器進行在線故障診斷，算法將傳統的免疫算法與約束獨立成分分析cICA相結合，將研究對象的先驗信息作為約束條件，使新的算法僅僅收斂于感興趣的故障信號，更快更有效的分類；對于抗體種群數量與概率的跟新有促進作用，同時有效進化抗體庫。

1 原理與算法

免疫的基本定義為生物機體免疫系統對一切異物或抗原性的物質進行特異或者非特異識別和排斥清除的生理過程[5-6]。免疫算法模擬生物過程運用抗原(antigen，Ag)對抗體(antibody，Ab)進行不斷訓練，再進一步對抗體集進行優化整合，以得到能夠表征抗原特征的記憶抗體集為最終目標。人體內免疫系統的作用就是通過不斷地產生特定的抗體以消除相應的抗原的入侵，這樣的過程與大型工業程序中故障檢測、診斷以及后續的運行維護穩定原理非常相似[7]。

結合約束獨立成分分析（cICA）算法，將研究對象的先驗信息融入到算法中，使算法僅僅收斂于感興趣的故障信號，提高故障診斷的針對性，大大減少計算量，從而加快算法的收斂速度自適應地調整交叉概率和變異概率[8]，本算法通過計算信息熵來表征種群的相似性，實現如下描述[9-12]：

（1）抗原予以識別。輸入實驗中的目標函數和各種約束條件作為免疫算法的抗原。

（2）產生初始抗體。第一次迭代中，抗體通常是在解空間中隨機產生的。本算法中通過cICA先驗信息約束指定，使算法收斂于感興趣的故障信號，快速有效的進行分類。

（3）抗原、抗體間親和性的計算。這里需要同時計算抗原和抗體V之間的親和性ax，以及抗體V和抗體W之間的親和性ayv,w。其計算公式如下：

其中H(N)表示N個抗體的信息，optv為抗原與抗體V的結合度，axv的值在0-1之間。

其中Hj（N）為第j個信息嫡，且：

其中pi、j為第i個符號出現在基因座上的概率。

（4）記憶單元更新。將與抗原親和性高的抗體加入到記憶單元中，由于記憶單元數量有限，所以在記憶單元中新加入的抗體取代與其親和性最高的原有抗體。

（5）解濃度的評價。計算抗體V的濃度Cv，并與設定的閾值相比較，進行評價：

（6）新抗體的產生。產生新抗體的過程也就是尋優解的產生。根據設定的條件，滿足了相應的條件就終止，不滿足就繼續進行親和性的計算，如此循環。

2 算法應用分析

根據廣泛性、代表性和緊湊性甄選原則，變壓器油中溶解氣體檢測數據一般選用五種特征氣體，分別為 CH4、C2H2、C2H4、C2H6和 H2[5]。但原始的變壓器油中溶解特征氣體檢測相關數據，因為不同的變壓器規格、等級以及采氣量差距非常大，原始的溶解特征氣體的組分含量差異性和分散性較大，利用原始數據直接進行計算比較，這樣會使得數量級特別大的特征氣體指標直接作用，而某些數量級很小的特征氣體的性能指標作用會被降低甚至直接排斥掉，這樣的話只要大數量級的特征指標數值改變一點點，對故障診斷的分類結果影響巨大。因此，為了保證各個數量級的特征氣體含量能有效的保持指標分辨率，即保持其變異性的大小，需要對原始數據進行預處理，方法為：將各氣體含量占五種氣體含量總和百分比的方式將數據規格化，同時對原始數據進行尺度變換預處理，將數據樣本按統一標準映射到同一個范圍內。提高算法的泛化性。把數據變換到[a,b]范圍內公式為如下：

式中yi表示變壓器油中溶解特征氣體含量的原始數據，ymin表示特征氣體含量的集中最小的樣本值，ymax是最大的特征氣體含量的集中樣本值，Yi為特征氣體含量的集中尺度變換后的值。

課題是對生物的免疫系統運行機制進行的模擬設計，其中分為兩級分類器級聯的電力變壓器故障診斷運算方法。在免疫算法內部設計采用約束獨立成分分析法cICA判斷電力變壓器正常或故障狀態，故障類型的最佳記憶抗體集采取免疫算法來進行訓練。對油侵式變壓器出現的故障根據最佳記憶抗體集的信息進行類型的精細化分類。該算法不僅可以對油侵式變壓器出現單一故障進行有效的信息提供，多故障也能有效的故障部位信息劃分，對于油侵式變壓器故障診斷的正確率和速度有效的進行提高。

基于油中溶解氣體的電力變壓器故障診斷整體思想框架可歸納為以下幾點，算法過程思想如下圖1所示：

（1）根據收集油侵式變壓器中溶解特征氣體原始數據樣本，進行尺度變換與規格化預處理，提前有效提高故障診斷算法的泛化性。

（2）建立故障診斷算法的程序和診斷模型，將預處理后的正常和故障變壓器油中溶解氣體數據樣本，采用人工免疫算法訓練不同類型的故障抗體集，生成初始的記憶抗體集。

（3）通過約束獨立成分分析算法判斷待測數據樣本處于故障狀態還是正常狀態，如果經過判斷為正常，則直接輸出檢測結果。

（4）如判經過判斷為抗體集內的故障狀態，則繼續通過課題內設計的綜合決策法在記憶抗體集上對故障種類類型進行進一步判斷分析。

（5）故障診斷結果輸出。

3 診斷效果實例

故障案例1：某換流站#2主變A相總烴值出現超標情況，總烴已達183μL/L，與上一月色譜分析值（58μL/L）出現了較大增長。經分析認為該臺主變存在700℃以上的高溫過熱故障，變壓器裸金屬過熱性缺陷存在，初步判斷可能為分接開關接觸不良、鐵芯多點接地、接頭焊接不良或引線夾件螺絲松動。表1為該2#主變色譜數據跟蹤情況。

表1 換流變高溫過熱故障油色譜數據Tab.1 Fault oil chromatography data of converter temperature overheating

利用課題提出的基于免疫算法與約束獨立成分分析cICA相結合的自適應免疫遺傳算法對上述案例進行故障診斷分析，結果表明兩組數據均判斷為高溫過熱（＞700℃），如分接開關接觸不良，接頭焊接不良或引線夾件的螺絲松動，渦流引起銅過熱，其中磁回路過熱的可能性更大，纖維素劣化比較嚴重，故障可能涉及固體絕緣。分析結果與實際情況相符合。

故障案例2：某直流換流變電站曾出現過乙炔含量超標情況。經分析初步判斷為是內部接地螺絲松動引起絕緣油中懸浮、電暈放電，閥側引線出線裝置的屏蔽銅管和柱1的等電位連線斷開，造成左側的屏蔽銅管電位懸浮，并造成內部局部放電。B相在線圈下鐵扼部位有放電信號；C相在下鐵扼及中性套管下部約1m處有放電信號。

表2 換流變油中懸浮、電暈放電故障油色譜數據Tab.2 Fault oil chromatography data of converter oil suspension and corona discharge Corona discharge fault oil chromatography data

利用課題提出的基于免疫算法與約束獨立成分分析cICA相結合的自適應免疫遺傳算法對上述案例進行故障診斷分析，結果表明兩組數據均判斷為高能量放電，如線圈匝、層間短路，相間閃絡，引線對箱殼放電，線圈熔斷、分接開關飛弧，因環流而引起的電弧，引線對其他接地體放電。分析結果與實際情況相符合。

4 結論

研究了一種基于自適應免疫算法的故障診斷方法，本算法的核心是利用監測到的檢測信息向量，結合約束獨立成分分析法cICA，將研究對象的先驗信息作為約束條件，更快速有效的對故障類型進行識別。將該算法用于DGA電力變壓器數據診斷分析，并進行相應的在線試驗測試，故障診斷效果較好，且運行速度較快。同時所提出的故障診斷算法對模型的依賴性低，可以推廣到其他電力設備的故障診斷中，并且通過記憶抗體集的更新得到判別故障的最優抗體，實現診斷的優化。

（華電集團科技項目“火電廠電氣設備智能運維技術研究與示范應用”）

[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]錢政,嚴璋,羅承沐.電力變壓器絕緣故障綜合診斷方法的研究[J].電網技術,2002,26(2):32-36.Qian Zheng,Yan Zhang,Luo Chengmu.A study on synthet?ic diagnosis method for insulation fault of power trans?formers[J].Power System Technology,2002,26(2):32-36．

[3]孫才新,郭俊峰,廖瑞金,等.變壓器油中溶解氣體分析中的模糊模式多層聚類故障診斷方法的研究[J].中國電機工程學報,2001,21(2):37-41.Sun Caixin， Guo Junfeng， Liao Ruijin， et al． Study on fault diagnose method of transformer DGA with fuzzy model hiberarchy classification[J].Proceedings of the Chi?nese Society for Electrical Engineering,2001,21(2):37-41.

[4]黃席樾,張著洪,何傳江,等.現代智能算法理論及應用[M].北京:科學出版社,2005.15-153.

[5]任靜.基于免疫混合智能算法的變壓器故障診斷研究[D].北京：華北電力大學,2009.

[6]周愛華,張彼得,張厚宣.基于人工免疫分類算法的電力變壓器故障診斷[J].高電壓技術,2007,33(8):77-80.Zhou Aihua,Zhang Bide,Zhang Houxuan.Power Transform?er Fault Diagnosis by Using the Artificial Immune Clas?sification Algorithm[J].High Voltage Engineering.2007,33(8)：77-80．

[7]熊浩,孫才新,李小虎.基于克隆選擇分類算法的電力變壓器故障診斷[J].電網技術,2006,30(4):65-68.Xiong Hao，Sun Caixin，Li Xiaohu．Power Transformer Fault Diagnosis Based on Clonal Selection Classification Algorithm[J]． Power System Technology， 2006， 30(4)：65-68．

[8]王志陽,陳進,肖文斌,等.基于約束獨立成分分析的滾動軸承故障診斷[J].振動與沖擊,2012,31(9):118-122.Wang Zhiyang,Chen Jin,Xiao Wenbin,et al.Fault diagno?sis of rolling element bearing based on constrained inde?pendent component analysis[J].Journal of Vibration and Shock，2012，31(9)：118-122．

[9]莫宏偉.人工免疫系統原理與應用[M].哈爾濱:哈爾濱工業大學出版社,2000:25-30.

[10]Dasgupta D&Atoh-Okine N.Immune-based Systems Survey[J].In Proc 1997 IEEE Int Conf on System,1997,8:869-874.

[11]Timmis J Neal M Hunt J.Artificial immune system for data analysis.Biosys-tems,2000,55(3):143-150.

[12]P J Costa Braneo J A Dente R Vilela Mendes.Using Immunology Principles For Fault Detection.IEEE Trans?actions On Industrial E1ectronies.2003,50(2):362-373.