基于多層向量機的變壓器故障診斷

方森田

（廣東電網(wǎng)有限責任公司廣州供電局，廣東廣州510000）

0 引言

電力變壓器油中溶解的氣體種類與它的絕緣故障類型有著密切的聯(lián)系。在運行電壓下，變壓器油與固體絕緣材料會因為電熱等故障慢慢發(fā)生劣化分解，并且油中會產(chǎn)生很少數(shù)量的各類低分子烴及CO、CO2等氣體。故障類型的不同會導致產(chǎn)生氣體的種類、含量、比例甚至產(chǎn)氣速率均不相同[1]。油中溶解氣體分析（Dissolved Gas Analysis，DGA）是一種通過在線檢測及時發(fā)現(xiàn)變壓器油中溶解的超出限值的特征氣體，以識別變壓器內(nèi)部故障的方法。如何構(gòu)建變壓器故障診斷模型，利用變壓器油中特征氣體的相關(guān)數(shù)據(jù)精確判斷出故障類別和程度，提高故障診斷的準確率，是變壓器故障診斷的重要研究方向[2]。

1 基于DGA技術(shù)的變壓器故障診斷原理

變壓器故障大致上分為電性故障、熱性故障和機械故障三類，通常以前兩者為主。除去因電磁力的影響或者因為搬運過程中受振而導致的物理損壞等，其余的機械故障仍然是以電性故障或熱性故障的形式表現(xiàn)出來。變壓器在電弧放電的大電流作用下集中分解出C2H2、H2和少數(shù)C2H4；而在局放的小電流作用之下，主要分解出H2、C2H4；絕緣油受高溫作用時分解出H2、C2H4、C2H2等；一些固體材料受高溫作用時分解出CO、CO2。《變壓器油色譜分析與判斷導則》（GB/T 7252—2001）中詳細列出了變壓器不同內(nèi)部故障產(chǎn)生的特征氣體的主要成分和次要成分[3]。因此，變壓器內(nèi)部故障與特征氣體成分息息相關(guān)，可根據(jù)油浸式變壓器油中溶解氣體的特征，判別故障是否在變壓器內(nèi)部出現(xiàn)，并采用改良三比值法等算法進行故障診斷。

2 基于多層向量機的變壓器故障診斷模型構(gòu)建

為解決傳統(tǒng)三比值法存在比值編碼組合不足和編碼邊界模糊的缺陷，提出了基于多層向量機的變壓器故障診斷模型，采用網(wǎng)格搜索算法對模型懲罰因子C和核函數(shù)參數(shù)g進行尋優(yōu)。

（1）故障特征量選取：不同氣體對象在變壓器故障診斷分析中起不同作用。判斷熱源溫度和是否出現(xiàn)局部放電或受潮的依據(jù)是H2含量；CH4、C2H4和C2H6等烴類氣體含量是判斷熱源溫度的主要依據(jù)；C2H2含量主要用來判斷是否出現(xiàn)放電或高溫熱源；CO含量主要用來判斷固體絕緣材料有無發(fā)生熱分解；CO2含量主要用來判斷固體絕緣材料的老化程度或平均溫度。因此，本文選取H2、CH4、C2H2、C2H4和C2H6作為故障特征量。

（2）分類模型確定：本文將變壓器狀態(tài)分為4類，即正常狀態(tài)、熱故障、低能放電、高能放電。考慮采用基于二叉樹法的SVM多分類算法構(gòu)建分類模型，將變壓器的4種狀態(tài)區(qū)分出來。對于4種變壓器狀態(tài)的所有樣本，通過訓練SVM1將正常狀態(tài)與其他3種故障類型的樣本區(qū)分開來，從而得到基于支持向量機的多層分類模型，如圖1所示。

圖1 基于支持向量機的多層分類模型

（3）樣本數(shù)據(jù)收集劃分：根據(jù)上文選定的故障特征量和故障類別的情況，對相關(guān)公開發(fā)表文獻中的油浸式變壓器氣體數(shù)據(jù)進行收集與分類，可得120組變壓器特征氣體數(shù)據(jù)，其中包括10個正常狀態(tài)樣本，54個熱故障樣本，18個低能放電樣本以及38個高能放電樣本。

（4）參數(shù)尋優(yōu)：網(wǎng)格搜索算法（Grid Search）的基本原理是在給定參數(shù)的變化范圍內(nèi)，按照不同的增長方向，以設定好的步長遍歷范圍內(nèi)的所有點，相當于形成了一個二維的網(wǎng)格。利用交叉驗證的概念，每一對參數(shù)組合求出判斷函數(shù)的值，比較每一個參數(shù)組合的分類準確率，再選出分類精確率最高的那組參數(shù)[4]。

（5）模型構(gòu)建：從原始的DGA氣體數(shù)據(jù)中提取特征氣體含量數(shù)據(jù)，構(gòu)成4類變壓器狀態(tài)下的原始數(shù)據(jù)樣本，然后按大致7:3的比例從樣本集中隨機抽樣組成訓練集和測試集。根據(jù)交叉驗證的思想，應用兩種算法對該SVM分類模型進行優(yōu)化，選取最優(yōu)懲罰因子C和核函數(shù)參數(shù)g，從而得出一個診斷精度較高的故障診斷分類模型，如圖2所示。

圖2 優(yōu)化后的故障診斷分類模型

3 仿真分析

在MATLAB中使用LIBSVM工具箱對模型進行仿真分析，采取網(wǎng)格搜索算法對懲罰因子C和核函數(shù)參數(shù)g進行尋優(yōu)。根據(jù)算例可知，對于一個故障樣本，通過SVM1被正確判斷為故障的概率是26/26；通過SVM2被正確判斷為熱故障的概率是12/13，被正確判斷為電故障的概率是13/13；通過SVM3，該故障被正確判斷為低能放電故障的概率是4/4，被正確判斷為高能放電故障的概率是8/9。對上述相關(guān)概率進行乘積計算可得，對于熱故障，依次通過SVM1和SVM2，被正確判斷的概率約92.31%；對于低能放電故障，依次通過SVM1、SVM2和SVM3，被正確判斷的概率為100%；對于高能放電故障，依次通過SVM1、SVM2和SVM3，被正確診斷的概率約為88.89%。因此該模型具有較高的故障診斷準確率。

為進一步證明前文中構(gòu)建的診斷模型的可行性和有效性，把它對各類故障的診斷準確率分別和改良三比值法及BP神經(jīng)網(wǎng)絡算法進行比較分析。對比分析表1中各方法的診斷準確率，可知本文構(gòu)建的故障診斷模型在診斷準確率方面表現(xiàn)良好。

表1 各算法故障診斷準確率比較 單位：%

4 結(jié)語

本文所提出的基于多層向量機的變壓器故障診斷模型，能有效解決傳統(tǒng)三比值診斷方法存在的編碼過于絕對、邊界問題難以判別等缺陷，并在MATLAB中使用LIBSVM工具箱對模型進行了仿真分析，并與改良三比值法、BP神經(jīng)網(wǎng)絡算法進行了比較。結(jié)果表明，本文構(gòu)建的故障診斷模型在診斷準確率方面表現(xiàn)良好，在故障診斷領(lǐng)域具有優(yōu)越的泛化能力和廣闊的應用前景。