電力變壓器故障診斷方法的比較研究

黨瓏，王琪，董佳寧，李一然，周宇潔

（1.江蘇理工學院電氣信息工程學院，江蘇常州 213001；2.蘇文電能科技股份有限公司，江蘇常州 213149）

電力變壓器是電力系統中重要的電氣設備之一，若變壓器發生故障將對電力系統及用戶產生重大影響[1]。為了使變壓器能夠長期穩定可靠地運行，避免因計劃檢修所帶來的超前故障和潛在故障，利用智能控制技術和大數據技術對設備進行狀態監測與分析勢在必行[2]。通過實時檢測變壓器的運行情況，結合相關歷史數據以及人工智能算法，可得到設備當前運行情況，并預測未來短時間內可能存在的狀態[3]。如果設備指標無異常，可以不安排檢修工作；反之，應及時確定故障情況，并安排檢修[4]。可見，快速、準確地診斷并預測電力變壓器故障類型具有十分重要的現實意義。

針對電力變壓器故障診斷問題，國內外學者進行了深入的研究。通常，故障診斷方法有傳統診斷和智能診斷兩種類型。其中，傳統故障診斷方法主要包含特征氣體判別法、IEC三比值判別法和無編碼比值法。特征氣體判別法是根據不同故障類型對應的特征氣體及含量對變壓器故障類型進行判別，該方法具有原理簡單、易實現等優點[5]。然而，在工程實際中，無論變壓器是否故障都會產生特定的氣體，如果單純根據特征氣體類型及其對應含量來判斷故障類型容易產生誤判，影響診斷結果。IEC 三比值判別法是由國際電工委員會（International Electrotechnical Commission，IEC）對變壓器運行過程中所產生氣體含量進行歸納整理，并將這些氣體兩兩對比，得到了一組氣體比值數據[6]；在此基礎上，結合變壓器故障類型進行分析、對比與整合，進而構成變壓器故障類型判斷方法。IEC 三比值法在實際工程應用中具有較高的準確率，但仍存在一些缺陷，如：編碼賦值有條件、故障類型有限、存在編碼空缺等。無編碼比值法又稱為二比值法，這是我國變壓器故障診斷專家通過對大量的故障數據進行分析而研究得出的一種簡單易行的故障診斷方法[7]。該方法只需計算出C2H2/C2H4、C2H4/C2H6和CH4/H2中的兩個比值就可以快速地進行診斷，而無需通過編碼查找故障類型。由此可見，無編碼比值法不存在找不到編碼以及編碼過少找不到對應故障類型的問題[8]。該方法判斷簡單，正確率較高，其不足之處在于無法區分變壓器是處在正常狀態還是故障狀態[9]。

智能故障診斷方法涵蓋了如專家系統[10]、人工神經網絡[11]、支持向量機[12]等由智能控制算法構成的變壓器故障判別方法。其中，專家系統方法是將專家推理經驗引入到故障分析的計算機模型中，從而處理現實中需要專家做出判斷的復雜故障診斷問題，并得出與專家相同的結論[13]。該方法不依賴于大量數據，可解釋性強，但大量規則的設計使得模型過于復雜，且可移植性和自學習能力差。人工神經網絡和支持向量機方法則是通過對故障樣本數據進行分析與挖掘[14]，利用機器學習技術來模擬或實現人類的學習行為，以獲得樣本輸入與輸出之間潛在的非線性關系，從而進行故障診斷。這類方法對于變壓器故障診斷的多分類、小樣本問題處理較好，且精度較高；但也有一些缺點，如可能會陷入局部極值或者出現收斂速度過慢等情況[15]。

本文以智能故障診斷方法為研究對象，利用遺傳和粒子群優化算法分別對人工神經網絡和支持向量機方法進行優化與比較研究，從而建立了四種故障診斷模型并對其進行測試與分析。

1 故障診斷原理

電力變壓器的故障診斷屬于典型的分類回歸問題，對于這類問題，BP 神經網絡和最小二乘支持向量機（Least Squares Support Vector Machine，LSSVM）等基于智能控制學理論的機器學習方法提供了很好的解決方案。

BP 神經網絡是一種基于誤差向傳播算法訓練的多層前饋神經網絡，目前在求解各類回歸問題中應用較為廣泛[16]。BP神經網絡通過改變網絡結構，增加隱層層數或者調整層與層之間的權值大小來解決故障診斷非線性分類的復雜工程實際問題。

支持向量機（Support Vector Machine，SVM）的本質是一個二分類器，LSSVM 作為標準SVM 的改進，用等式約束代替了SVM 的不等式約束[17]，從而將求解SVM 的凸二次規劃問題轉化為線性方程組的求解問題[18]，降低了算法復雜度。其在處理樣本數據較少的分類回歸問題時有著獨特的優勢，因此，被引入到故障診斷的研究中。

本文以BP 神經網絡和LSSVM 兩種算法為立足點，嘗試找出最適合變壓器故障診斷的有效模型。如圖1 所示，為基于BP 神經網絡和LSSVM 的故障診斷原理。BP 神經網絡或LSSVM 算法類似于一個“黑箱”，利用“黑箱”原理[19]，能夠找出訓練樣本輸入與輸出之間潛在的非線性關系，再通過測試樣本對“黑箱”中的潛在非線性關系進行驗證，得到誤差精度，從而判斷是否滿足性能指標。

圖1 故障診斷原理

此外，為了克服BP神經網絡和LSSVM算法的缺陷，本文還利用遺傳（Genetic Algorithms，GA）和粒子群（Particle Swarm Optimization，PSO）兩種算法來優化BP神經網絡的權值、閾值以及LSSVM的核參數、懲戒參數，從而改善精度，通過比較研究得到最優診斷模型。

2 故障診斷樣本

2.1 故障診斷樣本的獲取

電力變壓器發生故障時會產生油中溶解氣體即特征氣體，氣體種類可達20多種，但真正應用于故障診斷的氣體主要為氫氣（H2）、甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）、乙炔（C2H2）、一氧化碳（CO）和二氧化碳（CO2）。其中，因CO和CO2氣體含量值變化范圍大，在BP神經網絡和LSSVM故障診斷方法的歸一化過程中會極大地影響其他氣體參數歸一化后的值，且這兩種氣體主要用來分析固體絕緣材料情況；因此，在不影響診斷正確率且分析對象特征盡可能少的情況下，本文選用H2、CH4、C2H6、C2H4、C2H2五種氣體作為特征氣體，并以其含量作為輸入。

通過與江蘇省常州市某油侵式電力變壓器生產廠商開展科研項目合作，形成了油中溶解氣體分析（Dissolved Gas Analysis，DGA）數據庫。在有明確結論的100 個樣本中，選擇70 個樣本作為BP 神經網絡和LSSVM 的訓練集，并將其余30 個樣本作為測試集，這樣，保證了每個故障類型有14 個訓練樣本和6 個測試樣本。如圖2 所示，為具體樣本數據。

圖2 故障樣本數據

2.2 故障診斷樣本的編碼

變壓器的故障類型通常以故障性質進行劃分：按照變壓器過熱程度，劃分為中低溫過熱和高溫過熱；按照放電能量大小，電性故障分為低能放電和高能放電。若無故障，則為正常運行狀態。如表1所示，為本文診斷模型故障編碼，0、1、2、3、4分別表示正常狀態、中低溫過熱、高溫過熱、低能放電和高能放電。

表1 診斷模型故障編碼

3 基于BP 神經網絡的故障診斷模型測試

在對電力變壓器故障診斷模型進行測試之前，需要明確本文的測試環境：Windows 10 家庭版64位操作系統；Intel酷睿10代i5處理器，2.90 GHz，內存8 GB，固態硬盤512 G；MATLAB 2016軟件平臺。

3.1 基于GA-BP的故障診斷模型測試

如圖3 所示，為GA-BP 適應度曲線。從圖3可以看出：隨著迭代次數的增大，最佳適應度曲線逐漸上升，且在第18次時達到收斂，此時適應度為97.15%；GA-BP的平均適應度在92%上下波動，最低為89.14%，最高為93.82%。

圖3 GA-BP適應度曲線

如圖4 所示，為GA-BP 訓練樣本診斷情況。由圖4 可知，不符合預期結果的有10 組樣本，其中：第9組、第12組和第55組樣本被誤診為低能放電；第25 組、第27 組、第50 組和第69 組樣本被誤診為高溫熱故障；第16 組、第32 組和第53 組樣本被誤診為正常狀態。符合結果的樣本約占總訓練樣本的85.71%，其中：正常狀態和高溫熱故障診斷正確率為92.86%；高能放電診斷正確率為85.71%；低能放電和中低溫熱故障診斷正確率為78.57%。訓練樣本診斷效果差。

圖4 GA-BP訓練樣本診斷情況

如圖5所示，為GA-BP測試樣本診斷情況。由圖5可知，不符合預期結果的有8組樣本，其中：有5組樣本被誤診為正常，分別為第14組、第16組、第19組、第23組和第24組樣本；有2組樣本被誤診為高能放電，分別為第18 組和第20 組樣本；第10 組樣本被誤診為高溫熱故障。符合結果的樣本占總測試樣本的73.33%，其中：高能放電故障和正常狀態診斷正確率均為100%；低能放電診斷正確率為83.33%；高溫熱故障診斷正確率為50%；中低溫熱故障診斷正確率為33.33%。整體診斷效果差。

圖5 GA-BP測試樣本診斷情況

如圖6所示，為GA-BP運行時間。由圖6可知，GA-BP整體的運行時間約為159 s，運行時間較長。

圖6 GA-BP運行時間

3.2 基于PSO-BP的故障診斷模型測試

如圖7 所示，為PSO-BP 的適應度曲線。由圖7 可知：隨著迭代次數的增加，最佳適應度曲線逐漸變大，在第7次時就達到了收斂，略快于GA-BP模型，最優適應度同樣為97.15%；平均適應度曲線集中在90%上下，最高為92.50%，但有3次平均適應度達到最低，約為76.00%，整體診斷模型的穩定性略差于GA-BP模型。

圖7 PSO-BP適應度曲線

如圖8 所示，為PSO-BP 的訓練樣本診斷情況。由圖8可知，不符合結果的有6組樣本，其中：有3組樣本被誤診為低能放電，分別為第1組、第9組和第12 組樣本；有3 組樣本被誤診為高溫熱故障，分別為第13 組、第27 組和第69 組樣本。符合結果的樣本約占總訓練樣本的91.43%，優于GABP 模型，其中：高能放電故障診斷正確率約為71.43%；低能放電和正常狀態診斷正確率約為92.96%；其余診斷正確率為100%。訓練樣本診斷效果好。

圖8 PSO-BP訓練樣本診斷情況

如圖9 所示，為PSO-BP 的測試樣本診斷情況。由圖9可知，不符合結果的有7組樣本，其中：有2組樣本被誤診為低能放電，分別為第2組和第6 組樣本；有2 組樣本被誤診為中低溫熱故障，分別為第16 組和第17 組樣本；有2 組樣本被誤診為正常狀態，分別為第19 組和第23 組樣本；第10 組樣本被誤診為高溫熱故障。符合結果的樣本占總測試樣本的80.00%，同樣優于GA-BP模型，其中：正常狀態診斷正確率為100%；低能放電故障和高能放電故障診斷正確率為83.33%；高溫熱故障和中低溫熱故障狀態診斷正確率為66.66%。整體診斷效果依然有待提高。

圖9 PSO-BP測試樣本診斷情況

如圖10 所示，為PSO-BP 診斷模型的運行時間。由圖10 可知，整個工程的運行時長約為156 s，快于GA-BP 模型3 s，運行速度改善不明顯。

圖10 PSO-BP運行時間

4 基于LSSVM 的故障診斷模型測試

4.1 基于GA-LSSVM的故障診斷模型測試

如圖11 所示，為基于GA 優化的LSSVM 適應度曲線。從圖11可以看出：隨著迭代次數增加，適應度逐漸變大，在迭代至92次時達到收斂，最佳適應度達到100%；平均適應度隨著迭代次數的增加有明顯增長，但是始終未收斂。

圖11 GA-LSSVM適應度曲線

此時，利用求得的全局最優染色體解碼所得的C 和g 構建故障診斷模型。如圖12 所示，為GA-LSSVM 訓練樣本診斷情況。不難發現，GALSSVM診斷模型總體正確率為100%，無誤診及未識別情況出現，每個診斷結果都符合預期目標，訓練結果較好。

圖12 GA-LSSVM訓練樣本診斷情況

如圖13 所示，將測試樣本導入已建立的故障診斷模型，得到GA-LSSVM 測試樣本診斷情況。從圖13 可知，診斷模型總體正確率達到93.33%，整體效果優于基于BP 神經網絡的兩種模型，其中：高溫熱故障和中低溫熱故障的診斷正確率為83.33%；其他故障診斷正確率均為100%。兩處診斷錯誤情況為：第16組樣本，應該為高溫熱故障，被誤診為低能放電；第19組樣本，應該為中低溫熱故障，被誤診為高溫熱故障。

圖13 GA-LSSVM測試樣本診斷情況

如圖14 所示，為GA-LSSVM 診斷模型運行時間。整個工程的運行時長約為63 s，比基于BP 神經網絡的兩種模型快了近100 s。

圖14 GA-LSSVM運行時間

4.2 基于PSO-LSSVM 的故障診斷模型測試

如圖15 所示，為PSO-LSSVM 訓練適應度曲線。從圖15可以看出：最佳適應度在第2次迭代時就達到了收斂，最佳適應度值為100%，訓練效果明顯優于基于GA-LSSVM的診斷模型；隨著迭代次數的增加，平均適應度穩步上升，到第7 次迭代時平均適應度收斂，此時適應度值達到了100%。

圖15 PSO-LSSVM訓練適應度曲線

綜上，在4 種模型中基于PSO-LSSVM 的故障診斷模型存在3 個明顯優勢：（1）最佳適應度迭代速度快；（2）平均適應度曲線收斂；（3）平均適應度最大值為100%。

如圖16所示，為PSO-LSSVM訓練樣本診斷情況。從圖16可以看到70組訓練樣本的訓練情況，其訓練結果正確率達到了100%，無漏診、誤診，訓練結果優秀。

圖16 PSO-LSSVM訓練樣本診斷情況

如圖17所示，為PSO-LSSVM測試樣本診斷情況。從圖17可以看到30組測試樣本的診斷情況，其中：第19組樣本被誤診，將中低溫熱故障誤診為高溫熱故障；其余29組數據均符合預測要求，正確率達到了96.67%。樣本診斷效果好于GA 優化的LS-SVM診斷模型。

圖17 PSO-LSSVM測試樣本診斷情況

如圖18所示，為PSO-LSSVM診斷模型運行時間。從圖18 可以看出，整個工程的運行時長約為49 s，速度非常快，比GA-LSSVM超前了約13 s，比基于BP神經網絡的兩種模型快了近110 s。

圖18 PSO-LSSVM運行時間

5 結論

本文針對電力變壓器故障診斷問題，引入了基于PSO-BP、GA-BP、PSO-LSSVM 和GA-LSSVM的4 種診斷方法，并進行了比較研究。如表2 所示，為4種診斷模型性能的比較結果。

表2 4種診斷模型的性能比較

根據以上結果，得到如下結論：（1）基于PSO優化的LSSVM故障診斷模型相比其他3種模型有著更優異的性能，能夠滿足變壓器的故障診斷需求；（2）基于LSSVM 的故障診斷模型在正確率和運行時間兩方面均優于基于BP神經網絡的故障診斷模型；（3）在變壓器故障診斷中，無論是BP神經網絡還是LSSVM，PSO算法的優化效果均好于GA算法。