基于改進蟻群算法的電力變壓器繞組故障智能檢測方法

陳超人 胡明波 夏 坊 冉夢東 任 飛

（貴州電網有限責任公司遵義供電局）

0 引言

電力系統中的核心組件之一便是電力變壓器，若其發生故障，嚴重的時候甚至可能引發危險事故。考慮到這一點，及時且準確地診斷繞組故障變得尤為重要［1］。它不僅僅能確保電力系統的穩定運行，還能在很大程度上增強電力設備的安全性，進而避免發生重大事故。為了確保電力設備的安全穩定運行，對電力變壓器繞組故障的檢測十分必要。

傳統的電力變壓器繞組故障檢測方法主要基于定期檢修和離線實驗，這些方法雖然能夠發現一些潛在故障，但存在著檢測周期長、效率低下等問題，難以滿足現代電力系統對設備安全性的高要求［2-4］。因此，如何實現電力變壓器繞組故障的智能、在線檢測，成為當前電力領域亟待解決的問題。

為此，本文基于改進后的蟻群算法，提出一種電力變壓器繞組故障智能檢測方法。應用加快了收斂速度并強化了全局搜索能力的蟻群算法展開研究，結合電力變壓器繞組故障的特性，構造相應的故障檢測模型，實現對繞組故障的智能檢測。

1 電力變壓器繞組故障特性分析

電力變壓器繞組故障特性分析是本文研究的重要基礎，繞組故障是電力變壓器常見的故障之一，其產生原因和表現形式多種多樣，對電力系統的穩定運行造成威脅。

開路故障通常由于繞組內部的導線斷裂或連接不良導致，其會導致電流中斷，變壓器輸出電壓降低；短路故障可能是由于絕緣擊穿或繞組變形造成的，會導致電流突然增大，油溫迅速升高，若不及時切斷，可能會造成繞組燒毀；接地故障通常是由于外部物理損壞導致的，這會引發變壓器漏電流的增加，可能導致保護裝置動作。繞組故障的產生與制造質量、運行環境、絕緣老化、過電壓、過電流等因素密切相關［5］。長期的過載運行和惡劣的運行環境可能導致繞組絕緣性能下降，進而引發故障。

繞組故障通常表現為電氣量的異常，如電流、電壓的突變，以及油溫、氣體成分的非正常變化等。繞組故障時，電流可能會出現突然的升高或降低，或者出現諧波成分；開路故障會導致輸出電壓降低；而短路故障可能會導致電壓暫態波動。

繞組故障會導致變壓器效率降低，損耗增加，溫度上升，進而加速絕緣老化，形成惡性循環。此外，繞組故障還可能引發變壓器的保護裝置誤動作，造成不必要的停電。因此，在對電力變壓器繞組故障進行檢測時，需要關注其多樣化的外在表現形式和內部深層的可能原因。后續將基于改進的蟻群算法，對電力變壓器繞組故障進行檢測。

2 故障特征提取

在電力變壓器繞組故障檢測中，故障特征的選擇至關重要，它直接影響到故障識別的準確性和效率。合適的故障特征應該能夠顯著區分故障狀態和正常狀態。假設有N個樣本，每個樣本有M個特征，那么特征重要性的計算公式可以表示為：

式中，fi表示第i個特征，fij表示第j個樣本在第i個特征上的取值，μi和σi分別表示特征fi的均值和標準差。公式（1）計算了每個特征在所有樣本上的標準化平均絕對值偏差，所得數值越大，則表示該特征越重要。

3 改進蟻群算法

為了提高后續對電力變壓器繞組故障檢測的準確性，本節對蟻群算法進行了改進，以增強算法的性能和效率。

本文引入了啟發式因子ηij，將這一因子考慮進來以后，螞蟻在選擇路徑時，不僅會考慮之前螞蟻的信息素軌跡，還會考慮當前的故障特征，從而實現更加準確地定位故障位置的目標。此時的螞蟻路徑選擇概率公式可以表示為：

式中，Pij表示選擇路徑()i，j的概率；τij表示路徑(i，j)上的權重值；α和β分別為權重值和啟發式因子的指數參數。

在基本蟻群算法中，信息素的揮發是固定的，這可能導致算法在某些情況下收斂速度過慢。為此，提出一種自適應的信息素揮發機制。其核心思想是：當算法接近最優解時，降低信息素的揮發速度，使得搜索更加精細；而當算法陷入局部最優時，增加信息素的揮發，鼓勵螞蟻探索新的區域。設置一個動態的信息素揮發系數表示為：

式中，ρ0表示初始揮發系數；ρend表示最終的揮發系數；k表示控制揮發速度變化的參數。在此種情況下，可利用公式（2）更新公式（3）中的權重值，更新后可表示為：

式中，τij(t+1)表示在時刻t+1時路徑(i，j)上的權重值，能夠反映路徑的吸引程度；表示在時刻t時路徑(i，j)上的權重值；Δτij表示路徑(i，j)上的權重增量，是在[t，t+1]時間段內，由于螞蟻選擇這條路徑而導致的權重增加量。

通過上述改進策略，使其能夠在后續求解電力變壓器繞組故障檢測問題時能夠更加高效、準確，使算法更加適用于實際應用。

4 構建電力變壓器繞組故障檢測模型

在構建電力變壓器繞組故障檢測模型時，首先需要理解故障與特征參數之間的關系。對于電力變壓器，其運行狀態與電壓、電流、油溫等多種參數有關。當繞組出現故障時，這些參數會出現異常變化。因此，可以通過捕捉這些異常變化來檢測繞組故障。構建電力變壓器繞組故障檢測模型Fij(t)的公式可表達為：

當該模型計算后所得數值在[0，]1范圍內時，說明電力變壓器繞組未發生故障，當該值>1時，說明電力變壓器繞組發生故障，由此完成對于電力變壓器繞組故障的智能檢測。

5 實驗分析

為了驗證基于改進蟻群算法的電力變壓器繞組故障智能檢測方法的有效性，本文進行了一系列的實驗。收集了多個電力變壓器的運行數據，包括正常狀態數據200組以及繞組故障狀態數據800組。這些數據被打亂后隨機均分為訓練集和測試集，即每個數據集有500組數據。同時，為了對本文所提方法有更加直觀地認識，采用了文獻［2］、文獻［3］以及文獻［4］方法，與本文方法進行對比驗證與分析。最終得到的具體的實驗結果如表1所示。

表1 不同方法應用下電力變壓器繞組故障檢測結果

通過對表1數據進行分析可知，本文方法在所有的評價指標（準確率、精確率、召回率和F1分數）上都取得了最高的數值，說明本文所提方法在電力變壓器繞組故障檢測任務上具有一定的優越性。其中，文獻［2］方法和文獻［4］方法的性能相對較低，但仍然接近本文方法的性能。這表明，在實際應用中，其他方法也能取得一定的效果，但本文方法具有更高的準確性和效率。文獻［3］方法的性能指標與本文方法相對接近，但在所有的評價指標上仍然稍低于本文方法，這進一步驗證了本文方法在電力變壓器繞組故障的智能檢測方面，存在檢測性能上的優勢，能夠提高電力變壓器繞組故障的檢測精度及效率。

6 結束語

本文通過對蟻群算法進行改進，并將其應用于電力變壓器繞組故障檢測，提高了其收斂速度和全局搜索能力，為解決電力變壓器繞組故障檢測問題提供了有效手段。所構建的電力變壓器繞組故障檢測模型具有較高的檢測精度和效率，能夠實現對繞組故障的智能檢測，說明本文研究方法具有較高的實際應用價值，為解決電力變壓器繞組故障檢測問題提供了一種新的有效途徑。