張 桔

（華潤電力（興寧）有限公司，廣東 梅州514548）

0 引言

作為支持電力運行的重要設(shè)備，電力變壓器具有非常復(fù)雜的結(jié)構(gòu)，這就使得其一旦發(fā)生故障，很難快速確定故障原因。我國現(xiàn)階段主要采用基于DGA的診斷方法進行故障診斷，除此之外，還有遺傳支持向量機加灰色人工免疫算法、多分類最小二乘支持向量機加改進粒子群優(yōu)化算法、粗糙集診斷法等等。

1 基于DGA的診斷方法

當(dāng)前電力變壓器故障診斷依然以基于DGA的診斷方法為主，其原理為：在常規(guī)條件下，電力變壓器內(nèi)部有機絕緣材料會在電與熱的雙重作用下不斷老化分解，產(chǎn)生溶于油中的多種氣體，如氫氣、二氧化碳、一氧化碳、甲烷、乙烷、乙烯和乙炔等。一旦變壓器出現(xiàn)放電故障或具備潛伏性過熱條件，氣體產(chǎn)生速度將會大大加快。故障越嚴重，氣體在油中產(chǎn)生的氣泡就會在油中對流和擴散得越強烈?；贒GA所衍生的診斷方法，正是借助油溶氣體含量或種類及故障類型或嚴重程度之間的密切關(guān)系來判斷故障原因。

使用基于DGA的診斷方法，可以對電力變壓器如下故障進行準確診斷：以正常運行時一氧化碳和二氧化碳占比最多為標準，若裂解氣體主要為氫氣和甲烷，則可判定油紙絕緣材料出現(xiàn)了局部放電；若溫度稍高于正常溫度，則甲烷占比最大，隨著溫度增加，乙炔和乙烯的占比會逐漸上升。若溫度過高，超過了1×104℃，油分解物中含有大量乙炔，則可判定為電弧故障。

變壓器故障多為單一故障，少數(shù)為多重故障。單一故障一般包括：（1）低于300℃的低溫過熱；（2）介于300～700℃之間的中溫過熱；（3）高于700℃的高溫過熱；（4）高能放電；（5）低能放電；（6）局部放電或受潮。而多重故障則包括：（1）高溫過熱的同時還有中溫過熱；（2）低能放電的同時還有過熱現(xiàn)象；（3）高能放電的同時還有過熱現(xiàn)象。

在實際的故障診斷中，可以將收集到的電力變壓器故障數(shù)據(jù)作為樣本，輸入到反饋云熵模型中進行統(tǒng)計學(xué)計算，以結(jié)果作為故障診斷的參考依據(jù)。該模型具有如下要素：（1）精確數(shù)值組成的定量域U；（2）期望值Ex、熵En以及超熵He；（3）U中的定性概念C；（4）C的隸屬度x。該模型通過逆向云發(fā)生器將定向自然語言值與定量數(shù)值進行不定性轉(zhuǎn)換，將定量映射為定性，進而將分析數(shù)據(jù)轉(zhuǎn)化成故障類型。

計算樣本w與標準云之間的關(guān)聯(lián)系數(shù)k：

設(shè)故障類型有n種，涉及的故障特征氣體有m種，樣本w與第j種故障的第i種特征氣體的關(guān)聯(lián)系數(shù)記為kij。令Ph＝，定義H（kj）＝ ，則：

根據(jù)以上模型即可準確判斷變壓器發(fā)生故障的具體性質(zhì)。

2 遺傳支持向量機加灰色人工免疫算法

所謂遺傳支持向量機加灰色人工免疫算法，主要是通過模擬生物的免疫系統(tǒng)來實現(xiàn)兩級分類器的級聯(lián)，通過遺傳支持向量機來判斷變壓器是否正常工作。該方法借助人工免疫算法可以實現(xiàn)最佳記憶抗體的聚集，將變壓器故障根據(jù)記憶抗體集進行分類，從而有效分辨電力變壓器是發(fā)生了單一故障還是多重故障，并能判斷出故障部位同時提供準確信息，非常適合變壓器多重故障的快速診斷。

該算法來源于生物免疫系統(tǒng)對于非自體細胞的吞噬性操作，具體計算流程如下：第一步需將故障樣本與正常樣本全部輸入支持向量機，使其先建立起正常狀態(tài)與故障狀態(tài)各自的、經(jīng)過遺傳算法優(yōu)化過的SVM函數(shù)；第二步則將數(shù)據(jù)樣本基于人工免疫算法制出記憶抗體集；然后由向量機進行樣本判斷，若正常則可直接輸出結(jié)果，若有故障，則借助近鄰綜合決策這一方法繼續(xù)進行記憶抗體集的判斷，以分辨出具體故障類型，直至得出確切結(jié)果后輸出。

這種診斷方法的優(yōu)點在于可以分析小樣本數(shù)據(jù)，對樣本少的故障數(shù)據(jù)具有非常出色的識別能力與泛化學(xué)習(xí)能力，不必像DGA一樣必須有大數(shù)據(jù)樣本才能作出準確計算。

3 多分類最小二乘支持向量機加改進粒子群優(yōu)化算法

本方法也是通過構(gòu)建模型來實現(xiàn)對變壓器故障類型的診斷，構(gòu)成基礎(chǔ)為組合編碼法與分類器LS－SVM。由于本方法通過交叉驗證來提高模型的泛化性，又結(jié)合故障診斷實例以驗證，因此較BPNN或標準SVM具有更高的準確率。具體流程為：收集樣本數(shù)據(jù)，然后對數(shù)據(jù)進行預(yù)處理，判別變壓器正常工作還是發(fā)生故障，若正常則直接輸入LS－SVM模型；若出現(xiàn)故障，則輸入訓(xùn)練樣本，再進行各個參數(shù)的優(yōu)化，直至計算完畢再輸入LS－SVM模型；若結(jié)果仍有疑問，則從數(shù)據(jù)預(yù)處理環(huán)節(jié)再次開始運算。在輸入訓(xùn)練樣本、優(yōu)化參數(shù)、計算直到算法終止這幾個環(huán)節(jié)，可以通過PSO算法進行全局或局部尋優(yōu)，然后結(jié)合CV原理建模。

4 粗糙集診斷法

盡管神經(jīng)網(wǎng)絡(luò)法、決策樹法、模糊數(shù)學(xué)法或援例分析法在近年來獲得了比較令人滿意的應(yīng)用效果，但這是建立在信息準確且完整的前提下。而現(xiàn)實工作中信息通常是不夠準確、不夠完整的，這時就需要借助粗糙集理論來對變壓器故障進行分析。本方法同樣需要借助模型來實現(xiàn)對故障的具體診斷，模型建立流程如下：首先，要收集大量的待診數(shù)據(jù)，然后將其分類到兩個集合之中，一為確定條件的屬性集，一為決策屬性集，基于兩個屬性集制定出決策表，然后繼續(xù)進行條件屬性計算，將計算所得的每一條約簡結(jié)果填入決策表并進行粗糙隸屬度的計算，然后將給定置信度規(guī)則歸入規(guī)則集，以進行最終診斷，作出診斷后結(jié)合實例進行驗證，驗證正確后輸出結(jié)果。

本方法由于搜集了大量歷史數(shù)據(jù)，兼顧到DGA參數(shù)、電氣參數(shù)等多種因素，因此對故障診斷的準確率極有保障。這些粗糙的歷史數(shù)據(jù)使用神經(jīng)網(wǎng)絡(luò)法和模糊數(shù)學(xué)法等進行計算，因此即使信息不夠完備，也能在一定程度上保證故障診斷結(jié)果具有較高的準確性。

5 結(jié)語

筆者撰寫本文，查閱了許多文獻，發(fā)現(xiàn)變壓器的診斷方法諸多，主要有DGA診斷法、遺傳支持向量機加灰色人工免疫算法、多分類最小二乘支持向量機加改進粒子群優(yōu)化算法、粗糙集診斷法等，這些方法各有優(yōu)缺點，筆者在文中進行了簡單闡述。實際工作中，人們可以根據(jù)具體情況選擇最適合的方法進行故障排查與解決。

［1］鄭含博，王偉，李曉綱，等.基于多分類最小二乘支持向量機和改進粒子群優(yōu)化算法的電力變壓器故障診斷方法［J］.高電壓技術(shù)，2014，40（11）.

［2］許惠君，王宗耀，蘇浩益.基于DGA的反饋云熵模型電力變壓器故障診斷方法研究［J］.電力系統(tǒng)保護與控制，2013，41（23）.

［3］伍席文.基于粗糙集理論的變壓器故障診斷與檢修決策方法［D］.石河子：石河子大學(xué)，2013.

［4］鄭蕊蕊，趙繼印，趙婷婷，等.基于遺傳支持向量機和灰色人工免疫算法的電力變壓器故障診斷［J］.中國電機工程學(xué)報，2011，31（7）.