王漢林，楊 超，唐 華

(貴州大學(xué)電氣工程學(xué)院，貴州 貴陽 550025)

0 引言

變壓器是電力系統(tǒng)的樞紐，其安全、正常運(yùn)行關(guān)系到整個電力系統(tǒng)的有效運(yùn)行。所以，對變壓器發(fā)生的故障作出及時、準(zhǔn)確的判斷具有重要的意義。目前，診斷和檢測油浸式電力變壓器故障的主要方法有國際電工委員會(International Electrotechnical Commission，IEC)和我國國網(wǎng)公司推薦的油中溶解氣體分析(dissolved gas analysis，DGA)。對變壓器的運(yùn)行和監(jiān)測研究結(jié)果表明，DGA能夠較早檢測出變壓器中發(fā)生的絕緣隱藏性故障。

變壓器中的甲烷、乙烷、氫氣以及一氧化碳等物質(zhì)是由于其中絕緣材料老化、絕緣油變質(zhì)產(chǎn)生的，氣體產(chǎn)生的速度和數(shù)量會隨著變壓器內(nèi)部故障而發(fā)生改變(例如變壓器內(nèi)部發(fā)生過熱或放電性故障，會加速這些氣體的產(chǎn)生)。由于該方法不會受到外界電場和磁場的影響，可通過分析絕緣油中氣體含量的方式找到氣體含量與變壓器故障之間的內(nèi)在聯(lián)系，從而實(shí)現(xiàn)對變壓器的故障診斷［1］。

IEC運(yùn)用的三比值法及人工智能優(yōu)化法是電力變壓器故障診別的主要算法，對這些算法的論述如下。

1 三比值法

1．1 傳統(tǒng)三比值法

傳統(tǒng)三比值法是在1978年經(jīng)IEC充分研究和討論之后所總結(jié)出的變壓器故障診斷方法。三比值法依據(jù)發(fā)生故障時所產(chǎn)生的氣體情況，計算出乙炔/乙烯(C2H2/C2H4)、甲烷/氫氣(CH4/H2)和乙烯/乙烷(C2H4/C2H6)的值;然后，根據(jù)各比值所處的區(qū)間范圍對其進(jìn)行相應(yīng)的編碼，并制定遵守的編碼規(guī)則;由故障類型表中的比值判斷出其所對應(yīng)的故障，并確定其相對應(yīng)的故障性質(zhì)。

IEC三比值法的缺點(diǎn)是診斷的故障有限且準(zhǔn)確率不高。文獻(xiàn)［2］通過IEC三比值法分析，發(fā)現(xiàn)其對發(fā)生放電性故障識別不夠靈敏，對于過熱和放電同時出現(xiàn)時的故障診斷比較低效，且靈敏度不高。

1．2 改進(jìn)三比值法

除了1．1節(jié)所提到的問題外，傳統(tǒng)三比值法還存在氣體未達(dá)到比值時無法進(jìn)行診斷，以及分類的邊界值過于絕對化等問題。對于以上問題，國內(nèi)的相關(guān)學(xué)者對三比值法進(jìn)行了相關(guān)的改進(jìn)。

將粗糙理論運(yùn)用到三比值法中。利用粗糙集理論的模糊性和不確定性，構(gòu)造出一個粗糙集理論的決策表。采用這種方法對原始數(shù)據(jù)進(jìn)行預(yù)處理，克服了故障機(jī)理模糊和形式不唯一的問題。但由于只是對編碼范圍進(jìn)行一定的擴(kuò)展，該方法仍無法克服三比值法中的固有缺陷。

文獻(xiàn)［3］利用模糊C均值聚類方法，根據(jù)隸屬度函數(shù)和模糊方法對采集的樣本空間進(jìn)行柔性劃分，用來解決三比值法編碼本身存在的硬性缺失和臨界值判據(jù)不足等問題。對樣本空間進(jìn)行容性劃分之后，聚類編碼結(jié)果(三比值法)與樣本的特征，進(jìn)而判定所發(fā)生的故障類型。但該方法存在計算量大、成本高的缺點(diǎn)，暫時難以大規(guī)模應(yīng)用。

2 人工智能優(yōu)化法

由于三比值法所存在的以上不足，相關(guān)的研究人員針對DGA的故障診斷，提出了人工神經(jīng)網(wǎng)絡(luò)［4］、專家系統(tǒng)［5］以及支持向量機(jī)［6］等人工智能算法。

2．1 基于人工神經(jīng)網(wǎng)絡(luò)的診斷方法

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)通過模擬人的神經(jīng)系統(tǒng)來處理信息。ANN處理信息的基本單元為神經(jīng)元，由其構(gòu)成復(fù)雜的神經(jīng)網(wǎng)絡(luò)。目前，神經(jīng)網(wǎng)絡(luò)主要依靠大量的訓(xùn)練樣本對神經(jīng)元進(jìn)行訓(xùn)練，得到符合當(dāng)前系統(tǒng)的模型，從而對變壓器故障信息進(jìn)行分類診斷。當(dāng)前，在電網(wǎng)故障診斷所涉及的區(qū)域內(nèi)，具有前饋功能的神經(jīng)網(wǎng)絡(luò)得到了普遍應(yīng)用。其中，反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)和徑向基(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)是2種典型的神經(jīng)網(wǎng)絡(luò)。以下介紹幾種神經(jīng)網(wǎng)絡(luò)算法在變壓器故障診斷中的應(yīng)用。

①混合神經(jīng)網(wǎng)絡(luò)算法［7］。首先，采用粒子群優(yōu)化(particle swarm optimization，PSO)算法，對自組織映射(self organizing map，SOM)網(wǎng)絡(luò)算法的連接權(quán)值進(jìn)行優(yōu)化;然后，將學(xué)習(xí)矢量量化(learningvector quantization，LVQ)，以解決SOM分類信息不足的問題。該方法大大提高了診斷精度，使結(jié)果更加可靠。但是對于各個算法的迭代次數(shù)，需要進(jìn)行多次試驗后才能得到最優(yōu)，增加了算法的復(fù)雜性。

②改進(jìn)蝙蝠算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法［8］。BP神經(jīng)網(wǎng)絡(luò)除線性外的映射關(guān)系泛化能力較強(qiáng)。采用改進(jìn)的蝙蝠算法(即引入混沌算法改善原算法尋優(yōu)精度不高和迭代后期容易陷入局部收斂的不足)，得到一個逼近真實(shí)值的權(quán)值和閾值向量矩陣，然后優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)。該方法需要對網(wǎng)絡(luò)進(jìn)行反復(fù)試驗，才能夠最終確定各神經(jīng)層的數(shù)量，因此會產(chǎn)生表達(dá)能力不足、容易過擬合的現(xiàn)象。

③卷積神經(jīng)網(wǎng)絡(luò)算法［9］。該方法可將特征氣體數(shù)據(jù)歸一化，從而確定卷積神經(jīng)網(wǎng)絡(luò)的卷積核大小、個數(shù)以及采樣寬度;然后，進(jìn)行模型訓(xùn)練，進(jìn)而確定診斷模型。雖然這種模型在準(zhǔn)確率上較一般的神經(jīng)網(wǎng)絡(luò)有所提高，但是在模型的訓(xùn)練時間上所花費(fèi)的時間大大超過一般的神經(jīng)網(wǎng)絡(luò)，而且需要多次試驗才能獲得最優(yōu)參數(shù)。

④徑向基神經(jīng)網(wǎng)絡(luò)與自適應(yīng)遺傳算法［10］。采用RBF神經(jīng)網(wǎng)絡(luò)搭建用于識別變壓器故障的數(shù)學(xué)模型，在優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)寬度和中心，以及連接權(quán)值方面采用遺傳算法，得到全局的最優(yōu)值。該算法能夠提高網(wǎng)絡(luò)的收斂速度，避免易陷入局部尋優(yōu)的問題，大大提高了變壓器故障識別精度。但是該方法所獲取的樣本太少，不具有說服力。

綜上所述，雖然神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)能力很強(qiáng)、有很強(qiáng)的魯棒性，但是仍然具有一些缺點(diǎn)。因為神經(jīng)網(wǎng)絡(luò)算法一般都需要足夠大的訓(xùn)練樣本，所以如何獲取有價值的訓(xùn)練樣本以及減少訓(xùn)練的成本是最大的問題。

2．2 基于支持向量機(jī)的診斷方法

由于不是每一次診斷都有充足的樣本，因而需要研究一種在有限樣本情況下進(jìn)行故障診斷的方法。參照統(tǒng)計學(xué)理論研究，Vapnik等人提出了支持向量機(jī)(support vector machine，SVM)這一模式識別算法。它有效地規(guī)避了傳統(tǒng)分類方法的弱點(diǎn)，具有廣泛的理論依據(jù)。以下列舉幾種改進(jìn)算法。

①分類最小二乘支持向量機(jī)(least squares support veotor maohine，LSSVM)與改進(jìn)粒子群算法。該方法采用組合編碼法，將LSSVM二分類器擴(kuò)展成多類分類，針對該模型的2個參數(shù)，使用引入動態(tài)慣性權(quán)重的改進(jìn)粒子群算法進(jìn)行優(yōu)化，對分類算法的泛化性有所加強(qiáng)，可得到最終診斷模型。

②粒子群相關(guān)向量機(jī)法［11］。粒子群相關(guān)向量機(jī)(relevance vector machine，RVM)法采用相關(guān)向量機(jī)，克服了SVM得到矩陣所具有的稀疏性不強(qiáng)以及核函數(shù)計算量大等缺點(diǎn)。同時，利用粒子群算法對其核函數(shù)的參數(shù)進(jìn)行優(yōu)化處理，可將參數(shù)選取對分類準(zhǔn)確度的影響降到最低。但是該算法需要靠試驗選取核函數(shù)，增加了預(yù)測結(jié)果的不確定性以及運(yùn)算的復(fù)雜程度，影響了計算結(jié)果的精度和泛化能力。

支持向量機(jī)方法在適用性和準(zhǔn)確率上都有提高，但是也有需要改進(jìn)的方面。今后將對如何改進(jìn)算法、提高診斷速率進(jìn)行研究。

2．3 基于貝葉斯的故障診斷方法

貝葉斯網(wǎng)絡(luò)(Bayesian network，BN)將概率論中的貝葉斯公式和圖論相關(guān)知識進(jìn)行結(jié)合，用來表述和推理未知性模型。該模型能解決復(fù)雜變壓器由于不確定因素引起的故障等問題。關(guān)于故障診斷的貝葉斯類型算法如下。

①正態(tài)云模型與改進(jìn)貝葉斯分類器［12］。為了解決離散時邊界數(shù)據(jù)多重屬性的問題，引入云正態(tài)模型，同時對數(shù)據(jù)集進(jìn)行精簡;利用規(guī)則森林表示法和屬性聯(lián)合概率計算法，對貝葉斯分類器進(jìn)行相關(guān)的修改，從而提高了診斷的正確率。

②貝葉斯框架的LSSVM概率輸出方法。由于LSSVM分類器在參數(shù)選取方面具有隨意性和不確定性等缺點(diǎn)，所以采用了貝葉斯推斷。該方法通過3級分層推斷優(yōu)化來確定各類參數(shù)，使建模效率得到了極大的提升。

雖然貝葉斯在處理不完備和不確定的問題上具有優(yōu)勢，但是其訓(xùn)練屬于非確定多項式(nondeterministic polynomially，NP)問題，在處理復(fù)雜程度大的難題時會變得很困難。

2．4 基于模糊集理論的診斷方法

L．A．Zadeh在自動控制方面極具權(quán)威，其在1965年提出了著名的“模糊集合”，并引入“隸屬函數(shù)”，用于描述差異的中間過渡。所謂隸屬函數(shù)，即如果對研究范圍U中任意元素x，都存在一個數(shù)A(x)∈［0，1］與之對應(yīng)，就稱A為U上的模糊集，A(x)為x對A的隸屬度;當(dāng)x在U中變動時，A(x)就是一個函數(shù)，稱為A的隸屬函數(shù)。以下介紹2種相關(guān)的診斷方法。

①模糊關(guān)系和自組織競爭網(wǎng)絡(luò)法［13］。通過模糊理論中的隸屬度函數(shù)確定故障類型與特征氣體之間的處理輸入數(shù)據(jù)，再經(jīng)自組織競爭網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，構(gòu)建診斷模型。但是憑借經(jīng)驗選取學(xué)習(xí)速度與最大迭代次數(shù)，會造成不同使用者產(chǎn)生的結(jié)果不同。

②將縱橫交叉算法與模糊聚類相結(jié)合，從而對變壓器故障進(jìn)行判斷。該診斷方法采用雞群優(yōu)化(chicken swarm optimization，CSO)算法，具有整體搜尋的能力。因此，首先在空間解內(nèi)進(jìn)行整體搜尋，然后通過種群的迭代進(jìn)化搜尋到k個整體最優(yōu)的聚類中心，并把這k個聚類中心作為糢糊C均值(fuzzy C-means，F(xiàn)CM)聚類算法的初始聚類中心;最后利用FCM聚類算法再進(jìn)行部分的搜尋，從而得到最佳的聚類劃分。

這種算法使得處理邊界問題時更加科學(xué)。但是隸屬度函數(shù)的建立并沒有明確的標(biāo)準(zhǔn)，會影響該算法的實(shí)用性。在現(xiàn)實(shí)中，該算法常與其他算法結(jié)合，從而提高精度和泛化性。

2．5 其他改進(jìn)和多算法融合的診斷方法

很多智能算法都有缺點(diǎn)，但可以通過一定的方法對其進(jìn)行改進(jìn)優(yōu)化，進(jìn)而提高模型的診斷準(zhǔn)確率。多算法融合是在不同階段使用不同的算法。例如在樣本輸入模型前，采用一種算法對樣本進(jìn)行處理，增強(qiáng)樣本的實(shí)用性和精簡性;或者在其中的一種模型上，采用另一種計算方法對其所有的參數(shù)進(jìn)行相關(guān)優(yōu)化處理。改進(jìn)類的算法有:改進(jìn)小波網(wǎng)絡(luò)、支持向量機(jī)及交叉驗證、基于D-S證據(jù)理論的變壓器故障診斷、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用、基于典型樣本和證據(jù)理論的變壓器故障診斷、基于因子分析和灰色關(guān)聯(lián)度分析法的變壓器故障診斷、基于半監(jiān)督分類的變壓器故障診斷以及基于深度自編碼網(wǎng)絡(luò)的變壓器故障診斷。以下詳細(xì)說明幾種多算法融合類型。

①互補(bǔ)免疫算法。利用智能互補(bǔ)策略融合的概念，并在自組織抗體網(wǎng)絡(luò)(self-organization antibody net，soAbNet)的基礎(chǔ)上，在相關(guān)免疫進(jìn)化算法中引入免疫算子。接種疫苗和免疫選擇是免疫算子的2個主要的方面。在接種疫苗方面，首選系統(tǒng)已有的先驗知識來構(gòu)造疫苗。此方法可提高免疫網(wǎng)絡(luò)的效率，使網(wǎng)絡(luò)性能更加穩(wěn)定。免疫選擇則對應(yīng)相關(guān)免疫調(diào)節(jié)機(jī)制，刪除多余、無用的抗體，并對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行相關(guān)的優(yōu)化處理。該方法的不足之處是:在訓(xùn)練模型的過程中，采用多種方法對參數(shù)以及網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，使得模型的訓(xùn)練時間和復(fù)雜程度較大。

②改進(jìn)人工魚群優(yōu)化粗糙集算法。故障變壓器判斷特征氣體數(shù)據(jù)有可能會有缺陷，而粗糙集理論正是處理各種缺陷數(shù)據(jù)的理論。在此基礎(chǔ)上，引入改進(jìn)人工魚群算法，并結(jié)合該方法本身特性，使所在區(qū)間得到了有效融合。該方法具有離散性，可以達(dá)到屬性值約減的目的;通過減少冗余信息，得到簡化的診斷規(guī)則。

3 結(jié)束語

目前，對于發(fā)生故障變壓器進(jìn)行診斷領(lǐng)域所面臨的關(guān)鍵問題如下。①三比值法在實(shí)際應(yīng)用領(lǐng)域的應(yīng)用比較廣泛，加快了對故障變壓器診斷領(lǐng)域的發(fā)展。雖然有了改進(jìn)的方法，但是該方法的固有缺陷并未得到改正。②本文所介紹的一些智能算法，還存在非常多的缺陷和限制，而且在實(shí)際應(yīng)用中還很少用到。

從當(dāng)前面臨的問題出發(fā)，可看出未來的研究方向如下。①多種人工智能算法相互融合，取長補(bǔ)短，是未來診斷故障電力變壓器的方向。②隨著技術(shù)的進(jìn)步，所采集到的特征量會越來越多，需要研究在大量數(shù)據(jù)的情況下模型運(yùn)行的速度與效率。③智能化算法的落地應(yīng)用研究。雖然現(xiàn)在所取得的研究成果很多，但是真正用于實(shí)際的卻很少，所以要加強(qiáng)故障診斷的實(shí)用性。

總之，任何一種方法想要得到實(shí)際應(yīng)用，都必須要對可行性和準(zhǔn)確性這兩個方面進(jìn)行權(quán)衡。智能算法之所以還未得到大規(guī)模的推廣，其原因在于算法太復(fù)雜導(dǎo)致成本太高。但是，提升故障診斷的準(zhǔn)確性又必須使用智能算法。所以，實(shí)現(xiàn)智能算法的實(shí)際應(yīng)用仍有一個漫長的過程。