楊飏　邢光兵

摘要：變壓器作為電力系統(tǒng)發(fā)、輸、變、配電環(huán)節(jié)重要的電氣設(shè)備，其故障能被快速、精準(zhǔn)地診斷對電力系統(tǒng)穩(wěn)定運(yùn)行起到至關(guān)重要的作用。目前，變壓器油中溶解氣體的三比值法被廣泛應(yīng)用于變壓器內(nèi)部故障診斷，現(xiàn)利用三比值法對變壓器進(jìn)行診斷，在廣泛收集5種變壓器故障的基礎(chǔ)上，首先利用ReliefF算法對三比值特征的重要性進(jìn)行評價(jià)，然后利用KNN分類器進(jìn)行故障識別。實(shí)驗(yàn)結(jié)果表明，該方法可以有效識別變壓器故障類型。

關(guān)鍵詞：變壓器故障;三比值法;ReliefF;KNN

0 引言

我國經(jīng)濟(jì)快速發(fā)展，對電力系統(tǒng)穩(wěn)定性的要求也越來越高。變壓器是整個(gè)電力生產(chǎn)和傳輸過程中不可或缺的設(shè)備，一旦發(fā)生故障，將會對整個(gè)供電系統(tǒng)產(chǎn)生影響，造成巨大的經(jīng)濟(jì)損失，甚至危及人身安全。因此，為了保障電力系統(tǒng)的安全運(yùn)行，必須盡早對變壓器進(jìn)行故障預(yù)判和診斷。電力系統(tǒng)變壓器在長時(shí)間運(yùn)行后，由于環(huán)境或電氣負(fù)載等因素會出現(xiàn)以下常見故障：（1）油溫和油位異常;（2）鐵芯絕緣異常;（3）過電壓、過負(fù)載異常;（4）變壓器漏油等[1-2]。但變壓器故障往往是多種異常狀態(tài)并存，且異常狀態(tài)具有很強(qiáng)的隨機(jī)性，因此對其進(jìn)行故障診斷十分困難。

通過對變壓器油中溶解的氣體進(jìn)行分析從而判斷變壓器是否異常是目前變壓器內(nèi)部故障診斷最主要的方法。1952年，學(xué)者M(jìn)artin首先提出了氣相色譜分析方法[3]。后來Domenburg等人提出了基于CH4/H2和C2H2/C2H3的經(jīng)典兩比值法來區(qū)分變壓器常見故障類型。隨后多位學(xué)者證明了變壓器油中溶解氣體成分與故障溫度存在對應(yīng)關(guān)系。1978年，國際電工委員會（IEC）擬定將三種氣體對比值（C2H2/C2H4、CH4/H2、C2H4/C2H6）作為變壓器故障診斷方法，從而確立了變壓器故障診斷的統(tǒng)一標(biāo)準(zhǔn)。目前，基于DGA（油中溶解氣體分析）的三比值法也已經(jīng)在我國電力生產(chǎn)中得到了大量應(yīng)用[4]。

本文收集了330組變壓器三比值樣本，共涉及5種常見的故障類型。首先利用ReliefF算法對IEC三比值特征進(jìn)行重要性計(jì)算，得出故障與特征值之間的關(guān)聯(lián)關(guān)系，然后利用KNN分類器對故障進(jìn)行分類，實(shí)驗(yàn)結(jié)果證實(shí)了該方法的有效性。

1 變壓器故障及三比值法

根據(jù)我國頒布的《變壓器油中溶解氣體分析和判斷導(dǎo)則》（GB/T 7252—2001），在變壓器內(nèi)部出現(xiàn)不同類型的故障時(shí)，氣體的主要和次要成分會出現(xiàn)不同的組合[5]，其對應(yīng)關(guān)系如表1所示。

在變壓器故障分析中，可以通過氣相色譜儀對變壓器油中的溶解氣體進(jìn)行分析。發(fā)生故障時(shí)，氣體在線監(jiān)測儀首先發(fā)出聲光警報(bào)，然后在對變壓器油采樣后通過氣相色譜儀進(jìn)一步分析油中溶解氣體的成分，以確定具體的故障類型。

在三對比值中，不同的氣體比值對應(yīng)不同的編碼數(shù)值。編碼數(shù)值由0、1、2組成，根據(jù)不同的對比值編碼組合，可以映射到具體的故障類型。其具體的對應(yīng)結(jié)構(gòu)如表2所示。

為了分析不同故障特征與三對比值之間的關(guān)聯(lián)關(guān)系，從而對變壓器故障進(jìn)行分類識別，筆者廣泛收集了表1中5種故障狀態(tài)下的三對比值，并進(jìn)行了故障標(biāo)注，共計(jì)330例，其數(shù)據(jù)集組成如圖1所示。

2 特征關(guān)聯(lián)性分析

為了能夠反映出三種特征對比值與故障類別的關(guān)聯(lián)度，采用ReliefF算法對特征進(jìn)行排序。ReliefF算法是Relief的延伸，是一種用于度量多分類問題下特征重要性的方法。ReliefF的主要思想是有區(qū)分度的特征應(yīng)該靠近相同的類別，并且遠(yuǎn)離不同的類別。

ReliefF選擇一個(gè)隨機(jī)的樣本cr，并且尋找附近h個(gè)相鄰的樣本cq，這里所有類別集合為C。如果cr和cq為相同的類別Cr，則在第k次計(jì)算時(shí)特征fi重要性Wk（fi）可由下式表述：

式中：pr為類別Cr在總類別中的比值;pq為類別Cq在總類別中的比值;γ為迭代次數(shù);d（cr，cq）為cr和cq之間的距離。

初始值W0（fi）=0。

3 KNN分類器

KNN分類器作為一種基礎(chǔ)的分類算法，通過測量不同特征之間的距離來實(shí)現(xiàn)。KNN分類器在訓(xùn)練階段僅僅將訓(xùn)練樣本進(jìn)行保存，因此與其他分類器相比，其在訓(xùn)練階段沒有可顯示的訓(xùn)練過程。在測試階段，根據(jù)測試樣本的K個(gè)鄰近的類別來投票決定其類別，因此，參數(shù)K和不同的距離計(jì)算方式會對最終的分類結(jié)果造成顯著的差異。其原理示意圖如圖2所示。

4 實(shí)驗(yàn)分析

為了進(jìn)一步對特征進(jìn)行重要性分析以及對故障進(jìn)行分類識別，將330組數(shù)據(jù)打亂洗牌后，隨機(jī)選取230組數(shù)據(jù)為訓(xùn)練集，剩下的100組數(shù)據(jù)為測試集。

隨后在Matlab環(huán)境下利用ReliefF函數(shù)對訓(xùn)練集特征進(jìn)行分析，函數(shù)參數(shù)中鄰近個(gè)數(shù)選取為10。特征重要性數(shù)值如表3所示。

從表3可以看出，特征值中CH4/H2具有更好的區(qū)分度，其重要性顯著高于其余特征;C2H4/C2H6和C2H2/C2H4區(qū)分度較弱，但是仍具備一定的區(qū)分度。

隨后利用KNN分類器對數(shù)據(jù)集進(jìn)行分類識別。令K=10，獲得測試集的分類結(jié)果。最終結(jié)果如圖3所示，100個(gè)測試樣本中僅2、4、13、24、66號樣本出現(xiàn)預(yù)測錯(cuò)誤，分類準(zhǔn)確率為95%，顯示了在三比值法下KNN分類器的有效性。

5 結(jié)語

本文以電力系統(tǒng)變壓器中基于DGA的三比值法為研究對象，收集了5種常見故障，共330組樣本，并制作訓(xùn)練集和測試集。首先利用ReliefF算法對三對比值特征進(jìn)行分析，評價(jià)3種特征在故障識別中的區(qū)分度，隨后利用KNN分類器對測試集進(jìn)行識別。實(shí)驗(yàn)結(jié)果表明，相比于C2H4/C2H6和C2H2/C2H4，CH4/H2特征具有更好的區(qū)分度，同時(shí)KNN分類器也可以對測試集樣本進(jìn)行有效識別，分類準(zhǔn)確率為95%，從而驗(yàn)證了三比值法的有效性。

[參考文獻(xiàn)]

[1] 王桂英，張世軍，潘思堯.基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法研究[J].計(jì)算機(jī)測量與控制，2012，20（7）：1760-1762.

[2] 李剛，于長海，范輝，等.基于多級決策融合模型的電力變壓器故障深度診斷方法[J].電力自動化設(shè)備，2017，37（11）：138-144.

[3] 黃祥檸，馬騰，蘇駿.基于故障特征氣體與C2H2/C2H4比值分類的反饋型神經(jīng)網(wǎng)絡(luò)電力變壓器故障診斷[J].電氣開關(guān)，2014，52（5）：45-48.

[4] 閆偉.智能診斷方法在電力變壓器故障識別中的應(yīng)用[J].石化技術(shù)，2020，27（9）：241.

[5] 劉晨斐.基于多源信息融合的電力設(shè)備故障診斷的研究[D].上海：上海電力學(xué)院，2018.

收稿日期：2021-02-22

作者簡介：楊飏（1988—），男，江蘇南京人，講師，研究方向：電力電子與電力傳動。