基于模糊綜合評價(jià)和貝葉斯判別的電力變壓器狀態(tài)判別和預(yù)警

石少偉 ，王 可 ，陳 力 ，楊豐閣 ，劉 沛 ，陶 丹 ，呂國峰

（1.武漢大學(xué) 電氣工程學(xué)院，湖北 武漢 430072；2.中國電力科學(xué)研究院，湖北 武漢 430074）

0 引言

經(jīng)濟(jì)社會的快速發(fā)展對電力安全可靠性和電能質(zhì)量提出了越來越高的要求。以分布式數(shù)據(jù)傳輸、計(jì)算和控制技術(shù)以及數(shù)據(jù)傳輸技術(shù)為基礎(chǔ)的智能電網(wǎng)為電力系統(tǒng)在安全可靠、優(yōu)質(zhì)高效、綠色環(huán)保方面開辟了廣泛的發(fā)展空間［1］。作為智能電網(wǎng)重要的組成部分，智能配電網(wǎng)實(shí)時(shí)掌握電網(wǎng)的運(yùn)行狀態(tài)，對電網(wǎng)運(yùn)行狀態(tài)和負(fù)荷分配進(jìn)行精確管理，對電力設(shè)備故障進(jìn)行及時(shí)的判斷和檢修，保證配電網(wǎng)安全和供電的可靠性［2-3］。電力變壓器作為電力系統(tǒng)輸電和配電中的核心設(shè)備，它的運(yùn)行狀態(tài)和健康程度直接影響著配電網(wǎng)的安全穩(wěn)定運(yùn)行。變壓器的故障判斷和及時(shí)預(yù)警是智能配電系統(tǒng)風(fēng)險(xiǎn)評估和安全預(yù)警技術(shù)的重要內(nèi)容。

電力變壓器狀態(tài)信息量有很多，從不同的角度和層次上反映了變壓器的運(yùn)行狀態(tài)。因此，建立合理的變壓器狀態(tài)評估模型對變壓器的故障進(jìn)行評估預(yù)警具有重要的意義［4］。國內(nèi)外已有一些專家學(xué)者對電力變壓器的故障判別和預(yù)警［5-6］做出了研究。其中，一些學(xué)者將綜合評價(jià)算法引入電力變壓器狀態(tài)評估中，采用模糊評價(jià)的方法對不同的評價(jià)指標(biāo)進(jìn)行規(guī)范化處理和隸屬度計(jì)算，最終得出綜合評價(jià)結(jié)果并提出相應(yīng)的預(yù)警建議［7］。文獻(xiàn)［8］采用灰色層次評估模型定量分析了不同狀態(tài)變量之間的關(guān)聯(lián)程度并對變壓器的絕緣程度進(jìn)行評估。文獻(xiàn)［9］引入神經(jīng)網(wǎng)絡(luò)對變壓器故障進(jìn)行分類識別，但是存在訓(xùn)練時(shí)間長、識別準(zhǔn)確度較低的問題，難以適應(yīng)智能配電系統(tǒng)快速風(fēng)險(xiǎn)評估預(yù)警的需求。文獻(xiàn)［10］將半監(jiān)督分類的方法引入變壓器的故障診斷中，準(zhǔn)確度較高，但是存在主觀性強(qiáng)、對于樣本的選擇和評價(jià)工作耗費(fèi)嚴(yán)重的問題。文獻(xiàn)［11］采用3層貝葉斯（Bayes）網(wǎng)絡(luò)的方法對電力變壓器進(jìn)行綜合故障診斷，通過概率模型來確定變壓器的故障風(fēng)險(xiǎn)，取得了不錯(cuò)的效果。文獻(xiàn)［12］依據(jù)變壓器油氣參數(shù)作為故障診斷依據(jù)，并通過遺傳算法對支持向量機(jī)參數(shù)進(jìn)行優(yōu)化，通過分步式的評價(jià)算法對變壓器故障進(jìn)行診斷，提高了判斷的準(zhǔn)確率。但是收斂速度比較慢，對于訓(xùn)練樣本準(zhǔn)確度的依賴較高。文獻(xiàn)［13］建立了遺傳算法和粒子群優(yōu)化算法混合優(yōu)化的聚類模型對電力變壓器的故障進(jìn)行診斷，收斂速度較快，但是診斷的準(zhǔn)確度不是很高，可能造成誤判。文獻(xiàn)［14］針對模糊C均值聚類算法用于溶解氣體成分分析時(shí)遇到的問題，將加權(quán)模糊核聚類方法引入電力變壓器故障診斷中，利用基于樣本相似度的加權(quán)方法對樣本進(jìn)行特征加權(quán)，映射到高維空間進(jìn)行模糊聚類。該模型考慮了不同狀態(tài)量對變壓器運(yùn)行的不同影響，提高了故障診斷的正確率，但是該方法比較復(fù)雜，難以適應(yīng)電力變壓器故障的快速診斷和預(yù)警要求。

上述判別方式存在2個(gè)缺點(diǎn)：第一是判別方法與2個(gè)判別總體各自出現(xiàn)的概率大小完全無關(guān)；第二是判斷方法與錯(cuò)判之后造成的損失無關(guān)。貝葉斯判別法既考慮了各個(gè)總體出現(xiàn)的先驗(yàn)概率，又考慮了錯(cuò)判造成的損失，其判別效果更加理想，應(yīng)用更加廣泛。

本文引入貝葉斯判別法對電力變壓器進(jìn)行故障判別和預(yù)警，提出了電力變壓器狀態(tài)評價(jià)體系，建立了基于模糊綜合評價(jià)和貝葉斯判別的電力變壓器狀態(tài)判別模型，求得判別結(jié)果并進(jìn)行了驗(yàn)證。算例證明該模型可以有效判別電力變壓器的工作狀態(tài)并做出預(yù)警。

1 電力變壓器狀態(tài)量選擇及狀態(tài)劃分

1.1 狀態(tài)量選取的原則

電力變壓器是一個(gè)非常復(fù)雜的系統(tǒng)，表征其狀態(tài)的狀態(tài)變量眾多，且多數(shù)具有不確定性和模糊性，因此對變壓器運(yùn)行狀態(tài)進(jìn)行準(zhǔn)確、有效的評價(jià)存在一定的困難。我國DL／T 596—1996《電力設(shè)備預(yù)防性試驗(yàn)規(guī)程》中規(guī)定了變壓器進(jìn)行檢查、試驗(yàn)、監(jiān)測需要做的32個(gè)常規(guī)試驗(yàn)項(xiàng)目、12個(gè)變壓器油試驗(yàn)項(xiàng)目和5個(gè)變壓器套管試驗(yàn)項(xiàng)目。但是規(guī)程中所包含的信息量非常龐大，難以適應(yīng)智能配電系統(tǒng)快速評價(jià)、及時(shí)反饋的要求；另一方面，不同的評價(jià)指標(biāo)反映了變壓器的同一狀態(tài)。所以全面并高效地選取變壓器典型狀態(tài)量是合理高效評價(jià)電力變壓器狀態(tài)的前提。電力變壓器狀態(tài)變量的選取原則［15］如表1所示。

表1 電力變壓器狀態(tài)變量選取原則Table 1 Selection principles of power transformer status variables

1.2 狀態(tài)評價(jià)體系

依據(jù)上述狀態(tài)變量選取的原則，建立了電力變壓器狀態(tài)評價(jià)體系。選取油色譜指標(biāo)、電氣試驗(yàn)指標(biāo)、絕緣油試驗(yàn)指標(biāo)和附件運(yùn)行狀況4個(gè)指標(biāo)作為一級指標(biāo)。選取乙炔含量等18個(gè)指標(biāo)作為二級指標(biāo)。電力變壓器狀態(tài)評價(jià)指標(biāo)體系如圖1所示。

目前電力變壓器幾乎全是采用油浸紙絕緣結(jié)構(gòu)，用絕緣油進(jìn)行絕緣和散熱。隨著運(yùn)行時(shí)間的增長，固體絕緣材料會在電和熱的作用下逐漸老化分解，會逐漸產(chǎn)生少量的低分子烴類以及一氧化碳、二氧化碳等特征氣體。當(dāng)變壓器內(nèi)部出現(xiàn)局部放電、過熱等故障時(shí)這種現(xiàn)象會加劇。對于不同類型的電力變壓器故障，所產(chǎn)生的特征氣體各種成分比例、濃度都有一定的差異。因此，通過油色譜分析來分析變壓器內(nèi)部氣體的成分、濃度和產(chǎn)氣速率是電力變壓器重要的監(jiān)測手段。電力變壓器油中溶解氣體含量注意值如表2所示。

氣體的絕對產(chǎn)氣速率即每運(yùn)行日產(chǎn)生某種氣體的平均值，計(jì)算方式如下：

其中，γα為絕對產(chǎn)氣速率；C1為第一次取樣測得油中某氣體的濃度（μL／L）；C2為第二次取樣測得油中某氣體的濃度（μL／L）；Δt為2次取樣時(shí)間間隔中的實(shí)際運(yùn)行天數(shù)（d）；K 為設(shè)備總的油量（t）；ρ為油的密度（t／m3）。電力變壓器絕對產(chǎn)氣速率的注意值如表3所示。

圖1 電力變壓器狀態(tài)評價(jià)指標(biāo)體系Fig.1 Power transformer status evaluation index system

表2 電力變壓器溶解氣體含量注意值Table 2 Critical content of dissolved gases in power transformer

表3 絕對產(chǎn)氣速率的注意值Table 3 Critical increase rate of dissolved gases in power transformer

電力變壓器內(nèi)部結(jié)構(gòu)復(fù)雜，電場和熱場分布不均，事故率相對于智能配電網(wǎng)其他設(shè)備較高?；?008年國家電網(wǎng)公司頒布的《設(shè)備狀態(tài)檢修規(guī)章制度和技術(shù)標(biāo)準(zhǔn)匯編》的要求，新變壓器投運(yùn)滿一年以及停運(yùn)6個(gè)月后，應(yīng)當(dāng)進(jìn)行例行試驗(yàn)。例行試驗(yàn)是指為了獲取設(shè)備狀態(tài)量、評估設(shè)備狀態(tài)、及時(shí)發(fā)現(xiàn)故障隱患，定期進(jìn)行的各種帶電檢測和停電試驗(yàn)。因此選取電氣試驗(yàn)的相關(guān)狀態(tài)量作為評價(jià)指標(biāo)如表4所示。

電力變壓器的絕緣油一方面作為內(nèi)絕緣的介質(zhì)使得繞組之間、鐵芯、箱殼間有良好的絕緣；另一方面作為散熱的介質(zhì)發(fā)揮作用。因此對絕緣油的監(jiān)測有重要的意義。絕緣油試驗(yàn)評估指標(biāo)如表5所示。

表4 電氣試驗(yàn)指標(biāo)Table 4 Indexes of electrical test

表5 絕緣油試驗(yàn)評估指標(biāo)Table 5 Evaluation indexes of insulating oil test

電力變壓器的附件主要包括冷卻系統(tǒng)、測試裝置、有載分接開關(guān)和保護(hù)裝置。這些附件的運(yùn)行狀況也會影響到電力變壓器的運(yùn)行狀態(tài)。冷卻系統(tǒng)可以確定變壓器的溫度保持在允許的范圍內(nèi)；測試裝置主要包括油位計(jì)、溫度計(jì)和電流互感器，許多測試信息都需要從測試裝置中監(jiān)測得出，它的可靠運(yùn)行很重要；有載分接開關(guān)是變壓器完成有載調(diào)壓的關(guān)鍵部位，需要避免其出現(xiàn)彈簧脫落、老化、機(jī)械卡澀、轉(zhuǎn)軸斷裂等故障；保護(hù)裝置主要包括儲油柜、吸濕器、壓力釋放閥和氣體繼電器等，這些設(shè)備的可靠運(yùn)行對于變壓器的運(yùn)轉(zhuǎn)有重要意義。依據(jù)電力變壓器附件實(shí)際運(yùn)行狀態(tài)和工作人員檢修經(jīng)驗(yàn)對電力變壓器附件運(yùn)行狀況進(jìn)行評估，如表6所示。

1.3 狀態(tài)劃分及量化

本文采用1分制的評分方式對電力變壓器的各項(xiàng)指標(biāo)做出評估。電力變壓器狀態(tài)劃分及預(yù)警如表7所示。

本文采用半梯模型對配電線路狀態(tài)信息進(jìn)行量化。半梯模型包括升半梯模型和降半梯模型。對于數(shù)值越大越好的狀態(tài)量采用升半梯模型，反之采用降半梯模型。為了方便后續(xù)計(jì)算，將量化數(shù)據(jù)做同向化處理，即量化結(jié)果均位于［0，1］區(qū)間內(nèi)，并且數(shù)值越小，對應(yīng)的狀態(tài)運(yùn)行狀況越好。

表6 附件運(yùn)行狀況評估Table 6 Operating status evaluation of accessories

表7 電力變壓器狀態(tài)劃分及預(yù)警Table 7 Statuses and warnings of power transformer

升半梯評分模型的表達(dá)式為：

降半梯評分模型的表達(dá)式為：

其中，a、b為模型閾值；m為量化參數(shù)量值。各狀態(tài)量的閾值和參數(shù)量值依據(jù)相關(guān)規(guī)定和檢修經(jīng)驗(yàn)設(shè)定，見 1.2 節(jié)。

2 電力變壓器狀態(tài)判別模型

2.1 電力變壓器模糊綜合評價(jià)

模糊綜合評價(jià)［16］以模糊集合論為基礎(chǔ)，是一種對多種模糊因素或受模糊因素影響的事物或現(xiàn)象進(jìn)行評價(jià)的方法。模糊關(guān)系合成可以量化一些邊界不清、主觀性強(qiáng)的因素，并且可以從多個(gè)因素對被評價(jià)事物隸屬等級狀況進(jìn)行綜合性評價(jià)。模糊綜合評價(jià)的評價(jià)結(jié)果清晰，系統(tǒng)性強(qiáng)，對于各種非確定性問題的解決具有良好效果。

電力變壓器狀態(tài)雙層模糊綜合評價(jià)的步驟如下。

a.建立模糊評價(jià)狀態(tài)變量集U。U為變壓器一級指標(biāo)組成的集合。 U=｛ui｝（i=1，2，3，4），其中 ui（i=1，2，3，4）分別代表油色譜指標(biāo)、電氣試驗(yàn)指標(biāo)、絕緣油試驗(yàn)指標(biāo)、附件運(yùn)行狀況4個(gè)一級指標(biāo)。每一個(gè)一級指標(biāo)又由相應(yīng)的二級指標(biāo)組成。圖1所示的18個(gè)二級指標(biāo)分別用 vj（j=1，2，…，18）表示。

b.建立權(quán)重集W。權(quán)重集是狀態(tài)變量集中4個(gè)一級指標(biāo)的歸一化權(quán)值，W＝｛w1，w2，w3，w4｝，要求權(quán)值滿足非負(fù)性和歸一性，即 wi≥0（i=1，2，3，4）且1。每個(gè)一級指標(biāo)的評估值又由相應(yīng)的二級指標(biāo)賦權(quán)求得。18個(gè)二級指標(biāo)的權(quán)值分別用kj（j=1，2，…，18）來表示，并且滿足：

c.建立評估集V。評估集包括對各狀態(tài)量及其子狀態(tài)量的評估。電力變壓器運(yùn)行狀態(tài)評估集由4類狀態(tài)構(gòu)成：正常、注意、異常、嚴(yán)重。

d.建立隸屬度矩陣。在狀態(tài)變量集、權(quán)重集和評估集建立后，建立一個(gè)從U到V的模糊關(guān)系，導(dǎo)出單因素模糊隸屬度D。

e.雙層模糊綜合評價(jià)的求解。電力變壓器狀態(tài)雙層模糊綜合評價(jià)求解是對一系列變量加權(quán)求和的過程。

其中，D 為單因素模糊隸屬度；wi（i=1，2，3，4）為 4 個(gè)一級指標(biāo)權(quán)重值；kj（ j=1，2，…，18）為 18 個(gè)二級指標(biāo)權(quán)重值。

f.評估結(jié)果分析。通過對隸屬度D的判斷可以得出電力變壓器的隸屬度。依據(jù)隸屬度確定電力變壓器的工作狀態(tài)和相應(yīng)的檢修計(jì)劃。

2.2 貝葉斯判別

貝葉斯判別的基本思想是認(rèn)為所有G個(gè)類別都是空間中互斥的子域，每個(gè)觀測都是空間中的一個(gè)點(diǎn)。在考慮先驗(yàn)概率的前提下，利用貝葉斯公式按照一定準(zhǔn)則構(gòu)造一個(gè)判別函數(shù)，分別計(jì)算該樣品落入各個(gè)子域的概率，所有概率中最大的一類就被認(rèn)為是該樣品所屬的類別［17］。

為了判斷電力變壓器狀態(tài)評估的準(zhǔn)確性，建立基于貝葉斯判別法的狀態(tài)判別模型。

設(shè)有 k 個(gè)總體 G1、G2、…、Gk，其 p 維分布密度函數(shù)分布為 f1（x）、 f2（x）、…、 fk（x），各總體出現(xiàn)的先驗(yàn)概率分布為 q1、q2、…、qk，且對于樣品x=［x1x2… xp］T，需判定x歸屬哪一個(gè)總體。把x看成是p維歐氏空間Rp的一個(gè)點(diǎn)，那么，貝葉斯判別規(guī)則期望對樣本空間實(shí)現(xiàn)一個(gè)劃分：R1、R2、…、Rk，該劃分既考慮各總體出現(xiàn)的概率又考慮使誤差的可能性最小，這個(gè)劃分就成了一個(gè)判別規(guī)則，即若x落入 Ri（i=1，2，…，k），則 x ? Gi。

根據(jù)貝葉斯公式，樣品x來自Gi的條件概率（后驗(yàn)概率）為：

若 x 屬于 Gi，而被誤判為 Gj（i≠j）的概率為 1-P（Gi|x）。當(dāng)因誤判而產(chǎn)生的損失函數(shù)為L（j|i）時(shí)，誤判的平均損失為：

它表示了本屬于第i個(gè)總體的樣品被誤判為屬于第j個(gè)總體的損失。判別一個(gè)樣品屬于哪一類，自然既希望屬于這一類的后驗(yàn)概率大，又希望誤判為這一類的平均損失小。實(shí)際應(yīng)用中確定損失函數(shù)比較困難，故常假設(shè)各種誤判損失一樣。此時(shí)，使P（Gi|x）最大與使E（i|x）最小是等價(jià)的。這樣，建立判別函數(shù)就只需使 P（Gi|x）最大，它等價(jià)于應(yīng)使 qifi（x）最大，故判別函數(shù)為：

判別規(guī)則為：當(dāng) x 落入 Ri，則 x?Gi，其中即對于 x，若則 x ? Gi。

當(dāng)時(shí)，有：

令則判別函數(shù)為：

判別規(guī)則為：若則 x ? Gi。

這時(shí)后驗(yàn)概率為：

當(dāng)∑=∑1=∑2=…＝∑k時(shí)，由于上述判別函數(shù)式（1）中第2、第3項(xiàng)與i無關(guān)，故判別函數(shù)可簡化為式（2），而判別規(guī)則不變。

可以證明，當(dāng)k=2時(shí)，若q1=q2且兩總體的誤判概率相等時(shí)，貝葉斯判別與距離判據(jù)等價(jià)。

2.3 變壓器狀態(tài)判別預(yù)警系統(tǒng)

結(jié)合2種方法的優(yōu)點(diǎn)，建立了基于模糊綜合評價(jià)和貝葉斯判別的電力變壓器狀態(tài)判別和預(yù)警模型。該模型的判斷過程如圖2所示。

圖2 電力變壓器狀態(tài)判別預(yù)警系統(tǒng)Fig.2 Power transformer status discrimination and warning system

具體的評估步驟如下。

a.對于待測樣本進(jìn)行在線監(jiān)測，取得電力變壓器各項(xiàng)指標(biāo)的測量值。

b.對測量結(jié)果進(jìn)行初始化處理并依據(jù)狀態(tài)評價(jià)體系進(jìn)行量化。

c.依據(jù)變壓器模糊綜合評價(jià)模型求得樣本集的評價(jià)結(jié)果。

d.依據(jù)模糊綜合評價(jià)模型的評估結(jié)果，采用貝葉斯判別模型計(jì)算樣本判別的正確率，如果正確率高于90%，則依據(jù)模型輸出結(jié)果；如果正確率低于90%，則返回步驟b，更新指標(biāo)權(quán)重，改進(jìn)模型評價(jià)模型。

e.依據(jù)診斷結(jié)果，確定電力變壓器運(yùn)行狀態(tài)并提出相應(yīng)的預(yù)警建議。

f.依據(jù)步驟e得出的結(jié)果進(jìn)行檢修。

3 實(shí)例驗(yàn)證

選取16組電力變壓器監(jiān)測樣本進(jìn)行研究。依據(jù)本文建立的電力變壓器指標(biāo)評估體系對每一個(gè)樣本的18個(gè)二級評估指標(biāo)進(jìn)行量化。依據(jù)變壓器模糊綜合評價(jià)模型求得樣本集的評價(jià)結(jié)果，分為正常、注意、異常、嚴(yán)重 4 個(gè)狀態(tài)組，依次用 1、2、3、4 標(biāo)記。依據(jù)經(jīng)驗(yàn)和專家判斷，選取一級指標(biāo)權(quán)重W=｛0.3，0.3，0.2，0.2｝。依據(jù)變壓器狀態(tài)模糊綜合評價(jià)模型求得樣本集的評價(jià)結(jié)果，如表8所示。

表8 變壓器狀態(tài)模糊綜合評價(jià)結(jié)果Table 8 Results of fuzzy comprehensive evaluation of power transformer status

采用貝葉斯判別模型對變壓器狀態(tài)模糊綜合評價(jià)的結(jié)果進(jìn)行判別。各個(gè)狀態(tài)組的先驗(yàn)概率如表9所示。

表9 狀態(tài)組先驗(yàn)概率Table 9 Prior probability of status groups

依據(jù)貝葉斯判別模型，計(jì)算貝葉斯判別系數(shù)如表10所示。

表10 貝葉斯判別函數(shù)系數(shù)Table 10 Coefficients of Bayes classification function

依據(jù)表10可知4種狀態(tài)的貝葉斯判別函數(shù)如下。

正常狀態(tài)：

注意狀態(tài)：

異常狀態(tài)：

嚴(yán)重狀態(tài)：

將樣本的一級指標(biāo)值代入上述4個(gè)貝葉斯判別函數(shù)，求得4個(gè)函數(shù)值，哪個(gè)函數(shù)值最大，則該樣本所處的狀態(tài)即判入該類。16組變壓器狀態(tài)監(jiān)測樣本的判別結(jié)果如表11所示。

表11 樣本判別結(jié)果Table 11 Results of sample discrimination

由狀態(tài)判別的結(jié)果可知，樣本1—4處于正常運(yùn)行狀態(tài)；樣本5—7處于注意狀態(tài)；樣本8—12、14、15處于異常狀態(tài)；樣本13、16處于嚴(yán)重狀態(tài)。電力變壓器狀態(tài)判別中出現(xiàn)1次誤判，正確率為93.75%，滿足誤差要求，證明所建立的基于模糊綜合評價(jià)和貝葉斯判別的電力變壓器狀態(tài)判別模型可以準(zhǔn)確判斷電力變壓器的狀態(tài)。

通過該模型對4組待判樣本進(jìn)行判別，結(jié)果如表12所示。

表12 變壓器狀態(tài)判別結(jié)果Table 12 Results of power transformer status discrimination

由判別結(jié)果可知，樣本17處于正常運(yùn)行狀態(tài)，建議采用不停電檢修的方式，或可延期檢修；樣本18處于注意狀態(tài)，建議按照正常的檢修周期進(jìn)行常規(guī)檢修；樣本19處于異常狀態(tài)，建議適時(shí)安排局部檢修；樣本20處于嚴(yán)重狀態(tài)，建議立即進(jìn)行整體檢修。

綜上，本文建立的基于模糊綜合評價(jià)和貝葉斯判別的電力變壓器狀態(tài)判別和預(yù)警模型能夠準(zhǔn)確高效地判別變壓器的運(yùn)行狀態(tài)并提出相應(yīng)的檢修建議，為運(yùn)行檢修工作人員合理安排工作提供參考。

4 結(jié)論

本文引入貝葉斯判別法對電力變壓器進(jìn)行故障判別和預(yù)警，提出了電力變壓器狀態(tài)評價(jià)體系，建立了基于模糊綜合評價(jià)和貝葉斯判別的電力變壓器狀態(tài)判別模型，求得判別結(jié)果并進(jìn)行了驗(yàn)證。該方法準(zhǔn)確高效，可以有效判別電力變壓器的工作狀態(tài)并做出預(yù)警，為電力系統(tǒng)運(yùn)行檢修工作人員合理安排工作提供一定的參考。貝葉斯判別分析可以進(jìn)一步推廣應(yīng)用到其他電力設(shè)備狀態(tài)評估和在線預(yù)警工作中。

參考文獻(xiàn)：

［1］吳國沛，劉育權(quán).智能配電網(wǎng)技術(shù)支持系統(tǒng)的研究與應(yīng)用［J］.電力系統(tǒng)保護(hù)與控制，2010，38（21）：162-166，172.WU Guopei，LIU Yuquan.Research and application of technology support system for smart distribute grid［J］.Power System Protection and Control，2010，38（21）：162-166，172.

［2］陳樹勇，宋書芳，李蘭欣，等.智能電網(wǎng)技術(shù)綜述［J］.電網(wǎng)技術(shù)，2009，33（8）：1-7.CHEN Shuyong，SONG Shufang，LI Lanxin，et al.Survey on smart grid technology［J］.Power System Technology，2009，33（8）：1-7.

［3］田芳，李亞樓，周孝信，等.電力系統(tǒng)全數(shù)字實(shí)時(shí)仿真裝置［J］.電網(wǎng)技術(shù)，2008，32（22）：17-22.TIAN Fang，LI Yalou，ZHOU Xiaoxin，et al.Advanced digital power system simulator ［J］.Power System Technology，2008，32（22）：17-22.

［4］鄭含博.電力變壓器狀態(tài)評估及故障診斷方法研究［D］.重慶：重慶大學(xué)，2012.ZHENG Hanbo.Study on condition assessment and fault diagnosis approaches for power transformers［D］.Chongqing：Chongqing University，2012.

［5］周求寬，萬軍彪，王豐華，等.電力變壓器振動在線監(jiān)測系統(tǒng)的開發(fā)與應(yīng)用［J］.電力自動化設(shè)備，2014，34（3）：162-166.ZHOU Qiukuan，WAN Junbiao，WANG Fenghua，et al.Design and implementation of online vibration monitoring system for power transformer［J］.Electric Power Automation Equipment，2014，34（3）：162-166.

［6］李莉，朱永利，宋亞奇.變壓器繞組多故障條件下的振動信號特征提?。跩］.電力自動化設(shè)備，2014，34（8）：140-146.LI Li，ZHU Yongli，SONG Yaqi.Feature extraction for vibration signal of transformer winding with multiple faults［J］.Electric Power Automation Equipment，2014，34（8）：140-146.

［7］TANG W H，SPURGEON K，WU Q H，et al.An evidential reasoning approach to transformer condition assessments［J］.IEEE Transactions on Power Delivery，2004，19（4）：1696-1703.

［8］廖瑞金，張鐿議，黃飛龍，等.基于可拓分析法的電力變壓器本體絕緣狀態(tài)評估［J］.高電壓技術(shù)，2012，38（3）：521-526.LIAO Ruijin，ZHANG Yiyi，HUANG Feilong，et al.Power transformer condition assessment strategy using matter element analysis［J］.High Voltage Engineering，2012，38（3）：521-526.

［9］付強(qiáng)，陳特放，朱佼佼.采用自組織RBF網(wǎng)絡(luò)算法的變壓器故障診斷［J］.高電壓技術(shù)，2013，39（5）：1368-1375.FU Qiang，CHEN Tefang，ZHU Jiaojiao.Transformer fault diagnosis by using the self-organizing RBF network algorithm ［J］.High Voltage Engineering，2013，39（5）：1368-1375.

［10］郭新辰，宋瓊，秀玲.基于半監(jiān)督分類方法的變壓器故障診斷［J］.高電壓技術(shù)，2012，38（5）：1096-1100.GUO Xinchen，SONG Qiong，XIU Ling.Transformer fault diagnosis based on semi supervised classification method［J］.High Voltage Engineering，2012，38（5）：1096-1100.

［11］白翠粉，高文勝，金雷，等.基于 3層貝葉斯網(wǎng)絡(luò)的變壓器綜合故障診斷［J］.高電壓技術(shù)，2013，39（2）：330-335.BAI Cuifen，GAO Wensheng，JIN Lei，et al.The integrated transformer fault diagnosis based on three layers Bayesian network［J］.High Voltage Engineering，2013，39（2）：330-335.

［12］仲元昌，萬能飛，夏艷，等.基于油氣參數(shù)分析的電力變壓器故障分步式診斷算法［J］.高電壓技術(shù)，2014，40（8）：2279-2284.ZHONG Yuanchang，WAN Nengfei，XIA Yan，et al.Distributed diagnosis algorithm for transformer fault by dissolved gas-in-oil parameters analysis［J］.High Voltage Engineering，2014，40（8）：2279-2284.

［13］雷浩轄，劉念，崔東君，等.基于GA與PSO混合優(yōu)化FCM聚類的變壓器故障診斷［J］.電力系統(tǒng)保護(hù)與控制，2011，39（22）：52-56.LEI Haoxia，LIU Nian，CUI Dongjun，et al.FCM clustering of transformer fault diagnosis based on GA and PSO hybrid optimization［J］.Power System Protection and Control，2011，39（22）：52-56.

［14］符楊，田振寧，江玉蓉，等.加權(quán)模糊核聚類法在電力變壓器故障診斷中的應(yīng)用［J］.高電壓技術(shù)，2010，36（2）：371-374.FU Yang，TIAN Zhenning，JIANG Yurong，et al.Power transformer fault diagnosis using weighted fuzzy kernel clustering［J］.High Voltage Engineering，2010，36（2）：371-374.

［15］廖玉祥.一種電力變壓器運(yùn)行狀態(tài)綜合評估模型的研究［D］.重慶：重慶大學(xué)，2006.LIAO Yuxiang.Study on the comprehensive assessment model of transformer operation condition［D］.Chongqing：Chongqing University，2006.

［16］朱少敏，劉建明，劉冬梅.基于模糊神經(jīng)網(wǎng)絡(luò)的電力企業(yè)數(shù)據(jù)中心綠色評價(jià)方法［J］.電網(wǎng)技術(shù)，2008，32（19）：84-88，97.ZHU Shaomin，LIU Jianming，LIU Dongmei.A fuzzy neural network based green evaluation method of power enterprise center［J］.Power System Technology，2008，32（19）：84-88，97.

［17］高妍方.判別貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)算法及其應(yīng)用研究［D］.長沙：國防科學(xué)技術(shù)大學(xué)，2008.GAO Yanfang.Research on learning methods and application of discriminative bayesian networks［D］.Changsha：National University of Defense Technology，2008.