基于三比值法的變壓器故障診斷識別

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、精準地診斷對電力系統(tǒng)穩(wěn)定運行起到至關(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行評價，然后利用KNN分類器進行故障識別。實驗結(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，將會對整個供電系統(tǒng)產(chǎn)生影響，造成巨大的經(jīng)濟損失，甚至危及人身安全。因此，為了保障電力系統(tǒng)的安全運行，必須盡早對變壓器進行故障預(yù)判和診斷。電力系統(tǒng)變壓器在長時間運行后，由于環(huán)境或電氣負載等因素會出現(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)具有很強的隨機性，因此對其進行故障診斷十分困難。

通過對變壓器油中溶解的氣體進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Martin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)一標準。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三比值特征進行重要性計算，得出故障與特征值之間的關(guān)聯(lián)關(guān)系，然后利用KNN分類器對故障進行分類，實驗結(jié)果證實了該方法的有效性。

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，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行分析。發(fā)生故障時，氣體在線監(jiān)測儀首先發(fā)出聲光警報，然后在對變壓器油采樣后通過氣相色譜儀進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，并進行了故障標注，共計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，并且遠離不同的類別。

ReliefF選擇一個隨機的樣本cr，并且尋找附近h個相鄰的樣本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次計算時特征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現(xiàn)。KNN分類器在訓(xùn)練階段僅僅將訓(xùn)練樣本進行保存，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 實驗分析

為了進一步對特征進行重要性分析以及對故障進行分類識別，將330組數(shù)據(jù)打亂洗牌后，隨機選取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)練集特征進行分析，函數(shù)參數(shù)中鄰近個數(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個測試樣本中僅2、4、13、24、66號樣本出現(xiàn)預(yù)測錯誤，分類準確率為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行分析，評價3種特征在故障識別中的區(qū)分度，隨后利用KNN分類器對測試集進行識別。實驗結(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KNN分類器也可以對測試集樣本進行有效識別，分類準確率為95%，從而驗證了三比值法的有效性。

[參考文獻]

[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].計算機測量與控制，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。