油中溶解氣體分析的電力變壓器故障診斷

王漢林，楊 超，唐 華

(貴州大學電氣工程學院，貴州 貴陽 550025)

0 引言

變壓器是電力系統的樞紐，其安全、正常運行關系到整個電力系統的有效運行。所以，對變壓器發(fā)生的故障作出及時、準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)和我國國網公司推薦的油中溶解氣體分析(dissolved gas analysis，DGA)。對變壓器的運行和監(jiān)測研究結果表明，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是由于其中絕緣材料老化、絕緣油變質產生的，氣體產生的速度和數量會隨著變壓器內部故障而發(fā)生改變(例如變壓器內部發(fā)生過熱或放電性故障，會加速這些氣體的產生)。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在聯系，從而實現對變壓器的故障診斷［1］。

IEC運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 傳統三比值法

傳統三比值法是在1978年經IEC充分研究和討論之后所總結出的變壓器故障診斷方法。三比值法依據發(fā)生故障時所產生的氣體情況，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，根據各比值所處的區(qū)間范圍對其進行相應的編碼，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的故障，并確定其相對應的故障性質。

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

1．2 改進三比值法

除了1．1節(jié)所提到的問題外，傳統三比值法還存在氣體未達到比值時無法進行診斷，以及分類的邊界值過于絕對化等問題。對于以上問題，國內的相關學者對三比值法進行了相關的改進。

將粗糙理論運用到三比值法中。利用粗糙集理論的模糊性和不確定性，構造出一個粗糙集理論的決策表。采用這種方法對原始數據進行預處理，克服了故障機理模糊和形式不唯一的問題。但由于只是對編碼范圍進行一定的擴展，該方法仍無法克服三比值法中的固有缺陷。

文獻［3］利用模糊C均值聚類方法，根據隸屬度函數和模糊方法對采集的樣本空間進行柔性劃分，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不足等問題。對樣本空間進行容性劃分之后，聚類編碼結果(三比值法)與樣本的特征，進而判定所發(fā)生的故障類型。但該方法存在計算量大、成本高的缺點，暫時難以大規(guī)模應用。

2 人工智能優(yōu)化法

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

2．1 基于人工神經網絡的診斷方法

人工神經網絡(artificial neural network，ANN)通過模擬人的神經系統來處理信息。ANN處理信息的基本單元為神經元，由其構成復雜的神經網絡。目前，神經網絡主要依靠大量的訓練樣本對神經元進行訓練，得到符合當前系統的模型，從而對變壓器故障信息進行分類診斷。當前，在電網故障診斷所涉及的區(qū)域內，具有前饋功能的神經網絡得到了普遍應用。其中，反向傳播(back propagation，BP)神經網絡和徑向基(radial basis function，RBF)神經網絡是2種典型的神經網絡。以下介紹幾種神經網絡算法在變壓器故障診斷中的應用。

①混合神經網絡算法［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)網絡算法的連接權值進行優(yōu)化;然后，將學習矢量量化(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，使結果更加可靠。但是對于各個算法的迭代次數，需要進行多次試驗后才能得到最優(yōu)，增加了算法的復雜性。

②改進蝙蝠算法優(yōu)化BP神經網絡算法［8］。BP神經網絡除線性外的映射關系泛化能力較強。采用改進的蝙蝠算法(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)，得到一個逼近真實值的權值和閾值向量矩陣，然后優(yōu)化神經網絡參數。該方法需要對網絡進行反復試驗，才能夠最終確定各神經層的數量，因此會產生表達能力不足、容易過擬合的現象。

③卷積神經網絡算法［9］。該方法可將特征氣體數據歸一化，從而確定卷積神經網絡的卷積核大小、個數以及采樣寬度;然后，進行模型訓練，進而確定診斷模型。雖然這種模型在準確率上較一般的神經網絡有所提高，但是在模型的訓練時間上所花費的時間大大超過一般的神經網絡，而且需要多次試驗才能獲得最優(yōu)參數。

④徑向基神經網絡與自適應遺傳算法［10］。采用RBF神經網絡搭建用于識別變壓器故障的數學模型，在優(yōu)化RBF神經網絡的基函數寬度和中心，以及連接權值方面采用遺傳算法，得到全局的最優(yōu)值。該算法能夠提高網絡的收斂速度，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，雖然神經網絡算法的學習能力很強、有很強的魯棒性，但是仍然具有一些缺點。因為神經網絡算法一般都需要足夠大的訓練樣本，所以如何獲取有價值的訓練樣本以及減少訓練的成本是最大的問題。

2．2 基于支持向量機的診斷方法

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行故障診斷的方法。參照統計學理論研究，Vapnik等人提出了支持向量機(support vector machine，SVM)這一模式識別算法。它有效地規(guī)避了傳統分類方法的弱點，具有廣泛的理論依據。以下列舉幾種改進算法。

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

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

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

2．3 基于貝葉斯的故障診斷方法

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

①正態(tài)云模型與改進貝葉斯分類器［12］。為了解決離散時邊界數據多重屬性的問題，引入云正態(tài)模型，同時對數據集進行精簡;利用規(guī)則森林表示法和屬性聯合概率計算法，對貝葉斯分類器進行相關的修改，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分類器在參數選取方面具有隨意性和不確定性等缺點，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，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，但是其訓練屬于非確定多項式(nondeterministic polynomially，NP)問題，在處理復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威，其在1965年提出了著名的“模糊集合”，并引入“隸屬函數”，用于描述差異的中間過渡。所謂隸屬函數，即如果對研究范圍U中任意元素x，都存在一個數A(x)∈［0，1］與之對應，就稱A為U上的模糊集，A(x)為x對A的隸屬度;當x在U中變動時，A(x)就是一個函數，稱為A的隸屬函數。以下介紹2種相關的診斷方法。

①模糊關系和自組織競爭網絡法［13］。通過模糊理論中的隸屬度函數確定故障類型與特征氣體之間的處理輸入數據，再經自組織競爭網絡進行學習訓練，構建診斷模型。但是憑借經驗選取學習速度與最大迭代次數，會造成不同使用者產生的結果不同。

②將縱橫交叉算法與模糊聚類相結合，從而對變壓器故障進行判斷。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，首先在空間解內進行整體搜尋，然后通過種群的迭代進化搜尋到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，FCM)聚類算法的初始聚類中心;最后利用FCM聚類算法再進行部分的搜尋，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。但是隸屬度函數的建立并沒有明確的標準，會影響該算法的實用性。在現實中，該算法常與其他算法結合，從而提高精度和泛化性。

2．5 其他改進和多算法融合的診斷方法

很多智能算法都有缺點，但可以通過一定的方法對其進行改進優(yōu)化，進而提高模型的診斷準確率。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行處理，增強樣本的實用性和精簡性;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進行相關優(yōu)化處理。改進類的算法有:改進小波網絡、支持向量機及交叉驗證、基于D-S證據理論的變壓器故障診斷、徑向基函數神經網絡在變壓器故障診斷中的應用、基于典型樣本和證據理論的變壓器故障診斷、基于因子分析和灰色關聯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絡的變壓器故障診斷。以下詳細說明幾種多算法融合類型。

①互補免疫算法。利用智能互補策略融合的概念，并在自組織抗體網絡(self-organization antibody net，soAbNet)的基礎上，在相關免疫進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，首選系統已有的先驗知識來構造疫苗。此方法可提高免疫網絡的效率，使網絡性能更加穩(wěn)定。免疫選擇則對應相關免疫調節(jié)機制，刪除多余、無用的抗體，并對網絡結構進行相關的優(yōu)化處理。該方法的不足之處是:在訓練模型的過程中，采用多種方法對參數以及網絡結構進行優(yōu)化，使得模型的訓練時間和復雜程度較大。

②改進人工魚群優(yōu)化粗糙集算法。故障變壓器判斷特征氣體數據有可能會有缺陷，而粗糙集理論正是處理各種缺陷數據的理論。在此基礎上，引入改進人工魚群算法，并結合該方法本身特性，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 結束語

目前，對于發(fā)生故障變壓器進行診斷領域所面臨的關鍵問題如下。①三比值法在實際應用領域的應用比較廣泛，加快了對故障變壓器診斷領域的發(fā)展。雖然有了改進的方法，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，而且在實際應用中還很少用到。

從當前面臨的問題出發(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，取長補短，是未來診斷故障電力變壓器的方向。②隨著技術的進步，所采集到的特征量會越來越多，需要研究在大量數據的情況下模型運行的速度與效率。③智能化算法的落地應用研究。雖然現在所取得的研究成果很多，但是真正用于實際的卻很少，所以要加強故障診斷的實用性。

總之，任何一種方法想要得到實際應用，都必須要對可行性和準確性這兩個方面進行權衡。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雜導致成本太高。但是，提升故障診斷的準確性又必須使用智能算法。所以，實現智能算法的實際應用仍有一個漫長的過程。