基于支持向量機的變壓器故障診斷

李煒

摘要：針對油浸式電力變壓器在不同工作狀態(tài)時，變壓器油中溶解氣體的類型和含量的不同，通過檢測變壓器油中的不同氣體的類型和含量就成了判別變壓器工作狀態(tài)的重要方法。本文基于支持向量機（SVM）模型，利用支持向量機對于非線性問題的優(yōu)良解決方法，給出了一種判別變壓器工作方式的方法，經(jīng)測試，判別正確率高達96.8%，滿足對于變壓器故障判別的精度要求。

Abstract： According to the different working states of oil-immersed power transformer， the type and content of dissolved gas in transformer oil are different. Based on the support vector machine （SVM） model and by using the support vector machine to solve the nonlinear problem， this paper presents a method to distinguish the transformer working mode.

關(guān)鍵詞：變壓器故障診斷;神經(jīng)網(wǎng)絡(luò);支持向量機

Key words： transformer fault diagnosis;neural network;support vector machine

中圖分類號：TM41 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1006-4311（2019）20-0245-02

0 ?引言

變壓器在電力系統(tǒng)中起著至關(guān)重要的作用，它在電力傳輸系統(tǒng)中傳輸成本低、分配方式靈活和使用安全，因此需要經(jīng)常對變壓器的維護和檢修。通過對變壓器的工作方式進行故障診斷，對其正常工作提供可靠依據(jù)就顯得尤為重要。

1 ?變壓器故障診斷系統(tǒng)原理

由于變壓器處于不同工作狀態(tài)下變壓器油中的溶解氣體含量不同[1-3]，需要對變壓器油中溶解氣體進行分析，這能夠很好的反映變壓器的一些平時檢測不到的潛在故障。文獻[4-6]提出的改良的三比值法的判斷準確率最高，即CH4/H2、C2H2/C2H4和C2H4/C2H6這三對比值。在不同工作模式下，這三隊比值的差別最大，通過分析這三對比值就能準確的對變壓器處于何種工作模式進行識別，從而正確判斷故障產(chǎn)生的原因。利用支持向量機（SVM）對已知數(shù)據(jù)進行訓練和學習，識別不同工作模式下這三對比值的不同，最后輸出分析結(jié)果。SVM網(wǎng)絡(luò)設(shè)計流程如圖1所示。

變壓器的工作模式主要分為三種故障工作模式和正常工作模式，如表1所示。

2 ?支持向量機模型

支持向量機是從線性可分發(fā)展而來一種理論模型。目標是將兩類或多類不同的樣本分離開，不僅要求正確分開，而且目標是需要使分類間隔的達到最大[7，8]。如圖2所示。

H1和H2之間的間隔就是最大間隔，等于2/‖ω‖，使間隔最大也就是‖ω‖最小。利用Lagrange優(yōu)化方法可以解出最優(yōu)分類函數(shù)

對于高維空間的分類問題，需要將問題轉(zhuǎn)換成對偶問題，這樣問題困難就不再取決于空間維數(shù)，而是取決于分類的樣本數(shù)，因此，對于非線性問題來說，就能夠轉(zhuǎn)換成高維空間問題來進行求解。通過在最優(yōu)分類面中采用適當?shù)膬?nèi)積函數(shù)K（XiXj）就能實現(xiàn)對非線性問題的高維空間化，進而轉(zhuǎn)化成高維空間的分類。此時的分類函數(shù)：

這就是支持向量機的分類模型，首先利用合適的內(nèi)積函數(shù)定義非線性轉(zhuǎn)換將輸入空間變換到高維空間中去，在這個高維空間中尋求最優(yōu)分類面[9，10]，這樣就能對非線性問題進行分類識別。支持向量機網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

3 ?變壓器故障診斷的實現(xiàn)

在利用支持向量機對變壓器故障進行分析診斷時，需要將數(shù)據(jù)進行預(yù)處理，有些數(shù)據(jù)可能很大或很小，與其他組的數(shù)據(jù)相比可能相差幾個數(shù)量級，需要對數(shù)據(jù)進行歸一化處理。通過傳感器和采集裝置采集到的不同工作模式下的每種參數(shù)為一個樣本，所對應(yīng)的工作模式為輸出結(jié)果，本文共提取出31組數(shù)據(jù)，選取前23組進行訓練和學習，再將全部數(shù)據(jù)打亂重新進行預(yù)測。

首先載入數(shù)據(jù)，選取訓練數(shù)據(jù)和測試數(shù)據(jù)，將訓練數(shù)據(jù)分成訓練輸入向量和訓練目標向量，將訓練數(shù)據(jù)回代，完成測試數(shù)據(jù)的預(yù)測。訓練結(jié)果如圖4所示。其中橫坐標為每組樣本編號，縱坐標為類別。星號線表示預(yù)測工作模式，圓圈表示真實工作模式。生成的混淆矩陣如圖5所示。矩陣的第一行到第四行代表四種種工作模式的預(yù)測識別情況，淺灰色方格代表預(yù)測正確的個數(shù)和總體比例，灰色方格代表每一類的錯誤預(yù)測的個數(shù)和比例，深灰色方格代表每一類總體的正確率，最后白色方格表示總體的預(yù)測正確率。

4 ?結(jié)論

本文給出了基于支持向量機的變壓器故障診斷方法，通過對變壓器油中溶解氣體分析法進行深入分析后，建立基于支持向量機的故障診斷模型。通過圖4可以看出僅有最后一個樣本預(yù)測錯誤，將真實工作模式1辨認成了工作模式4。圖5混淆矩陣則可以很清楚的看出各類工作模式的預(yù)測正確率以及總體的正確率96.8%。滿足對于實際變壓器故障診斷的精度要求。

參考文獻：

[1]王漢林，楊超，唐華.油中溶解氣體分析的電力變壓器故障診斷[J].自動化儀表，2018，39（10）：66-69.

[2]張善強.油浸電力變壓器故障診斷及檢修技術(shù)的研究[J].花炮科技與市場，2018（03）：36，39.

[3]Xiaolian Liu， Yu Tian，Xiaohui Lei，Mei Liu，Xin Wen，Haocheng Huang，Hao Wang. Deep forest based intelligent fault diagnosis of hydraulic turbine[J]. Journal of Mechanical Science and Technology，2019，33（5）.

[4]XianBo Wang，Zhi-Xin Yang，Pak Kin Wong，Chao Deng. Novel paralleled extreme learning machine networks for fault diagnosis of wind turbine drivetrain[J]. Memetic Computing，2019，11（2）.

[5]劉振宇.基于DGA的變壓器在線監(jiān)測與故障診斷方法研究[J].通信電源技術(shù)，2019，36（04）：11-12.

[6]和娜娜.半監(jiān)督分類法在變壓器故障診斷中的應(yīng)用[J].煤礦機電，2018（05）：64-66.

[7]Xunshi Yan， Zhe Sun，Jingjing Zhao，Zhengang Shi，Chen-an Zhang. Fault diagnosis of rotating machinery equipped with multiple sensors using space-time fragments[J]. Journal of Sound and Vibration，2019.

[8]榮智海，齊波，李成榕，朱雙靜，陳玉峰，辜超.面向變壓器油中溶解氣體分析的組合DBN診斷方法[J/OL].電網(wǎng)技術(shù)：1-9[2019-06-11].https：//doi.org/10.13335/j.1000-3673.pst.2019.0422.

[9]胡善芝，周冬旭，唐仁權(quán).一種基于綜合推理的變壓器故障診斷方法[J].電工電氣，2019（03）：23-28.

[10]馬松齡，郭小艷，張清敏，代一楠.基于改進粒子群優(yōu)化RBF網(wǎng)絡(luò)的變壓器故障診斷[J].水電能源科學，2019，37（04）：184-186，191.