基于支持向量機的電力變壓器故障檢查方法

摘 要：本文針對電力變壓器在運行過程中出現(xiàn)的電力供應(yīng)中斷問題，提出基于支持向量機的電力變壓器故障自動檢查方法。利用氣體傳感器采集電力變壓器油中溶解氣體，提取油中溶解氣體的成分、含量和產(chǎn)氣速率，將其作為變壓器故障特征，并基于支持向量機構(gòu)建一個分類器，輸入油中溶解氣體特征，輸出對應(yīng)的故障類別標(biāo)簽，得到電力變壓器故障自動檢查結(jié)果。試驗結(jié)果表明，本文方法自動檢查不同類型電力變壓器故障的正確率高達(dá)95.56%，具有較高的故障檢查精度。

關(guān)鍵詞：支持向量機；電力變壓器；變壓器故障；故障檢查

中圖分類號：TM 407" " " " " 文獻標(biāo)志碼：A

電力變壓器是電能傳輸和分配核心設(shè)備，隨著我國電力系統(tǒng)不斷發(fā)展，電力變壓器的建設(shè)規(guī)模越來越大。但是電力變壓器運行環(huán)境復(fù)雜多變，在長期運行過程中，電氣、熱、機械等多種因素會導(dǎo)致其發(fā)生內(nèi)部故障，如果不能及時發(fā)現(xiàn)和處理，會造成電力系統(tǒng)中斷供電、設(shè)備損壞甚至發(fā)生火災(zāi)等嚴(yán)重后果，嚴(yán)重威脅電力系統(tǒng)的安全穩(wěn)定。因此，研究電力變壓器故障的自動檢查方法能夠?qū)﹄娏ψ儔浩鬟\行狀態(tài)進行實時監(jiān)控和故障的快速診斷，降低故障對電力系統(tǒng)的影響，具有重要的研究價值和工程應(yīng)用價值。

目前已經(jīng)有很多學(xué)者對電力變壓器故障自動檢查方法進行了研究。例如，文獻[1]基于聯(lián)邦學(xué)習(xí)構(gòu)建的故障檢查模型可以準(zhǔn)確識別不平衡變壓器故障樣本，但是聯(lián)邦學(xué)習(xí)通常需要多個參與者間頻繁進行通信，導(dǎo)致該方法在實際應(yīng)用中通信開銷較大；文獻[2]將Mask R-CNN和改進Retina-Net網(wǎng)絡(luò)結(jié)合在一起進行變壓器故障自動檢查，具有較高精度與效率，但是該方法的計算復(fù)雜性較高，無法滿足一些需要快速響應(yīng)的場景應(yīng)用需求。

在此基礎(chǔ)上，本文提出一種基于支持向量機的電力變壓器故障自動檢查方法，旨在為電力系統(tǒng)的健康發(fā)展提供技術(shù)支持。

1 電力變壓器油中溶解氣體的采集

電力變壓器油中溶解氣體是反映變壓器運行狀態(tài)的重要信息。當(dāng)變壓器內(nèi)部發(fā)生故障時，會產(chǎn)生不同類型的氣體并溶解在變壓器油中。分析這些溶解氣體的含量和種類，可以間接判斷電力變壓器的運行狀況，進而進行故障分類與檢查[3]。因此，本文在設(shè)計電力變壓器故障自動檢查方法過程中的首要任務(wù)是對變壓器油中溶解氣體進行采樣，具體流程如圖1所示。

為了實現(xiàn)電力變壓器油中溶解氣體的采樣，需要先對變壓器中油樣進行脫氣處理，促使油中溶解的多種特征氣體和油樣相互分開[4]。當(dāng)電力變壓器的油氣分離后，需要將脫離出的特征氣體轉(zhuǎn)移至定量管中，利用色譜柱分離各種氣體。如果檢測到色譜柱正常，就說明變壓器油中溶解氣體分離成功，此時利用氣體傳感器進行采樣。當(dāng)電力變壓器油中溶解氣體進入氣體傳感器后，傳感器內(nèi)置的A/D轉(zhuǎn)換電路對其進行轉(zhuǎn)換處理，將模擬的氣體數(shù)據(jù)轉(zhuǎn)換為數(shù)字信號并輸出。最后將采集的電力變壓器油中溶解氣體數(shù)字信號存儲到相應(yīng)寄存器中，本次采樣結(jié)束，此時可準(zhǔn)確測量出油中溶解氣體的組分與含量，為后續(xù)電力變壓器故障自動檢查提高可靠數(shù)據(jù)支持。

2 變壓器油中溶解氣體特征的提取

在電力變壓器故障的自動檢查中，準(zhǔn)確提取變壓器油中溶解氣體的特征信息至關(guān)重要，特征信息不僅反映了變壓器的運行狀況，還是判斷變壓器故障類型的重要依據(jù)[5]。油中溶解氣體組分是指溶解在電力變壓器油中的各種氣體的種類。當(dāng)電力變壓器發(fā)生不同故障時，產(chǎn)生的故障氣體各不相同，因此可以將油中氣體組分作為變壓器故障檢查的特征之一。常見電力變壓器故障類型對應(yīng)的油中氣體組分見表1。

由于電力變壓器運行環(huán)境復(fù)雜且惡劣，如果只用油中溶解氣體組分來判斷變壓器是否出現(xiàn)故障，會有一定局限，因此本文結(jié)合各特征氣體的含量進行綜合判斷[6]，并將正常電力變壓器油中溶解氣體含量限值（見表2）作為故障判斷標(biāo)準(zhǔn)。

油中溶解氣體的產(chǎn)氣速率主要是指變壓器油中溶解氣體在一定時間內(nèi)的生成速度，可以反映電力變壓器內(nèi)部故障的發(fā)展速度和嚴(yán)重程度。一般來說，電力變壓器故障的產(chǎn)生是一個循序漸進的過程，如果只通過油中溶解氣體組分和含量進行故障判斷，會存在一定片面性，因此本文還綜合考慮了產(chǎn)氣速率指標(biāo)，如公式（1）、公式（2）所示。

（1）

（2）

式中：V1、V2分別為電力變壓器油中溶解氣體的相對產(chǎn)氣速率和絕對產(chǎn)氣速率；Qn，1、Qn，2分別為電力變壓器油中溶解的第n個特征氣體在第一次和第二次采樣中測得的含量數(shù)據(jù)；Δt為2次采樣的間隔時間；G為電力變壓器油量；ρ為電力變壓器油的密度。

綜上所述，本文分別提取了電力變壓器油中溶解氣體的組分、含量以及產(chǎn)氣速率，并將其作為變壓器故障特征，為電力變壓器的故障診斷提供了有力支持。

3 支持向量機分類器的構(gòu)建

獲得電力變壓器油中溶解氣體特征數(shù)據(jù)后，本文引入支持向量機（SVM）進行變壓器故障檢查。這是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)方法，即尋找一個最優(yōu)超平面，對油中溶解氣體特征數(shù)據(jù)進行分類識別，進而判斷變壓器故障類型[7]。本文將電力變壓器溶解氣體特征向量作為輸入，將故障類別標(biāo)簽作為輸出，得到的線性可分的支持向量機樣本數(shù)據(jù)為（x1，y1），（x2，y2），…，（xi，yi），（xN，yN），其中xi為特征，yi為樣本的類別標(biāo)簽（+1或-1），N為樣本集合總數(shù)。在SVM分類器的構(gòu)建過程中，尋找一個超平面ωx+p=0，其中ω為權(quán)值，p為偏置。該超平面能夠正確區(qū)分2類樣本，并使分類間隔最大化。為了找到SVM分類器的最優(yōu)超平面，需要根據(jù)公式（3）將其轉(zhuǎn)化為二次優(yōu)化問題。

（3）

式中：f（ω）為SVM分類器最優(yōu)超平面參數(shù)的目標(biāo)函數(shù)；F為懲罰因子；λi為松弛因子。

約束條件如公式（4）所示。

yi[（ωxi）+p]≥1-λi，λi≥0 （4）

由于電力變壓器油中溶解氣體特征樣本的分類屬于非線性問題，因此本文引入松弛項λi≥0確定最優(yōu)超平面參數(shù)，再將公式（3）所得最佳參數(shù)代入ωx+P=0中，即可得最優(yōu)分類超平面，進而構(gòu)建SVM分類器。與此同時，由于電力變壓器實際故障檢查是多值分類問題（假設(shè)為M分類，且Mgt;2），因此本文以上述二值分類器為基礎(chǔ)，構(gòu)建M個SVM二值分類器。假設(shè)實際電力變壓器故障類別有M類，在訓(xùn)練過程中，M類樣本可構(gòu)建的訓(xùn)練集數(shù)量如公式（5）所示。

K=M（M-1）/2 （5）

式中：K為用于電力變壓器故障檢查的SVM分類器的訓(xùn)練樣本數(shù)量。

將公式（5）所求數(shù)量的訓(xùn)練集輸入M個SVM二值分類器中進行學(xué)習(xí)，即可確定最優(yōu)參數(shù)組合。最后利用訓(xùn)練好的SVM分類器對實際的電力變壓器油中溶解氣體特征參數(shù)進行分類診斷，即可輸出各特征樣本對應(yīng)的故障類別標(biāo)簽，至此電力變壓器故障自動檢查完成。

4 試驗分析

4.1 試驗設(shè)置

基于支持向量機的電力變壓器故障自動檢查方法的理論設(shè)計完成后，需要通過對比試驗來驗證該方法的實際應(yīng)用性能。本文收集了某型號電力變壓器的495組帶標(biāo)簽的故障油中溶解氣體特征數(shù)據(jù)，將其作為試驗樣本，并將各類別樣本數(shù)據(jù)隨機分為2組，9/10的樣本作為訓(xùn)練集，1/10的樣本作為測試集。電力變壓器故障試驗樣本分布見表3。

根據(jù)訓(xùn)練樣本集對本文設(shè)計方法、文獻[1]方法和文獻[2]方法進行訓(xùn)練，再應(yīng)用訓(xùn)練后的各方法對測試樣本集進行電力變壓器故障自動檢查，并比較檢查結(jié)果。

4.2 結(jié)果分析

應(yīng)用本文設(shè)計方法、文獻[1]方法和文獻[2]方法完成電力變壓器7種不同類型故障測試樣本分類檢查后，所得檢查結(jié)果如圖2所示。

從圖2數(shù)據(jù)可以看出，在不同類型的電力變壓器故障自動檢查中，與文獻[1]中方法和文獻[2]中方法相比，本文設(shè)計方法應(yīng)用下的各類型樣本被誤分的數(shù)量最少。各類型故障樣本檢查結(jié)果正確率見表4。

由表4可知，采用本文設(shè)計方法的不同類型電力變壓器故障自動檢查結(jié)果正確率最高，為95.56%，比文獻[1]中和文獻[2]方法分別提升了8.89%、6.67%。該結(jié)果說明，基于支持向量機的電力變壓器故障自動檢查方法是有效的，在電力變壓器故障檢查中，油中溶解氣體特征參數(shù)較多且復(fù)雜，SVM能夠有效處理這些特征參數(shù)，準(zhǔn)確率較高。

5 結(jié)語

本文提出了基于支持向量機的電力變壓器故障自動檢查方法，采集和分析了變壓器油中溶解氣體的特征，成功構(gòu)建了能夠自動檢查電力變壓器運行故障的SVM分類器。該方法不僅提高了故障檢測的準(zhǔn)確性，也為電力系統(tǒng)的安全、穩(wěn)定運行提供了有力保障。未來，本文將進一步優(yōu)化算法參數(shù)，提高分類器的性能，并探索更多能夠反映變壓器運行狀態(tài)的特征參數(shù)，以更全面、更準(zhǔn)確地檢測電力變壓器故障。同時，本文也將關(guān)注新技術(shù)的發(fā)展，例如深度學(xué)習(xí)等，以期在電力變壓器故障自動檢查領(lǐng)域取得更多突破。

參考文獻

[1]郭方洪，劉師碩，吳祥，等.基于聯(lián)邦學(xué)習(xí)的含不平衡樣本數(shù)據(jù)電力變壓器故障診斷[J].電力系統(tǒng)自動化，2023，47（10）：145-152.

[2]王玉偉，余俊龍，彭平，等.基于多模型融合的變壓器故障在線檢測方法[J].高電壓技術(shù)，2023，49（8）：3415-3424.

[3]馬鑫，尚毅梓，胡昊，等.基于數(shù)據(jù)特征增強和殘差收縮網(wǎng)絡(luò)的變壓器故障識別方法[J].電力系統(tǒng)自動化，2022，46（3）：175-183.

[4]謝國民，江海洋.基于Adaboost-INGO-HKELM的變壓器故障辨識[J].電力系統(tǒng)保護與控制，2024，52（5）：94-104.

[5]李平，胡根銘.基于改進神經(jīng)網(wǎng)絡(luò)與比值法融合的變壓器故障診斷方法[J].高電壓技術(shù)，2023，49（9）：3898-3906.

[6]杜厚賢，劉昊，雷龍武，等.基于振動信號多特征值的電力變壓器故障檢測研究[J].電工技術(shù)學(xué)報，2023，38（1）：83-94.

[7]周曉華，馮雨辰，胡旭初，等.基于禿鷹搜索算法優(yōu)化SVM的變壓器故障診斷[J].南方電網(wǎng)技術(shù)，2023，17（6）：99-106，116.