电力变压器故障诊断方法研究

张 桔

（华润电力（兴宁）有限公司，广东 梅州514548）

0 引言

作为支持电力运行的重要设备，电力变压器具有非常复杂的结构，这就使得其一旦发生故障，很难快速确定故障原因。我国现阶段主要采用基于DGA的诊断方法进行故障诊断，除此之外，还有遗传支持向量机加灰色人工免疫算法、多分类最小二乘支持向量机加改进粒子群优化算法、粗糙集诊断法等等。

1 基于DGA的诊断方法

当前电力变压器故障诊断依然以基于DGA的诊断方法为主，其原理为：在常规条件下，电力变压器内部有机绝缘材料会在电与热的双重作用下不断老化分解，产生溶于油中的多种气体，如氢气、二氧化碳、一氧化碳、甲烷、乙烷、乙烯和乙炔等。一旦变压器出现放电故障或具备潜伏性过热条件，气体产生速度将会大大加快。故障越严重，气体在油中产生的气泡就会在油中对流和扩散得越强烈。基于DGA所衍生的诊断方法，正是借助油溶气体含量或种类及故障类型或严重程度之间的密切关系来判断故障原因。

使用基于DGA的诊断方法，可以对电力变压器如下故障进行准确诊断：以正常运行时一氧化碳和二氧化碳占比最多为标准，若裂解气体主要为氢气和甲烷，则可判定油纸绝缘材料出现了局部放电；若温度稍高于正常温度，则甲烷占比最大，随着温度增加，乙炔和乙烯的占比会逐渐上升。若温度过高，超过了1×104℃，油分解物中含有大量乙炔，则可判定为电弧故障。

变压器故障多为单一故障，少数为多重故障。单一故障一般包括：（1）低于300℃的低温过热；（2）介于300～700℃之间的中温过热；（3）高于700℃的高温过热；（4）高能放电；（5）低能放电；（6）局部放电或受潮。而多重故障则包括：（1）高温过热的同时还有中温过热；（2）低能放电的同时还有过热现象；（3）高能放电的同时还有过热现象。

在实际的故障诊断中，可以将收集到的电力变压器故障数据作为样本，输入到反馈云熵模型中进行统计学计算，以结果作为故障诊断的参考依据。该模型具有如下要素：（1）精确数值组成的定量域U；（2）期望值Ex、熵En以及超熵He；（3）U中的定性概念C；（4）C的隶属度x。该模型通过逆向云发生器将定向自然语言值与定量数值进行不定性转换，将定量映射为定性，进而将分析数据转化成故障类型。

计算样本w与标准云之间的关联系数k：

设故障类型有n种，涉及的故障特征气体有m种，样本w与第j种故障的第i种特征气体的关联系数记为kij。令Ph＝，定义H（kj）＝ ，则：

根据以上模型即可准确判断变压器发生故障的具体性质。

2 遗传支持向量机加灰色人工免疫算法

所谓遗传支持向量机加灰色人工免疫算法，主要是通过模拟生物的免疫系统来实现两级分类器的级联，通过遗传支持向量机来判断变压器是否正常工作。该方法借助人工免疫算法可以实现最佳记忆抗体的聚集，将变压器故障根据记忆抗体集进行分类，从而有效分辨电力变压器是发生了单一故障还是多重故障，并能判断出故障部位同时提供准确信息，非常适合变压器多重故障的快速诊断。

该算法来源于生物免疫系统对于非自体细胞的吞噬性操作，具体计算流程如下：第一步需将故障样本与正常样本全部输入支持向量机，使其先建立起正常状态与故障状态各自的、经过遗传算法优化过的SVM函数；第二步则将数据样本基于人工免疫算法制出记忆抗体集；然后由向量机进行样本判断，若正常则可直接输出结果，若有故障，则借助近邻综合决策这一方法继续进行记忆抗体集的判断，以分辨出具体故障类型，直至得出确切结果后输出。

这种诊断方法的优点在于可以分析小样本数据，对样本少的故障数据具有非常出色的识别能力与泛化学习能力，不必像DGA一样必须有大数据样本才能作出准确计算。

3 多分类最小二乘支持向量机加改进粒子群优化算法

本方法也是通过构建模型来实现对变压器故障类型的诊断，构成基础为组合编码法与分类器LS－SVM。由于本方法通过交叉验证来提高模型的泛化性，又结合故障诊断实例以验证，因此较BPNN或标准SVM具有更高的准确率。具体流程为：收集样本数据，然后对数据进行预处理，判别变压器正常工作还是发生故障，若正常则直接输入LS－SVM模型；若出现故障，则输入训练样本，再进行各个参数的优化，直至计算完毕再输入LS－SVM模型；若结果仍有疑问，则从数据预处理环节再次开始运算。在输入训练样本、优化参数、计算直到算法终止这几个环节，可以通过PSO算法进行全局或局部寻优，然后结合CV原理建模。

4 粗糙集诊断法

尽管神经网络法、决策树法、模糊数学法或援例分析法在近年来获得了比较令人满意的应用效果，但这是建立在信息准确且完整的前提下。而现实工作中信息通常是不够准确、不够完整的，这时就需要借助粗糙集理论来对变压器故障进行分析。本方法同样需要借助模型来实现对故障的具体诊断，模型建立流程如下：首先，要收集大量的待诊数据，然后将其分类到两个集合之中，一为确定条件的属性集，一为决策属性集，基于两个属性集制定出决策表，然后继续进行条件属性计算，将计算所得的每一条约简结果填入决策表并进行粗糙隶属度的计算，然后将给定置信度规则归入规则集，以进行最终诊断，作出诊断后结合实例进行验证，验证正确后输出结果。

本方法由于搜集了大量历史数据，兼顾到DGA参数、电气参数等多种因素，因此对故障诊断的准确率极有保障。这些粗糙的历史数据使用神经网络法和模糊数学法等进行计算，因此即使信息不够完备，也能在一定程度上保证故障诊断结果具有较高的准确性。

5 结语

笔者撰写本文，查阅了许多文献，发现变压器的诊断方法诸多，主要有DGA诊断法、遗传支持向量机加灰色人工免疫算法、多分类最小二乘支持向量机加改进粒子群优化算法、粗糙集诊断法等，这些方法各有优缺点，笔者在文中进行了简单阐述。实际工作中，人们可以根据具体情况选择最适合的方法进行故障排查与解决。

［1］郑含博，王伟，李晓纲，等.基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法［J］.高电压技术，2014，40（11）.

［2］许惠君，王宗耀，苏浩益.基于DGA的反馈云熵模型电力变压器故障诊断方法研究［J］.电力系统保护与控制，2013，41（23）.

［3］伍席文.基于粗糙集理论的变压器故障诊断与检修决策方法［D］.石河子：石河子大学，2013.

［4］郑蕊蕊，赵继印，赵婷婷，等.基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断［J］.中国电机工程学报，2011，31（7）.