基于DGA的变压器故障诊断智能方法分析

王国平，余涛，傅森木，钟运平，张勇，程小华

(1.华南理工大学电力学院，广州市 510640；2.广东电网公司河源供电局，广东省河源市517000；3. 国网江西省赣西供电公司，江西省新余市338025)



基于DGA的变压器故障诊断智能方法分析

王国平1，余涛1，傅森木1，钟运平2，张勇3，程小华1

(1.华南理工大学电力学院，广州市 510640；2.广东电网公司河源供电局，广东省河源市517000；3. 国网江西省赣西供电公司，江西省新余市338025)

针对传统变压器故障诊断方法的不足，介绍了多种智能诊断方法在基于油中溶解气体分析(dissolved gas-in-oil analysis， DGA)的变压器故障诊断中的应用，包括人工神经网络、模糊理论、专家系统、灰关联分析及其他智能方法。通过对这些智能诊断方法的分析，得出其优缺点及需要改进的方案，为研究人员选择最优油浸式电力变压器故障诊断方法提供参考。最后对基于DGA的变压器故障智能诊断方法进行了展望，并分析了未来的发展方向。

变压器；故障诊断；DGA； 智能方法

0 引 言

电力变压器是电力系统中非常关键的设备之一，其能否安全稳定运行对于电力系统的安全、稳定、可靠运行，具有十分重要的作用。电力变压器在运行过程中，因绝缘损坏、安装不当等原因会出现各种故障，这些故障严重影响了变压器的正常运行[1]。因此，对电力变压器的故障诊断方法进行深入探讨，是一项具有十分重要研究价值的课题。国家标准DL/T722—2000《变压器油中溶解气体分析和判断导则》指出，变压器发生的故障类型与变压器油中溶解气体的组分之间有着显著的对应关系。根据这种对应关系，国内外专家提出了通过对变压器油中溶解气体的各分量的含量值、总炔含量及产气速率作分析的特征气体法[2]、通过对油中溶解气体的相对含量进行编码和分类的三比值法[3]、改良三比值法[4]等传统变压器故障检测方法。但是特征气体法具有识别精度低、三比值和改良三比值存在编码不全、编码边界过于绝对等缺陷，这些缺点无疑对变压器存在的潜伏性故障的诊断十分不利。

针对上述传统方法的不足，多种智能技术，如人工神经网络、专家系统、模糊理论、灰色关联理论等被引入到基于油中溶解气体分析(dissolved gas-in-oil analysis， DGA)的变压器故障诊断研究领域中，这些智能方法弥补了传统DGA方法的不足，直接或间接提高了变压器故障诊断的精度，为高精度变压器故障诊断提供了思路。本文将详细分析这几种智能诊断方法，指出其在使用过程中所具有的优势和存在的问题，并总结出未来诊断方法的发展方向，即多种智能算法相结合，相互补充，构成复合型网络，为研究人员在油浸式电力变压器故障诊断方法的选取上提供参考。

1 人工神经网络在基于DGA的变压器故障诊断中的应用

人工神经网络(artificial neural network，ANN)是一种模拟人脑神经元结构而建立的非线性动力学网络系统，具有大规模并行处理信息的能力和极强的容错性、鲁棒性及自学习功能，能映射高度非线性、非确知系统的输入、输出关系，因此很适用于解决变压器故障诊断问题[5-7]。其基本思想为：以变压器油中溶解特征气体类型为输入，以与之相对应的故障类型为理想输出，输入变量经过ANN后产生实际输出，通过理想输出和实际输出之间的偏差来动态调节ANN的连接权值，从而形成具有变压器故障决策分类功能的网络结构。由于网络的各输入变量之间的数量级不同，为减小其对网络收敛性能的影响，一般首先要对其进行归一化处理，如采用模糊技术对数据进行预处理[5]。此外，网络的隐层节点数目也会对网络收敛性能产生影响，据此，文献[8]以单隐层神经网络在基于DGA的变压器故障诊断中的应用为例，详细介绍了隐层节点数目对网络训练效果及泛化能力的影响，在此基础上，文献[9]探索了双隐层神经网络在基于DGA的变压器故障诊断中的应用，诊断结果表明该方法诊断效果较好。神经网络的训练算法一般采用BP算法，文献[10]利用收集到的105个学习样本，采用有监督学习的BP神经网络，诊断准确率在83%以上。但BP算法易出现局部收敛、求解精度不高等缺点，为解决上述问题，各种改进算法先后被提出，如变学习速率的BP算法[11]、附加动量项的BP算法[12]等。

除了常见的BP网络结构外，还有其他类型的网络结构，如径向基函数网络结构、概率神经网络结构、小波神经网络结构等[13-15]，这些网络结构在不同程度上提高了变压器故障诊断的精度。虽然ANN能够处理复杂的分类问题，并且已在基于DGA的变压器故障诊断中取得了较好的效果，但是ANN诊断技术存在诊断性能依赖于训练样本的完备性、利用和表达知识单一、识别效果易出现“振荡”现象等影响了其在高精度变压器故障诊断中的应用，因此将ANN诊断技术与其他智能方法相结合成为未来基于DGA的变压器故障诊断的发展方向。

2 模糊理论在基于DGA的变压器故障诊断中的应用

模糊理论(fuzzy theory，FT)是一种通过在经典集合理论基础上引入语言变量和近似推理的模糊逻辑，将经典集合理论模糊化，形成具有完整模糊推理体系的一种智能技术[14-17]。在基于DGA数据的变压器故障诊断中，故障现象、故障原因、故障机理以及故障分类之间存在较为严重的不确定性和模糊性，由于模糊理论能够较好地解决具有模糊性和不确定性的问题，故这种智能诊断技术能运用于基于DGA的变压器故障诊断中，其基本原理为：首先建立基于DGA的变压器故障数据库，作为基础数据库，用于模糊规则的建立；再以变压器DGA为输入，经过模糊化、模糊处理及去模糊化等过程确定模糊诊断的结果；当模糊诊断结果和实际结果差值超过预设阀值时，运用优化算法对模糊规则进行优化，依次循环，直至确定故障诊断的最优结果[18-19]。现有的模糊诊断方法主要有以下2个研究方向：一是在单纯的模糊技术中引入自组织、自学习的功能，如针对传统三比值法、四比值法编码区间存在缺失的问题，文献[16]通过对编码进行模糊化处理，利用模糊关联矩阵来确定DGA与故障类型之间的关系，并采用系统辨识方法对模糊关系矩阵的参数进行了优化，取得了较好的诊断效果；二是将模糊诊断技术和其他智能技术结合，形成复合诊断技术，如模糊聚类算法、模糊C均值算法、概率模糊诊断算法、灰色关联模糊诊断算法等[16-17]，文献[20]利用收集到的195组故障样本，分别利用模糊聚类算法和模糊C均值算法，准确度分别为80%和91.3%，不同的复合诊断技术差别比较大。

虽然模糊诊断技术能够利用模糊隶属函数、模糊关系方程和模糊聚类分析等方法对基于DGA的变压器故障进行诊断，但由于变压器故障现象、故障原因、故障机理以及故障分类之间的联系尚不十分明确，故模糊诊断技术具有一定的局限性，如模糊规则表要求样本数据必须具备完备性、模糊隶属度函数难以准确确定等，从而间接影响了诊断结果的全面性。

3 专家系统在基于DGA的变压器故障诊断中的应用

专家系统(expert system，ES)是一种包含大量专门知识、能够准确模拟专家经验及推理过程的智能计算机程序系统[22]。基于DGA的变压器故障诊断专家系统一般由变压器故障诊断知识库、数据库、推理机、学习系统、上下文、征兆提取器和解释器7部分组成。其中知识库是整个诊断系统的核心，通常在重点围绕气体色谱分析的同时，结合外部检查、绝缘油特性试验、绝缘预防性检查试验等检测手段建立知识库；数据库由气体分析与绝缘预防数据库和动态数据库2部分组成，共同完成数据的动静态调用；推理机的作用主要是解决某些模糊不确定问题；学习系统是与实际领域专家的接口，对该领域专家的知识进行提取、分类，并存入诊断知识库中；上下文是一种存放中间结果的地方，能够保证推理机顺利工作；征兆提取器和解释器为典型的人机交互接口[21-23]。由于在基于DGA的变压器故障诊断系统中存在信息不完整或不确定的因素，故专家系统在基于DGA的变压器故障诊断系统中获得了广泛的应用。文献[21]以DGA为特征量开发了电力变压器绝缘故障诊断专家系统，实际应用诊断结果显示其能够综合分析变压器的绝缘状况，正确识别故障类型，并给出故障发生的部位、严重程度及发展趋势等，但其存在个别故障诊断不准确的缺点。针对上述情况，文献[22]利用模糊技术通过样本找出故障原因和现象之间的关联矩阵，在一定程度上克服了专家系统知识获取方面的问题，文献[23]利用具有较强数据分析能力和容错性的粗糙集理论，实现了变压器故障诊断专家系统完备知识库的建立。文献[24]利用收集到221台次的故障变压器的色谱数据作为原始故障样本集，采用信息融合的多层分布式推理机制的变压器故障诊断专家系统，综合诊断正确率 89%。

虽然专家系统在基于DGA 的变压器故障诊断中取得了一些研究成果，但依然存在一些亟待解决的问题，主要表现在：故障诊断知识库的建立难以具备完备性，当遇到一个之前不存在的故障表现时，由于不存在相应的故障规则，故不能够判断故障的类型；在诊断一些数学相关性不确定的故障现象时，其准确度难以把握；知识维护困难，由于采用基于规则的系统构造知识库，其算法较为复杂，维护时较麻烦。

4 灰色关联分析在基于DGA的变压器故障诊断中的应用

灰色系统理论(grey theory， GT)是一项在模糊数学的实践基础上发展起来的理论成果，其主要通过对研究对象的部分已知信息的生成和开发，提取出有价值的信息，实现对研究系统行为的正确认识和有效控制[25-27]。由于变压器故障诊断系统中某些故障原因与故障结果之间的关系不明确，同时，即使在发生故障时，也不能明确确定是由油中哪几种气体所致，故变压器故障诊断系统可以看成是一个典型的灰色系统[27]。变压器故障的灰色关联分析就是应用灰色理论对故障的征兆模式和故障模式进行识别和分类，其分析的一般步骤为：首先在输入的DGA数据的基础上构造比较序列，其次运用灰关联理论计算比较序列和参考序列之间的灰色关联度，最后对照灰色关联度，遵循的原则为灰色关联度越大则实际故障模式和参考故障模式之间越接近。目前，灰色关联分析在国内外已有不少研究成果，文献[25]提出了一种基于DGA的变压器绝缘故障诊断的灰色聚类模型及分析方法，并成功验证了该灰色系统模型能够准确判断故障部位及性质；在此基础上，文献[24]提出了基于灰色关联熵的变压器故障诊断方法，并通过实例验证了该方法的可行性和有效性，且比传统三比值法在相同条件下诊断结果更好，但诊断结果易受外界干扰影响；为解决上述问题，文献[27]提出了一种基于熵权优化加权灰色关联度的变压器故障诊断方法，以油中5种溶解气体为特征参数，验证了模型的诊断效果，较好地解决了外界干扰问题。文献[28]提出了基于加权灰靶理论的电力变压器状态评估方法，通过对300组变压器故障数据统计分析，得出7组故障识别序列，在100组电力变压器正常数据中，故障有无的判断准确率达到98%，在100组电力变压器故障数据中，故障有无的准确率达到96%。

灰色关联分析对于正常情况下的DGA数据有时会出现误判现象，而对于一些较难判断的故障如受潮等则有较好的准确判断能力，有学者指出可能是诊断系统输入的原因[27]，但具体原因尚不十分明确，这也是限制其广泛应用于基于DGA的变压器故障诊断中的原因之一。

5 其他智能方法在基于DGA的变压器故障诊断中的应用

基于DGA的电力变压器故障诊断系统是一个复杂的系统，不确定因素和未知信息充斥其间，为解决这些不确定因素带来的模糊性和随机性，除了上述4种方法之外，还有其他一些方法，如人工免疫算法(artificial immune algorithm， AIA)、遗传算法(genetic algorithms，GA)、动态聚类法(dynamic clustering，DC)、小波分析法(wavelet analysis，WA)、支持向量机(support vector machine， SVM)、贝叶斯网络、信息融合等也被引入到基于DGA的变压器故障诊断中。文献[29]将AIA运用于基于DGA的变压器故障诊断，通过免疫机制筛选最优故障结果，与传统三比值法相比提高了诊断的精度；文献[30]利用遗传学中适者生存、优胜劣汰的进化规则，对包含可能解的变压器故障结果进行全局优化搜索，最终找到满足要求的最优解，算例表明，GA能够有效防止诊断结果陷入局部最优，收敛性能较传统最小二乘法好；文献[20]将加权模糊核聚类方法引入到基于DGA的电力变压器故障诊断中，解决了模糊C均值算法易受样本分布和初始参数影响的问题，算例表明，该方法能快速有效地对样本数据进行聚类，能够满足变压器故障诊断的要求；文献[31]基于小波变换具有良好的时-频特性，结合小波变换和神经网络构造了小波神经网络，将其应用于基于DGA的电力变压器故障诊断中，提高了神经网络系统故障的效率和准确率，取得了较好的效果；文献[32]利用SVM算法在解决小样本数据时独特的优势，将支持向量机运用于基于DGA的变压器故障诊断，利用基于交叉验证的网格搜索法来确定SVM参数，构造了电力变压器故障诊断模型，并在实际中得到较好的运用；文献[33]利用贝叶斯网络处理不确定问题的优势，将贝叶斯网络分类器和粗糙集简约理论相结合，解决了输入数据不完整带来的故障诊断问题；文献[34]采用自适应ANN作为信息融合方法，充分利用计算机技术对按序获得的目标的多源信息在一定准则下分析和综合，以实时完成变压器故障诊断。

6 讨论与展望

由于智能算法具有较强的故障诊断能力，因此在基于DGA的变压器故障诊断中取得了巨大的成功。但也应该看到，单一的智能状态检测手段只能从某一方面反映变压器的状况，存在不同程度的弊端，主要表现在：(1)现有的智能诊断方法大多数只将变压器故障类型分开诊断，没有考虑各种故障之间存在的某些内在联系，加上某些智能算法本身还不是很成熟，只是处于探索和实验阶段，因此势必会影响故障诊断的结果；(2)由于油中溶解气体的累积效应和取样时的误差影响，目前基于DGA数据的变压器故障智能诊断方法在气体含量较少时误差较大，并且需要人为事先判定故障存在，这无疑对潜伏性故障的诊断不利；(3)在变压器实际运行时，存在很多不完整的油中溶解气体数据，利用这些数据进行智能诊断比较困难。

针对单一智能故障诊断方法的不足，一方面可以从算法的角度进行改进，如将多种智能算法相结合，相互补充，构成复合型网络，文献[35]将粗糙集理论与神经网络相结合，诊断准确率达95.5%，文献[36]将粒子群优化算法与模糊神经网络结合，有利于平衡BP神经网络局部搜索和全局搜索的关系，避免其陷入局部局部最优；另一方面可以从变压器检测手段角度进行改进，当变压器故障或存在潜伏性故障时，除了油中溶解气体发生变化之外，变压器自身的机械振动、电气特性等也会发生变化，有必要利用合理的检测手段提取特征数据，利用这些特征数据与DGA数据进行合理配合，以寻求最优变压器故障诊断方法。

7 结 语

本文详细论述了智能算法在基于DGA的变压器故障诊断系统中的应现状用，为高精度变压器故障诊断提供了思路，由于篇幅限制，仍有一些智能算法应用没有列出。单个智能算法在一定条件下能够较好满足故障诊断的要求，然而由于单个智能算法难免会有它的局限性，因此，新型智能算法及复合智能算法将成为未来基于DGA的变压器故障诊断的发展方向。

[1]孙才新， 陈伟根，李俭，等.电气设备油中气体在线监测与故障诊断技术[M].北京：科学出版社，2003.

[2]刘新良，莫燕玲.电力机车主变压器呼吸不畅造成特征气体含量严重异常的分析与处理[J]. 变压器，2013，50(2)：64-67. Liu Xinliang， Mo Yanling. Analysis and treatment of abnormality of characteristic gas contents caused by bad breath in electric locomotive main transformer[J]. Transformer， 2013，50(2)：64-67.

[3]Caixin Sun，Ruijin Liao， Weigen Chen. The principle of transformer chromatograph detecting on-line and the analysis of output wave[M]. 1995.

[4]徐康健. 变压器油色谱分析中用三比值法判断故障时应注意的问题[J]. 变压器，2010，47(1)：75-76. Xu Kangjian. The problem when using three-ratio method to judge the fault in dissolved gas analysis of transformer[J]. Transformer，2010， 47(1)：75-76[5]Wang H X， Yang Q P， Zheng Q M. Artificial neural network for transformer insulation aging diagnosis[C]//Electric Utility Deregulation and Restructuring and Power Technologies， 2008： 2233-2238.

[6]Zakaria F， Johari D， Musirin I. The Taguchi-Artificial Neural Network approach for the detection of incipient faults in oil-filled power transformer[C]//Power Engineering and Optimization Conference (PEOCO)， Langkawi： IEEE， 2013：518-522.

[7]Chen M J， Zeng X， Li G H， et al. A new transformer protection based on the artificial neural network model[C]//Automation Congress， Hawaii：IEEE，2008： 1-4.

[8]王雪梅，李文申，严璋. BP网络在电力变压器故障诊断中的应用[J]. 高电压技术， 2005， 31(7)：12-14. Wang Xuemei， Li Wenshen， Yan Zhang. Study on fault diagnosis for power transformer based on BP neural network[J]. High Voltage Technology， 2005， 31(7)： 12-14.

[9]Zhang Y， Ding X， Liu Y， et al. An artificial neural network aapproach to transformer fault diagnosis[J]. IEEE Transaction on Power Delivery， 1996， 11(4)：1836-1841.

[10]刘灿萍. 基于DGA的变压器故障诊断专家系统的研究[D]. 广西大学，2007. Liu Canping. Expert system research of power transformer fault diagnosis based-on DGA[D]. Guangxi University， 2007.

[11]Sun Y J， Zhang S， Miao C X， et al. Improved BP neural network for transformer fault diagnosis[J]. Journal of China University of Mining and Technology， 2007， 17(l)： 138-142.

[12]Sugumaran V， Sabareesh G R， Ramachandran K I. Fault diagnostics of roller bearing using kernel based neighborhood score multi-class support vector machine[J]. Expert Systems with Applications， 2008(34)： 3090-3098.

[13]魏星，张霖，吉磊. 基于径向基函数网络的大型电力变压器故障诊断[J]. 江苏电机工程，2005，24(6)：19-21. Wei Xing， Zhang Lin， Ji Lei. Power transformer fault diagnosis based on radial basis function network[J]. Jiangsu Electrical Engineering， 2005， 24(6)： 19-21. [14]Zheng X X. Intelligent fault diagnosis of power transformer based on fuzzy logic and rough set theory[J]. Intelligent Control and Automation， 2008： 6858-6862.

[15]Cannas B， Delogu R S， Fanni A. Support vector machines for disruption prediction and novelty detection at JET[J]. Fusion Engineering and Design， 2007(82)： 1124-1130.

[16]Ma H Z， Li Z， Ju P， et al. Diagnosis of power transformer faults based on fuzzy three-ratio method[C]//7thInternational Power Engineering Conferenee， IPEC2005， Singapore：IEEE， 2005：162-186.

[17]Xie P，Li Q Q， Wang Y. A model for condition assessment of power transformers based on fuzzy theory[C]//Computational and Information Sciences (ICCIS)， Shiyang： IEEE， 2013：1757-1759.

[18]Su Q， Mi C， Lai L L， et al. A fuzzy dissolved gas analysis method for the diagnosis of multiple incipient faults in a transformer[J].IEEE Transactions on Power System， 2000， 15(2)：593-598.

[19]李俭，孙才新，廖瑞金，等. 以模糊聚类标准谱与灰色关联序诊断变压器内部故障的方法研究[J].仪器仪表学报，2004，25(5)：587-589. Li jian， Sun cai xin， Liao Ruijin， et al. Study on analysis method about fault diagnosis of transformer and degree of grey inidence based on fuzzy clustering[J]. Chinese Journal of Scientific Instrument，2004， 25(5)：587-589.

[20]符杨，田振宁，江玉蓉，等. 加权模糊核聚类法在电力变压器故障诊断中的应用[J].高电压技术，2010，36(2)：371-374. Fu Yang， Tian Zhenning， Jiang Yurong， et al. Power transformer fault diagnosis using weighted fuzzy Kernel clustering[J]. High Voltage Engineering， 2010，36(2)： 371-374.

[21]陈新岗，李太福. 基于DGA特征量的变压器绝缘故障诊断专家系统的研究[J]. 变压器，2005，42(1)：33-36. Chen Xingang， Li Taifu. Research on expert system of transformer insulation fault diagnosis basedon DGA characteristic parameters[J]. Transformer， 2005， 2(1)： 33-36.

[22]Jain M B， Srinivas MB， Jain A. A novel web based expert system architecture for on-line and off-line fault diagnosis and control (FDC) of transformers[C]//TENCON 2008-2008 IEEE Region 10 Conference，Hyderabad： IEEE， 2008： 1-5.

[23]束洪春，孙向飞，司大军. 电力变压器故障诊断专家系统知识库建立和维护的粗糙集方法[J]. 中国电机工程学报，2002，22(2)：32-35. Su Hongchun， Sun Xiangfei， Si Dajun. A RS approach to founding and maintaining ES knowledge base for fault diagnosis of power transformer[J]. Proceeding of the CSEE， 2002， 22(2)：32-35.

[24]杜剑光. 变压器故障诊断专家系统[D]. 北京：华北电力大学，2003. Du Jianguang. Transformer Fault Diagnosis Expert System[D]. Beijing： North China Electric Power University， 2003.

[25]李俭，孙才新，陈伟根，等. 基于灰色聚类分析的充油电力变压器绝缘故障诊断的研究[J].电工技术学报，2002，17(4)：24-29. Li Jian， Sun Caixin， Chen Weigen， et al. Study on fault diagnosis of insulation of oil-immersed transformer based on grey cluster theory[J]. Transactions of China Electro technical Society， 2002， 17(4)：24-29.

[26]宋强，李菲，张云素，等. 基于灰关联熵法的电力变压器故障诊断研究[J]. 变压器，2010，47(2)：56-58. Song Qiang， Li Fei， Zhang Yun， et al. Research on fault Diagnosis of power transformer based on grey entropy relational gorithem[J]. Transformer， 2010， 47(2)： 56-58.

[27]李 硕，赵 峰. 基于熵权优化加权灰色关联度的变压器故障诊断方法[J]. 变压器，2013，50(9)：48-51. Li Suo， Zhao Feng. Transformer fault diagnosis method based on weighted degree of Grey incidence of optimized entropy[J]. Transformer， 2013，50(9)：48-51. [28]李建坡.基于加权灰靶理论的电力变压器状态评估方法[D].长春：吉林大学，2008. Li Jianpo. Study on power transformer fault diagnosis technology based on dissolved gases analysis[D]. Changchun： Jilin University， 2008.

[29]Yuan J S， Lu W， Li Z. Artificial immune algorithm for fault diagnosis of Power transformer[C] //Knowledge Acquisition and Modeling Workshop， 2008. KAM Workshop 2008. IEEE International Symposium on， Wuhan： IEEE， 2008：352-354.

[30]陈伟根，云玉新. 基于遗传算法进化小波神经网络的电力变压器故障诊断[J]. 电力系统自动化，2007，31(13)：88-92. Chen Weigen， Yun Yuxin. Fault Diagnosis of power transformers based on genetic algorithm evolving wavelet neural network[J]. Power System Automation， 2007， 31(13)：88-92.

[31]方健，彭辉，李自品，等. 改进小波网络在油浸式变压器故障诊断中的应用[J]. 高压电器， 2011， 47(11)：115-120. Fang Jian， Peng Hui， Li Zipin， et al. An improved wavelet network with application to the fault diagnosis of oil-immersed transformer[J]. High Voltage Electrical Apparatus， 2011， 47(11)： 115-120.

[32]吴晓辉，刘炯，梁永春，等. 支持向量机在电力变压器故障诊断中的应用[J]. 西安交通大学报，2007，41(6)：722-726. Wu Xiaohui， Liu Jiong， Liang Yongchun， et al. Application of support vector machine in transformer fault diagnosis[J]. Journal of XI’AN Jiao Tong University， 2007， 41(6)： 722-726.

[33]朱永利，吴立增. 贝叶斯分类器与粗糙集相结合的变压器综合故障诊断[J]. 中国电机工程学报， 2005， 25(10)：161-167. Zu Yongli， Wu Lizeng. Synthesized diagnosis on transformer faults based on Bayesian classifier and rough set[J]. Proceeding of the CSEE， 2005， 25(10)： 161-167.

[34]张志文，乔悦，罗隆福，等. 信息融合技术在变压器油气识别故障诊断中的研究[J]. 计算机工程与科学，2012， 34(3)：132-136. Zhang Zhiwen， Qiao Yue， Luo Longfu， et al. Research of the information fusion technology in the transformer fault diagnosis with dissolved gas-in-oil analysis[J]. Computer Engineering & Science， 2012， 34(3)：132-136.

[35]张景明，肖倩华，王时胜. 融合粗糙集和神经网络的变压器故障诊断[J]. 高电压技术，2007，33(8)：122-125. Zhang Jingming， Xiao Qianhua， Wang Shisheng. Transformer fault diagnosis by combination of rough set and neural network[J]. High Voltage Engineering， 2007， 33(8)：122-125.

[36]王娅娜，黄新波，宋桐，等. 基于改进粒子群算法的模糊神经网络变压器油色谱监测故障诊断策略[J].广东电力，2013，26(5)：82-86.

Wang Yana， Huang Xinbo， Song Tong， et al. Fault diagnosis strategy for transformer oil chromatography monitoring of fuzzy neural network based on improved PSO[J]. Guangdong Electric Power， 2013，26(5)：82-86.

余 涛(1974)，男，教授，博士生导师，主要研究方向为负责电力系统的非线性控制理论和仿真，智能控制算法等；

傅森木(1990)，男，硕士研究生，主要研究方向为电力电子中的智能算法；

钟运平(1986)，男，硕士研究生，主要研究方向为高频开关电源设计；

张 勇(1987)，男，硕士研究生，主要研究方向为电力系统规划，电机控制等；

程小华(1963)，男，教授，硕士生导师，主要研究方向为电机基本理论、电机设计以及新型电机。

(编辑：张小飞)

Intelligent Methods for Transformer Fault Diagnosis Based on DGA

WANG Guoping1， YU Tao1，FU Senmu1， ZHONG Yunping2，ZHANG Yong3， CHENG Xiaohua1

(1. School of Electric Power, South China University of Technology, Guangzhou 510460, China;2. Heyuan Power Supply Bureau of Guangdong Power Grid Corp, Heyuan 517000, Guangdong Province, China;3. State Grid Jiangxi Ganxi Power Supply Company, Xinyu 338025, Jiangxi Province, China)

Aiming at the shortcomings of the traditional fault diagnosis method for transformer, this paper introduced the applications of several intelligent methods in the fault diagnosis of power transformer based on dissolved gas-in-oil analysis (DGA), including the artificial neural network, the fuzzy theory, the expert system, the grey relational analysis and other intelligent methods. This paper analyzed these intelligent diagnosis methods and obtained the relative merits and improved solutions, which could provide a reference for the researchers to choose the optimal fault diagnosis method of oil-immersed power transformer. At last, the DGA-based intelligent fault diagnosis method for transformer was discussed, and its future development direction was analyzed.

transformer; fault diagnosis; DGA； intelligent methods

国家重点基础研究发展计划(973计划)(2013 CB228205)；国家自然科学基金项目(51177051，51477055)；中国南方电网科技项目。

TM 41

A

1000-7229(2015)06-0034-06

10.3969/j.issn.1000-7229.2015.06.006

2015-01-25

2015-04-28

王国平(1988)，男，硕士研究生，主要研究方向为配网自动化，电力系统可靠性评估；

Project Supported by National Key Basic Research Program of China (973 Program)(2013CB228205);National Natural Science Foundation of China(5177051;51477055).