配电变压器故障分析及随机森林诊断实现

摘 要：配电变压器工作状态直接影响电力系统的安全，对电力系统及其用户有着巨大的影响。本文对配电变压器的常见故障进行了分析，并提出了一种基于随机森林理论的变压器故障诊断智能方法，对保证电力系统安全、减少经济损失具有重要意义。

关键词：变压器；故障诊断；随机森林；变压器故障

随着电力工业的飞速发展，电力用户对电力系统的要求也越来越高[ 1 ]。通过对变压器的运行状态进行监控，可以及早有效的发现变压器潜伏性故障，减少事故的发生，提高电网的供电效率[ 2 ]。随机森林作为一种新兴的人工智能方法，其变压器故障诊断技术是指将专家知识与该人工智能方法有机的结合起来，通过获取诊断信息及诊断方法，对变压器的运行状态做出正确判断，对保证电力系统安全、减少经济损失具有重要意义。

1 配电变压器常见故障类型分析

一般来说，配电变压器的常见故障主要包括短路故障、绝缘故障以及放电故障三大类[ 1，3-4 ]。

1.1 短路故障

造成配电变压器突发短路故障的主要原因是变压器内部相间出现短路、变压器出口存在短路或者内部引线或绕组间短路等。其危害主要有短路力矩引起绕组变形、短路电流引起绝缘过热两个方面。变压器突发短路故障时，若继电保护能够正确动作且短路电流较小，由于存在累计效应，多次短路冲击会使绕组形变严重；若短路电流过大且继电保护装置动作迟缓甚至拒绝，绕组受到短路力矩影响后甚至可能导致绕组损坏。此外，由于变压器的承受电流的能力有限且热稳定性较差，当短路电流过大超过变压器承受能力时，变压器内的绝缘材料将会严重受损，进而发生击穿或损毁。

1.2 绝缘故障

变压器中绝缘材料的寿命决定着变压器的寿命。固体纸绝缘作为油浸式变压器主要绝缘部分之一，其老化特性不可逆转。另一方面，油浸式变压器中的绝缘油在正常情况下氧化过程缓慢，如果在维护良好的情况下甚至可以使用20-30年，但一旦混入气体、杂质、金属等物质，绝缘油的氧化速度便会加快，导致液体油绝缘故障。

1.3 放电故障

配电变压器局部放电依据绝缘介质、绝缘部位不同来划分。油浸式变压器如果发生火花放电，主要会造成轻瓦斯动作、局部放电或者油色谱异常等情况；电弧放电伴随着高能量的释放，造成此故障的主要原因是绕组匝层间绝缘击穿，其次为分接开关飞弧、引线断裂或对地闪络等。如果在工作中未能充分认识和注意此类故障的发展程度，势必会引发严重后果。

2 基于随机森林的变压器故障诊断实现

随机森林指的是一种利用多棵决策树对样本进行训练并给出预测结果的高效分类器，此方法作为一种新兴的机器学习算法被引入到故障诊断中，其优点在于在保证运算量的前提下提高了预测精度[ 5 ]。随机森林算法的原理是利用随机的理论建立一个决策森林，森林中的决策树互补关联，当把新的样本输入其中时，森林中的决策树进行分析决策，最后根据给出的决策情况判定样本类别。随机森林算法汇聚了Bagging和随机空间两大算法的特点和优势，采用了Bagging算法的无放回式抽样，同时利用了随机子空间算法的随机性，只对部分样本进行训练，结果由决策树投票得出。

在此算法中，每一棵决策树即为一棵二叉树，均遵循地递归分裂原则从根节点开始对训练集进行划分，并按照自顶向下的原则生成，包含全部训练数据的根节点根据纯度最小原则分裂为左、右节点，且其分别包含着训练数据的一个子集。节点依据以上规则继续分裂直到分支满足停止规则时，停止生成。算法的具体实现步骤如下：1）将数据集D初始化，每次从数据集中依据Bootstrap算法有放回地随机取出k个样本集，从而生成k个分类树。2）在k个分类树中每棵树的节点随机获得s个变量，从这些变量中挑选出最具代表性的变量，分类的阀值由多个分类点共同确定。3）分类树不做修剪处理，使其无限生长。4）最终生长出的多棵分类树共同构成了随机森林，新的样本通过构造的随机森林进行划分，分类结果由分类器投票决定。

依据上述算法的具体实现步骤，以配电变压器常规测量变量以及油中气体含量为输入，以配电变压器状态变量y=[y1，…，y6]，yi∈{0，1}，i∈{1，…，6}，即可實现对配电变压器绕组变形、固体纸绝缘故障、液体油绝缘故障、局部放电、火花放电、电弧放电等六类故障的诊断分析。

3 结语

随着电网规模的不断扩大，配电变压器的数量激增，因此为保证电力系统安全，减小经济损失，电力系统迫切需要能够及时有效判断出变压器潜伏性故障的诊断方法，以便将变压器的故障危害降低到最小。本文对配电变压器的绕组变形、绝缘过热、固体纸绝缘故障、液体油绝缘故障、局部放电、火花放电以及电弧放电等常见故障进行分析，并基于随机森林理论人工智能方法，提出了一种新型配电变压器故障诊断方法，为变压器故障诊断研究领域提供了新的思路。

参考文献：

[1] Tang W H，Wu Q H.Condition monitoring and assessment of power transformers using computational intelligence[M].New York：Springer-Verlag Press，2011.

[2] 尹金良，朱永利，俞国勤，等.基于高斯过程分类器的变压器故障诊断[J].电工技术学报，2013，28（1）：158-164.

[3] 谷凯凯，郭江.紧致融合模糊集和故障树的变压器故障诊断[J].高电压技术，2014，40（5）：1507-1513.

[4] 赵文清，朱永利，张小奇.应用支持向量机的变压器故障组合预测[J].中国电机工程学报，2008，28（25）：14-19.

[5] 王爱平，万国伟，程志全，李思昆.支持在线学习的增量式极端随机森林分类器[J].软件学报，2011，22（9）：2059-2074.

作者简介：单林森（1981-），男，汉族，浙江绍兴人，本科，工程师，研究方向：配电信息技术、模式识别。