基于自适应免疫算法的变压器故障诊断

邢 涛， 李志军， 曹玲燕， 丁立华

（1．华电国际电力股份有限公司山东分公司，山东 济南 250014；2．江苏国电南自海吉科技有限公司，江苏 南京 211153；3.华电青岛发电有限公司，山东 青岛 266000）

0 引言

变压器是电力系统的枢纽设备，其中油浸式电力变压器内部结构较为复杂，与一般的电力设备比较而言故障率相对比较高[1]。根据国家DL/596-1996《电力设备预防性试验规程》的有关规定，油浸式电力变压器一般1～3年就需要断电进行一次绝缘预防性试验。但常规的预防性试验方法对于可能出现在运行工作中的潜伏性故障不能有效的发现，此外通过简单的气体继电器检测也不能准确测出每种气体的组分及其组分的具体含量，对于已发生的故障不能准确的反映[2-3]。因此，油浸式电力变压器进行深入有效的在线监测与故障诊断研究，开展指导变压器运行状态下的状态检修、维护，对预防、降低变压器故障的发生率，有着重要的理论和现实意义。

变压器油中溶解气体分析技术(dissolved gases analysis，DGA)能够及时监测出油浸式电力变压器运行中的潜伏性故障，现已经是变压器故障诊断的重要方法之一[3]。伴随着在线监测技术、计算机技术和人工智能技术的发展，国内外学者专家已将变压器油中溶解气体分析法DGA(Dissolved Gas Analysis)与模糊逻辑（Fuzzy Logic）、专家系统（Expert System）和人工神经网络（Artificial Neural Network,ANN）有效结合，进行常规的故障诊断研究，实现了对电力变压器运行中的潜伏性故障进行诊断，为故障诊断技术的发展开拓了新的途径[4]。但进一步的理论研究和应用结果表明，上述理论算法在和变压器油中溶解气体分析法DGA结合运用中发现，存在计算量大、算法复杂、耗时较长，在线检测并进行诊断纠正难度大。针对以上算法中涉及的一些问题，根据大量的研究，提出了一种基于自适应免疫遗传算法，对油浸式电力变压器进行在线故障诊断，算法将传统的免疫算法与约束独立成分分析cICA相结合，将研究对象的先验信息作为约束条件，使新的算法仅仅收敛于感兴趣的故障信号，更快更有效的分类；对于抗体种群数量与概率的跟新有促进作用，同时有效进化抗体库。

1 原理与算法

免疫的基本定义为生物机体免疫系统对一切异物或抗原性的物质进行特异或者非特异识别和排斥清除的生理过程[5-6]。免疫算法模拟生物过程运用抗原(antigen，Ag)对抗体(antibody，Ab)进行不断训练，再进一步对抗体集进行优化整合，以得到能够表征抗原特征的记忆抗体集为最终目标。人体内免疫系统的作用就是通过不断地产生特定的抗体以消除相应的抗原的入侵，这样的过程与大型工业程序中故障检测、诊断以及后续的运行维护稳定原理非常相似[7]。

结合约束独立成分分析（cICA）算法，将研究对象的先验信息融入到算法中，使算法仅仅收敛于感兴趣的故障信号，提高故障诊断的针对性，大大减少计算量，从而加快算法的收敛速度自适应地调整交叉概率和变异概率[8]，本算法通过计算信息熵来表征种群的相似性，实现如下描述[9-12]：

（1）抗原予以识别。输入实验中的目标函数和各种约束条件作为免疫算法的抗原。

（2）产生初始抗体。第一次迭代中，抗体通常是在解空间中随机产生的。本算法中通过cICA先验信息约束指定，使算法收敛于感兴趣的故障信号，快速有效的进行分类。

（3）抗原、抗体间亲和性的计算。这里需要同时计算抗原和抗体V之间的亲和性ax，以及抗体V和抗体W之间的亲和性ayv,w。其计算公式如下：

其中H(N)表示N个抗体的信息，optv为抗原与抗体V的结合度，axv的值在0-1之间。

其中Hj（N）为第j个信息嫡，且：

其中pi、j为第i个符号出现在基因座上的概率。

（4）记忆单元更新。将与抗原亲和性高的抗体加入到记忆单元中，由于记忆单元数量有限，所以在记忆单元中新加入的抗体取代与其亲和性最高的原有抗体。

（5）解浓度的评价。计算抗体V的浓度Cv，并与设定的阈值相比较，进行评价：

（6）新抗体的产生。产生新抗体的过程也就是寻优解的产生。根据设定的条件，满足了相应的条件就终止，不满足就继续进行亲和性的计算，如此循环。

2 算法应用分析

根据广泛性、代表性和紧凑性甄选原则，变压器油中溶解气体检测数据一般选用五种特征气体，分别为 CH4、C2H2、C2H4、C2H6和 H2[5]。但原始的变压器油中溶解特征气体检测相关数据，因为不同的变压器规格、等级以及采气量差距非常大，原始的溶解特征气体的组分含量差异性和分散性较大，利用原始数据直接进行计算比较，这样会使得数量级特别大的特征气体指标直接作用，而某些数量级很小的特征气体的性能指标作用会被降低甚至直接排斥掉，这样的话只要大数量级的特征指标数值改变一点点，对故障诊断的分类结果影响巨大。因此，为了保证各个数量级的特征气体含量能有效的保持指标分辨率，即保持其变异性的大小，需要对原始数据进行预处理，方法为：将各气体含量占五种气体含量总和百分比的方式将数据规格化，同时对原始数据进行尺度变换预处理，将数据样本按统一标准映射到同一个范围内。提高算法的泛化性。把数据变换到[a,b]范围内公式为如下：

式中yi表示变压器油中溶解特征气体含量的原始数据，ymin表示特征气体含量的集中最小的样本值，ymax是最大的特征气体含量的集中样本值，Yi为特征气体含量的集中尺度变换后的值。

课题是对生物的免疫系统运行机制进行的模拟设计，其中分为两级分类器级联的电力变压器故障诊断运算方法。在免疫算法内部设计采用约束独立成分分析法cICA判断电力变压器正常或故障状态，故障类型的最佳记忆抗体集采取免疫算法来进行训练。对油侵式变压器出现的故障根据最佳记忆抗体集的信息进行类型的精细化分类。该算法不仅可以对油侵式变压器出现单一故障进行有效的信息提供，多故障也能有效的故障部位信息划分，对于油侵式变压器故障诊断的正确率和速度有效的进行提高。

基于油中溶解气体的电力变压器故障诊断整体思想框架可归纳为以下几点，算法过程思想如下图1所示：

（1）根据收集油侵式变压器中溶解特征气体原始数据样本，进行尺度变换与规格化预处理，提前有效提高故障诊断算法的泛化性。

（2）建立故障诊断算法的程序和诊断模型，将预处理后的正常和故障变压器油中溶解气体数据样本，采用人工免疫算法训练不同类型的故障抗体集，生成初始的记忆抗体集。

（3）通过约束独立成分分析算法判断待测数据样本处于故障状态还是正常状态，如果经过判断为正常，则直接输出检测结果。

（4）如判经过判断为抗体集内的故障状态，则继续通过课题内设计的综合决策法在记忆抗体集上对故障种类类型进行进一步判断分析。

（5）故障诊断结果输出。

3 诊断效果实例

故障案例1：某换流站#2主变A相总烃值出现超标情况，总烃已达183μL/L，与上一月色谱分析值（58μL/L）出现了较大增长。经分析认为该台主变存在700℃以上的高温过热故障，变压器裸金属过热性缺陷存在，初步判断可能为分接开关接触不良、铁芯多点接地、接头焊接不良或引线夹件螺丝松动。表1为该2#主变色谱数据跟踪情况。

表1 换流变高温过热故障油色谱数据Tab.1 Fault oil chromatography data of converter temperature overheating

利用课题提出的基于免疫算法与约束独立成分分析cICA相结合的自适应免疫遗传算法对上述案例进行故障诊断分析，结果表明两组数据均判断为高温过热（＞700℃），如分接开关接触不良，接头焊接不良或引线夹件的螺丝松动，涡流引起铜过热，其中磁回路过热的可能性更大，纤维素劣化比较严重，故障可能涉及固体绝缘。分析结果与实际情况相符合。

故障案例2：某直流换流变电站曾出现过乙炔含量超标情况。经分析初步判断为是内部接地螺丝松动引起绝缘油中悬浮、电晕放电，阀侧引线出线装置的屏蔽铜管和柱1的等电位连线断开，造成左侧的屏蔽铜管电位悬浮，并造成内部局部放电。B相在线圈下铁扼部位有放电信号；C相在下铁扼及中性套管下部约1m处有放电信号。

表2 换流变油中悬浮、电晕放电故障油色谱数据Tab.2 Fault oil chromatography data of converter oil suspension and corona discharge Corona discharge fault oil chromatography data

利用课题提出的基于免疫算法与约束独立成分分析cICA相结合的自适应免疫遗传算法对上述案例进行故障诊断分析，结果表明两组数据均判断为高能量放电，如线圈匝、层间短路，相间闪络，引线对箱壳放电，线圈熔断、分接开关飞弧，因环流而引起的电弧，引线对其他接地体放电。分析结果与实际情况相符合。

4 结论

研究了一种基于自适应免疫算法的故障诊断方法，本算法的核心是利用监测到的检测信息向量，结合约束独立成分分析法cICA，将研究对象的先验信息作为约束条件，更快速有效的对故障类型进行识别。将该算法用于DGA电力变压器数据诊断分析，并进行相应的在线试验测试，故障诊断效果较好，且运行速度较快。同时所提出的故障诊断算法对模型的依赖性低，可以推广到其他电力设备的故障诊断中，并且通过记忆抗体集的更新得到判别故障的最优抗体，实现诊断的优化。

（华电集团科技项目“火电厂电气设备智能运维技术研究与示范应用”）

[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]钱政,严璋,罗承沐.电力变压器绝缘故障综合诊断方法的研究[J].电网技术,2002,26(2):32-36.Qian Zheng,Yan Zhang,Luo Chengmu.A study on synthet⁃ic diagnosis method for insulation fault of power trans⁃formers[J].Power System Technology,2002,26(2):32-36．

[3]孙才新,郭俊峰,廖瑞金,等.变压器油中溶解气体分析中的模糊模式多层聚类故障诊断方法的研究[J].中国电机工程学报,2001,21(2):37-41.Sun Caixin， Guo Junfeng， Liao Ruijin， et al． Study on fault diagnose method of transformer DGA with fuzzy model hiberarchy classification[J].Proceedings of the Chi⁃nese Society for Electrical Engineering,2001,21(2):37-41.

[4]黄席樾,张著洪,何传江,等.现代智能算法理论及应用[M].北京:科学出版社,2005.15-153.

[5]任静.基于免疫混合智能算法的变压器故障诊断研究[D].北京：华北电力大学,2009.

[6]周爱华,张彼得,张厚宣.基于人工免疫分类算法的电力变压器故障诊断[J].高电压技术,2007,33(8):77-80.Zhou Aihua,Zhang Bide,Zhang Houxuan.Power Transform⁃er Fault Diagnosis by Using the Artificial Immune Clas⁃sification Algorithm[J].High Voltage Engineering.2007,33(8)：77-80．

[7]熊浩,孙才新,李小虎.基于克隆选择分类算法的电力变压器故障诊断[J].电网技术,2006,30(4):65-68.Xiong Hao，Sun Caixin，Li Xiaohu．Power Transformer Fault Diagnosis Based on Clonal Selection Classification Algorithm[J]． Power System Technology， 2006， 30(4)：65-68．

[8]王志阳,陈进,肖文斌,等.基于约束独立成分分析的滚动轴承故障诊断[J].振动与冲击,2012,31(9):118-122.Wang Zhiyang,Chen Jin,Xiao Wenbin,et al.Fault diagno⁃sis of rolling element bearing based on constrained inde⁃pendent component analysis[J].Journal of Vibration and Shock，2012，31(9)：118-122．

[9]莫宏伟.人工免疫系统原理与应用[M].哈尔滨:哈尔滨工业大学出版社,2000:25-30.

[10]Dasgupta D&Atoh-Okine N.Immune-based Systems Survey[J].In Proc 1997 IEEE Int Conf on System,1997,8:869-874.

[11]Timmis J Neal M Hunt J.Artificial immune system for data analysis.Biosys-tems,2000,55(3):143-150.

[12]P J Costa Braneo J A Dente R Vilela Mendes.Using Immunology Principles For Fault Detection.IEEE Trans⁃actions On Industrial E1ectronies.2003,50(2):362-373.