变压器故障诊断技术综述

林凡勤,李明明,郭 红

(国网山东省电力公司潍坊供电公司,山东 潍坊 261000)

0 引 言

如今，我国的电力系统逐渐向高压、大容量、大型电网、智能化、自动化方向发展，而电力设备运行的稳定性与可靠性在电力系统发展中的作用举足轻重。电气设备是电力系统的核心，在电力系统工程项目投资中占据60%～70%的比重，电力设备是供电可靠性的基础，同时也是用电安全的重要保障[1]。电力设备一旦出现故障，轻则引起局部地区停电，重则导致大面积电力瘫痪，甚至威胁到国民的人身财产安全，造成巨大的经济损失。

作为电力系统的重要设备，电力变压器能够起到重要的升压降压作用，与此同时，电力变压器也是电力系统中故障发生频率最多的设备之一。随着国内用电需求的激增以及对电力系统可靠性要求的不断提高，迫切需要准确、及时、有效的故障诊断方法来诊断出变压器潜在故障，保障变压器的健康、稳定运行，从而提高电力系统的稳定性。

变压器的故障诊断在追踪监控数据与变压器健康状态中发挥着重要作用[2-3]。传统上，经验丰富的工程师可以根据异常声音诊断变压器的故障，或者通过先进的信号处理方法分析振动信号来定位故障。然而在工程场景中，人们希望有一种自动的方法来缩短变压器的维护周期，提高诊断准确性。此外，人们还希望借助人工智能等算法让故障诊断过程能够更加智能化，并且能够自动检测变压器的健康状态[4-5]。

早期，变电站故障诊断的工作主要依靠人工和离线操作，如例行检查、预防性测试、绝缘测试等。这些方法在早期变电站的安全稳定运行起到了至关重要的作用。但随着电网规模的扩大、设备结构的复杂性的提高以及高新技术的不断应用，传统的方法已经不能满足当前变电站故障诊断的需要。此时，新的故障检测方法应运而生。现代变电站故障诊断最具代表性的4种方法是专家系统、神经网络、贝叶斯算法和遗传算法[6]。

专家系统(Expert System, ES)是近年来在各领域专家的多年工作和实践经验基础上建立起来的一种非常流行的故障检测系统。该方法通过积累大量的相关知识和专家经验来实现故障检测[7-8]。神经网络通过训练和学习现有的变电站故障信息数据样本来预测变电站的故障[9-11]。贝叶斯算法是一种模拟人类推理中不确定因果关系的处理模型，当变压器处于工作状态时，其状态的变化是一个不确定因素。因此，贝叶斯算法能够有效地解决变压器故障检测和突发问题[12-13]。遗传算法是一种基于物种进化中遗传和变异模式模拟的自适应全局优化方法，它起源于计算机技术对生物系统的模拟。相对而言，由于该算法主观因素少，搜索机制全面，因此可以很好地应用于变压器故障检测问题[6]。

近年来，随着声音识别技术的发展，声音数据逐渐被应用于设备故障诊断中。Li等人[14]利用巡检机器人的录音机获取设备运行声音样本，处理变压器和高电抗。Zhou等人[15]提出了一种基于小波矩和BP网络的语音识别方法，该方法可以根据声音信号生成声像图。该系统利用小波矩对谱图进行特征提取，选取具有代表性的特征参数，通过BP神经网络对这些数据声音进行分类识别。

本文认为目前关于变压器故障诊断层面还有以下几点需要完善的地方：

1)目前关于变压器故障诊断的研究中，各学者分别从专家系统、人工智能算法等层面建立不同的模型对变压器故障进行诊断，然而各种方法的优劣及适用性有待对比分析。本文在综述不同类型变压器故障诊断方法的基础上，对比分析各类方法的优劣，以提高变压器故障诊断算法的适用性，同时为诊断方法的选择与优化提供理论基础。

2)目前人工智能算法是变压器故障诊断方法中应用较为广泛的方法之一，同时也是计算精度、速度相对占优的算法。然而，人工智能算法的顺利应用取决于故障数据的提取，目前人工智能算法在变压器故障诊断的应用研究中，关于故障数据的可挖掘性的研究不够深入。鉴于此，本文分析溶解气体分析法、故障声音提取法等故障数据的提取方法，讨论不同方法的优劣，从而为变压器故障诊断过程中故障数据的挖掘提供理论支持。

3)目前实现基于人工智能算法的变压器故障诊断的工程应用是一个亟待解决的问题，需要对算法本身进行不断的完善。鉴于此，本文最后提出一种基于人工智能算法在变压器故障诊断中应用的完善方法，即通过不同算法之间的选优以及算法机制方面的改进等手段来提高人工智能算法的性能，让其更好、更快地投入到工程应用中。

4)基于声音信号的变压器故障诊断能够实现快速、便捷、无接触式诊断，能够在保证不影响变压器正常工作的情况下对变压器故障数据进行提取。然而，在实际工作中，变压器周边环境的复杂性会对声音信号的提取、故障声音的诊断带来一定的干扰。鉴于此，本文提出要通过排除环境声干扰的方式提高故障声音诊断的准确率，从而为基于声音信号的变压器故障诊断方法的发展与完善作出一定的贡献。

5)随着变压器故障诊断方法地不断完善，越来越多的方法被引入到故障诊断中，一套完整的诊断体系往往由不同的模块组成，因此，要想在保证诊断速度的同时获得较高的诊断精度，需要对各个模块在故障诊断中的作用进行评估，以排除那些对诊断结果影响不大的模块。鉴于此，本文提出消融实验，通过消融实验来判断各个模块对变压器故障诊断的影响，从而对变压器故障诊断方法进行优化与完善。

鉴于上述分析，本文对目前变压器故障诊断方法进行讨论，对比分析各故障诊断方法、故障数据提取方法的优劣，同时分析变压器故障诊断未来的发展方向，从而为变压器故障的科学、快速诊断提供可行性建议。

1 变压器故障诊断方法

变压器故障诊断问题一直是业界研究的重点话题，目前关于变压器故障诊断的研究大致可以分为3大类：第1类是以神经网络等人工智能算法为核心的诊断技术；第2类则是以专家系统为核心的故障诊断技术；第3类则是基于相关关系的诊断技术。

1.1 基于人工智能算法的变压器故障诊断

在人工智能算法变压器故障诊断的应用中，比较典型的有LS-SVM算法、神经网络算法、贝叶斯算法等。

1)LS-SVM算法能够有效地解决小样本、非线性数据特征的多分类问题，能够有效地对变压器油色谱故障进行诊断，然而，LS-SVM算法的参数c与σ2的选取问题，会影响诊断结果的准确性，因此，在故障诊断中，需要利用不同的算法对LS-SVM算法进行优化。其中，张凯等人[16]、方科等人[17]、郑含博等人[18]、李宗岳等人[19]分别利用改进遗传算法、自适应PSO算法、改进粒子群优化算法、改进FOA算法对LS-SVM算法进行优化，优化结果表明，算法的优化能够有效实现对LS-SVM算法中c与σ2参数的优化选取，从而提高变压器故障诊断的准确率。

2)神经网络算法凭借分布式并行处理速度快、自学习能力强、自适应性强、具有联想记忆及非线性放射等优点，被人们广泛应用于变压器的故障诊断中。利用神经网络对变压器进行故障诊断的核心问题在于故障诊断的准确性以及神经网络的计算效率等，鉴于此，众学者采用不同的算法对神经网络进行优化以达到运算速度快、预测精度高的目的。其中，任静等人[20]利用免疫聚类算法对RBF神经网络隐藏层的中心数量和初始位置进行优化，从而有效地减少了网络计算量，提高了网络的泛化能力，与此同时，其用遗传算法对网络进行训练，对网络的结构进行了优化，提高了诊断的准确率；程加堂等人[21]利用灰色神经网络对输入与输出变量之间的复杂非线性函数关系进行拟合，提高了变压器故障诊断的准确性；温阳东等人[22]针对变压器故障诊断中模型复杂、数据采集繁琐以及模糊规则难以确定等问题，提出了一种模糊神经网络故障诊断模型，利用TOPSIS方法对测试数据进行模糊处理，从而实现数据的优劣排序，实现了测试数据的优化；石鑫等人[23]利用深度学习神经网络，建立溶解气体分析数据的训练模型，采用半监督机器学习方法，对变压器的故障进行诊断，通过对比其诊断结果与传统三比值法、BP神经网络以及SVM方法诊断结果的准确率，验证了该方法的可行性与实用性。BP神经网络凭借其非线性映射能力、自学习和自适应能力、泛化能力以及容错能力成为神经网络中应用最为广泛的方法。结合BP网络的优势，针对其在应用中存在的局部极小化、收敛速度、网格结构、样本依赖性等问题，很多学者提出改进BP神经网络算法并应用于变压器的故障诊断中，如刘丽等人[24]、刘卓等人[25]提出的改进微分的BP神经网络旨在提高BP神经网络的收敛速度，改善局部极小化的缺陷；李志斌等人[26]对比分析了BP神经网络中5大常用优化算法——附加动量算法、变速率算法、共轭梯度算法、高斯-牛顿算法、Levenberg-Marquardt算法(LM算法)的收敛速度、预测精度及鲁棒性，最终选择LM算法来提高BP神经网络在变压器故障诊断中的准确性；陈小玉[27]利用小生境遗传算法改进了BP神经网络的初始值不合理、稳定性差等问题；孔德钱等人[28]、赵文清等人[29]分别采用差分进化算法以及残差学习来提高BP神经网络的收敛速度，并促进输入数据更好地向深层网络传递，最终提高了变压器故障诊断的准确率。

3)在变压器故障诊断工作中，变压器的运行状态可以视为随机变量，而描述随机过程最准确、最严谨的方法就是概率密度函数，而贝叶斯算法正是以概率密度函数为基础的算法，用于描述变压器各故障征兆(即变压器的特征参数)和故障原因之间的相对映射。贝叶斯算法在变压器故障诊断中具有十分重要的指导意义，能够解决变压器这种复杂设备故障因果之间的不确定性问题，通过其坚实的概率论基础，有效地处理变压器故障诊断中不确定性的问题[30-31]。关于贝叶斯算法，很多学者对其进行了改进，其中李志斌等人[32]针对贝叶斯算法诊断规则的复杂性问题，提出了一种基于粗糙集的贝叶斯网络故障诊断技术，在将待测数据集离散化的基础上，利用粗糙集理论进行属性约简，从而获得最小诊断规则，提高了故障预测的准确率；赵文清[33]提出了用于不完整数据的选择性贝叶斯分类器，该方法能够大幅度减少属性数，提高故障分类的准确率和稳定性从而提高故障诊断的精度；针对贝叶斯网络在处理连续变量过程中需要变量呈高斯分布的弊端，俞玲等人[34]提出了一种帕累托改进的贝叶斯网络，从而提高了故障诊断的速度与稳定性。

1.2 基于专家系统的变压器故障诊断

基于专家系统的变压器故障诊断的主要原理是通过对变压器各种检测数据的对比来分析识别其运行的状态，其基本原理如图1所示[35]。

图1 变压器故障诊断专家系统原理

目前，有很多学者建立的基于变压器故障的专家诊断系统，能够利用专家数据库对变压器故障进行定位与诊断，并利用各种手段对专家系统进行完善。

索红军[36]根据油浸式电力变压器的特点及故障诊断的原理，提出了一个基于关系数据库字段的知识表示形式和基于关系数据库记录的推理规则，为变压器故障诊断专家系统的开发提供了很好的借鉴作用；陈尔奎等人[37]利用可视化技术与信息融合技术对专家系统进行改进，运用实例知识与基于规则知识混合机制解决了专家系统在高压变压器故障诊断中的实时监测问题；师瑞峰等人[38]为了验证专家系统在故障诊断中的准确率，采用42条故障记录作为判别依据，验证了基于溶解气体数据的变压器故障诊断专家系统的准确性；郑烨等人[39]分别利用模糊推理对变压器故障诊断系统进行完善，极大限度地提高了系统对局部放电信号故障的识别率；史家燕等人[35]详细介绍了变压器故障诊断专家系统的物理模型、工作原理、软件设计及实际应用；徐阳等人[40]利用多维信息融合技术对变压器故障诊断专家系统进行了完善，有效地改进了变压器结构复杂导致的故障诊断速度慢、准确率低的问题。

1.3 基于相关关系的变压器故障诊断

基于相关关系的变压器故障诊断的重点在于对不同变压器故障类型进行分类，并挖掘不同故障类型与故障征兆之间的相关关系，判断故障的发生概率，从而实现变压器的故障诊断。谢龙君等人[41]提出了一种电力变压器故障诊断的新方法，该方法通过分析变压器运行中各故障征兆参数之间的关联性，建立了故障类型集合；尹金良等人[42]以变压器溶解气体含量比值作为M-RVM模型的输入，诊断输出为各故障类别的概率，以概率最大的故障类别作为诊断结果；郭新辰等人[43]针对现有方法建立分类器时需用到大量已知类别数据而没有利用待分类数据的问题，将半监督分类(SSC)方法引入变压器故障诊断问题中，建立了一个新的变压器故障诊断模型。

1.4 各故障诊断方法对比分析

表1 变压器故障诊断技术

通过表1可以看出，目前学术界关于变压器故障诊断技术主要采用算法、专家系统以及相关关系等核心技术来实现，各种技术主要针对变压器的故障进行文本数据处理，借助文本数据与各故障之间的相关性来判断变压器的状况。

其中，专家系统作为传统故障诊断的方法，能够将变压器领域的专家知识和经验融入到知识库中，对变压器的故障进行准确的诊断与分析，然而，该方法在知识获取方面存在一定的瓶颈，主观成分太明显，同时系统具有一定的脆弱性，对新发故障的处理难度较大，同时专家知识库管理困难，在实际应用过程中往往受限；而对于基于相关关系的诊断方法而言，其判断依据为故障发生的概率，在实际应用过程中对于故障数据进行分类以及建立故障类型与故障征兆之间的相关关系也比较困难；而基于人工智能算法的变压器故障诊断模型是目前比较推崇的模型，尤其是随着人工智能的不断发展，其在各种故障诊断中的应用越来越多，诸如LS-SVM算法、人工鱼群算法、聚类算法等逐渐应用到变压器故障诊断中，BP神经网络算法凭借其准确率、速度优势脱颖而出，成为目前应用最为广泛的算法之一。

2 变压器故障数据提取

变压器故障诊断的数据来源为变压器运行的状态参数，因此，对于状态参数提取的准确性成为影响变压器故障诊断准确性的重要因素，常见的变压器故障数据提取方法有溶解气体分析法、故障声音提取法等。

2.1 溶解气体分析法

目前，油中溶解气体分析法是比较常用且快捷的变压器故障数据提取方法，常见的方法有特征气体法、罗杰斯比值法以及三比值判断法。

特征气体法是将动态检测到的特征气体含量与注意值进行比较分析，以判断变压器是否具有故障。通常以总烃、C2H4、C2H2、H2、CO、CO2等气体作为判断标准，具体判断依据如表2所示。

表2 特征气体法判断依据

特征气体法是最早发展起来的用于变压器故障诊断的溶解气体分析法，在本世纪初期被众多学者广泛研究[44-49]。该方法虽然能够根据气相色谱数据来分析和鉴定变压器是否发生故障，但是从表2中可以看出，其判断的标准过于复杂，且准确度较低。更重要的是，该方法只能够通过各种气体构成成分所占的比值的范围来定性判断变压器的故障，无法对故障的征兆进行定量分析，更加无法与如今的人工智能等算法相结合。此外，该方法的数据挖掘性较差，这就意味着该方法终将被取代。

鉴于特征气体法的弊端，罗杰斯三比例法应运而生，该方法是特征气体法向三比值法的过渡，其基本原理为变压器的故障点温度随着气体含量的推移而逐渐升高，即CH4-C2H6-C2H4-C2H2，其判断标准如表3所示。

表3 罗杰斯三比例法

随着特征气体故障诊断方法的不断演变，三比值判断法由IEC于1997年提出，该方法使用了特征气体法中的总烃气体和H2作为其基本参量来判断变压器故障性质，并根据不同的比值范围实现不同故障点的定位，其编码规则及判断标准分别如表4和表5[50]所示。

表4 三比值判断法编码规则

表5 三比值判断法判断标准

随着三比值法对罗杰斯法及特征气体法的改良，基于溶解气体的变压器故障诊断方法得到了进一步的完善，然而，对于各种比值的范围上下限问题仍然亟待解决。鉴于此，我国科学家提出改良型的三比值法，在编码规则不变的前提下，制定了新的故障类型判断方法，如表6所示。该方法在变压器故障分类方面有了明显的提高，并且编码的范围和编码的组合得到了明显的改善，有助于变压器故障诊断准确率的提高[51-56]。根据大量的使用案例，我国推荐使用的改良三比值法在变压器故障诊断中的准确率得到了进一步的提高，便于对变压器故障进行有效预测。

表6 改良三比值判断法判断标准

2.2 故障声音分析法

溶解气体分析法能够通过溶解气体的成分变化来判断变压器所发生的故障，然而，在实际运行中，变压器的故障还能够通过机械振动传声、电火花放电声来体现。通常，根据故障发生的部位不同，可以将变压器的常见故障分为内部故障和外部故障2类，具体见图2[57-58]。

图2 变压器常见故障

根据相关统计，对于用于电力系统的大型变压器，最常见的故障为绕组变形、绝缘污染以及铁芯故障，尤其是运行年限大于15年的变压器，上述3类故障尤为常见[59]。结合变电站故障的实际情况，基于声音信号的故障检测具有一定的可行性，与此同时，声音信号与机械振动信号互为因果关系，能够真实地反映出变压器状态的信息，并且能够实现非接触式测量。其凭借设备简单、信号获取容易等特点应用于变压器故障诊断中。

2.2.1 声音分析法常见方法

目前，应用于变压器故障诊断的声音分析法主要有超声波检测法、噪声检测法、振动检测法等。

1)超声波检测法。

通常，在变压器工作时，其设备绝缘劣化会产生局部放电，并且伴随着超声波的产生[60-61]。通过安装在变压器油箱外壁的超声波传感器能够采集局部放电时产生的超声波，分析超声波信号与放电信号之间的时间差、不同位置采集到的超声波信号之间的时间差，能够对局部放电的空间位置进行判断，超声波检测技术原理如图3所示[62]。

图3 超声波检测技术原理

目前，关于超声波检测的研究重点为超声波检测法对于变压器局部放电的识别，黎大健等人[63]对超声波参数如到达时间、放电次数、幅度、能量和持续时间等进行了提取计算，通过计算说明了不同放电类型之间的相位分布特性以及频谱特征有所不同；王卫东等人[64]通过建立基于局放超声波特征参数的超声信号典型图谱，验证了该方法在变压器局部放电模式识别中应用的可行性。然而，由于超声波在变压器内部传播的复杂性，导致了超声波故障诊断的不准确性，因此，目前在实际应用中，超声波检测仅作为辅助手段，如何提高超声波检测的精准定位是未来的研究重点[65]。

2)噪声检测法。

通常，变压器的噪声来源主要为变压器本体绕组、铁芯、油箱的振动等[66-69]。经由录取变压器噪声来诊断变压器的运行状态，主要分析对象是噪声信号的声强、声压、升功率以及频谱特性等物理参量。目前的主要处理方法有主观评估、声强判别、能量统计、频谱分析等。噪声分析法的实现主要依靠于传声器等设备，经过滤波、放大，导入PC或其他便携式处理核心，对信号进行特征提取和识别[70-71]。

该方法为远场或者近场非接触式测量，主要传声介质为空气。然而，由于声波会经过折射、衍射等各种声学过程，同时会受到环境声源的影响，因此会使得所采集的信号混入不相关的噪声。在实际应用中，该方法无法应用于精确诊断的场合，换言之，如何排除周围环境声源对于噪声诊断结果的干扰是未来的研究方向。

3)振动检测法。

振动检测法，顾名思义，就是将传感器直接置于物体表面，从而有效地排除环境噪声的干扰。由于绕组、铁芯等故障引发的振动最终会传到油箱表面，因此，也可以通过在油箱表面安装传感器来测量振动信号。然而，目前关于振动检测法的研究多为理论研究[72-74]，对于原理探究、实际应用相关的研究相对较少，没有形成可靠的运用体系，此外，理论大多是关于铁芯和绕组振动，故障检测也局限于紧压松动或者绕组变形，对于其他故障类型的研究还有待完善。

综上所述，各种声音检测方法各有优劣，就目前的应用现状及变压器工作环境、工作状况而言，无法通过一种声音检测方法就能够实现变压器故障诊断工作。因此，各个方法之间的相互配合，更精确、抗干扰能力更强的声音诊断方法的研究是未来的工作重点。

2.2.2 声音信号处理方法对比分析

在声音信号提取后，需要对所提取的声音信号进行处理，目前，关于声音信号的处理方法主要有时域分析法、频域分析法以及小波分析法。

1)时域特征参数。

时域特征分析主要采用基本数字特征和概率分布特征进行分析诊断，常见的作为故障诊断的时域参数主要有有效值(RMS)、峰值(Peak)、峰值因子(Crestfactor)、峭度(Kurtosis)、脉冲因子(Shapefactor)、波形因子(Shapefactor)、K因子(Kfactor)等[75-78]，各参数的表达式及在故障诊断中的性能对比如表7所示。

表7 不同时域参数性能对比

时域参数仅仅能判断变压器是否有故障，而对于故障类型及故障位置的判断，还应当结合频域参数或者频率成分做进一步的分析。

2)频域特征参数。

常见的频域特征参数主要有中心频率FC、均方频率MSF、频率方差VF、均方根频率RMSF、频率标准差RVF等，其中，均方频率、均方根频率和中心频率用来描述功率谱主频带的位置变化，频率方差和标准方差用于描述功率谱的分散程度。

然而，对于频域特征，参数提取后还需要进行傅里叶变换才能转换成故障诊断所需要的声音数据，这也就意味着计算量的增加。与此同时，即使频域分析能够很好地弥补时域分析无法精确判断故障类型及位置的不足，但是傅里叶变换仅能解决稳定和渐变的信号。通常，变压器内部的故障是多种多样的，内部结构也是十分复杂的，这就造成了声音信号的不稳定性，因此，单纯的频域分析法已经无法满足变压器故障诊断的要求。

3)小波分析法。

图4 3层小波包分解图

常见的小波分析法主要有连续小波变换、离散小波变换、小波包分析等，其中小波包分析凭借其能够对频带进行多层次划分的优势，受到业界的推崇[79-80]，以3层小波包分解为例，其原理如图4所示[81]，其中，A表示低频、D表示高频，序号表示分解的层数，文中小波包分解的层数为3层，分解关系为：

S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3

综合对比各声音特征的提取方法，得到如下结论：

1)时域分析法能够快速地判断变压器是否出现故障，但无法独立、精细地判断出故障类型以及故障发生的部位，需要与频域分析等方法结合应用。

2)频域分析能够在时域分析的基础上，利用傅里叶变换等方法进行进一步的故障类型、故障位置的判断，从而达到故障诊断的目的，然而该方法计算量相对较大。

3)由于变压器内部结构的复杂性，导致了声音信号的非平稳性，因此传统的傅里叶变换对于非平稳信号的处理能力相对较弱，而小波变换能够很好地弥补这一点，其能够很好地对非平稳信号进行提取，因此，在基于声音信号的变压器故障诊断中，多采用该方法。

3 变压器故障诊断的发展趋势

鉴于上述分析，不难看出人工智能算法及声音信号诊断在变压器故障诊断中的重要作用。然而，这些新兴的技术还存在一定的缺陷，如人工智能算法中的收敛速度、预测精度问题以及声音信号的抗干扰问题(变压器的工作环境容易受外接各种噪声的干扰，进而影响声音信号的准确性)等，这些在未来的工作中仍需要进一步的完善，本文认为，应当从以下几个方面来展开。

3.1 人工智能算法上的改进

前文已经分析了人工智能算法在变压器故障诊断中的优势，然而，在实际应用中，基于人工智能算法的变压器故障诊断还需要进一步的完善，如算法的收敛性、诊断准确度等。

业界已经有很多学者致力于人工智能算法上的改进，并将改进后的算法应用于变压器的故障诊断中。上文论述的人工智能算法基本上没有单独应用于故障诊断的，学者们在对于故障诊断的研究中均通过遗传、人工鱼群等算法来提高原本算法的收敛性、准确性等。本文认为，在未来基于人工智能算法的变压器故障诊断工作中，将会在以下3个方面展开。

3.1.1 不同算法之间的对比

对于同样的变压器故障数据，采用不同的人工智能算法会得到不同的故障诊断准确率，因此，通过不同算法之间的故障准确率对比，从而选择准确率更高的算法对于变压器故障诊断工作意义重大。肖华兰等人[82]应用多分类相关向量机对变压器故障进行诊断时对比分析了多分类相关向量机(M-RVM)、RBF神经网络以及贝叶斯算法(BN)预测的准确率。苑津莎等人[83]对比分析了极限学习机(ELM)、BP神经网络、支持向量机等算法对于变压器故障诊断的准确率。

从表8[82]和表9[83]可以明显看出，不同算法对于不同类型的变压器故障诊断的准确率各有不同，训练时间、准确度也有所不同。因此，对于不同算法之间的对比分析并选择合适的算法是十分有必要的。

表8 M-RVM、BN、RBF算法下故障诊断准确率对比

表9 BP、SVM、ELM算法下故障诊断准确率对比

3.1.2 算法机制方面的改进

对于同一种算法，若在机制上进行改进与完善，同样能够达到提高收敛性、运算精度的目的。以应用最为广泛的BP神经网络为例，其在对数据的学习过程包括了正向传播、误差的反向传播等阶段，因此通过修改各层神经元联系权值以减小误差、使用不同的函数来改变收敛速度、使用不同的激活函数来消除对偏导数的大小有害的影响等均能够提高BP算法的准确性与收敛性。因此，在一定的收敛精度要求下，选择不同机制的BP算法能够有效地提高变压器故障诊断的准确率与速度，不同BP算法对比分析如表10所示[84]。

表10 不同BP算法对比分析

早在2005年，范磊等人[84]就对BP神经网络算法中不同的传播机制下对样本数据训练的次数、收敛精度以及训练误差进行了对比分析，结果表明，对于算法的改进能够有效地提高该算法在故障预测中的适用性与准确性。近年来，改进神经网络算法的应用成为故障诊断中的一大趋势，如江毓等人[85]利用变学习速率和有动量的梯度下降法改进BP神经网络并将其成功应用于电机异响的诊断中；袁圃等人[86]、李文强等人[87]通过优化BP神经网络的初始权值阈值来有效地避免局部极小值的现象，提高了对电网故障预测的准确率；苟旭丹[88]利用混沌粒子群算法对BP神经网络进行优化，有效地提高了对电机故障的识别率；祁萌等人[89]利用PSO算法研究模糊神经网络参数生成的规律，缩短了网络训练的时间，提高了变压器故障诊断的准确率。

3.1.3 消融实验

在变压器的故障诊断中，一套完整的诊断体系往往由不同的模块组成，因此，在保证准确率的前提下，利用与“控制变量法”原理相似的消融实验，能够有效地排除对诊断系统影响不大的步骤，从而提高故障诊断的效率，这是故障诊断由理论到实践的有效实现途径。

消融实验主要基于多步骤组成的卷积神网络，该算法在变压器故障诊断中也有较多应用[90-93]。同其他方法类似，卷积神经网络在故障诊断中的应用也需要不断地进行完善，如注意力机制模块(CBAM)的引入、增强深度超分辨率(EDSR)对网格进行超分辨率重构、对非极大值抑制(NMS)机制的改进以及通过引入互相关来减少数据之间的相关性等，这些方法的引入虽然能够改善诊断的效果，但同时也增加了诊断时间与难度。因此，通过消融实验来探究不同机制之间的相互作用以及它们对于故障诊断的综合影响有助于卷积神经网络故障诊断系统的完善。

在图5中[94]，可以看出原始的卷积神经网络检测精度是66.9%，图中结果验证了不同机制的引入对数据的高分辨率处理以及对网络的3个方面改进对提高平均检测精度是有效的，尤其是CBAM的加入，使得特征提取网络能够获得更多与任务目标相关的信息而舍弃其他无用信息。

NMSEDSRCBAMSoft-NMS互相关mAP/%√66.9√√68.7√√72.5√71.4√√70.8√√√√75.0√√√√79.1

随着人工智能算法的不断改进以及变压器故障诊断要求的不断提高，必然有越来越多的算法上的改进以及新机制的引入，然而，目前关于人工智能算法在变压器故障诊断中应用的研究很少涉及消融实验，这在未来的发展中应当值得注意。

3.2 声音诊断抗干扰性的提高

如今，基于声音信号的故障诊断方法已经应用到很多领域，如交通[95]、电力[96-97]、机械[98-101]等。鉴于声音信号诊断技术的特性，其能够在不干扰变压器正常工作的前提下实现故障诊断。然而，由于声音的传输特性以及电力系统周围环境的复杂性，声音信号的采集往往会受到周边信号的干扰，因此，抗干扰性的提高是该方法进一步推广的关键所在。

目前，大多数基于声音信号的变压器故障诊断研究的重点主要放在算法的改进、声音提取方法的探究以及声音信号的处理等方面，然而，对于变压器故障声音提取过程中，周边环境声音对故障声音干扰的研究却少之又少，仅华东升、侯增起等学者在他们的研究中涉及关于周边环境噪声对于变压器故障声音的影响，前者主要研究了鸟叫声、风声、雨声、人声对变电站故障声音的影响[102]，后者在干扰声音中增加了汽车鸣笛声以及脚步声[103]。排除外界声音的干扰，才能够更加准确地识别变压器故障声音，最终提高故障诊断的准确率。

3.3 基于声音信号的变压器故障诊断的进一步完善

如今，基于声音信号的变压器故障诊断方法已经逐渐应用于变压器的故障诊断中，然而，就目前的研究而言，这种“声音+”的诊断方法主要应用于变压器的过载负荷、局部放电、机械滑动、铁芯松动等故障，而对于过热、氧化、绝缘油的固态污染等故障的检测，仍然需要借助溶解气体分析法来实现，因此，扩大声音信号检测方法的应用范围，让其逐渐适用于变压器的所有故障的检测是未来的研究方向。

4 结束语

综上所述，基于专家系统、相关关系、人工智能算法均能够对变压器的故障进行有效的诊断，所得的结论也能够和现场分析的结果相一致，然而，就方法的便捷性、准确性而言，基于人工智能算法的故障诊断方法是未来的趋势。

在研究中可以看出：人工智能的开发是一个漫长的、渐进的过程，需要不断从算法上得以创新和完善；基于声音特性的诊断方法确实能够克服传统检测方法中接触式的测量方式，但其在排除外界环境干扰、诊断方法与变压器故障的适用性方面还有待提高。此外，所有的基于人工智能算法的诊断方法在理论和工程应用之间还存在一定的距离，需要进一步的探索。