变压器在线监测与故障诊断综述.doc

变压器状态监测和故障诊断技术的应用摘要：充油变压器在运行状态中发生故障将严重影响糗个电力系统的可靠运行，其中由于绝缘故障造成的事故占到变压器总事故的85以上。油中溶解气体分析方法作为一种有效的充油电力设备异常分析手段，在电力系统中得到广泛的应用。本文主要是针对基于DGA的变压器绝缘故障诊断方法进行研究和探讨。传统的基于DGA的变压器绝缘故障诊断方法有：得能堡比值法、三比值法、罗杰斯法、改进罗杰斯法、电研协法等，采用的特征气体是CH。，H：，C：H。，C：H。，C：H。，CO，CO：等七种。这些方法是在大量数据的基础上统计出来的，虽然在形式上比较简单，但正是因为简化了故障因素的复杂性而使得故障诊断正确率只能达到80左右。本文系统地讨论了近年来国内外学者提出的基于人工智能技术的变压器绝缘故障诊断方法，如基于模糊理论、神经网络、专家系统和灰色理论等技术，这些方法有效地提高了变压器绝缘故障诊断的正确率。最后讨论了今后该领域的研究趋向。1 概述电力变压器是电压等级变化与电能转化的重要设备之一。长时间运行条件下，变压器油和绝缘纸等化合物在电场、温度等作用下，会逐渐劣化，最终导致变压器故障。为了保证电力变压器的正常稳定的运行，必须最大限度的防止和减少变压器故障，因此及时准确的检测和诊断出变压器的故障时及其重要的。目前对变压器故障诊断的方法主要是基于DGA技术，即通过比较变压器油中溶解气体的含量来实现变压器故障诊断。基于DGA的变压器故障诊断方法大体分为经典的传统方法和基于人工智能的方法2. 传统方法传统方法是人们在长期的科学研究和变压器故障诊断实践中通过统计分析总结出来的判断故障类型的方法，主要有基于油中溶解气体的故障诊断以及各种基于气体比值的故障诊断方法等。（1）特征气体法。该方法主要是根据变压器发生不同故障时，根据油中各种气体的浓度就可以大致判断故障类型。变压器不同故障类型产生的气体组分如表1所示。表1 充油变压器不同故障类型产生的气体故障类型主要气体成分次要气体成分油过热CH4、C2H2H2、C2H6油和纸过热CH4、C2H4、CO、CO2H2、C2H6油纸局部放电H2、CH4、COC2H2、C2H6、CO2油中火花放电H2、C2H2油中电弧H2、C2H2CH4、C2H6、C2H4油和纸中电弧H2、C2H2、CO、CO2CH4、C2H6、C2H4（2）比值法。该方法是根据各种特征气体的比值来判断变压器故障类型。比值法具体来说又可以分为编码比值法和无编码比值法，前者有IEC三比值法及其改进形式，日本电协研法及其改进形式，英国的德能堡比值法，罗杰士比值法和德国的四比值法；后者是取消了气体比值区间对应于某一编码，而直接用比值范围对应于一种故障。比值法是大量故障统计分析基础上，舍弃了较小概率的情况而得到的，所以其准确率不能到达很高，对收集的全国1300多太故障变压器的数据采用三比值法进行诊断的结果表明，该方法的准确率为74%。3. 人工智能在变压器故障诊断中应用随着计算机技术和人工智能技术的发展，利用人工智能的方法建立故障诊断系统模型已经成为了计算智能的研究热点和重点。主要有人工神经网络、模糊理论、粗糙集理论、灰色系统理论和专家系统等人工智能方法应用于变压器故障诊断的研究中，使诊断结果的符合率有了显著提高。（1）基于人工神经网络的绝缘故障诊断方法人工神经网络（Artificial Neural Network，简称ANN）是通过模拟人脑神经元活动的过程，用神经元的特性及连接模式来学习和表达输入与输出之间复杂的非线性映射关系。由于神经网络具有很强的学习能力。泛化能力和自适应能力，能映射高度非线性的输入输出关系，并且它本身就是简单的非线性函数的多次复合，无需建立任何物理模型和进行人工干预。而故障诊断就是在输入数据杨泵和一个或多个故障状态之间建立联系的过程。ANN为变压器故障诊断开辟了新途径。目前已有数十种神经网络模型，应用较为广泛的有前馈网络（BP网络）、自组织特征映射网络（Kohonen网络）和训练向量分区网络（LVQ网络）等。其中BP网络是一反向传播的多层前向网络，上下层之间各神经元实现全连接，而同层内的各神经元无连接。BP网络具有良好的模式分类能力，尤其适合故障诊断方面的模式识别问题，具有2个隐层的典型BP网络结构如图1所示。图1 具有2个隐层的典型BP网络基于DGA技术的BP故障诊断网络，首先要确定输入，BP网络有3种输入方式，一是选择出CO2外的H2、CH4、C2H4、C2H6、C2H2、CO六种气体作为输入；二是选择H2、C2H4、C2H2以及总烃（C1+ C2）四种气体各自所占的相对百分比作为输入；三是选择C2H2/C2H4、CH4/H2和C2H6/C2H4作为输入。对变压器故障识别时，期望神经网络的输出时变压器的典型故障，变压器的典型故障类型及输出期望值如表2所示。 表2 故障类型及其对应的期望输出故障类型输出期望值（故障编码）局部放电000000001低温过热（低于300oC）000000010中温过热（300oC-700oC）000000100高温过热（高于300oC）000001000低能（火花）放电000010000低能（火花）放电兼过热000100000电弧放电001000000电弧放电兼过热010000000正常100000000本文结合改良的三比值法，将油中溶解气体含量的三比值作为输入。以变压器典型故障类型对应的编码作为输出。BP网络提高了变压器DGA诊断的可靠性，但是由于该网络容易受初始权值的影响而陷入局部最小点，网络收敛速度慢，从而影响了网络局部识别的推广能力。为了解决这些问题，通常采用全局优化算法与BP算法相结合的方法。例如，模拟退火法、遗传算法等。近年来，随着ANN不断发展完善，同时粒子群【106/104/103】、遗传算法【007/006/12】、粗糙集理论【109/110】以及小波分析【105】等其它人工智能方法融入到神经网络方法中形成优势互补，大大提高了DGA故障诊断结果更加准确可靠。（2）模糊理论在变压器故障诊断中的应用模糊理论主要模仿人脑的逻辑思维，具有较强的结构性知识表达能力，能将不确定性知识或定性知识转化为定量表示。基于变压器故障诊断的复杂性，故障类型与征兆之间的关系往往具有一定的模糊性。模糊诊断的基本流程：（1）油中气体分析原始数据的模糊化处理；（2）技术模糊集上面的相似关系；（3）动态分类求取最优分类结构。目前在利用模糊理论对变压器故障诊断方面，基于模糊聚类的绝缘故障诊断方法是近年来发展很快的一个研究方向。模糊聚类方法的原理是在没有先验知识的情况下，基于“物以类聚”的观点，应用模糊数学的方法确定各个样本之间的距离及分散程度，按照样本的距离或者某个目标函数来实现分类的一种方法。实际应用中基于目标函数的模糊距离方法是最普遍的。该方法是把距离归结为一个带约束条件的非线性规划问题，通过优化求解护额的数据集的模糊划分和聚类。此类方法设计简单解决问题范围广，并易于在计算机上实现。在基于目标函数的模糊聚类算法中以模糊迭代自组织数据分析算法（Iterative Self-Organizing Data Analysis Algorithm，简称ISODATA）的理论最为完善。该方法主要是是通过动态聚类的方法改造最优模糊矩阵和聚类中心矩阵，按照与中心矩阵最近原则确定故障类型。流程如图2所示。模糊理论应用于变压器故障诊断，有助于反映故障现象与故障原因之间的复杂关系。目前除了基于模糊聚类算法的各种诊断，还有基于模糊推理和模糊关系的变压器故障诊断，其中前者是对DGA数据采用不同的模糊化处理方法和模糊规则形成不同的各种诊断方法。如对特种气体的模糊化处理，结合模糊规则形成了模糊神经网络的诊断方法（湖南大学，108），使得故障诊断准确率达到90%以上。基于模糊关系的故障诊断方法是利用变压器特征气体与故障类型之间的复杂的关联程度，即通过故障的隶属函数来确定故障类型。模糊逻辑系统和神经网络都是通过对人脑思维的模拟来处理解决不确定性、不精确性问题。前者偏重人脑的逻辑思维，后者偏重对人脑结构的模拟。由于它们各自不同的特点，可以将模糊化概念和模糊推理引入神经元，以模糊算子代替神经网络神经元的传递函数，、采用模糊参数作为神经网络的权值、采用模糊变量作为神经网络的输入信号等。提高网络的可解释下和灵活性，或利用神经网络结构来实现模糊系统，并通过神经完了学习算法对模糊系统进行调整优化。（山大，108，115，211）图2 ISODATA算法的流程图（3）基于粗糙集的变压器故障诊断粗糙集（RS）理论是一种研究不完整数据、不确定知识表达、学习及归纳的数学方法。该方法不需要数据的任何初始或附加信息，直接对不完整吧精确数据进行分析处理，提取知识，进行知识表达、知识推理、揭示内在规律；粗糙集中的约简操作可以找出机制的有用属性，删除多余属性。又不失原数据集中包含的有用信息。在建立基于RS理论的变压器故障诊断模型时，首先要搜集变压器历次故障数据作为论域，对变压器故障进行分类，以考虑多种故障情况和多种故障征兆，从而确定条件属性集合决策属性集。其次是建立决策表，计算条件属性的约简，并相应每一条约简形成决策表，同时有公式计算器隶属度。最后给定置信度，形成诊断知识库，利用知识库即可对待诊变压器进行诊断。此外，基于RS理论的故障诊断实际是基于知识推理的一种诊断技术，它所处理的故障通常与故障的空间位置无关，只与信号的来源有关。目前RS理论在变压器故障诊断中的应用主要由以下几个方面：（1）利用基于RS理论及其各种推广模型进行故障特征的提取。（2）利用约简理论实现特征约简，及对诊断过程中大量冗余信息进行压缩或约简，以降低故障诊断系统的规模和复杂性。（3）属性的重要性评价标准确定，从约简后的中提取决策规则，形成与其他理论（如BP网络、模糊逻辑、遗传算法等）相结合的故障诊断系统。（307/109）RS理论的决策表约简法解决了IEC三比值法在在变压器复合故障情况下的不足，同时该方法具有一定的容错能力能够处理含有遗漏或错误的变压器征兆，故障诊断准确率较高。粗糙集有其自身的优点，同时也有一定的缺点。粗糙集用于数据分析时，会遇到早上、数据丢失、海量数据等问题，另外粗糙集在描述属性集合中存在很大的不足，信息处理的维数和特征计算量较大，传统的粗糙集不适合处理连续属性，在实际应用过程，粗糙集需要与其他技术向融合，来弥补粗糙集的不足。（4）基于灰色系统理论的变压器故障诊断灰色理论能够依据少量的样本数据来寻找影响变压器绝缘故障因素之间的关系，通过影响系统行为的主要特征变量之间的灰色关系建立简化模型。变压器油中的特征气体是一个动态变化的量，它与采样时间，采样仪器的精度等因素有关，而且各种气体相互制约关系的不确定性，故障类型与其他含量之间也没有明确的定性和定量描述。因此变压器故障系统是一个典型的灰色系统。灰色理论对于不确定环境下模式识别问题具有独特性，是解决多目标决策的有效方法之一，能够用于变压器的故障诊断。目前，用于变压器故障诊断的灰色理论方法主要有灰色关联度分析（GRA昆明理工，403）和灰色聚类分析。GRA的基本思想是根据序列曲线几何形状间的相似程度来判断其联系是否紧密来研究系统的动态过程，认为曲线越接近，相应序列之间的关联度就越大，反之就越小。该方法对样本量的多少和样本有无规律都同样适用，而且计算量小。基于灰色关联分析的变压器故障诊断原理是根据检模式与参考模式之间的接近程度进行状态识别。例如可以以IEC三比值法中的3个比值来构造故障参考向量，并按故障类型对模式向量分类编号，在故障诊断时按此法狗仔待检向量，然后分别计算每个参考向量和待检模式向量的关联度，关联度最大的故障类型为本次诊断结果。在灰色关联度分析中，判断灰色关联度大小的技术模型主要有邓氏灰色关联度、灰色斜率关联度、灰色面积关联度和综合关联度等。灰色聚类属于灰评估理论，是灰色系统理论的重要组成部分，它是根据灰数的白化权函数将一些观测指标或观测对象按若干灰类进行归纳，从而判断聚类对象所属的灰类。而变压器故障诊断实质是一个灰色系统的“白化”过程。基于灰色聚类的变压器故障诊断的基本原理是将变压器的各种特征气体所拥有的白化数，按几个灰类进行归纳，通过技术变压器与所有灰类的聚类系数，根据聚类系数的大小判断变压器的故障类型。其步骤首先确定变压器状态的聚类参数的白化数向量及白化权函数；然后求标定聚类权，以及聚类系数向量；最后根据聚类向量判断变压器故障类型。灰色理论能够依据少量的样本数据寻找影响变压器绝缘故障的各个因素间的主要关系，通过影响系统行为的主要特征变量之间的灰色关系来建立系统的简化模型，它为变压器绝缘故障诊断方法开辟了一个新的研究方向。（5）基于专家系统的变压器故障诊断所谓专家系统就是把某一专业领域的多个专家的知识经验用计算机语言存储在知识库中，按照专家对知识的推理方法解决复杂的问题。专家系统在电气绝缘诊断中有着成功的先例，其中变压器故障诊断的专家系统由知识库、数据库、推理机、知识获取与维护、数据管理、解释机制和人机接口七部分组成，其结构如图3所示。图3 变压器故障诊断专家系统的框图知识库和推理机是专家系统的核心。知识课用来存储从变压器专家得到的领域知识，包括事实或普遍规律的书本知识，以及启发性或探索性的知识。推理机是根据所获得的知识智能地推理出结论。变压器故障诊断采用反向推理机制和深度优先搜索策略进行推理。总之，变压器故障诊断系统是人们根据长期的实践经验和大量的故障的信息知识，以人工智能手段，将状态检测信息和变压器故障知识进行集成。从而达到真确的自动进行故障诊断的目的。RS理论建立在分类机制的基础上，它将分类理解为在特定空间上的等价关系，等价关系构成对该空间的划分。粗糙集理论将知识理解为在某种等价关系下对数据的划分，每一个划分的集合成为概念。利用已知知识库的划分，将不精确的或不确定的知识用已知的知识库中的基本概念来近似。文献14115116较早将BP(Back Propagation)神经网络方法应用于变压器绝缘故障诊断系统中，采用的神经网络模型是三层或多层前向网络，网络的输入节点采用七种特征气体中的全部或部分，网络的输出结点个数是绝缘故障类型的种类。考虑到不同的网络输入特征个数、网