（电力系统及其自动化专业论文）基于lssvm的电力变压器故障诊断与预测研究.pdf

西华大学学位论文独创性声明 作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究 工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外， 本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请 学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献 均已在论文中做了明确的说明并表示了谢意。 若有不实之处，本人愿意承担相关法律责任。 学位论文作者签名：黑诲华 日期：锄v 喾兰教师签名： 侠锯蜣友 日期以f l 。 西华大学学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，在校 攻读学位期间论文工作的知识产权属于西华大学，同意学校保留并向国家 有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅，西 华大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采 用影印、缩印或扫描等复印手段保存和汇编本学位论文。( 保密的论文在解 密后遵守此规定) 学位论文作者签名：- y 懈 日期：了易反仙 西华大学硕士学位论文 摘要 变压器是电力系统中贵重的枢纽设备，其故障不仅影响到供电的可靠性，而且对电 力系统的运行安全构成严重威胁。因此，有效地监测变压器运行状态、诊断和预测变压 器故障具有重要意义。 最小二乘支持向量机l s s v m 很好地执行了统计学习理论的结构风险最小化原则， 在小样本情况下具有较好的泛化能力，避免了陷入局部极小值，逐渐成为智能故障诊断 与故障预测的有力工具。论文围绕晟小二乘支持向量机l s s v m 在变压器故障诊断、故 障预测中的应用进行了研究。具体内容包括以下几个方面： ( 1 ) 以变压器油中溶解气体( d g a ) 与变压器故障之间的关系为基础，使用最小二乘 支持向量机l s s v m 进行变压器故障诊断建模并给出了求解步骤。对比并分析了 1 - - l , - - i r ，1 - v 一1 ，m o c ，e c c 这四种多分类算法所建立模型的诊断效果。结果表明 四种模型中m o c 有较高的正确判断率。 ( 2 ) 在l s s v m 中的参数选择问题上，本文采用自适应优化法来选择合理的模型参 数，为解决l s s v m 的实际应用提供了有效途径。 ( 3 ) 研究了l s s v m 的回归算法在变压器故障预测中的应用。利用l s s v m 进行变压 器油中溶解气体的预测，实例结果表明该预测模型的有效性和优越性。 ( 4 ) 在此基础之上，本文进一步探讨了将变压器l s s v m 故障诊断与故障预测相结 合，即用l s s v m 预测模型得到的预测值作为输入到l s s v m 诊断模型中，判断可能 出现的潜在性故障。这样使得变压器故障预测与故障诊断有机地结合起来，使整个体系 更加完备丰富，以期实现对故障的防范于未然。 关键词：油中溶解气体分析；故障诊断；故障预测；支持向量机；l s - s v m 。j 基于l s s v m 的电力变压器故障诊断与预测研究 a b s t r a c t a st h ev e r ye x p e n s i v eh u be q u i p m e n ti np o w e r s y s t e m ，i tp l a y sa ni m p o r t a n tr o l ei nt h e s a f e t ya n dr e l i a b i l i t yo fp o w e rs y s t e m i t sf a i l u r ew i l ln o to n l ya f f e c tt h er e l i a b i l i t yo fp o w e r s u p p l y , b u ta l s op o s eas e r i o u st h r e a tt ot h es a f eo p e r a t i o no fp o w e rs y s t e m t h e r e f o r e ， m o n i t o r i n g ，d i a g n o s n ga n dp r e d i c t i n gt h et r a n s f o r m e rr u n n i n g s t a t ee f f e c t i v e l y , h a v eag r e a t s i g n i f i c a n c e ， t h el e a s ts q u a r e ss u p p o r tv e c t o rm a c h i n el s s v mp e r f o r m e dw e l lo ns t r u c t u r a lr i s k m i n i m i z a t i o np r i n c i p l eo fs t a t i s t i c a ll e a r n i n gt h e o r y i th a sg o o dg e n e r a l i z a t i o na b i l i t yi nl i t t l e s a m p l e sa n dc a l la v o i df a l l i n gi n t ol o c a lm i n i m u m t h e r e f o r ei th a sb e c o m eap o w e r f u lt o o lo f i n t e l l i g e n tf a u l td i a g n o s i sa n dp r e d i c t i o ng r a d u a l l y i nt h i sa r t i c l e ，i ti s s t u d i e df o rt h e a p p l i c a t i o no fl e a s ts q u a r e ss u p p o r tv e c t o rm a c h i n el s - s v mi n t h et r a n s f o r m e rf a u l t d i a g n o s i sa n dp r e d i c t i o n t h em a i nc o n t e n t sa r ea sf o l l o w s ： ( 1 ) t h i sa r t i c l ea p p l y st h el e a s ts q u a r e ss u p p o av e c t o rm a c h i n el s s v mt o t h e t r a n s f o r m e rf a u l td i a g n o s i sm o d e la n dp r o p o s e dt h es o l v i n gs t e p sw h i c hb a s e do nt h e r e l a t i o n s h i pb e t w e e nd i s s o l v e dg a sa n a l y s i sf d g a ) a n dt h et r a n s f o r m e rf a u l t i ta n a l y z e st h e t r a n s t o r m e rd i a g n o s i sm o d e le s t a b l i s h e db yt h ef o u rt y p e so fc l a s s i f i c a t i o na l g o r i t h m s t h e y a r e1 - v l ，l v - r m o ca n de c c t h er e s u l t sp r o v e st h a tt h em o d e lo fm o c a l g o r i t h m sh a sa h i g h e rr a t eo fc o r r e c tj u d g m e n t s ( 2 ) f o rt h el s s v mp a r a m e t e rs e l e c t i o np r o b l e m ，t h i sa r t i c l ea p p l y st h ea d a p t i v e o p t i m i z a t i o nm e t h o dt oc h o o s et h er a t i o n a ld i a g n o s i sm o d e lp a r a m e t e r s i tp r o v i d e sa n e f f e c t i v e rw a yo f s o l v i n gt h ep r a c t i c a la p p l i c a t i o no fl s - s v m ( 3 ) t h ea p p l i c a t i o no fl s - s v mr e g r e s s i o na l g o r i t h mi np o w e rt r a n s f o r m e rf a u l t p r e d i c t i o ni ss t u d i e d l s s v mi su s e dt op r e d i c tt h ed i s s o l v e dg a z ei nt r a n s f o r m e ro i l t h e r e s u l t sp r o v e st h a tt h ep r e d i c t i o nm o d e li se f f e c t i v ea n ds u p e r i o r ( 4 ) o nt h i sb a s i s ，t h i sa r t i c l ef u r t h e rc o m b i n e st h et r a n s f o r m e rf a u l td i a g n o s i sw i t h p r e d i c t i o nb a s e d o nl s - s v m t h e p r e d i c t e dv a l u eo b t a i n e df r o mp r e d i c t i o nm o d e l sb a s e do n l s s v mi st h ei n p u tf o rt h ed i a g n o s i sm o d e lo fl s s v m a n dt h e nt h ep o t e n t i a lf a u l ti s j u d g e d i nt h i sw a y , i tc o m b i n e st h et r a n s f o r m e rf a u l tp r e d i c t i o na n df a u l td i a g n o s i s s ot h e w h o l es y s t e mi sa b o u n d e d i ti sm o r ec o m p l e t ea n dc a nb em o r ee f f e c t i v e l yt op r e v e n tt h e t r a n s f o r m e rf a u l t 西华大学硕士学位论文 一 k e yw o r d s ：d i s s o l v e dg a sa n a l y s i s ( d g a ) ；f a u l td i a g n o s i s ；f a u l tp r e d i c t i o n ；s u p p o r tv e c t o r m a c h i n e ( s 峋；l s - s v m ( l e a s ts q u a r e ss u p p o r tv e c t o rm a c h i n e ) 基于l s - s v m 的电力变压器故障诊断与预测研究 目录 摘 要：i a b s t r a c t i i l 绪论1 1 1研究电力变压器故障诊断和预测的目的和意义l 1 2电力变压器故障分类及诊断方法3 1 2 1电力变压器故障分类3 1 2 2 变压器的经典故障诊断方法。6 1 3电力变压器故障诊断研究现状及发展动态。7 1 4电力变压器故障预测技术研究现状以及发展趋势。9 1 5 最d , - 乘支持向量机l s s v m 理论背景及研究现状1 0 1 6 本文主要研究内容1 2 2 支持向量机理论与l s s 垤1 3 2 1 机器学习的基础知识：1 3 2 1 1机器学习问题的表示1 3 2 1 2 经验风险最小化原则1 4 2 2 统计学理论1 5 2 2 1学习机器v c 维15 2 2 2 推广能力的界1 6 2 2 3结构风险最小化原则1 7 2 3 支持向量机理论1 8 2 3 1 支持向量机分类( c l a s s i f i c a t i o n ) 。1 8 2 3 2 支持向量机回归( r e g r e s s i o n ) j 2 3 2 3 3 支持向量机的特点总结与改进2 7 2 4 最小二乘支持向量机( l s s 垤) 2 8 2 4 1 l s s 、厂l 讵分类与回归算法2 8 2 4 2 最小二乘支持向量机l s s v m 的特性总结3 l 2 5 本章小结- 3 2 3 基于l s s v m 的电力变压器故障诊断方法研究3 3 3 1 模式识别与故障诊断分类3 3 3 2 故障特征量及故障模式的确定。3 4 3 2 1 故障特征量的确定3 4 3 2 2 故障模式的确定3 4 3 3 模型数据预处理与参数优化3 5 3 3 1 数据归一化处理3 5 3 3 2 核函数与核参数的选择3 5 3 3 3 模型参数优化3 6 i v 西华大学硕士学位论文 3 4l s s v m 的多分类问题及其实现3 7 3 4 1 l s s v m 多分类问题3 7 3 4 2l s s v m 多分类问题的实现4 0 3 4 3 基于l s s 订的变压器故障诊断建模流程4 1 3 5 变压器故障诊断模型实例及结果分析4 2 3 6 本章小结：。4 5 4 基于l s s v m 的电力变压器故障预测方法研究4 6 4 1 故障预测建模过程4 6 4 2 基于m a t l a b 的故障预测建模仿真应用4 7 4 2 1 l s s v m l a b 简介4 7 4 2 2 基于l s s v m l a b 的回归预测实现4 8 4 - 3 变压器故障预测实例及结果分析o 4 9 4 4变压器l s s v m 故障诊断与故障预测的结合5l 4 5 本章小结5 3 结论5 4 参考文献5 5 攻读硕士学位期间发表的学术论文_ 5 8 致谢5 9 v 西华大学硕士学位论文 1 绪论 1 1 研究电力变压器故障诊断和预测的目的和意义 随着电网容量的增大和用户对供电可靠性要求的提高，电力设施维修费用占电力成 本的比例也在不断提高，维修管理的重要性日益显现出来。变压器是电力系统枢纽设备 之一，在保证电力系统的安全运行和安全运营过程中占有重要的地位。现今我国变压器 的电压等级和容量增长迅速，变压器的故障率也越来越高。因此，有效地监测变压器运 行状态、诊断和预测变压器故障，分析如何提高变压器运行的可靠性，是现今电力行业 需要研究的重要课题之一【l j 。 变压器维修技术的发展大致可以分为三个阶段：事故检修_ 定期检修一状态检修。 事故检修是5 0 年代以前主要采取的方式，就是在设备发生了故障或事故以后才进行检 修。那时没有形成像现在这样庞大的系统网络，因此设备发生故障时的影响面小，同时 大部分设备都比较简单，设备的设计裕量大而且修复容易，设备停运对企业的经营活动 影响不大，人们的依赖性也没有现在这样强烈，所以当时只进行简单的日常维护和检修， 没有开展系统的检修【2 j 。 我国采用的定期计划检修即为电力设备预防性试验制度，即通过对电力设备进行定 期的停电预防性试验，根据试验结果决定电力设备在下一次投运前是否需要进行必要的 维修。定期检修是一种基于时间的检修，其理论依据是：设备能通过定期检修，周期性 地恢复到接近新设备的状态。因此，检修工作的内容与周期都是预先通过计划安排设定 的，不管设备的状态如何，到时间就要修，目的是为了防止或延迟故障的发生，以期望 达到最大限度地保证设备运行的可靠性【3 j 。但这种定期检修的管理制度往往是以牺牲企 业的自身经济利益为代价的，在设备尚未发生缺陷且可正常运行的情况下就进行停运检 修甚至更换设备，易造成了不必要的人、财、物的浪费。同时，绝缘的劣化、缺陷的发 展总有一定的潜伏期和发展时间，预防性试验是定期进行的，不能及时准确地发现故障， 往往在预防性试验周期内时有故障发生。因此，从以停电进行预防性试验为基础的计划 检修逐步过渡到以在线监测为基础的状态维修，已成为电力系统发展的必然趋势。 变压器故障诊断和故障预测是变压器状态维修的重要组成内容和研究方向。当变压 器发生不同程度的故障时，会产生异常现象或信息。变压器故障诊断就是搜集变压器的 异常现象或信息，根据这些现象或信息进行分析，从而判断故障的类型、严重程度和故 障部位。目前变压器故障诊断用于判断变压器是何种故障，以及故障程度等。但是，对 于当前没有发生故障或故障症状不明显的变压器，诊断系统却不能预测它们何时出现故 障，出现什么故障。故障预测就是指根据故障征兆，对可能发生故障的时间、位置和程 基于l s - s v m 的电力变压器故障诊断与预测研究 度进行预测。无论是变压器故障诊断还是故障预测，都需要由变压器的在线检测状态信 息得出诊断或预测结梨钔。 变压器的状态检修是以变压器当前的实际工作状况为依据，通过先进的状态监测手 段、可靠的评价手段和寿命的预测手段来判断设备的状态。对故障的严重程度、发展趋 势做出判断，识别故障的早期征兆，并根据分析诊断结果在设备性能下降到一定程度或 故障将要发生之前进行维修【5 】。可见，变压器故障诊断与故障预测是变压器状态维修的 基础工作，是进行状态维修的重要依据。只有准确地诊断、可靠地预测变压器的运行状 态，才能指导现场对缺陷变压器开展状态检修。因此，采用智能方法建立相应模型，利 用变压器的状态信息准确地监视变压器的运行状态并提供早期的故障报警，在变压器出 现某些故障征兆的时候进行故障诊断或保护设备，对实施变压器状态维修，从而降低变 压器维修费用和提高变压器可靠性具有重要的理论意义和实际应用价值【6 1 。 图1 1 变压器故障预测与故障诊断总体结构 f i g 1 1 t h es t r u c t u r eo f t r a n s f o r m e rf a u l tp r e d i c t i o na n dd i a g n o s i s 2 西华大学硕士学位论文 1 2电力变压器故障分类及诊断方法 电力变压器是保证电力系统安全运行的最重要的电气设备之一，对变压器故障进行 及时准确地诊断，可以避免和减少事故。由于电力变压器的故障和事故多数是由直接原 因、间接原因和扩展性原因综合起来而引起的，非常复杂。而故障现象往往表现为同一 故障的现象呈现多样性，不同故障的现象却具有相似性【_ n 。 1 2 1 电力变压器故障分类 变压器故障有不同的分类方式，常见的故障类型如下： ( 1 ) 按变压器本体结构可分为内部故障和外部故障。内部故障为变压器油箱内发生的 各种故障，其主要类型有：各相绕组之间发生的相间短路、绕组的线匝之间发生的匝间 短路、绕组或引出线通过外壳发生的接地故障等。外部故障为变压器油箱外部绝缘套管 及其引出线上发生的各种故障，其主要类型有：绝缘套管闪络或破碎而发生的接地( 通 过外壳) 短路，引出线之间发生相间故障等而引起变压器内部故障或绕组变形等。 变 压 器 结 构 故 障 内部 故障 外部 故障 各绕组之间发生的相间短路 绕组线匝之间发生的匝间短路接地 绕组或引出线通过外壳发生的接地 绝缘套管闪络而发生的接地短路 变压器内部故障绕组变 图1 2 变压器故障按结构划分 f i 9 1 2t h ef a u l to f t r a n s f o r m e rd i v i d e db ys t r u c t u r e ( 2 ) 各种内部及外部原因引发或直接造成的变压器内部故障，从性质上一般又分为 热故障和电故障两大类。热故障通常为变压器内部局部过热、温度升高。根据其严重程 度，热性故障常被分为低温过热( 低于3 0 0 c ) 、中温过热( 3 0 0 7 0 0 c ) 、高温过热( 一 般高于7 0 0 c ) 四种故障情况。电故障通常指变压器内部在高电场强度的作用下，造成 绝缘性能下降或劣化的故障。根据放电的能量密度不同，电故障又分为局部放电、火花 基于l s s v m 的电力变压器故障诊断与预测研究 放电和高能电弧放电三种故障类型。各种类型的变压器故障都可能危害变压器内绝缘的 安全，使得由于绝缘故障造成的事故在变压器总事故中占8 5 以上【引。各种故障类型及 其可能的原因列于表1 1 中，其中p d 、d 1 、d 2 、t 1 、t 2 、t 3 为国际电工委员会在标准 i e c 6 0 5 9 9 中规定的故障代码。 表1 1 变压器的典型故障 t a b 1 1 t y p i c a lf a u l t so ft h ep o w e rt r a n s f o r m e r 故障类型故障的可能原因 由不完全浸渍、高湿度的纸、油过饱和，或空腔造成的充气空腔中的 局部放电p d 局部放电，并导致形成x 蜡 不良联接形成不同电位或悬浮电位，造成的火花放电或电弧，可发生 在屏蔽环、绕组中相邻的线饼间或导体间，以及连线开焊处或铁芯的闭合 低能量放电d 1 回路中。夹件间、套管与箱壁、线圈内的高压和地端的放电。木质绝缘块、 绝缘构件胶合处，以及绕组垫块的沿面放电。油击穿、选择开关的切断电 流 局部高能量或由短路造成的闪络，沿面放电或电弧。低压对地、接头 之间、线圈之间、套管和箱体之间、铜排和箱体之间、绕组和铁心之间的 高能量放电d 2 短路。环绕主磁通的两个邻近导体之间的放电。铁心的绝缘螺丝、固定铁 心的金属环之间的放电 在救急状态下，变压器超铭牌运行。绕组中油流被阻塞。在铁轭夹件 低温过热t 1 中的杂散磁通量 螺栓连接处( 特别是铝排) 、滑动接触面、选择开关内的接触面( 形成积 中温过热t 2 碳) ，夹件和铁心叠片之间的环流，接地线中的环流，以及磁屏蔽上的不良 焊点和夹件的环流 油箱和铁心上的大的环流。油箱壁未补偿的磁场过高，形成一定的电 高温过热t 3 流。铁心叠片之间的短路 变压器油和固体绝缘材料在热和电磁的作用下，将产生各种气体，这些气体要溶解 于油中，对油中各种气体进行分析，就可判断变压器故障。现对其故障原因与气体特征 进行分析 9 1 。 ( 1 ) 热性故障 产生热故障的原因有：导线过电流，铁芯局部短路多点接地形成环流；分接 开关接触不良，接线焊接不良；电磁屏蔽不良，使漏磁集中；油道堵塞，影响散 热等等。 4 西华大学硕士学位论文 当变压器内部发生各种过热性故障时，由于局部温度较高，可导致热点附近的绝缘 物发生热分解而析出气体。变压器内油浸绝缘纸开始热解时产生的主要气体是c o ，随 温度的升高，产生的c o 也增高。当固体材料局部过热时会产生大量c o 和c 0 2 ；当油 局部过热时，会产生大量乙烯c 2 日。和甲烷c h 。随着温度升高，则乙烷c 2 日。和氢气日：增 加；当油严重过热时，才产生少量乙炔c ，日，。 ( 2 )电性故障 电气故障形成按能量大小可分为三种，即高能量的电弧放电、低能量的间隙火花放 电和最低能量的局部放电。 1 ) 高能量电弧放电原因： 严重的绕组故障，如绕组短路、绝缘大面积击穿；严重的铁芯失火，大面积 铁芯短路。 由于突发爆炸，能量大，产生的气体种类主要是氢气日，和乙炔c ：日，。 2 ) 造成低能放电的原因有： 引线接触不良；不稳定的铁芯接地；分接开关触头接触不良；套管导 电杆与引线接触不良。 这种故障因能量不大，所以总烃含量不高，气体主要是日，和c ，日：。 3 ) 造成局部放电原因有： 冲片棱角或冲片间局部放电；金属尖端之间局部放电。 这时产生的主要气体是：和c h 。无论哪种放电只要有固体绝缘介入都会产生c o 和c o ，。表1 2 给出了不同的变压器故障类型和产生气体的组分关系。 表1 2 变压器故障类型与气体组分关系 t a b 1 2t h er e l a t i o nb e t w e e nt r a n s f o r m e rf a u l tt y p e sa n dg a sc o m p o s i t i o n 故障类型产生的主要气体组分产生的次要气体组分 油过热 c h 4 ，c 2 h 4h 2 ，c 2 h 6 油和绝缘纸过热 c h 4 ，c 2 h 4 ，c o ，c 0 2h 2 ，c 2 h 6 油中有电弧 h 2 ，c 2 h 2c i - h ，c 2 n 4 ，c 2 k 油和绝缘纸中电弧 h 2 ，c 2 h 2 ，c o ，c 0 2c h 4 ，c 2 i - h ，c 2 h 6 油中局部放电 h 2 ，c h 4 ，c 2 h 2c 2 h 6 油和纸中局部放电 h 2 ，c h 4 ，c 2 h 2 ，c oc 2 h 6 ，c 0 2 油中火花放电 c 2 h 2 ，h 2 进水受潮或油中气泡h 2 基于l s s v m 的电力变压器故障诊断与预测研究 1 2 2 变压器的经典故障诊断方法 由于变压器故障的复杂性，其诊断过程不可能只采用单一方法，而要采用多种方法。 因此，必从各种学科中广泛探求有利于故障诊断的原理、方法和手段，这就使得故障诊 断技术出现多学科交叉这一特剧1 0 】。 变压器故障的检测诊断方法可以分为以下三类： ( 1 ) 通过人们对声音、振动、气味、变色、温度等的感觉来判断变压器的运行状态， 根据所发现的各种现象的变化来分析故障发生的部位和程度。 ( 2 ) 利用变压器保护装置判断故障变压器的内部故障。机械类的检测装置有气体继 电器、油流量继电器、冲击压力继电器等；电气类的有差动继电器、过电流继电器。 ( 3 ) 利用各种专用仪器仪表对变压器进行专项试验分析，以便对故障的部位和程度 做出一定的判断。目前应用最广泛的是使用仪器仪表来对变压器进行试验分析诊断，它 的诊断准确性和可靠性远远超过前两种方法。 根据电力设备预防性试验规程规定的试验项目及试验顺序，用于检测和诊断变 压器故障的试验主要包括油中溶解气体分析( d i s s o l v e dg a sa n a l y s i s ，d g a ) 、直流电阻 检测、绝缘电阻及吸收比、极化指数检测、绝缘介质损失角正切检测、油质检测、局部 放电检测及绝缘耐压试验等。变压器的故障具有多样性，变压器故障的检测方法也不尽 相同，目前油中溶解气体分析被公认为是一种探测变压器初期故障的有效手段【1 1 】。d g a 法作为变压器内部潜伏性故障的主要试验项目列于d l t5 9 6 1 9 9 6 变压器试验项目的 首位【1 2 1 。据统计，我国电网中有5 0 以上的故障变压器是通过该试验结果检出的。由于 这一检测技术能够在无须停电的情况下进行，不受外界电场和磁场因素的影响，并且具 有较高的灵敏度。因此可以定期在设备运行中对其内部绝缘状况进行诊断，确保设备的 安全运行，并促进变压器由定期维修方式向状态维修方式的过渡，它已成为电力系统诊 断充油电气设备早期潜伏性故障的重要方法。 油中溶解气体分析( d g a ) 的原理是：油浸变压器在正常运行时，其内部的绝缘油及 有机绝缘材料会随 分子烃类、c o s 、 放电性故障时，这 体种类、各种气体 上反映出变压器绝 体成分的相对数量 类型及故障能量等 对诊断变压器 西华大学硕士学位论文 乙炔c ：h 2 、一氧化碳c o 以及二氧化碳c 0 2 ，通常把甲烷、乙烷、乙烯和乙炔含量的总 和称为总烃。 1 3电力变压器故障诊断研究现状及发展动态 ( 1 ) 基于d g a 的变压器经典故障诊断技术 近几十年来国内外众多专家对d g a 方法的研究取得了许多有价值的成果，形成了 多种判断设备故障的方法。如早从1 9 6 8 年起，英国的c e g b 就开始对数量不断增加的 超高压变压器进行常规的d g a 分析，并尝试建立一个油中溶解气体含量的注意值标准； 在1 9 7 0 年得能堡( d o e r m e n b u r g ) 提出了区分热性故障和电性故障的两比值法，这种方法 消除了不同变压器油体积差异的影响，并且由于采用不同气体成分间的比值，使得单位 的选择变得简单；罗杰斯引申出选择5 种特征气体的4 个相对比例进行故障诊断的方法， 称为罗杰斯( r o g e r s ) 比值法； 国际电工委员会所推荐的i e c 三比值法是利用d g a 结果对充油电力设备进行故障 诊断的最基本方法。但在实践中发现i e c 5 9 9 所提供的编码是不完全的，在实际应用中 有相当一部分d g a 分析结果落在所提供的编码之外，以至于对某些情况无法进行诊断。 日本电气协同研究会提出的电协研法和我国湖北电力试验研究所提出的改良电协研法 都对i e c 编码作了进一步的补充。 我国现行的d l t 7 2 2 2 0 0 0 变压器油中溶解气体分析和判断导则推荐的就是改 良的i e c 三比值法。其原理是根据充油电气设备内油、纸绝缘在故障下裂解产气体组分 含量的相对浓度与温度的相互依赖关系，从5 种气体中选择两种溶解度和扩散系数相近 的气体组分组成三对比值，以不同的编码表示，根据比值的编码判断变压器所属的故障 类型。表1 3 和表1 4 是我国推荐的改良i e c 三比值法的编码规则和故障类型判断方法， 并由此可作为诊断故障性质的依据。这种方法消除了油的体积效应影响，是判断充油电 气设备故障类型的主要方法，并可得出对故障状态较可靠的诊蝌1 1 】。 表1 3 三比值法的编码规则 t a b 1 3t h ee n c o d i n gr u l e so ft h et h r e e r a t i om e t h o d 比值范围编码 气体比值范围 c 2 h 2 c 2 i - 1 4c h h 2 c 2 h 4 c 2 h 6 = 0 1 = 1 = 32 22 基于l s - s v m 的电力变压器故障诊断与预测研究 表1 4 故障类型判断方法 t a b 1 4t h ed e t e r m i n i n gm e t h o do ff a u l tt y p e s 编码组合 故障类型诊断 c 2 h 2 c 2 h 4c h 4 h 2c 2 叫c 2 h 6 0l 低温过热( 低于1 5 0 ) 2 0低温过热( 1 5 0 3 0 0 ) 02l 中温过热( 3 0 0 c 7 0 0 ) 0 ，1 ，2 2 高温过热( 高于7 0 0 ) 10 局部放电 0 ，10 ，1 ，2 低能( 火花) 放电 2 2 0 ，1 ，2低能( 火花) 放电兼过热 0 ，10 ，1 , 2 电弧放电 1 2 0 ，1 , 2电弧放电兼过热 ( 2 ) 基于d g a 的人工智能变压器故障诊断技术 上述介绍的三比值等方法属于经典方法，目前已经在生产实际中得到了广泛应用。 但这种方法存在编码不全或码值无对应故障以及编码不够科学的缺陷；利用人工智能的 方法处理d g a 数据与故障类型之间的关系是典型的基于数据的机器学习。基于数据的 机器学习是现代智能技术的一个十分重要的方面，归结起来，其目的是从数据( 样本) 中学习知识、获取信息，即通过对己知数据的学习，找到数据内在的相互依赖关系，从 而对未知数据进行预测或对其性质进行判断。 为了弥补i e c 三比值方法存在的“编码盲点”问题，一些学者引入了专家系统、模 糊数学、人工神经网络、聚类分析、灰色理论、支持向量机等智能方法来对变压器故障 进行判别，取得了一定的进展，并取得了较好的诊断效果。其中，文献 1 1 】【1 4 【1 5 介绍 了几种神经网络模型在变压器故障诊断中的应用；文献 1 6 】将神经网络与专家系统结合 对变压器进行故障诊断；文献 1 7 1 8 利用不同算法改进了神经网络，提高了诊断准确 率；文献 1 9 【2 0 将神经网络与其他智能诊断方法结合，对变压器故障进行组合诊断； 文献 2 1 1 1 2 2 利用模糊聚类与其他算法结合，对变压器故障进行组合诊断；文献【2 3 利用 灰色关联度进行变压器故障诊断；文献 2 4 利用免疫算法进行变压器故障诊断；文献 2 5 】 将数据挖掘技术引入变压器故障诊断系统；文献 2 6 介绍了组合诊断的概念；文献 2 7 】 利用数据融合技术进行变压器故障诊断；文献 2 8 介绍了其他几种诊断方法；文献 2 9 】 将通讯技术引入了变压器故障诊断系统。 1 9 9 5 年，v a p n i k 在统计学习理论的基础上提出了支持向量机s v m 。支持向量机算 法在解决小样本问题的同时，又能解决神经网络算法中的高维问题和局部极值问题1 3 u j 。 s u y k e n s 在s v m 的基础上提出了最小二乘支持向量机l s s v m ，l s s v m 是支持向量机 8 西华大学硕士学位论文 ( s v m ) 的重要改进和扩展。s u y k e n s 给出了相应的训练算法，使l s s v m 具有更大的 优势，其结构也非常简单，为统计学习理论的实际应用提供了有效的工具。l s s v m 作 为近年来出现的一种新的智能方法，由于它具有较高的泛化能力，收敛速度快，能保证 得到全局最优解，其优良性能已引起了众多研究人员的注意。 李威特等对胎面生产过程关键段提出了基于l s s v m 的建模研究r 1 1 。王忠文等应 用l s s v m 分类算法进行地球科学中研究【3 2 1 。许亚洲应用基于l s s v m 的回归算法提 出了数控机床热误差的建模研究，并改进了l s s v m 的稀疏性【3 3 1 。肖健华对应用于故障 诊断的l s s v m 进行了理论研究，针对样本不对称情况进行了算法改进，在齿轮故障诊 断中进行了应用研究m 】。z h u y o n g l i 等用贝叶斯网络与支持向量机的回归算法结合用于 故障诊断，即使用贝叶斯网络来诊断变压器的故障类型，用支持向量机的回归算法来处 理错分样本【3 5 】；h a ol 等对变压器中的局部放电现象用l s s v m 进行了研究【3 6 】；这些研 究成果说明使用l s s v m 进行变压器的故障诊断是可行的，由于这方面的研究刚起步， 所以还有很多问题需要进一步深入探索，基于l s s v m 的变压器故障诊断研究是一个很 有前途的方向。 1 4 电力变压器故障预测技术研究现状以及发展趋势 变压器故障诊断系统主要用于判断变压器有无故障，或出现故障后诊断故障部位以 及故障原因，这对制定维修计划起到了辅助作用。但是，对于当前没有发生故障或故障 症状不明显的变压器，这些诊断系统却不能预测它们何时出现故障，出现什么故障，而 这正是供电工作者十分关心的问题。变压器的故障预测是其状态维修的重要方面，开展 变压器故障预测、对潜伏性故障的发展趋势即何时发展成故障或可能发生何种类型故障 等进行研究，对指导变压器维护工作具有十分重要的意义。 目前，国内外对变压器故障诊断研究较多，对变压器故障预测的研究却较少。由于 变压器油色谱在线监测离实现变压器的全面状态检修尚有差距，不可能随时获得准确的 油中气体浓度。因此，根据己有的变压器油中溶解气体浓度预测变压器油中溶解气体浓 度的变化，是变压器在线监测的必要补充和提前预警变压器故障的重要手段。通过预测 可以对油中溶解气体浓度随时进行估计，快速而全面地评估变压器的绝缘状况；通过预 测值和实际值相互比较，监视这段时间内变压器绝缘状况的变化；当变压器需要测量产 气率时，可以减少气相色谱检测次数，以便及早发现变压器的潜伏性故障及其发展趋势。 如果能够从某变压器现有的色谱数据出发，预测出该变压器未来时刻油中溶解气体的浓 度，就能根据诊断技术提前对该变压器的绝缘状况作出诊断，以此为依据对变压器进行 跟踪和安排检修等工作，避免和减少事故，从而保证电力系统的安全稳定运行。 对于变压器的故障预测的研究，主要集中在基于变压器溶解气体分析( d g a ) 的故 9 因数，从而预测变压器油的热老 化故障，取得了较好效果。文献 4 0 设计了一个变压器故障预测的支持信息系统，该系 统应用数据仓库清理、收集、存储变压器状态信息，系统结构合理，但是它没有给出预 测方法。文献 4 1 ，4 2 以灰色系统理论为基础，研究了电气绝缘故障诊断的灰色预测模型 新模式及其应用。实例验证表明，该方法具有较好的预测精度，但是该方法没有考虑非 等间隔预测问题。文献 4 3 提出自学习神经网络和灰色预测结合的组合预测方法，引入 了时间序列自修正参数和关系修正参数，并将该方法应用于变压器油中溶解气体的预测 中。 由于影响变压器油中溶解气体的因素很多，其中既有确定性因素又有非确定性因 素。变压器油中溶解气体往往呈现非等间隔小样本的特点，因此，并不是所有的预测方 法都能适合这类数据的预测：时间序列不适合非等间隔序列的预测；人工神经网络不能 保证任何时刻都收敛；专家系统法得到一个实用的模型要经过长时间原始资料的积累和 模型修正；灰色g m ( 1 ，1 ) 模型是现行油色谱预测研究最为广泛的一种，它通过对原始数 据进行累加生成规律性较强的序列，再用指数曲线去拟合得到预测值。但该模型最希望 处理指数增长型据，当色谱数据不严格按指数规律变化时，预测水平明显下降。 因此，本文致力于引入新的智能方法和预测模型最小二乘支持向量机l s s v m 来 进行变压器故障预测的研究，并取得了令人满意的效果。 1 5 最小二乘支持向量机l s s v m 理论背景及研究现状 在故障诊断与故障预测领域，基于知识的智能诊断技术是一种很有前途的方法，它 以人工智能为核心，主要研究知识的获取、知识的表示与组织、推理方法的结构、模型 的建立等问题。近年来，机器学习现已成为人工智能技术中应用的重要研究领域。机器 学习是提高智能水平的主要途径，因为一旦系统具有了自学习能力，它能从环境的变化 中学习新知识，不断自我完善，因而受到了普遍的重视。作为机器学习的一个发展阶段 和代表算法，在过去十年里，人工神经网络理论的研究及其应用获得了长足的进步，成 为相关专业的研究热点。 人工神经网络的算法是基于当样本趋向于无穷多时的统计性质。但在现实问题中， 样本的数目通常是十分有限的。在这种情况下，人们希望在有限的样本数据下尽可能地 1 0 西华大学硕士学位论文 发现其中蕴含的知识，强调学习机器具有较强的推广能力，即对符合某规律，但没有学 习过的样本也能给出合理的结论，这是