（机械电子工程专业论文）基于支持向量机的变压器远程故障诊断研究.pdf

授权 并采 家有 北京交通大学 2 0 10 年6 月 1 致谢 在论文即将完成之际，对那些曾教导鼓励我的学长、帮助我的朋友、支持我 的亲人，表示诚挚的感谢，没有他们，我不可能完成本论文的工作。 首先要感谢的是直接关心我论文选题、研究和撰写的导师，在此向导师肖燕 彩副教授表示深深的感谢和崇高的敬意。肖燕彩老师不但悉心指导我完成了毕业 设计，而且在生活中也给予了我很大的关心和帮助。肖老师渊博的专业知识、严 谨求实的治学态度以及孜孜不倦的科研精神一直激励着我前进。导师诲人不倦的 同时又富有启发性，不论在学业上还是做人上，她的言传身教都将使我终生受益。 其次要感谢的是李平康老师和杨江天老师在科研工作中所提供的指导和帮 助。一并感谢齐红元老师、邱诚老师、张家栋老师、万里冰老师、周明连老师等 所有教导过我、帮助过我的老师，谢谢你们在我求学过程中给我的关怀和指点， 你们的教诲将成为我人生中的宝贵财富。 第三要感谢的是董肠，在我学习和工作上的指导，在此也感谢张清师妹在数 据收集和整理方面对我的帮助。实验室良好、和谐、融洽、积极向上的学习和工 作氛围为我的学习和论文工作的顺利完成提供了保证。 最后，我要感谢我的父母。感谢他们对我生活上无微不至的关怀和学业上无 怨无悔的支持，他们的理解和支持使我能够在学校专心完成我的学业，谨以此文 献给他们! 1 一 一 虫文擅要 小 中文摘要 变压器是电力系统中最重要的电气设备之一，也是电气化铁路牵引供电系统 的重要设备。随着国民经济的持续发展，变压器正在向超高压、大容量、自动化 的方向发展，对其可靠性要求越来越高，因此提高变压器的运行可靠性显得尤为 重要。开展变压器故障诊断技术，提高变压器的运行维护水平，是实现变压器状 态维修的重要内容，具有重要的现实意义。油中溶解气体分析( d i s s o l v e dg a s a n a l y s i s ，简称d g a ) 是检测变压器早期故障的有效方法。本文使用支持向量机开 展基于油中溶解气体分析的变压器故障诊断，通过实例分析证明了其有效性。本 文还运用基于g p r s 的无线通信技术实现变压器气体数据的远程传输，并运用 l a b v i e w 技术设计变压器远程故障诊断控制界面，主要工作内容与结论具体如下： ( 1 ) 首先分析了电力变压器的常见故障，介绍了变压器故障诊断的常用方法， 然后对基于d g a 的变压器故障传统诊断方法进行了综述。由于传统的故障诊断方 法存在许多不足，本文提出了使用基于支持向量机的故障诊断方法。 ( 2 ) 介绍了统计学习理论和支持向量机的基本原理，从理论上和实际中得出支 持向量机具有良好的非线性映射能力。阐述了传统归一化方法的不足，进而提出 了改良的归一化方法，并与传统的归一化方法进行比较。介绍不同的核函数的特 点，通过不同核函数的不同算法进行比较选取最适合的核函数。将支持向量机与 传统的比值法进行二分类和多分类的对比，验证了支持向量机算法的优势。通过 变压器故障的诊断实例，证明比传统比值法更具有优越性。 ( 3 ) 选用无线通信模块m c 5 5 完成现场与诊断中心的数据传输，保证数据及时 准确的传送到诊断中心，进行相应的故障诊断。本文详细阐述了无线通信模块的 软硬件设计，介绍了重要的a t 命令，并对系统进行可靠性设计。 ( 4 ) 采用l a b v i e w 语言设计了基于支持向量机的变压器远程故障诊断界面。 综合上述研究成果，开发出了变压器远程故障诊断系统，经过综合调试能够 实时的将现场采集的气体数据传送到远程故障诊断中心，经过支持向量机诊断系 统得出了较高的分类准确率。 关键词：支持向量机；变压器；d g a ；改良三比值；无线通信；l a b v i e w 分类号：t m 4 1 1 ；t p l 8 1 l j t r a n s f o r m e r , w h i c ha r ei m p o r t a n tc o n t e n t so fa c h i e v i n gs t a t em a i n t e n a n c eo ft r a n s f o r m e r d i s s o l v e dg a sa n a l y s i si st h ee f f i c i e n tt e c h n i q u et om e a s u r et h ef a u l to ft r a n s f o r m e r t h et r a n s f o r m e rf a u l td i a g n o s i su s i n gs u p p o r tv e c t o rm a c h i n eb a s e do nd g ai s c a r r i e do u t ，t h r o u g hc a s ea n a l y s i st op r o v ei t se f f e c t i v e n e s s t r a n s f o r m e rr e m o t ef a u l t d i a g n o s i sc o n t r o li n t e r f a c eb a s e do nl a b v i e wt e c h n o l o g yi sd e s i g n e dt or e a l i z et h e t r a n s f o r m e rg a sd a t at r a n s m i s s i o nu s i n gg p r sw i r e l e s sc o m m u n i c a t i o nt e c h n o l o g y , t h e m a i nc o n t e n t sa n dc o n c l u s i o n sa r ea sf o l l o w s ： 1 f i r s to fa l l ，t h ec o m m o nf a u l t so fp o w e rt r a n s f o r m e r sa r ea n a l y z e di nt h i sp a p e r , t h ec o m m o nm e t h o d so ft r a n s f o r m e rf a u l td i a g n o s i sa r ed e s c r i b e da n dt h e nt h e t r a d i t i o n a lf a u l td i a g n o s i sm e t h o d sb a s e do nd g aa r er e v i e w e d af a u l td i a g n o s i s m e t h o db a s e do ns u p p o r tv e c t o rm a c h i n ei sp r o p o s e d ，a st h et r a d i t i o n a lf a u l td i a g n o s i s m e t h o d sh a v em a n yd e f i c i e n c i e s 2 i ti n t r o d u c e ss t a t i s t i c a ll e a r n i n gt h e o r ya n dt h eb a s i cp r i n c i p l e so fs u p p o r tv e c t o r m a c h i n e ，a n dd e r i v e dt h a ts u p p o r tv e c t o rm a c h i n eh a sag o o dn o n l i n e a rm a p p i n ga b i l i t y f r o mt h e t h e o r e t i c a la n dp r a c t i c a l a l s oi td e s c r i b e st h ed e f i c i e n c eo ft r a d i t i o n a l n o r m a l i z a t i o nm e t h o d s ，t h e np r e s e n t sa ni m p r o v e do n e ，w h i c hc o m p a r e sw i t ht h e t r a d i t i o n a ln o r m a l i z a t i o nm e t h o d s d e s c r i b i n gt h e c h a r a c t e r i s t i c so fd i f f e r e n tk e r n e l f u n c t i o n s ，a n dt h e nt h em o s ta p p r e c i a t ek e r n e lf u n c t i o n sw o u l db es e l e c t e dt h r o u g h c o m p a r i n g t h ed i f f e r e n t a l g o r i t h m s o fd i f f e r e n tk e r n e lf u n c t i o n s m a k e a t w o - c l a s s i f i c a t i o na n dm u l t i c l a s s i f i c a t i o nc o n t r a s tt ot h es u p p o r tv e c t o rm a c h i n ea n d t h et r a d i t i o n a lr a t i om e t h o d ，i no r d e rt ov a l i d a t et h ea d v a n t a g e so fs u p p o r tv e c t o r m a c h i n e t h es u p e r i o r i t yo ft h es u p p o r tv e c t o rm a c h i n ew a sp r o v e dt h r o u g ht h e e x a m p l ef o rt r a n s f e rf a u l td i a g n o s i s 3 s e l e c t i n gw i r e l e s sc o m m u n i c a t i o nm o d u l e sm c 5 5t oc o m p l e t et h ed a t at r a n s f e r b e t w e e no n s i t ea n dd i a g n o s t i cc e n t e r , a n de n s u r et h ed a t at r a n s m i t i n gt ot h ed i a g n o s t i c v r l 卜ll 一 c e n t e rt i m e l ya n da c c u r a t e l y , t h e nt om a k et h ea p p r o p r i a t ed i a g n o s i s t h eh a r d w a r e 。a n d s o f t w a r ed e s i g n m e n to fw i r e l e s sc o m m u n i c a t i o nm o d u l ei sd e s c r i b e di nd e t a i l t h e i m p o r t a n ta tc o m m a n d si si n t r o d u c e d ，a n dm a k e s ar e l i a b i l i t yd e s i g nt ot h es y s t e m 4 t r a n s f o r m e rr e m o t ef a u l td i a g n o s i sb a s e do ns u p p o r tv e c t o rm a c h i n ec o n t r o l i n t e r f a c ei sd e s i g n e dt h r o u g hl a b v i e wt e c h n o l o g y b a s e do nt h ea b o v er e s e a r c hr e s u l t s ，at r a n s f o r m e rr e m o t ef a u l td i a g n o s i ss y s t e mi s d e v e l o p e d ，t h r o u g hi n t e g r a t e dd e b u g g i n g , t h eo n s i t ec o l l e c t i o n a lg a sd a t aw i l lb e t r s f e r r e dt ot h er e m o t ef a u l td i a g n o s i sc e n t e ri nr e a lt i m e ，t h eh i g h e rc l a s s i f i c a t i o n a c c u r a c yw o u l db eo b t a i n e dt h r o u g h t h ed i a g n o s t i cs y s t e mo fs u p p o r t i n gv e c t o r m a c h i n e k e y w o r d s ：s u p p o r tv e c t o rm a c h i n e ；t r a n s f o r m e r ；d g a ；m o d i f i e d t h r e e - r a t i o m e t h o d ；w i r ec o m m u n i c a t i o nm o d u l e ；l a b v i e w c l a s s n o ：t m 4 l i ：t p l 8 1j一 3 1 引言2 7 3 2 统计学习理论2 7 3 2 1学习过程一致性的条件2 7 3 2 2 函数集的v c 维2 9 3 2 3 推广性的界2 9 3 2 4 结构风险最小化原则3 0 3 3 支持向量机基本原理3l 3 3 1最优分类面3l 3 3 2 广义的最优分类面3 3 3 3 3非线性支持向量机3 4 3 3 4 多类分类支持向量机3 5 3 4 模糊支持向量机( f s v m ) 基本原理3 7 3 4 1 输入样本的模糊属性3 7 3 4 2 两分类f s v m 算法3 8 卜-l 3 5 支持向量机在变压器中的故障诊断研究3 9 3 5 1故障特征量的提取3 9 3 5 2 支持向量机故障诊断过程4 0 3 5 3 算法的具体步骤4 0 3 6 诊断实例分析5 0 3 7 本章小结5 2 4 远程故障诊断系统的具体实现5 3 4 1 无线通信模块设备的选型5 3 4 2 组网方案的选择5 5 4 3 无线通信模块总体设计5 6 4 4 无线通信模块硬件设计5 7 4 4 1m c 5 5 模块启动电路设计。5 8 4 4 2 m c 5 5 与单片机接口设计一5 9 4 4 3m c 5 5 的s i m 卡接口设计6 0 4 4 4m c 5 5 的电源接口设计6 l 4 5 无线通信模块的软件设计6 1 4 6 无线通信模块可靠性设计6 5 4 7 本章小结6 6 5基于l a b v l e w 的支持向量机远程故障诊断系统界面设计6 7 5 1 l a b v l e w 简介6 7 5 2 利用l a b v l e w 调用m a t l a b 算法的方法介绍6 8 5 2 1 利用m a t l a bs c r i p t 节点调用m a t l a b 算法6 8 5 2 2 利用c o m 技术调用m a t l a b 算法组件6 8 5 2 3 利用动态链接库技术6 9 5 3 基于l a b v l e w 的变压器远程故障诊断系统设计6 9 5 3 1远程故障诊断系统主界面设计6 9 5 3 2 故障模型训练系统界面设计7 1 5 3 3 远程故障诊断系统界面设计7 2 5 4 本章小结7 6 6 总结与展望7 7 参考文献7 9 作者简历8 3 独创性声明8 5 学位论文数据集8 7 1 绪论 1 1 研究变压器故障诊断的背景及意义 随着国民经济的持续发展，我国的电力系统j 下在向超高压、大容量、自动化 的方向发展，对发电、输电、供电和用电的可靠性要求越来越高，因而提高电气 设备的运行可靠性显得尤为重要。 变压器是电力系统输、变、配电设备中最重要和最昂贵的设备之一，其运行 状念的安全与否直接关系到整个电力系统的安全性和经济性。但目前变压器故障 时有发生。以我国1 1 0 k v 及以上变压器事故来看，1 9 9 4 年1 1 0 - - - 5 0 0 k v 变压器事故率 为0 7 6 次百台，1 9 9 5 年为0 6 5 次百台，1 9 9 6 年为o 5 6 次百台，2 0 0 1 年国家电网的 变压器共发生非计划停运达2 1 6 次。变压器一旦发生故障，轻则影响生产，减少发 电量，给人们的生活带来不便；重则危及人们的生命和财产安全，妨碍整个国民 经济的发展进程。因而研究如何提高变压器的运行可靠性是电力系统中一项具有 重大理论和实用价值的课题。 要使变压器安全运行，提高供电可靠性，除选用技术成熟、品质优良的变压 器外，还要不断提高变压器的维护、检修水平，对变压器进行科学、及时地预试 和检修【l 】。目前对变压器进行监督的手段主要是定期检测。表1 1 是各种容量变压 器的定期检测周期。 表1 1 运行中变压器的定期检测周期 t a b 1 - 1d e t e c t i o nc y c l eo ft r a n s f o r m e l o p e r a t i o n 设备名称设备电压笛级设备l 乜压容量检测周期 3 3 0 k v 及以上2 4 0 m v a 及以上3 个月一次 2 2 0 3 3 0 k vl2 0 2 4 0 m v a6 个月一次 变压器 6 6 2 2 0 k v8 l2 0 m 、，a 1 年一次 6 6 k v 及以下8 m v a 及以下自行规定 采用定期检修方式会使变压器存在过修或失修的问题，会造成资源的巨大浪 费和不安全问趔2 | ，主要表现在： ( 1 ) 试验时需要停电，会造成送电减少给经济生活带来一定的影响。在某些情 况下，由于系统运行的要求，变压器无法停电，往往造成漏试或超周期试验，这 就难以及时发现故障缺陷。 ( 2 ) 试验周期长。预防性试验的周期一般为一年，一些发展较快的故障很容易 在两次规定试验之间的时间内发展成为事故。 ( 3 ) 试验时间集中，工作量大。 ( 4 ) 试验电压低，诊断的有效性值得研究。传统的预防性试验，试验电压一般 在1 0 k v 以下，随着系统电压的提高，该电压与变压器电压之间的差距越来越大， 一些一般性的缺陷不易被发现，而且试验中现场各类干扰的影响也相应加大，可 能会影响到试验结果的准确性。据不完全统计，全国1 8 9 5 1 9 9 0 年问，8 0 的变压 器事故是在预防性试验合格的情况下发生的。定期检修管理制度由于没有考虑变 压器在不同环境条件下运行状态的千变万化，到期必修，还会造成检修过度。本 来变压器状态还比较好，还有潜力可挖，但因过多检修拆装，导致拆装磨损，人 为地缩短了设备的使用寿命。因而在理论上缺乏科学性，在实践中必然出现盲目 性。 由于传统预防性试验存在以上不足，迫切要求对变压器实现从以时间为基准 的维修方式到以状态为基准的维修方式的转变，因而，近年来变压器状态维修的 概念受到了愈来愈多的重视。 变压器状态维修，简而言之是根据检测结果，决定维修的项目和日期。现代 大型变压器是高真空下的浸油设备，内部并没有需要定期修理或更换的零部件( 包 括密封胶垫) 。因此仍然执行5 0 年前的规定：“在投入运行后的5 年和以后每间隔1 0 年大修一次”是不切实际的。只有把状态维修切实开展起来，才能既防止“失修 该修不修，引发事故，又避免“过修”不仅浪费人力和物力，而且可能 留下事故隐患。变压器状态维修的内容包括变压器的故障预测、故障诊断和状态 评估方面的内容。而故障诊断是进行状态维修的关键环节，为了实现准确地变压 器状态维修，应在故障诊断上下功夫，杜绝变压器的状态由量变发展到质变，将 变压器的状态稳定在初始状态【3 1 。 国内外许多资料表明开展变压器故障诊断的经济效益是明显的。据日本统计， 在采用故障诊断技术后变压器事故率减少7 5 ，维修费降低2 5 5 0 ；英国对2 0 0 0 个国营工程的变压器故障调查表明，采用故障诊断技术后每年节省维修费3 亿英 镑，用于诊断技术的费用仅为0 5 亿英镑净获利2 5 亿英镑【4 】。因此，随时检测变压 器状态，及早发现并排除变压器可能存在的故障，已成为保障供电可靠性的重要 手段之一。 2 的部位可分为绝缘故障、铁芯故障、分接开关故障、套管故障等。 根据i e c 6 0 5 9 9 的规定，变压器的故障可分为低温过热、中温过热、高温过热、 高能放电、低能放电和局部放电6 种类型【5 1 。不同故障可能的原因见表1 2 。 表1 2i e c 6 0 5 9 9 规定的故障类型及原冈 t a b 1 2t h et y p e sa n dc a u s e so ff a u l t si l li e c 6 0 5 9 9p r e s c r i p t 故障类型故障可能原因 由不完全浸渍、高湿度的纸、油的过饱和，或空腔造成的充气空腔中 局部放电 的局部放电。 不良连接形成的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、绕组中的相邻线饼间或导体间，以及连线开焊处或铁芯的 低能放电闭合回路中；夹件间、套管与箱鼙、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、套管与箱体之间、铜排与箱体之间、绕组与铁芯之间 高能放电 的短路：环绕主磁通的两个邻近导体之间的放电：铁芯的绝缘螺丝、 | 司定铁芯的金属环之间的放电。 救急状态下变压器超铭牌运行、绕组中油流被阻塞、铁扼夹件中的杂 低温过热 散磁通过大。 螺栓连接处( 特别是铝排) 、滑动接触面、选择开关内的接触面，以 中温过热 及套管引线和电缆的连接触不良。 油箱和铁芯上大的环流，油箱肇未补偿的磁场过高、形成一定的电流， 高温过热 铁芯替片之间的短路。 对这些故障目前有多种检测方法：如变压器绕组变形监测、容性设备介质损 耗测量、泄漏电流和电容量的测量等在线方法和脉冲电流法、超声检测法等离线 方法。大量的运行经验和实验研究证明，对于运行中的充油变压器设备，在热和 电的作用下，变压器油和有机绝缘材料将逐渐老化和分解，产生少量的各种低分 子烃类及二氧化碳、一氧化碳等气体。当存在潜伏性的热或放电性故障时，这些 气体产生的速度要加快。在不同的温度点，故障点产生的各气体组分之问的相对 比例是不同的，因此可以根据变压器油中溶解的气体进行故障分析。溶解气体分 析( d i s s o l v e dg a s a n a l y s i s ，简称d g a ) 就是这样一种技术，由于它能够在变压器 运行的过程中进行故障诊断，不受外界电场和磁场的影响，其结果反映变压器的 潜伏性故障比较灵敏，并且易于在线实现，已被公认为监测和诊断充油变压器早 期故障、预防灾难性事故发生的最有效的方法。 对诊断变压器绝缘状态有价值的气体有氢气h 2 、甲烷c h 4 、乙烷c 2 h 6 、乙烯 c 2 h 4 、乙炔c 2 出、一氧化碳c o 、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。气体组分随着故障类型、故障能量及其涉及的绝缘材料的 不同而不同。 根据模拟试验和大量的现场实验，电弧放电的电流大，变压器主要分解出乙 炔、氢及少量的甲烷；局部放电的电流较小，变压器油主要分解出氢和甲烷；变 压器油过热时分解出氢和甲烷、乙烯、丙烯等；而纸和某些绝缘材料过热时还分 解出一氧化碳和二氧化碳等气体。不同故障类型产生的主要特征气体和次要特征 气体见表1 3 【6 1 。 表1 3 充油变压器油中溶解气体含量与故障类型的对应关系 t a b 1 3t h ec o n t e n to fd i s s o l v e dg a si no i l f i l l e dt r a n s f o r m e ri nc o r r e s p o n d e n c ew i t ht h ef a u l t st y p e 故障类型主要气体组分次要气体组分 油过热c h d ，c 2 h 2 h 2 ，c 2 h 6 油和纸过热 c h 4 ，c 2 i - 1 4 ，c o ，c 0 2h e ，c 2 h 6 油纸绝缘中局部放电 h 2 ，c h 4 ，c oc 2 h 2 ，c 2 h 6 ，c 0 2 油中火花放电 h 2 ，c 2 h 2 无 油中电弧 h 2 ，c 2 h 2c h 4 ，c 2 h 4 ，c 2 h 6 油和纸中电弧 h 2 ，c 2 h 2 ，c o ，c 0 2c h 4 ，c 2 h 4 ，c 2 h 6 1 2 2 基于d g a 的变压器故障诊断技术及研究现状 基于油中溶解气体类型与内部故障性质的对应关系，人们先后提出了多种以 油中特征气体为依据的判断设备故障的方法。目前在我国，运用油中溶解气体分 析的结果进行变压器故障判定的具体方法主要有以下几种： ( 1 ) 特征气体法 变压器油中溶解的特征气体可以反映故障点引起的周围油的热分解本质。气 体组分特征随故障类型、故障能量及其涉及的绝缘材料的不同而不同，因此特征 4 气体判断法对故障性质有较强的针对性，比较直观、方便。特征气体法是根据油 中溶解气体含量大小进行故障判定的一种重要方法。 ( 2 ) 罗杰斯比值法 1 9 7 4 年，经过详细研究油中溶解气体分析的数据和相关的变压器故障之后， 英国中央供电局的罗杰斯提出了根据气体比值大小来判断故障的方法，称为罗杰 斯比值法。现在该方法仍广泛地应用在油中溶解气体分析来判定故障。 ( 3 ) 改良三比值法 改良三比值法是导则推荐的一种方法，它在故障判断标准上对三比值法 作了改进，编码判断更加全面。改良三比值法的基本原理是：根据充油电气设备 内油、绝缘在故障下裂解产生气体组分含量的相对浓度与温度的相互依赖关系， 从5 种特征气体中选取两种溶解度和扩散系数相近的气体组分组成比值c 2 h 2 c 2 h 4 、 c h , d i - 1 2 、c 2 h j c 2 h 6 ，以不同的编码表示。根据已知的编码规则和分类方法，查表 确定故障性质。 改良三比值法在变压器故障诊断中发挥了重要作用，但是该方法在应用中存 在以下几个问题：只有根据各组分含量的注意值或产气速率的注意值有理由判 断可能存在故障时，才能进一步用改良三比值法判断故障性质。换言之，当油中 特征气体含量或产气速率未达到注意值时，不宜应用改良三比值法进行判断； 在实际诊断过程中，有时会出现编码缺损的情况，即根据编码规则和分类方法得 到的编码超出了已知的编码列表，因而无法确定故障性质。 通过选择不同的气体以及不同气体之间的组合方式，将某两种气体之间的比 值进行编码，就形成各种不同的故障诊断判据，除t r o g e r s ，三比值法外，还有四 比值法，电协法等，这罩不再赘述。 变压器的故障原因相当复杂，存在大量不确定因素，某些故障现象、原因及 机理的复杂性和模糊不确定性使得对变压器的故障诊断模型难以用准确的数学模 型加以描述，也难以完成依靠确定性的判据诊断故障，例如，利用三比值法有可 能出现没有与编码相对应的故障或者当数据落在比值的边界，出现这种情况时， 就使判据失效，因此经典的诊断方法不能满足要求，要对边界进行模糊化处理。 随着人工智能技术的发展，故障诊断进入了以人工智能技术为特征的第二代 发展阶段。下面介绍常用的几种智能诊断方法【7 】： ( 1 ) 神经网络方法 神经网络以其独特的容错、联想、推测、记忆、自适应、自学习和处理复杂 模式等优点，在变压器故障诊断中得到了广泛的应用，其中反向传播网络( b p ) 【8 9 】，自适应共振理论( a r t ) 【1 0 1 ，自组织映射( s o m ) 【1 ，小波网络【1 2 】，模糊联 想记忆( f a m ) 【l3 】等应用效果较好。为了提高故障诊断的准确性，神经网络与其 他方法相结合已经进行了大量的研究，例如利用模糊数学对输入数据进行模糊化 处理，利用可靠性数据分析技术提高网络的泛化能力，融合范例推理以获得更高 的诊断准确率等。国内外科技工作者对人工神经网络( a n n ) 在绝缘诊断领域的 应用表明，一方面，用a n n 进行故障诊断是一种很有前途的方法，尤其在那些难 以描述故障类型与故障信号之间的逻辑关系无法对专家经验作明确表达等场合； 但另一方面，a n n 诊断技术还有不少有待于完善的地方，主要体现在：现有的 网络算法均存在不同程度的不足，制约了故障诊断准确率的提高，从而影响其应 用程度。正因为如此，国内外电气绝缘故障诊断领域的学者们一直在坚持不懈地 努力，并取得了一些成果，但要建立一个实用的基于神经网络的智能化自动诊断 系统，这方面的研究还有待进一步深化【l4 1 。绝缘诊断中有许多知识，包括符号 型知识和数值型知识，传统的表达方法存在一定的缺陷，如何选用合理的方式实 现知识的表达，以便于知识的管理和自动获取，这个问题还没有很好地解决，并 直接影响诊断系统的性斛巧】。 ( 2 ) 模糊集理论方法 模糊诊断不需要建立精确的数学模型，利用模糊隶属函数、模糊关系方程和 模糊聚类分析等方法就可以实现智能化的模糊诊断，并且能够提高渗断的准确性。 但仍然存在着一些难以解决的问题。文献 1 6 构造了一个具有模糊推理机制的专家 系统，它允许对各种诊断结果( 如溶解气体分析、超声检查、传递函数等) 构造 开放式的组合方案。文献 1 7 针对油中溶解气体分析中关键气体和i e c “三比值法 标准太绝对的缺陷，在统计某电力公司大量试验数据的基础上，提出了关键气体 比值的隶属函数，为科学地确定隶属函数作出了努力；该文的另一特点是能由推 理系统给出多种诊断方法的结论和相应的可信度供专业人员参考。文献 1 8 】是文献 1 6 t 作的延续和深入，为进一步提高诊断的精度，开发了模糊评估系统对诊断系 统进行优化处理，即组织具有典型意义的一批训练数据，对已确定的隶属函数分 布区问进行寻优计算，达到吸收新知识的目的；寻优目标函数为各优化元素的目 标结果和实际结果的误差绝对值除以相应可信度的平均值。此外，文献 1 8 讨论了 对油中溶解气体“三比值 、“四比值 编码进行模糊化处理的其他方法，对电气 参数如绝缘电阻、泄漏电流、t a n ，等的模糊化处理方法，以及采用系统辨识方法进 行模糊关系矩阵的参数优化方法进行了探讨。文献 1 9 将专家经验和模糊数学相结 合，利用模糊矩阵来反映故障现象与故障原因之间的模糊关系，模糊矩阵本身已 经包含了产生式规则，根据输入就可以得出相应的结论，实现专家系统中的不确 定性知识的推理功能。文献 2 0 针对基于油中溶解气体分析的变压器故障诊断方法 存在许多不确定因素，比值法编码的区间划分存在临界比值判据缺损的问题，利 用模糊关系矩阵来确定油中溶解气体与故障状态的相关性，建立模糊综合评判模 6 型，由故障状态隶属度矢量中各元素的大小确定各种故障发生的可能性大小。在 变压器故障诊断中，一种故障状态可由多种故障征兆反映，而一种故障征兆可不 同程度的反映多种故障状态，利用模糊关系矩阵不但可以实现故障的准确诊断， 而且还可以确定故障点部位。但是，模糊矩阵的构造需要以大量现场实际运行数 据为基础，其精确度主要取决于所依据数据的准确性及丰富程度。文献 2 l 】将模糊 聚类技术引入了变压器油中溶解气体分析，取得了初步成效，它能够对故障样本 数据进行科学的分析，但是模式聚类的结果会受到样本点数量、点集的均匀程度、 采用的距离度量和相似性度量、聚类准则等多种因素的影响，在计算样本距离时， 样本各特征量的尺度比例即相对权重的确定也是一个十分关键的问题。模糊诊断 虽然处理不确定性知识有它的优越性，但是要建立正确的模糊隶属函数是非常困 难的，国内确定隶属函数的方法还较简单，而国外在这方面的工作己逐步建立在 统计分析的基础上，相对要精确一些【2 2 1 。 ( 3 ) 专家系统方法 专家系统是以专家知识为基础，模仿人类专家推理过程的逻辑推理系统，其 优点有：以清晰的自然语言方式表达无法用数学模型表达的专家知识，便于理解； 能在特定领域内模仿专家工作，处理非常复杂的情况，包括异常情况；在已知基 本规则的前提下，无需输入大量细节数据即可运行；能对系统的结论做出解释。 但该方法也有其自身的缺点，如知识获取的“瓶颈”问题，对于一些复杂的问题， 可能会产生组合爆炸问题，缺乏自我学习和自我完善的能力。专家系统擅长逻辑 推理和符号信息处理，由于变压器故障诊断中，存在大量的专家经验知识，难以 建立精确的数学模型，所以专家系统很适合于变压器的故障诊断。知识库是专家 系统的核心部分，知识库结构的好坏直接影响着专家系统的性能，如果建立的知 识库不完备，可能导致专家系统推理混乱并得出错误的结论。为解决上述问题， 文献【2 3 利用粗糙集理论较强的数据分析能力和容错性，实现了变压器故障诊断专 家系统完备知识库的建立并对其进行了有效维护。文献 2 4 】利用模糊技术通过样本 找出故障原因和现象之间的关系矩阵，在一定程度上克服了专家系统知识获取方 面的问题，但仍存在模糊隶属函数和有关权重靠人工设定的问题。人工神经网络 能够在样本中学习，与专家系统结合可望解决知识获取瓶颈问题，但当样本数众 多、样本空间分布复杂时，训练难以收敛，限制了该方法的实用性。面向对象技 术具有对象创建方便灵活、诊断效率高的特点，因而在许多领域中得到广泛的应 用。文献 2 5 】采用面向对象技术构造了基于人工智能的变压器绝缘故障诊断知识 库，避免了传统知识库内容庞大、诊断效率低下的缺点，较好地解决了知识如何 表示的问题，并在实际应用中取得了较好的效果。文献 2 6 】提出了运用模糊p e t r i 网 络表示变压器故障诊断专家系统中模糊启发式规则库系统，运用图形化的知识表 7 示及简单的并行推理算法( 简单的矩阵运算) ，适用性强，易于知识库的扩充、维 护，诊断速度快。 此外，其他的智能方法如粗糙集、支持向量机等在变压器故障诊断中也有应 用。而支持向量机在解决小样本、非线性及高维模式识别问题中已表现出很多优 于已有方法的性能，因此受到广泛的关注。 1 3 支持向量机的研究概况 支持向量机( s u p p o r tv e c t o rm a c h i n e ，简称s v m ) 是九十年代中期发展起来的 新的机器学习技术，它是以统计学习理论( s t a t i s t i c a ll e a r n i n g t h e o r y ，简称s l t ) 为基础的【27 1 。自出现后，受到人们的广泛关注，近年来在其理论研究和算法实现 方面都取得了突破性进展，开始成为机器学习领域新的研究热点。统计学习理论 是一种专门研究小样本情况下机器学习规律的理论，为研究有限样本情况下的统 计模式识别和更广泛的机器学习问题建立了一个较好的理论框架【2 8 1 。该理论不仅 考虑了对渐进性能的要求，而且追求在现有有限信息的条件下得到最优结果。统 计学习理论的一个核心概念就是v c 维( v cd i m e n s i o n ) 概念，它是描述函数集和 学习机器的复杂性，或者说是学习能力( c a p a c i t yo f t h em a c h i n e ) 的一个重要指标， 在此概念基础上发展出了一系列关于统计学习的一致性【2 9 1 ( c o n s i s t e n c y ) 、收敛速 度p 例、推广性能【3 l j ( g e n e r a l i z a t i o np e r f o r m a n c e ) 等重要结论。统计学习理论是建 立在一套较坚实的理论基础之上的，它将很多现有方法纳入其中，有望帮助解决 许多原来难以解决的问题( 比如神经网络结构选择问题、局部极小点问题等) ：同 时，在这一理论基础上发展了一种新的通用学习方法支持向量机【3 列，该方法 在解决小样本、非线性及高维模式识别问题中已表现出很多优于已有方法的性能， 且人为设置的参数少，并能够推广应用到函数拟合等其他机器学习问题中。一些 学者认为，s l t 和s v m 正在成为继神经网络研究之后新的研究热点，并将推动机器 学习理论和技术有重大的发展。支持向量机方法以统计学习理论的v c 维理论和结 构风险最小原理( s t r u c t u r a lr i s km i n i m i z a t i o n ，简称s r m ) 为基石出【3 3 】，根据有限的 样本信息在模型的复杂性( 即对特定训练样本的学习精度，a c c u r a c y ) 和学习能力 ( 即无错误地识别任意样本的能力) 之间寻求最佳折衷，以获得最好的推广能力 ( g e n e r a l i z a t i o n a b i l i t y ) 。支持向量机应用于分类问题，可看作是感知器的推广。 在线性可分的情况下，就是建立一个超平面使得可分的两类数据到该平面的距离 最大，通常称该平面为最优分类超平面。对于非线性问题，是通过一个非线性映 射把原始数据映射到另一个称之为特征空间的新数据集上，使得新数据集在该特 征空间上是线性可分的，由此建立的最优超平面在原始空间内是超曲面。自1 9 9 5 年以来，支持向量机在实用算法研究、设计和实现方面取得了丰硕的成果。目前， 在模式识别、回归估计【3 4 1 、概率密度函数估计等方面都有成功应用。例如，在模 式识别方面，对于手写数字识别【3 习、语音识别、文章分类、语音信号数字处理及 图像分类、经济预警等问题，s v m 算法在精度上已超过传统的学习算法，或与之 不相上下。 但是，支持向量机作为一种正在发展的新技术，也存在一定的局限性。例如 如何将两类问题的解决办法有效地推广至多类问题亟待解决。尽管支持向量机有 着很高的数据分类性能，但由于现实世界中存在的很多数据样本中参杂的不规则 和模糊信息，尤其是在构造最优分类面时所有的支持向量样本具有相同的作用， 当训练样本中含有噪声与野值样本时，这些含有“异常”信息的样本在特征空间 中常常位于分类面附近，导致获得的分类面不是真正的最优分类面。另外，在实 际应用中，对某些重要的类需要非常高的分类精度，而对其他类分类精度的要求 相对低一些，对于后两个问题，使用常规的支持向量机都无法解决。由此出现了 将模糊理论应用于支持向量机构造中的一种新方法，即模糊支持向量机方法。 模糊支持向量机，能够有效地处理存在模糊信息的样本，有效解决标准支持 向量机算法对类似样本操作时能力下降甚至无能为力的情况，可以提高支持向量 机对参杂模糊信息的样本进行分类时的准确率，提高支持向量机的训练和分类速 度，减少空间大小和所需内存。 1 4 变压器的在线监测和远程通信技术现状 传统的变压器监控系统中，对变压器的监测一般是定期的。当工作人员怀疑 变压器工作不稳定或出现异常时，采用便携式的监测设备到现场对变压器进行一 段时间的监测和检查，将变压器油样带回实验室进行分析，确定变压器