《变压器故障诊断的国内外文献综述》4400字

变压器故障诊断的国内外文献综述对于变压器运行时的监测与故障诊断一直以来都是国内外研究的热点内容。目前，国内外基于变压器故障诊断研究的实现方式主要分为两大类别[10-12],一类以检测实验数据为依据，由不同变压器故障类型的特征数据来判别故障，其结果宽泛且误差较大；另一类以模式识别理论为依据，联合智能算法理论实现故障类型的精准判断，其故障判别的速度和精度较高具有参考价值。1.1传统方式的变压器故障诊断方法传统方式下的故障诊断方法经由行业相关人员大量的实验研究和经验总结，得出的诊断的理论依据和简单的判断方法，主要包含了油中溶解气体分析与预防性试验。当前电网及设备运行维护的电气试验法通常情况下，运用交流耐压实验、局放实验等可检测出变压器所存在的问题，该方式对于操作环境和实验程序有着较高的要求，试验时间长且特殊地理环境下无法进行，操作的困难程度和繁琐程度随着变压器等级和容量增加而成倍数正相关，多次实验下还可能对变压器造成一定的损害。对于检测变压器故障的基础方式绝大多数采取预防性试验，通过各种有效的物理实验获取可靠的实验结果。例如油中水、气的含量检测、绝缘油试验等能够有效的反应老化程度。下面将介绍几种常见预防性试验内容：(1)变压器绝缘油检测电力变压器由于受潮、老化、以及长期运行损耗等原因导致的故障将释放一定的物质在油中，因为充油的电力变压器通过油来达到散热和绝缘的功效，加之释放的物质具有可溶性，所以检测人员可通过含气、水量的多少及物质成分分析，并且综合电气试验分析达到检测故障的目的[13]。(2)阻抗测量实验，变压器空载试验、短路实验这类实验用于检测变压器的绕组变形。绕组的直流电阻测量利用不平衡系数在3%以内为标准，用于反映匝间短路、分接头开关的接触不良等问题。若阻抗电流、空载电流数值发生变化时，结合历史故障数据额比较进一步判断故障发生原因。(3)绕组的分接头电压比检测该实验是预防性试验必不可少的内容，利用变压器的运行规定及出厂铭牌给出的数据，检测绕组分接头的电压比是否在标称范围内，绕组分接头的电压比测量能有效反应变压器匝间短路以及连接组别的正确与否等故障，同时为选择变压器分接头提供一项指标。预防性试验作为定期检修的主要内容在防止设备事故发生、保证安全可靠地供电方面起着很好的作用。定期检修是依照预试规程确定的试验周期，到期必修，不考虑电气设备绝缘等实际状况,具有盲目性和强制性。容易导致过修和失修的弊端从而造成新的安全隐患。另一方面，由于电力系统是逐步发展的，各时期变压器的设备型号及制造工艺等均有所不同，对于预防性试验的耐受程度也不尽相同，这也给建立通用的物理性诊断方法造成了较大困难。大型的电力变压器目前以充油形式为主，油中溶解气体分析法、局放检测法、老化分解物的检测法等[13-14]，各方法中目前应用最多的是基于油中溶解气体分析技术，通过对气体的成分分析判断故障类型。除了常规的受潮等故障以外，随着运行时间的增加，油中杂质增加引起局放，使得局部温升过高等问题也加速绝缘介质的分解从而引起一系列的问题，利用油中溶解气体分析也成为了更好的选择。其中的改良IEC法，故障特征气体数据结构法都是应用检测异常及故障运行状况的发生的常用方法，其中改良IEC法对潜伏性故障的捕捉较可靠。本文第二章会着重对油中溶解气体分析进行介绍。1.2智能方式的变压器故障诊断方法由于传统方式下的诊断效果不理想，加之人工智能、计算机等相关学科的普及推广，使得变压器故障诊断领域引入人工智能的方法成为热门研究方向。比如专家系统、模糊理论、神经网络等智能方法及多种智能方法的综合运用，都成为智能方式下热门的应用研究，且故障诊断的效果显著。(1)基于神经网络的故障诊断人工神经网络是一种具有自主学习能力和信息处理能力的一种无监督学习，效率高且善于归纳推广。具有良好的自组织、自学习、自适应的特点，因此被人们应用在各个领域[14]。神经网络技术应用在变压器故障诊断中有两类，一种是将人工神经网络直接用作故障判别分类器的模型，而另一种则是将多种诊断技术与人工神经网络混合应用的综合模型。利用文献[15]利用传感器技术应用在神经网络中形成变压器故障诊断，并通过实验结果证明该方法时有效的。(2)支持向量机支持向量机是一种基于有监督的机器学习的方法，在各个行业领域被经常应用。文献[16]提出基于多分类的相关向量机作为变压器故障诊断的方法，输入量为溶解气体量的比，利用最大似然法与期望估计法对模型推断，输出量为各个故障类型的概率，最终取概率值最大的故障类型为最终结果。分析实例得到的结果，该方式下工程需求可以满足且诊断效率较高，但支持向量机法也存在一定的弊端，对于大量样本的学习能力差，且由于核函数是随即进行选取的，从而影响故障诊断的能力。（3）极限学习机极限学习机是一种结构简单易操作的的前馈神经网络。综合了前面两种方法以及机器学习的思想，克服支持向量机训练时间长且运行参数多的问题[17]，解决了传统神经网络结果容易陷入局部最优解的问题，文献[18]提出基于多分类算法自适应的极限学习机方法与反正切变换的综合运用，且自适应学习机运用节点偏差与输出权重模拟非线性函数的能力，结合油中溶解气体分析法来提高诊断的精度。（4）基于模糊推理的故障诊断在变压器故障诊断中模糊理论的应用主要有三大方面，即为：基于模糊聚类的诊断方法、基于模糊关系的评判方法、边界值的模糊化处理[19-21]。文献[19]中分别从模糊聚类与径向基神经网络联合应用实现优势互补，文献[20][21]利用模糊聚类处理油色谱数据，再利用灰色聚类处理故障分类系数，从而使得诊断结果更加准确。（5）贝叶斯分类器要求各个特征均为独立特征，具有独立性，分类器可使得分类误差最小化，所以贝叶斯分类器又有了最优分类的特性。文献[22]运用嵌入式知识对故障的关系进行分析利用贝叶斯网络量化故障类型，提出应用程序框架，再使用贝叶斯分类器进行故障判别。贝叶斯方法的由于需要投入大量的故障样本，而无法得到很好的推广。纵观整个电力行业，尽管现代化的智能诊断方法广泛的应用于变压器故障诊断方面，但这些方法仍旧存在着自身的弊端，而基于传统方式油中溶解气体分析进行故障判断也是层出不穷。实践证明，综合多种方法联立判断的结果才能够取长补短，诊断结果更加准确。伴随着人工智能与计算机的发展，多种方法的融合诊断成为今后研究发展的主流，具有非凡意义。1.3变压器故障诊断的分析变压器存在不同程度的故障时，会产生一定的故障信息及异常现象，故障特征的准确分析和故障类型的准确诊断对于电网安全运行具有重要意义。基于油中溶解气体分析法对变压器故障进行分析目前已取得一定成果，是一种可信赖的诊断方法。依据《变压器油中溶解气体分析和判断导则》显示，改良IEC法诊断故障的正确识别率在80%左右，经过改进后准确率高于运用较多的普通三比值法，并能够较好判断出潜伏性故障，但在实际的应用中仍存在着较多问题。一方面，当变压器内部出现一种以上的故障时会出比值编码找不到的情况及出现误诊编码的问题，另一方面，实际发生的故障类型并未出现在给定的编码范围等。虽然改良IEC法有着可靠的诊断策略在故障初期诊断效果好，但随着故障时间的增加多故障同时作用时容易误判且诊断的即时性不够好。随着人工智能应用的崛起，加入具有学习改进能力的智能诊断方法参与可以提升诊断效率和精度。因此，本文提出将智能算法的概率神经网络与油中溶解气体分析法相融合的方法等一系列措施建立变压器故障诊断系统，从而提升故障诊断的精度和速度。未来的变压器故障诊断技术也应朝着智能化、融合多元化、多功能集成化的方向发展。参考文献[1]胡青，杜林，杨丽君，等.PCA与BP神经网络相结合的变压器故障诊断[J].计算机应用研究，2010，27(02)：580-581.[2]曹海洋,张玉成,朱启伟,赵强.基于红外成像技术的变压器热故障在线检测与诊断[J].实验室研究与探索,2012,31(02):30-40.[3]郭英军,孙丽华,孙会琴,冉海潮.电力变压器热故障的在线诊断技术[J].河北科技大学学报,2007(02):147-149.[4]胡发明.几起变压器油色谱异常的分析[J].电气技术,2012(05):74-76.[6]袁海满.基于多维特征量的电力变压器故障诊断技术研究[D].成都:西南交通大学,2017,5.[7]代杰杰，宋辉，杨祎，等．基于油中气体分析的变压器故障诊断ReLU-DBN方法[J].电网技术，2018，42(02)：658-664.[8]刘云鹏，许自强，李刚，等.人工智能驱动的数据分析技术在电力变压器状态检修中的应用综述[J].高电压技术，2019，45(02)：337-348.[9]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，2003：1-89．[10]程加堂，段志梅，熊燕，等．基于DGA的QPSO-BP模型变压器故障诊断方法研究[J]．高压电器，2016(2)：57-61．[11]杨凤春，贾本岩，张丽娟.电力变压器故障诊断方法研究[J]．科技创新与应用，2016，(04):55－56.[13]H.Lin.W.H.Tang,A.NovelApproachtoPowerTransformerFaultDiagnosisBasedonOntologyandBayesian[J].Network978-1-4799-7537-2/14/2014IEEE．[14]胡义鹏，唐贤敏.电气设备中的绝缘油试验探讨[J].贵州电力技术，2016.19(3)：88-89.[15]遇炳杰．基于极限学习机的变压器故障诊断[M].华北电力大学硕士论文，2014．[16]S.Li.G.Wu.InterpretationofDGAforTransformerFaultDiagnosiswithComplementarySaE-ELMandArctangentTransform.Manuscriptreceivedon15May2015,infinalform8August2015,accepted19August2015.[17]BhallaD,BansalRK,GuptaHO.TransformerincipientfaultdiagnosisbasedonDGAusingfuzzylogic[C].//IndiaInternationalConferenceonPowerElectronics,IICPE.2010,2011:1-5.[18]熊浩,孙才新,廖瑞金,等.基于核可能性聚类算法和油中溶解气体分析的电力变压器故障诊断研究[J].中国电机工程学报,2005,25(20):162-166.[19]李俭,孙才新,陈伟根,等.灰色聚类与模糊聚类集成诊断变压器内部故障的方法研究[J].中国电机工程学报,2003,23(2):116-119.[20]尹金良，朱永利，俞国勤．基于多分类相关向量机的变压器故障诊断新方法[J]．电力系统保护与控制，2013．[21]熊浩,孙才新,廖瑞金,等.基于核可能性聚类算法和油中溶解气体分析的电力变压器故障诊断研究[J].中国电机工程学报,2005,25(20):162-166.[22]李俭,孙才新,陈伟根,等.灰色聚类与模糊聚类集成诊断变压器内部故障的方法研究[J].中国电机工程学报,2003,23(2):116-119.[23]尹金良，朱永利，俞国勤．基于多分类相关向量机的变压器故障诊断新方法[J]．电力系统保护与控制，2013．[24]赵家礼，张庆达，等.变压器故障诊断与修理[M].北京:机械工业出版社，2008:38-39.[25]胡青，杜林，杨丽君，等.KernelPCA与BP神经网络相结合的变压器故障诊断[J].计算机应用研究，2010，27(02)：580-581.[26]曹海洋,张玉成,朱启伟,赵强.基于红外成像技术的变压器热故障在线检测与诊断[J].实验室研究与探索,2012,31(02):30-40.[27]郭英军,孙丽华,孙会琴,冉海潮.电力变压器热故障的在线诊断技术[J].河北科技大学学报,2007(02):147-149.[28]王霞.基于油中溶解气体分析的变压器故障诊断方法的研究[D].华北电力大学.2003：12-13.[29]张利刚.变压器油中溶解气体的成分和含量与充油电力设备绝缘故障诊断的关系[J].变压器,2000,37(03:39-42.[30]董其国.电力变压器故障诊断[M].中国电力出版社,2000.[31]蒋宗礼.人工神经网络导论[M].高等教育出版社,北京2001.[32]韩金华,张健壮.大型电力变压器典型故障案例分析与处理[M].北京：中国电力出版社,2012.[33]MATLAB中文论坛著.M