【《人工智能在变压器参量预测和故障诊断的应用文献综述》4800字】

人工智能在变压器参量预测和故障诊断的应用文献综述电力变压器是变电站以及发电厂的核心枢纽设备和重要组成部分，在电力系统中它负责电力能量的传输以及电压转换，在整个电网都发挥着重要作用。随着目前社会的不断发展电网的持续扩大，电力变压器的数目也在持续增加。据统计，国家电网和南方电网安装和运行中的大容量电力变压器数目达41167个。维护目前大规模部署的变压器的稳定对整个电网的稳定有重要意义[]。电力变压器的故障和运行状态受到多个方面影响。自然环境因素、人为因素以及变压器及其配套设备本身的缺陷等都会影响变压器的稳定运行。建立变压器状态预测和评价体系来提前确定潜在性的故障可明显提高变压器的检修维护能力。1.1变压器参量预测的研究评估变压器是否稳定运行主要依据其运行中的各项状态特征参量进行判断，其特征信息变化将会根据发生故障的类型和严重情况等出现不同程度的变化。大量研究与现场工作表明通过变压器特征参量的变化趋势与变压器的运行状态关系密切，预测以及分析变压器的特征参数变化状态可以有效提前预知变压器的故障状态，提前了解情况并进行预防措施，达到状态检修的目的。变压器中有大量的特征参量可供研究，根据参量的获取程度，对于故障的影响以及数据集本身的完整性多多方面考虑。目前研究较多的有油浸式变压器中的绝缘油，变压器的击穿电压、GIS设备的分解气体、局部放电信号、温度等参量。文献[]基于循环算法结构RNN网络对气体绝缘开关（GIS）190天内的收集到的振动信号以及局部放电信号作为历史数据输入，得到预测模型预测未来信号的发展趋势，并就短期预测得到了较好的预测效果。文献[]针对变压器目前绕组绕点温度预测所存在的不足，通过反向传播网络和遗传算法进行参数优化，解决了神经网络本身陷入局部收敛的缺陷并简化模型结构减少了模型的训练时间。通过收集的500组变压器现场数据进行仿真表明改模型的温度预测值基本符合实际变化。文献[]建立基于VMD和MGRU相结合的混合算法，利用模态分解算法和自适应特性来确定VMD中最佳模态个数，同时改进了MGRU模型，相较于SVR、RF、MGR等算法，新算法可以更加有效地追踪变压器中高压套管中的温度变化趋势。文献[]针对变压器中绝缘油的击穿电压，提出了一种基于BP神经网络的预测算法，通过BP神经网络本身可以处理多维度的数据及良好的数据适应性等特点，充分分析多个参数之间的关联性，基于变压器的绝缘油历史信息。建立模型预测击穿电压，取得了较好的预测效果。文献[]利用SVM模型并结合相关度线性加权的原理实现变压器的顶层油温预测，采用通径系数加权优化分析了电压负荷、时间系数以及气象数据三种因素得到了综合相关系数。模型以变压器前两个月的油温数据作为输入，最终仿真结果表明该模型具有较高的预测精度，可以有效预测油温变化。在变压器的状态信息的预测中，因其数据保存相对更加完整，检测普及程度更高，对数据质量要求更低等原因，针对变压器的油中溶解气体预测问题的研究最为广泛。早期应用的模型有BP神经网络[]，支持向量机[]，遗传算法[]以及灰色模型[]等算法。而随着人工智能的不断发展，深度学习[]、循环网络[]以及多算法组合[]等专门用于处理时间序列模型也在不断应用于油色谱预测问题。文献[]在支持向量机的基础上改进了遗传算法对模型进行参数寻优，并通过仿真数据验证了该模型在实际工作中的可行性。文献[]首次把VMD方法引入油色谱预测中，对不平稳序列进行分解，并且对模型的特点进行研究提出一种GM与VMD相结合的组合预测方法，既能真实反映油中气体的发展趋势，也可以将波动序列分解为一组复杂程度较低周期性更强分量，降低了整体预测难度，为变压器故障预测提供一种新的解决思路。文献[]基于改进版的循环网络LSTM模型对于油色谱数据进行预测，通过改进门控制结构解决梯度爆炸和梯度消失的问题，与传统的预测算法相比，LSTM模型的预测精准度更高，可以对油色谱变化趋势进行较长期的预测。文献[]在传统的七种特征气体基础之上，添加了顶层油温数据以及外部环境数据，提出了一种多维度输入的预测模型，模型以堆叠多层的玻尔曼兹机为基础实现参量预测，仿真结果具有较高的精度。文献[]在长短周期记忆网络的基础上，利用PSO优化算法调整模型中的超参数，改善了模型过于依靠历史数据做出判断从而导致的模型拟合能力不够以及预测精度较低等问题。1.2变压器故障诊断的研究现场对与变压器故障诊断目前主要关注变压器自身是否出现故障以及出现故障的原因，在变压器出现重大事故前，根据变压器的异常运行数据做出正确的故障诊断对变压器检修意义重大。电检测法是一种传统变压器故障诊断方法，主要利用示波器、局部放电仪或无线电干扰仪等设备来寻找变压器中出现放电的波形。电检测法灵敏度很高，可以直接监测到视在放电量，这种检测方法优点在于非常灵敏，缺陷在于当检测到结果时变压器已进入故障比较严重的情况，这种方法并不适用于变压器提前预测状态进行状态维修。文献[]主要介绍了超声波检测来进行变压器状态检测，该检测法的原理是通过监测放电时产生的超声波，将超声波转化为电信号并录制进行分析。相较于电检测法，超声波监测方法的灵敏度较低，但是因为超声波传感器的频带避开了变压器和铁芯的噪声，因此可以有效的避免电磁干扰。且方便进行空间定位进行在线监测。是目前的变压器的在线监测和离线检测中重要的辅助检测方法。油浸式变压器中的绝缘油在变压器工作状态下会发生氧化反应，劣化绝缘油并且降低绝缘材料的绝缘性能。文献[]针对这类问题提出一种检测方法，通过测量绝缘油中的微水含量，分析游离氢成分来了解变压器的内部绝缘。文献[]通过Rogowski线圈从变压器的中性点测量电信号，这种方法可以将测量电流的频率提高到30000Khz，极大的提高局部放电的测量频率的同时设备安装也非常简便。但该线圈的测量原理和传统的脉冲电流法不相同，因此无法标记视在放电量，另外源于变压器内部结构的复杂性问题导致测量信号产生电磁波在内部存在大量的折射、反射以及散射等问题导致无法进行局部放电的源头定位。文献[]对目前红外成像对于变压器故障诊断的研究现状进行了综述，红外成像对变压器进行测温可以做到电气设备的带电检测，是电气设备绝缘故障检测的一种成熟手段，但与电检测法类似，这种测温方法只能当变压器已出现故障时进行诊断而无法提前预知变压器状态。此外，仅通过温度和红外线成像变化也很难直接确定故障发生原因。在变压器的局部放电故障中，不同种类故障时放电所发出的光的波长各不相同，研究表明通过测定光的波长来分析局部放电特征以及变压器固态绝缘劣化已有很大进展[]，然而实际工作中这类方法的检测设备十分昂贵，而且被检测设备必须对光是透明的，因此现场应用场景十分有限。脉冲电流法[]是通过设备中的阻抗监测来分析放电现象中产生的脉冲电流数据，来得到局部放电时的详细数据比如放电次数、相位等。因为检测阻抗时传感器会影响到测量的准确度和分辨率。因此当该故障节点局部放电的容量过大时,传感器的测量灵敏度会收到阻抗的限制。同时还存在频率过低，信息量稍等问题。针对局部放电产生的无线电干扰，人们通过无线电电压干扰仪来解决局部放电对于无线电的通讯和控制的干扰问题[]，电压干扰仪监测局部放电的检测方法和监测线路与脉冲电流法类似。通过检测变压器中油中的化学气体成分的方法也称为油中溶解气体分析技术(DissolvedGasAnalysis,DGA)。DGA技术可通过变压器的油中气体的种类以及含量来监测油浸式变压器的潜在性故障。因为这种技术可以不受外界电场干扰，并且采集到的数据相对完整便与处理分析，且可在带电运行的情况下检查变压器的潜在故障，目前广泛应用于电力设备的故障诊断。油中溶解气体分析因为其数据完整，易于处理，被广泛用来作为算法模型的输入数据来进行故障诊断，过去通过油色谱数据来进行变压器故障诊断的方式主要是通过三比值法[]。三比值法及后续的改良三比值法目前被广泛应用于现变压器故障检测[]，然而根据研究表明，三比值法仍存在如准确率偏低、比值界限处容易误报漏报等问题[]。随着机器学习等算法的不断深入探索，基于油色谱数据的智能模型不断的提出并继续优化，其诊断精度和效果已经超过了传统的比值法等评估诊断方法，提高了变压器的故障诊断能力。文献[]利用粒子群算法，构建了SVM模型，通过核函数的结构特点对油色谱数据进行分析。文献[]通过构建DBN网络，对油色谱数据进行充分挖掘处理，最后按照概率比例得到变压器的故障诊断结果。文献[]基于SVM和最小二乘法，先通过概率统计的方法筛选数据，并对全部七种数据进行分类，可使得在小样本下得到较好的结果，这种方法和经典的支持向量机而分类相比，诊断效果更好。文献[]基于稳健统计理论，通过多元分析法来监测油中溶解气体中数据的异常值，并将异常数据同正常数据分离，使得统计规律更加可靠，同时进行故障诊断时，由于跟踪区分了异常数据，也使得模型可以更加灵敏的检测出变压器的运行状态。文献[]通过极限学习机进行油色谱数据训练，这种模型可以有效地提取输入的特征参数信息，通过设定激活函数的方式调整系统参数。从而改善BPNN网络中收敛速度较慢，参数设置过于冗杂等问题。为了能够有效诊断变压器故障时可能同时存在多种故障的问题，文献[]引入云理论，通过变换理论将故障数据信息转换成工作人员可以认知的定性云概念，基于云模型可以实现油色谱数据的数值区域的隶属度判定，实现将数据保存为多重属性，这种数据处理方式可以实现多种故障同时发生时的故障判断。根据以上文献中的研究内容可以得出，现有的基于数据进行研究的变压器含量预测和故障诊断模型，大体思路都是将数据进行一定程度的预处理，作为输入端输入模型进行训练，再通过对比数据集进行结果判断。现有的模型预测准确率在有足够的数据集的情况下都有良好的表现。但通过文献[]中的内容也发现，算法在数据样本降低时，模型的预测或者诊断精度会出现较大幅度的下降，而根据现场实际情况来看，变压器油色谱数据的检测和记录频率不会太高，实际工作中获得的数据集相对较少。此外，以机器学习为基础的绝大多数算法有黑箱性质，隐含层中的参数和激活函数并不能直观表现出模型做出故障判断的依据，一旦现场出现误判会影响实际检修工作。以循环网络作为基础的气体预测模型[]过于依赖历史数据作为预测标准，导致故障气体迅速变化时不能及时反应。参考文献孙建锋，葛睿，郑力，等.2010年国家电网安全运行情况分析[J].中国电力,2011,44(5):1-4.李睿，曹顺安，盛凯.基于BP神经网络的多参数关联变压器油击穿电压的预测研究[J].四川电力技术,2008,44(5):342-346.LiaoR,ZhengH,GrzybowskiS,etal.Particleswarmoptimization-leastsquaressupportvectorregressionbasedforecastingmodelondissolvedgasesinoil-filledpowertransformers[J].ElectricPowerSystemsResearch,2011,81(12):2074-2080.唐勇波，丰娟.KTA-SVM的变压器油中溶解气体浓度预测[J].控制工程,2017,24(11):2263-2267.唐勇波，桂卫华，彭涛，等.基于互信息变量选择的变压器油中溶解气体浓度预测[J].仪器仪表学报,2013,34(7):1492-1498.毛自娟.基于灰色马尔可夫模型的变压器油中溶解气体体积分数预测[J].高压电器,2012,48(9):47-49.GhunemRA,AssalehK,El-HagAH.Artificialneuralnetworkswithstepwiseregressionforpredictingtransformeroilfurancontent[J].IEEETransactionsonDielectricsandElectricalInsulation,2012,19(2).赵文清,朱永利,张小奇.基于改进型灰色理论的变压器油中溶解气体预测模型[J].电力自动化设备,2008,28(9):23-26.王有元,廖瑞金,孙才新,等.变压器油中溶解气体浓度灰色预测模型的改进[J].高电压技术,2003,29(4):24-26.肖燕彩.用改进的灰色多变量模型预测变压器油中溶解气体的浓度[J].电网技术,2006,30(10):86-89.肖燕彩，陈秀海.用灰色多变量模型预测变压器油中气体的方法[J].高电压技术,2007,33(8):98-101.肖怀硕，李清泉，施亚林，等.灰色理论-变分模态分解和NSGA-II优化的支持向量机在变压器油中气体预测中的应用[J].中国电机工程学报，2017,37(12):3643-3653.杨廷方，刘沛，李浙，等.应用新型多方法组合预测模型估计变压器油中溶解气体浓度[J].中国电机工程学报,2008,28(31):108-113.[刘航,王有元,梁玄鸿,etal.基于多因素的变压器油中溶解气体体积分数预测方法[J].高电压技术,2018,44(4):1114-1121.周湶，孙超，廖瑞金，等.基于云理论的变压器多重故障诊断及短期预测方法[J].高电压技术,2014,40(5):1453-1460.刘亚南，范立新，徐钢，等.基于非负矩阵分解与改进极端学习机