摘 要：电力系统中变压器的安全运行直接关系到整个系统的稳定和安全，对变压器进行状态检测和故障诊断一直是国内外学者研究的重要课题。目前基于油中溶解气体分析方法是变压器故障诊断最重要的分析手段，被广泛应用。并提出了多种以油中气体含量为依据的判断变压器故障类型的方法。本文主要针对基于DGA的变压器绝缘故障诊断方法进行研究和探讨。总结了传统变压器绝缘故障诊断方法，并详细讨论了基于人工智能技术的变压器绝缘故障诊断方法，这些方法有效地提高了变压器绝缘故障诊断的正确率。同时人工智能技术的不断发展，为变压器绝缘故障诊断的研究提供了新的研究内容和方向。

　　关键词：变压器;故障诊断;特征气体;人工智能

　　中图分类号：TM4 文献标识码：A

　　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[1]，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。

　　(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[2]。

　　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、C2H2

　　H2、C2H6

　　油和纸过热

　　CH4、C2H4、CO、CO2

　　H2、C2H6

　　油纸局部放电

　　H2、CH4、CO

　　C2H2、C2H6、CO2

　　油中火花放电

　　H2、C2H2

　　油中电弧

　　H2、C2H2

　　CH4、C2H6、C2H4

　　油和纸中电弧

　　H2、C2H2、CO、CO2

　　CH4、C2H6、C2H4

　　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。

　　3.1 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[3][4]。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。变压器故障识别时，期望神经网络输出变压器的典型故障。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

　　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[5][6][7]、遗传算法[8][9][10]、粗糙集理论[11]以及小波分析[12]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。

　　3.2 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)计算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，使得故障诊断准确率达到90%以上[13]。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。

　　图2 ISODATA算法的流程图

　　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，并通过神经网络学习算法对模糊系统进行调整优化[14][15]。

　　3.3 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，直接对不完整不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。

　　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[16]。

　　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。

　　3.4 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)[17]和灰色聚类分析[18]。

　　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。

　　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。

　　3.5 基于专家系统的变压器故障诊断

　　所谓专家系统(ES)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。

　　4. 其他方法

　　因变压器故障诊断的复杂性，以及各种因素的多样性和不确定性，诸多学者研究了各种不同的算法方法在变压器故障诊断中的应用，如贝叶斯网络[19]、人工免疫算法[20]、遗传算法[21-22]、支持向量机[23]、多信息融合技术[24]等，提出了相应的变压器故障诊断模型，丰富了变压器故障诊断的研究成果。

　　利用单一的智能技术进行变压器故障诊断，都具有自身的局限性(如表3)。由于单个故障诊断方法具有各自的优缺点，所以希望能通过它们的联合方法取长补短，来弥补各自的确定，使诊断效果更好。将变压器故障诊断系统分为若干模块，每个模块单独采用某一种智能诊断技术，然后通过某种方式将模块集成，形成一个具有完整系统结构的综合变压器故障诊断系统。如模糊-专家系统、神经网络-专家系统、粗糙集-概率神经网络系统等。这些综合的智能诊断方法大大提高了DGA故障诊断结果更加准确可靠。

　　表3 常用人工智能技术在变压器故障诊断应用中的优缺点[25-27]

　　智能技术

　　优点

　　缺点

　　神经网络

　　具有分布式信息存储特点及并行处理能力;有自组织、自学习的能力;能够映射高度非线性的输入输出关系。

　　极易陷入局部极小点;收敛速度慢;网络的结果及学习参数难以确定;需要大量样本训练;知识推理能力较弱。

　　模糊理论

　　不需要先验知识，基于“物以类聚”的观点，来处理不精确信息，知识表达简便，设计方法较为简单，容易实现。

　　准确的隶属函数难以确定;人为干预太多;缺乏令人信服的客观依据，缺乏联想、自适应学习能力。

　　粗糙集理论

　　不需要任何初始或附加信息，直接处理不完整不精确数据，揭示内在规律;可以删除多余属性，又不失原数据集中的有用信息。

　　分析过程中会遇到噪声、数据丢失、海量数据等问题;信息处理的维数和计算量较大;规则的可解释性差。

　　灰色系统

　　能依据少量的样本数据来寻找故障因素之间的关系，通过主要特征变量之间的灰色关系建立简化模型。

　　故障特征气体含量基于很大的分散性;基于关联分析中，标准故障模式难以确定。

　　专家系统

　　具有大量的专家知识系统，并依据专家知识进行推理，能解决专家才能解决的复杂问题。

　　学习及知识推理能力差，知识获取困难;系统鲁棒性难以保证。

　　遗传算法

　　优化求解过程与梯度信息无关;所需领域知识少，鲁棒性强，

　　在进化后期搜索效率低，容易过早收敛，陷入局部最优解。

　　人工免疫

　　高度并行、分布、自适应和自组织系统，具有较强的学习、识别、记忆和特征提取的能力，可以处理不完全信息和数据。

　　计算复杂程度高;特征信息依赖性强。系统的免疫机理难以确定。

　　贝叶斯网络

　　能将先验知识与数据有机结合，易于学习因果关系，以及知识与数据信息的融合，能避免模型的过度拟合。

　　缺乏故障样本时就会导致输出错误的诊断结果。过度依赖样本数据信息的正确性和完整性。

　　支持向量机

　　样本数据训练时间短，不存在局部极小值的问题，并且结构非常简单。

　　知识的可表达性及可解释性差

　　多信息融合技术

　　克服了单一信息诊断的片面性和孤立性，增强了故障诊断的可信度。

　　需大量来自传感器的各种信息，信息量需求大，系统要求较高。

　　结束语

　　为了实现变压器特征气体的在线监测和故障诊断，国内外都致力于开发变压器在线监测装置及故障诊断系统，研究并开发了以ANN、模糊数学、灰色系统、粗糙集理论及专家系统等理论为基础的故障诊断系统。随着人工智能技术的发展，也将会带动变压器故障诊断技术的不断完善，促进在线监测与实时故障诊断系统的研发。提高了系统的诊断能力。

　　参考文献

　　[1] 吴广宇. 电力设备状态监测的理论与实践[M]. 清华大学出版社

　　[2] 朱德恒，严璋，谈克雄等.电气设备状态监测与故障诊断技术[M].中国电力出版社

　　[3] Bhattacharya S.K.，Smi th R.E.，and Haskew T.A.，A neural network approach to transformer fault diagnosis using dissolved gas analysis data，North America Power Symposium，1993.

　　[4] Zhang Y.，Liu Y.L.，Griffin P.J.，An artificial neural network approach to transformer fault diagnosis，IEEE Trans.on Power Delivery，1996，ll (4)：1836-1841.

　　[5] 魏星，舒乃秋，崔鹏程，吴波.基于改进PSO-BP神经网络和D-S证据理论的大型变压器故障综合诊断[J].电力系统自动化，2006年4月第30卷第7期.46-50

　　[6] 王涛，王晓霞.基于改进PSO-BP算法的变压器故障诊断[J].中国电力，2009年5月第42卷第5期.13-16

　　[7] 王晓霞，王涛.基于粒子群优化神经网的变压器故障诊断[J].高电压技术，2008年11月第34卷第11期.2362-2367

　　[8] 潘翀，陈伟根，云玉树，杜林，孙才新.基于遗传算法进化小波神经网络的电力变压器故障诊断[J].电力系统自动化，2007年10月第31卷第13期.88-92

　　[9] 符扬，蓝之达.遗传算法与人工神经网络结合在变压器故障诊断中的应用[J].变压器，2003年10月第40卷第10期.32-36

　　[10] 俞晓冬，马凤英，臧宏志.粗糙集理论与神经网络在变压器故障诊断中的应用[J].继电器，2006年1月第34卷第1期.10-14

　　[11] 张景明，刘建国.粗糙集和BP神经网络在变压器故障诊断中的应用[J].变压器，2009年4月第46卷第4期.18-21

　　[12] 陈伟根，潘翀，云玉树，王有元，孙才新.基于改进小波神经网络算法的电力变压器故障诊断方法[J].仪器仪表学报，2008年7月第29卷第7期.1489-1493

　　[13] 彭宁云，文习山，舒翔.模糊神经网络在变压器故障诊断中的应用[J].高电压技术，2004年5月第30卷第5期.14-17

　　[14] 俞晓冬，孙莹，臧宏志.基于粗糙集于模糊神经网络的变压器故障诊断方法[J].电力自动化设备，2003年2月第23卷第2期.

　　[15] 段慧达，王忠礼，周振雄，刘文斌.基于模糊输入的概率神经网络在变压器故障诊断中的应用[J].煤矿机械，2007年2月第28卷第2期.190-192

　　[16] 孙秋野，张光，刘鑫蕊.基于粗糙集合遗传算法的变压器故障诊断方法[J].仪器仪表学报，2008年10月第29卷第10期.2034-2040

　　[17] 邓宏贵，罗安，曹建，曹祥.关联度分析在变压器故障诊断中的应用[J].电力系统自动化，2005年9月第29卷第18期.73-89

　　[18] 李俭，孙才新，陈伟根，陈国庆等.基于灰色聚类分析的充油电力变压器基于故障诊断的研究[J].电工技术学报，2002年第17卷第4期，

　　[19] 王永强，律方成，李和明.基于贝叶斯网络和DGA的变压器故障诊断[J].高电压技术，2004年5月第30卷第5期.12-13

　　[20] 周爱华，张彼德，张厚宣.基于人工免疫分类算法的电力变压器故障诊断[J].高电压技术，2007年8月第33卷第8期.77-80

　　[21]王少芳，蔡金锭.GA-BP混合算法在变压器色谱诊断法中的应用[J].高电压技术，2003年7月第29卷第7期.3-6

　　[22] 邓宏贵，曹建，罗安.一种新的遗传算法及其在变压器故障诊断中的应用[J].中南大学学报，2005年6月第36卷第3期.481-485

　　[23] 吴晓辉，刘炯，梁永春，汪晓明，李彦明.支持向量机在电力变压器故障诊断中的应用[J].西安交通大学学报，2007月6月第41卷第6期.722-726

　　[24] 彭剑，罗安，周柯，夏向阳.变压器故障诊断中信息融合技术的应用[J].高电压技术，2007年3月第33卷第3期，144-147

　　[25] 王伟.油浸式电力变压器故障诊断技术的研究[D].山东大学

　　[26] 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

　　[27] 伍伟慧，周媛媛，周立行.改进灰色关联算法在变压器故障诊断中的应[J].电力科学与技术学报，2009年9月第24卷第3期，45-48