英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

基于计算智能的电力变压器故障诊断:综述

文摘

本文通过对油浸式电力变压器的历史发展和故障诊断方法的介绍，综述了计算智能(CI)方法在油浸式电力变压器维修中的应用。基于ci的电力变压器故障诊断方法是一种快速发展的、利用溶解气体分析(DGA)数据诊断电力变压器故障的高效方法。本研究综述了国际期刊上报道的各种基于ci的方法，包括模糊逻辑、神经网络和基于进化优化的方法。

关键词:故障诊断;电力变压器;计算智能

1. 介绍

计算智能(CI)技术试图通过应用模拟生物适应性进化的计算技术来模拟人类和生物的推理、决策、学习和优化。CI技术可以单独使用或与其他技术相结合形成复杂的混合方法实现系统与增强的能力,例如,一个系统可以通过使用模糊逻辑下做出决策的不确定性,利用神经网络的学习和适应,并接受进化优化采用遗传算法。大多数成功的结合技术的尝试证实，故障诊断可以从CI技术中得到很大的好处。模糊逻辑(FL)不仅可以在诊断信息固有的不确定性(如模糊症状和症状与病因的模糊映射)下改进诊断决策，还可以捕捉系统的逐步退化。人工神经网络(ANN)通过匹配模型和学习新症状来识别故障。进化算法(EA)可以通过跟踪诊断系统中变化的各种方法(有时是渐进的)来优化诊断模型和诊断过程本身。应用CI技术的电力变压器故障诊断系统，通过计算变压器的最大实用运行效率和最优寿命，将早期故障的风险降到最低，并生成最优的系统维护策略。由于基于状态的监测使用先进的故障诊断技术来识别在线和离线的早期故障，并提供实时变压器状态，它还可以优化维修计划。先进的计算硬件设施和软件数据分析技术，现在可以深入了解各种影响变压器运行的现象。先进的CI技术使系统操作员能够解释各种故障现象并检测早期故障。CI技术使研究人员能够分析故障现象，并利用数据中的相关性进行故障分析和诊断，具有较高的准确性。本研究调查了许多用于评估油浸式电力变压器状态的CI技术，以降低运行成本，提高运行可靠性，改善供电和客户服务。本文首先介绍了利用CI技术进行变压器故障诊断的各种方法。然后对提出的用于油浸式电力变压器监测和诊断的CI方法进行了评述和比较。

2. 使用计算智能进行故障诊断

近年来，CI技术在变压器故障诊断中得到了广泛的应用。在诊断数据固有的不确定性下进行决策，已经成功地使用了CI方法，如FL、ANN和EA。FL是一种从模糊、模糊或不精确的信息中得出明确结论的非常简单的方法。从某种意义上说，FL在基于近似数据获得精确解的能力上类似于人类的决策。在系统诊断中实现FL的许多方法中，最常见的是构造一个规则集，从中可以得出结论和操作。

专家系统(ES)和FL方法涉及人类的专业知识，有许多有用的应用。然而，主要的挑战是将专家获得的经验转化为决策规则和成员职能。诊断结果也在很大程度上取决于对人类积累的经验或知识的完整和准确的描述。FL提供了一种非常简单的方法，可以从模糊、模糊或不精确的信息中得出明确的结论。从某种意义上说，FL在基于近似数据寻找精确解的能力上类似于人类的决策。FL可用于多种不同的方法来实现诊断系统，最常见的一种方法是构建一组规则，从中可以得出结论和行动。虽然近年来已有许多模糊专家系统(FES)被开发出来[1-6]，但由于模糊专家系统的隶属度函数和诊断规则是由实际经验或试错法确定的，无法从以往的诊断结果中学习。提出了一种基于进化规划(EP)的电力变压器早期故障识别模糊逻辑系统(FLS)[3-4]。根据溶解气体试验的累积数据和识别出的实际故障类型，提出了一种基于ep的模糊if-then规则自动修正算法，并同时调整相应的隶属函数。在[5]中，提出了一种能够诊断变压器多处故障并能定量显示每个故障的可能性/严重性的FLS。在许多变压器中进行的试验证实，通过监测每个故障位置的绝缘恶化情况，可以可靠地确定变压器的临界状态。一种新的基于fl的DGA诊断工具[6]使用了一种医学风格的模糊模式识别技术来解释结果。这种方法能够对多个故障的相对严重性进行高度可靠的评估。神经网络的故障诊断机制与ES的不同。与ES将知识存储在知识库中不同，ANN知识是根据样本学习在网络中离散分布的。虽然人工神经网络具有很强的获取知识的能力，但是它也有很多缺点。例如，当训练样本和故障样本之间的差异非常大时，ANN用来得出结论的推理是有问题的。在[7]中，采用两步人工神经网络方法来检测含有或不含纤维素的故障。第一个神经网络将故障分类为过热、电晕或电弧，而第二个神经网络确定是否与纤维素有关。即使在样本数据有限的情况下，双ann方法的结果也很有希望。然而，神经网络需要更多的训练数据来学习更复杂的关系，比如特定故障的类别。在现有的诊断方法中使用人工神经网络对油绝缘电力设备[8]的绝缘性能进行了有效的诊断。在[9]中对神经网络检测变压器早期故障的效率进行了比较研究。使用DGA中常用的5个诊断标准训练的ANN获得的诊断成功率依赖于正在考虑的标准，其值在87% 100%范围内。在[10]中，神经网络采用Levenberg-Marquardt学习算法进行训练，这是目前训练中等规模前馈神经网络最快的方法。ES和ANN都有弱点。克服这些缺点的最好方法是把ES和ANN结合起来。在[11]中提出了一种神经网络与ES相结合的变压器故障诊断工具。

文献[12-13]提出了两种基于ea的变压器状态评估神经网络。提出的EAs自动调整神经网络参数(连接权值和偏置项)，以获得最佳模型。将EAs的全局搜索能力与神经网络的高度非线性映射能力相结合，有效识别变压器油中溶解气体与相应故障类型之间的复杂关系。通过直接从训练数据中获取经验，ANN避免了ES的一些局限性。然而，传统的人工神经网络在确定隐层神经元数目方面的有效性有限，训练费时。为了克服传统人工神经网络的不足，电力变压器故障诊断采用了基于物元模型和扩展关系函数的可拓方法[14-15]。这种方法通过关联度来识别早期故障。

在[16]中提出了一种新的自组织多项式网络，为变压器故障诊断提供智能决策支持。该技术启发式地使用一个层次结构来构建模型，该结构具有若干层简单低阶多项式的功能节点。该网络可以学习变压器中溶解气体含量与故障条件之间复杂而不确定的数值关系。基于模糊的矢量量化网络可以根据气体属性[17]对历史数据进行分类。针对每一类气体属性，训练一个学习矢量量化网络对绝缘劣化引起的潜在故障进行分类。只要大大减少训练，就可以获得非常高的分类精度。

基于自组织映射(SOM)的数据挖掘方法以其强大的可视化能力、快速高效的学习过程和相对较低的计算资源利用率，有力地证明了DGA[18]在故障诊断方面的良好性能。由于SOM对所有的DGA记录进行诊断，消除了传统的DGA解释方案中存在的不确定性和模糊性。现在可以通过绘制DGA轨迹来可视化早期故障的演化，从而可以可视化地监视早期故障，以便在适当的时候采取纠正措施。

一个小脑模型关节控制器神经网络[19]的功能类似于人类小脑，它利用IEC标准599生成训练数据，并在其自学习特性和泛化方面，使故障诊断功能强大、高效。由于神经网络应用的性能受其缓慢、重复的迭代过程和对结构数据限制的不适应性的限制，在[20]中提出了一种基于概率神经网络(PNN)的诊断系统。该方法有效、灵活，避免了传统神经网络的缺点。

近年来发展起来的小波网络(WN)能够有效地对非线性信号处理进行建模，已有研究报道了WN和DGA样本在电力变压器早期故障检测中的成功应用[21-22]。虽然二进制编码遗传算法(GA)训练的神经网络具有良好的诊断能力，但尚未解决的问题包括需要手动设置网络结构和参数。对电力变压器早期故障诊断的演化神经网络进行了比较研究。通过对诊断精度和效率的比较，表明本文提出的五种神经网络方法优于传统的神经网络方法，适用于电力变压器的故障诊断。

利用DGA数据增强故障分类，聚类技术也被广泛应用于提高故障诊断精度。灰色理论结合了聚类分析、关系分析、预测和灰色系统决策。灰色聚类分析可以在不调整参数[24]的情况下处理数值数据。应用灰色预测聚类分析方法[25]对油浸变压器进行故障诊断，证明了该方法的有效性。由于使用DGA程序分解整体关键气体和监测条件耗时较长，因此灰色预测GM(1,2)模型使用不同的氢气数据预测可燃和非可燃气体的趋势，并使用灰色聚类分析诊断内部故障。

[26]中提出的基于混合自适应训练方法的径向基函数神经网络具有逼近能力强、网络结构简单、学习速度快等优点。该方法自动配置网络结构，自动获取模型参数。为了提高DGA对电力变压器故障[27]的识别精度，采用自举和遗传规划方法。然后将遗传算法提取的特征作为神经网络、支持向量机和K近邻分类器的输入进行故障分类。比较了神经网络分类器、支持向量机分类器和KNN分类器的分类精度。测试结果表明，Bootstrap和GP预处理提高了故障诊断的准确性。

对[28-29]中用于诊断电力变压器故障的多层SVM分类器进行训练，通过数据处理提取样本。在[30-31]中提出的用于电力变压器故障诊断的支持向量机(SVM)中，该算法选择了合适的支持向量机自由参数。实验结果表明，与三比值IEC、SVM分类器和神经网络相比，SVMGA方法具有更高的诊断精度。在[32-34]中，一种基于粒子群优化(PSO)的编码技术，在优化核参数的同时，去除使分类器产生混淆的冗余输入特征，提高了分类精度，并使用PSO算法提高了ANN和SVM的性能。提出了一种基于神经网络和多层SVM的分类方法，并采用基于克隆选择算法的编码技术提高分类精度。为了准确预测油浸变压器的故障，在[35]中提出了一种模糊信息粒化的粒子群支持向量机(PSO-SVM)回归模型。通过将原始气体数据转化为颗粒序列，由于原始时间序列中只保留了最主要的组分数据，因此实现的模糊信息粒化方法具有很好的概貌。

在[36]中提出了一种人工免疫网络分类算法(AINC)，其灵感来自于自然免疫系统对几乎无限多的外来病原体的反应能力。AINC通过模仿这些免疫系统的自适应学习和防御机制来响应变压器故障样本。测试结果表明，使用有限数量的抗体来表示所有故障样本的结构和特征，可以提高AINC的动态分类精度。

变压器故障诊断是一个多属性决策问题。证据推理算法[37-38]通过对传统DGA方法得到的判断进行聚合，对变压器状态评估进行整体诊断。提出了一种基于模糊方法和证据推理决策方法的电力变压器状态评估综合模型。该模型采用指标体系，在变压器最终状态评估中考虑了DGA、电气测试和油品测试的结果。模型的两个层次是模糊模型和证据推理模型。基于所提出的综合模型的决策过程能够准确地评估变压器的状态。

3.结论

本文综述了计算智能在电力变压器故障DGA中的应用，对电力变压器的设计和维护具有一定的参考价值。值得注意的是，并不是在一个故障中提出的所有气体比组合都可以映射到诊断标准所描述的故障类型。不同的变压器DGA诊断方法可能会产生不同的分析结果，过多的数据可能会使工程师的最终决策复杂化。另一个问题是，并不是所有的DGA方法都能在边界情况下准确识别变压器故障。因此，将现有的变压器DGA数据集成到一个平衡的整体诊断中是至关重要的。此外，尽管准确的变压器诊断除了依赖于标准的诊断技术外，还依赖于人类专家的经验，但许多研究人员都试图将用于指导DGA评估变压器状况的决策过程标准化。这类尝试包括模糊专家系统和使用模糊逻辑系统或人工神经网络的数据分析，这些都限制了将DGA解释表示为分类或模式识别问题的能力。

大多数对DGA数据的解释仅仅基于人类专家的经验和他们对标准技术的应用。生成诊断报告的选项和标准可能因组织和实用程序而异。确定天然气类型与断层之间的关系是一项复杂的任务，因为不同的断层可能导致复杂的天然气组合模式。基于这些原因，本研究综述了用于可靠评估变压器状态和解决复杂决策问题的各种计算智能技术。决策者在诊断变压器故障时面临许多不确定性。在DGA的情况下，传统的DGA方法得出的诊断模糊、不精确和不完整，可能会产生不确定性。如前所述，不同的变压器诊断技术可能会给出不同的分析结果，这可能会使工程师的整体评估复杂化。因此，在平衡的整体状态评估中结合现有的变压器诊断是一个非常复杂的问题，需要一种合适的方法来处理各种诊断信息。然而，在传统的DGA中，利用清晰的决策边界进行故障诊断，其故障概率要么为零，要么为1，这并不能揭示故障的发展趋势或严重程度。此外，使用传统的诊断标准，并不能将故障中出现的所有气体比组合映射到故障类型。因此，准确解释这些未在IEEE和IEC DGA结果解释标准中报道的气体比缺失组合，需要进一步研究。

参考文献

【1】Lin CE, Ling JM, Huang CL. 利用溶解气体分析技术建立变压器故障诊断与维修专家系统。IEEE电力传输学报1993,8:231 238。

【2】Tomsovie K, Tapper M, Ingvarsson T.一种集成不同变压器诊断方法的模糊信息方法。IEEE电力传输学报1993,8:1638 1646。

【3】Huang YC, Yang HT, Huang CL. 利用进化模糊逻辑开发了一种新型变压器故障诊断系统。IEEE电力传输学报1997,12:761 767。

【5】Yang HT, Liao CC. 自适应模糊诊断系统在电力变压器溶气分析中的应用。IEEE电力传输学报1999,14:1342 1350。

【5】Su Q, Mi C, Lai LL, Austin P.一种用于变压器多种早期故障诊断的模糊溶解气体分析方法。IEEE电力系统学报2000,15:593 598。

【6】Islam MS, Wu T, Ledwich G. 一种新的变压器故障诊断模糊逻辑方法。IEEE电介质与电气绝缘学报2000,7:177 186。

【7】Zhang Y, Din

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[610011]，资料为PDF文档或Word文档，PDF文档可免费转换为Word