基于物元分析原理的變壓器故障診斷

王輝

(江蘇南通供電公司，江蘇 南通 226006)

1 引言

電力變壓器是電力系統的重要設備，其穩定可靠運行對整個電網的安全穩定起著重要作用。在變壓器運行過程中或者是發生故障時，應該能夠進行及時準確的診斷，預測或者是確定變壓器的故障類型，為變壓器的及時檢修和經濟運行提供有力支持。

文獻［1］將粗糙集理論應用于電力變壓器故障診斷，將油中溶解氣體分析與電氣實驗結果等相關信息結合起來，利用粗糙集獲得故障類型診斷規則，該方法能夠在診斷信息不完備的條件下，避開遺漏信息實現較為準確的故障診斷。文獻［2］提出用模糊聚類算法得到最優聚類中心，聚類中心代表典型故障并將其作為參考序列，然后將主成份分析法引入到灰色關聯熵理論中來，建立了以模糊聚類和主成份分析為基礎的灰色熵關聯度變壓器故障診斷模型。文獻［3］通過對繞組振動信號的小波包分解提取出各頻帶信號的能量熵，并將其作為誤差反傳前饋神經網絡的輸入以實現對變壓器繞組的診斷。通過改進的粒子群算法優化BP神經網絡能夠更加準確地識別變壓器繞組是否發生故障及故障的嚴重程度。文獻［4］根據網絡的結構和參數的特性采用多值編碼方式構造染色體結構，同時確定BP神經網絡的結構，優化網絡參數。在遺傳算法中嵌入一個梯度下降算子，使得混合算法既有較快的收斂性，又能以較大概率得到全局極值。文獻［5］提出了控制參數不依賴優化問題而自適應調整，并動態監視種群適應度方差變化的改進微分進化算法和誤差反向傳播神經網絡相結合的變壓器故障診斷方法。文獻［6］通過建立變壓器故障診斷的云物元模型和計算特征云物元與標準云物元之間的關聯函數，實現對變壓器的故障模式的有效識別。文獻［7］提出利用變壓器油中五種主要特征氣體作為輸入量，以七種變壓器狀態作為輸出量，利用基于徑向基核的最小二乘支持向量機進行一對一分類運算。文獻［8］對傳統油中溶解氣體三比值法、神經網絡法和基于三比值法的模糊神經網絡進行了比較分析，對三種方法應用于故障診斷的優缺點進行了總結。

本文在前人工作的基礎上，提出基于物元分析理論的電力變壓器故障診斷方法，由于該方法所確定的權重值是一種客觀型權重，能夠使變壓器故障診斷更加科學合理。

2 物元分析理論的引入

物元分析理論是一種研究存在矛盾性問題的規律和方法，它是系統科學、思維科學以及數學交叉的邊緣學科理論，也是貫穿于自然科學和社會科學并且具有廣泛用途的橫向學科體系。

物元分析理論的基本框架有兩個主要支柱:一方面是研究物元以及物元變化的物元理論;另一方面是基于可拓集合理論的數學研究工具。在物元分析中，我們引入由事物名稱、特征量及其對應的量值三個有序元組成的描述事物的基本元，記為R=(P，C，V)。其中，P表示事物的名稱，C表示事物的特征，V表示事物的特征值。利用可拓集合來研究對應的可拓性，可拓集合又可以通過物元所具有的對應限制條件和關聯函數來計算，最終實現對電力變壓器的故障模式識別。

3 變壓器故障診斷模型的建立

油中溶解氣體分析法是充油型電力變壓器狀態監測和故障診斷的主要方法。其基本原理是基于特定的某種烴類氣體物質的產生速率隨溫度值的變化而發生改變，也就是說在某一種特定的溫度值下，某一種類型的氣體通常會具有較大的氣體產生速率。經大量的實驗研究分析表明:隨著溫度值的升高，甲烷、乙烷、乙烯、和乙炔的產生氣體速率依次增大。所以，油中氣體含量和故障溫度值之間存在一種對應關系。

油中溶解氣體分析法新導則利用已經積累的豐富的實踐經驗和現場試驗，對傳統的油中溶解氣體分析法進行了改進，對典型的故障分類模式進行了修正。這些修正讓修改后的導則相對于舊導則具有更大的靈活性，既能夠提高變壓器故障的判斷正確率，又有效地克服了比值編碼邊界的絕對化，減少了判斷結果的不確定性。新導則典型故障及其判定界限如表1所示。

表1 新導則典型故障及其判定

由此得出變壓器故障診斷的經典域物元和節域物元分別為:

4 算例分析

本文通過實際測量，整理得出10臺次變壓器的運行數據，如表2所示，運用物元分析理論進行故障診斷。

表2 變壓器故障數據

得出各樣本的物元為:

根據下式計算關聯度，得出故障類型:

其中:

最后得出診斷結果見表3。

表3 變壓器故障診斷結果

比較實際故障結果和本文所得的結果可知，除序號6誤判外，其余樣本全部判斷正確。因此故障診斷診斷率為90%，具有較高的準確率，符合實際應用的需要。

5 結論

油浸式電力變壓器故障診斷技術中，故障類型多樣，故障界限具有模糊性和不確定性，各種故障之間的聯系緊密使得變壓器故障診斷具有較大的難度，僅僅通過某種單一的故障特征量信息進行故障診斷可信度較低。本文提出運用物元分析理論進行電力變壓器故障綜合判斷，該方法既可以從整體上判定故障的類型，又具有較強的適應性，算法簡單，便于編程實現，充分利用了各個數據提供的信息，將其應用于電力變壓器故障診斷具有較高的準確度。

［1］朱振玉，董春輝.變壓器故障診斷的粗集決策新方法［J］.電測與儀表，2010，47(7):21 －23.

［2］曹建，范競敏，丁家峰，等.改進的灰熵關聯度算法用于變壓器故障診斷［J］.電力系統及其自動化學報，2009，21(4):25 －29.

［3］賈嶸，李宏斌，康會西，等.改進粒子群優化神經網絡在變壓器故障診斷中的應用［J］.高壓電器，2010，46(5):14 －17.

［4］王南蘭，邱德潤.基于多值編碼混合遺傳算法的變壓器故障診斷［J］.電氣應用，2006，25(6):103 －105.

［5］劉麗，唐杰，劉卓.基于改進微分進化優化神經網絡的電力變壓器故障診斷［J］.電力系統保護與控制，2010，38(20):106 －109.

［6］謝慶，彭澎，唐山，等.基于云物元分析原理的電力變壓器故障診斷方法研究 ［J］高壓電器，2009，45(6):74 －77.

［7］肖燕彩，朱衡君.基于最小二乘支持向量機的電力變壓器故障診斷［J］.電力自動化設備，2007，27(9):48 －50.

［8］程啟明，唐雯.三種變壓器故障診斷方法比較研究［J］.電網技術，2006，30(增刊):423－425.

［9］董明，孟源源，徐長響，等.基于支持向量機及油中溶解氣體分析的大型電力變壓器故障診斷模型研究［J］.中國電機工程學報，2003，23(7):88－92.

［10］呂干云，程浩忠，翟海保，等.基于改進灰色關聯分析的變壓器故障識別［J］.中國電機工程學報，2004，24(10):121 －126.

［11］董明，嚴璋，楊莉，等.基于證據推理的電力變壓器故障診斷策略［J］.中國電機工程學報，2006，26(1):106 －114.

［12］廖瑞金，廖玉祥，楊麗君，等.多神經網絡與證據理論融合的變壓器故障綜合診斷方法研究［J］.中國電機工程學報，2006，26(3):119 －124.

［13］熊浩，孫才新，廖瑞金，等.基于核可能性聚類算法和油中溶解氣體分析的電力變壓器故障診斷研究［J］.中國電機工程學報，2005，25(20):163－167.

［14］吳立增，朱永利，苑津莎.基于貝葉斯網絡分類器的變壓器綜合故障診斷方法［J］.電工技術學報，2005，20(4):45 －51.

［15］楊兵，丁輝，羅為民，等.基于知識庫的變壓器故障診斷專家系統［J］.中國電機工程學報，2001，22(10):121 －124.