電力變壓器故障自動化實時檢測技術

摘要：電力變壓器故障高精度檢測是保障電力系統穩定運行的基本條件。現結合最小二乘法與支持向量機，構建了最小二乘支持向量機分類模型，通過參數優化與樣本分類的方式，實時檢測變壓器運行故障。首先設計了油色譜在線監測系統，獲取變壓器故障特征樣本信息;然后采用粒子群算法優化分類模型的兩個參數，粒子群算法優化參數過程中將分類誤差作為適應度值，直到其符合迭代終止條件，輸出參數優化結果;最后將優化后的參數帶入分類模型，將油色譜在線監測數據作為測試樣本，模型輸出結果即為變壓器故障類型，以此實現電力變壓器故障檢測的目的。

關鍵詞：電力變壓器;故障;支持向量機;分類模型;實時檢測

0 引言

變壓器是電力系統運行的核心設備，變壓器一旦出現故障將影響整個系統電力傳輸的穩定性。為了降低各種外界因素及不確定因素對電力變壓器運行的干擾，相關人員需要實時掌握電力變壓器運行狀態。油色譜數據是反映變壓器運行故障的有效介質，在變壓器故障識別領域中得到了廣泛應用[1]。本文以電力變壓器的油色譜數據為基礎，采用粒子群算法優化最小二乘支持向量機參數，構建高精度的分類模型，將油色譜數據作為預測樣本，模型輸出結果即為變壓器運行狀態，以此判斷變壓器是否處于故障狀態。

1 變壓器油色譜數據在線采集

本文采用變壓器油色譜在線監測系統采集油色譜數據，將其作為變壓器故障檢測的樣本數據。變壓器油色譜數據采集系統架構如圖1所示，其主要由油氣分離模塊、氣敏傳感器、色譜柱模塊、通信模塊、監測端構成，結合圖1分析系統采集數據的思路：（1）油氣分離模塊負責分離樣本狀態，得到氣體樣本[2];（2）利用色譜柱進一步分離多種混合氣體，由氣敏傳感器接收分離完成的氣體;（3）成功識別經過氣敏傳感器的氣體類型，以電信號的形式描述氣體信號;（4）在計算機監測端進行數據存儲、運算、分析，獲取故障氣體各組分及總烴含量，利用支持向量機分類器判斷監測對象是否存在故障。

放電故障及過熱故障是變壓器故障的主要形式，包括內部致因、外部致因引起的變壓器故障，所以，綜合考量變壓器目前存在的故障狀態，劃分的變壓器故障類型如表1所示。

2 最小二乘支持向量機的構建

目前用于解決分類問題的算法種類繁多，其中，支持向量機在處理非線性問題方面性能突出，運算場主要為向量空間，大大減小了計算量，并且通過核函數解決了高維空間的維數缺陷問題。支持向量機進行數據樣本分類的原理如下：（1）高維空間映射。基于函數完成輸入空間的非線性映射，將原始輸入空間轉換為高維特征空間[3]。（2）最優超平面分類。最優線性超平面通過空間結構風險最小原則確定，非線性分類面與此超平面為對應關系，最后要得到原始空間的非線性分類面，還需對分類完成的高維空間中的最優線性超平面進行逆映射，至此完成數據樣本的分類[4]。基于支持向量機分類原理，對電力變壓器的油色譜數據進行智能分類，可據此判斷變壓器是否處于故障狀態以及處于何種故障狀態。

傳統的支持向量機求解速度不盡如人意，為優化故障檢測效率，支持向量機的損失函數由最小二乘線性法的誤差平方和代替，在減少計算量的同時，可起到優化分類效率的作用。式（1）和式（2）描述了原始空間中的最小支持向量機分類狀態。

綜上可知，μ為式（5）中待優化的參數，σ為式（9）中需要優化的參數，通過優化這兩個參數可提高最小支持向量機的分類精度。

3 基于粒子群算法優化核函數參數

最小支持向量機參數優化通過粒子群優化算法完成，以構建高精度的變壓器故障檢測模型。粒子群算法優化最小二乘支持向量機參數的步驟如圖2所示。

步驟1：還原粒子群。在隨機環境下生成原始粒子群，包括速度參數、位置參數的生成，同時確定粒子本身經歷過的最優位置和粒子群經歷過的最優位置[5]，分別用pbest與gbest表示。

步驟2：基于各個粒子向量對應的最小二乘支持向量機模型，預測采集的變壓器樣本，基于實際值與預測值計算粒子預測誤差;誤差即為粒子適應度值，繼續尋優過程中對比當前適應度值與歷史最優適應度值，將較差者淘汰，將較優者留下作為gbest進行下一次迭代。

步驟3：基于文獻[6]方法，計算粒子當前速度參數與位置參數，實現參數更新。

步驟4：粒子群算法迭代終止條件。當符合參數優化精度標準時或者達到迭代次數上限時，終止算法運算，輸出最優參數。反之，則繼續重復步驟2。

采用粒子群算法輸出最優σ參數、γ參數后，利用優化后的參數構建最小二乘支持向量機分類模型，將實時采集的電力變壓器油色譜信息作為實驗樣本，模型輸出結果即為變壓器故障分類結果，由此實現電力變壓器故障的實時自動檢測。

4 結語

本文介紹的電力變壓器故障檢測方法突破了傳統支持向量機分類模型的性能限制，一方面，引入最小二乘線性法的誤差平方和，減少了數據計算量，提高了故障分類的速度;另一方面，基于粒子群算法優化了分類模型的兩個參數，使分類模型處于高精度分類狀態，大幅降低了變壓器故障檢測的誤差，為電力系統的平穩運行提供了可靠保障。

[參考文獻]

[1] 韓賽賽，劉寶柱，艾欣，等.考慮絕緣老化和油色譜監測數據的變壓器動態故障率模型[J].電網技術，2018，42（10）：3275-3281.

[2] 郭亮，武崗.電力變壓器油色譜在線監測系統[J].農村電氣化，2018（3）：45-47.

[3] 楊梅.一種用于電力變壓器故障識別的理論方法研究[J].電氣傳動自動化，2017，39（4）：17-20.

[4] 朱超巖，姚曉東.基于遺傳算法優化的支持向量機在變壓器故障診斷中應用[J].儀表技術，2019（3）：21-32.

[5] 馬松齡，郭小艷，張清敏，等.基于改進粒子群優化RBF網絡的變壓器故障診斷[J].水電能源科學，2019，37（4）：184-186.

[6] 劉益岑，袁海滿，范松海，等.基于粒子群與多分類相關向量機的變壓器故障診斷[J].高壓電器，2018，54（5）：236-241.

收稿日期：2020-06-29

作者簡介：張瑞芯（1999—），女，遼寧開原人，研究方向：電氣工程及其自動化。