基于支持向量機的電力變壓器故障檢查方法

摘 要：本文針對電力變壓器在運行過程中出現的電力供應中斷問題，提出基于支持向量機的電力變壓器故障自動檢查方法。利用氣體傳感器采集電力變壓器油中溶解氣體，提取油中溶解氣體的成分、含量和產氣速率，將其作為變壓器故障特征，并基于支持向量機構建一個分類器，輸入油中溶解氣體特征，輸出對應的故障類別標簽，得到電力變壓器故障自動檢查結果。試驗結果表明，本文方法自動檢查不同類型電力變壓器故障的正確率高達95.56%，具有較高的故障檢查精度。

關鍵詞：支持向量機；電力變壓器；變壓器故障；故障檢查

中圖分類號：TM 407" " " " " 文獻標志碼：A

電力變壓器是電能傳輸和分配核心設備，隨著我國電力系統不斷發展，電力變壓器的建設規模越來越大。但是電力變壓器運行環境復雜多變，在長期運行過程中，電氣、熱、機械等多種因素會導致其發生內部故障，如果不能及時發現和處理，會造成電力系統中斷供電、設備損壞甚至發生火災等嚴重后果，嚴重威脅電力系統的安全穩定。因此，研究電力變壓器故障的自動檢查方法能夠對電力變壓器運行狀態進行實時監控和故障的快速診斷，降低故障對電力系統的影響，具有重要的研究價值和工程應用價值。

目前已經有很多學者對電力變壓器故障自動檢查方法進行了研究。例如，文獻[1]基于聯邦學習構建的故障檢查模型可以準確識別不平衡變壓器故障樣本，但是聯邦學習通常需要多個參與者間頻繁進行通信，導致該方法在實際應用中通信開銷較大；文獻[2]將Mask R-CNN和改進Retina-Net網絡結合在一起進行變壓器故障自動檢查，具有較高精度與效率，但是該方法的計算復雜性較高，無法滿足一些需要快速響應的場景應用需求。

在此基礎上，本文提出一種基于支持向量機的電力變壓器故障自動檢查方法，旨在為電力系統的健康發展提供技術支持。

1 電力變壓器油中溶解氣體的采集

電力變壓器油中溶解氣體是反映變壓器運行狀態的重要信息。當變壓器內部發生故障時，會產生不同類型的氣體并溶解在變壓器油中。分析這些溶解氣體的含量和種類，可以間接判斷電力變壓器的運行狀況，進而進行故障分類與檢查[3]。因此，本文在設計電力變壓器故障自動檢查方法過程中的首要任務是對變壓器油中溶解氣體進行采樣，具體流程如圖1所示。

為了實現電力變壓器油中溶解氣體的采樣，需要先對變壓器中油樣進行脫氣處理，促使油中溶解的多種特征氣體和油樣相互分開[4]。當電力變壓器的油氣分離后，需要將脫離出的特征氣體轉移至定量管中，利用色譜柱分離各種氣體。如果檢測到色譜柱正常，就說明變壓器油中溶解氣體分離成功，此時利用氣體傳感器進行采樣。當電力變壓器油中溶解氣體進入氣體傳感器后，傳感器內置的A/D轉換電路對其進行轉換處理，將模擬的氣體數據轉換為數字信號并輸出。最后將采集的電力變壓器油中溶解氣體數字信號存儲到相應寄存器中，本次采樣結束，此時可準確測量出油中溶解氣體的組分與含量，為后續電力變壓器故障自動檢查提高可靠數據支持。

2 變壓器油中溶解氣體特征的提取

在電力變壓器故障的自動檢查中，準確提取變壓器油中溶解氣體的特征信息至關重要，特征信息不僅反映了變壓器的運行狀況，還是判斷變壓器故障類型的重要依據[5]。油中溶解氣體組分是指溶解在電力變壓器油中的各種氣體的種類。當電力變壓器發生不同故障時，產生的故障氣體各不相同，因此可以將油中氣體組分作為變壓器故障檢查的特征之一。常見電力變壓器故障類型對應的油中氣體組分見表1。

由于電力變壓器運行環境復雜且惡劣，如果只用油中溶解氣體組分來判斷變壓器是否出現故障，會有一定局限，因此本文結合各特征氣體的含量進行綜合判斷[6]，并將正常電力變壓器油中溶解氣體含量限值（見表2）作為故障判斷標準。

油中溶解氣體的產氣速率主要是指變壓器油中溶解氣體在一定時間內的生成速度，可以反映電力變壓器內部故障的發展速度和嚴重程度。一般來說，電力變壓器故障的產生是一個循序漸進的過程，如果只通過油中溶解氣體組分和含量進行故障判斷，會存在一定片面性，因此本文還綜合考慮了產氣速率指標，如公式（1）、公式（2）所示。

（1）

（2）

式中：V1、V2分別為電力變壓器油中溶解氣體的相對產氣速率和絕對產氣速率；Qn，1、Qn，2分別為電力變壓器油中溶解的第n個特征氣體在第一次和第二次采樣中測得的含量數據；Δt為2次采樣的間隔時間；G為電力變壓器油量；ρ為電力變壓器油的密度。

綜上所述，本文分別提取了電力變壓器油中溶解氣體的組分、含量以及產氣速率，并將其作為變壓器故障特征，為電力變壓器的故障診斷提供了有力支持。

3 支持向量機分類器的構建

獲得電力變壓器油中溶解氣體特征數據后，本文引入支持向量機（SVM）進行變壓器故障檢查。這是一種基于統計學習理論的機器學習方法，即尋找一個最優超平面，對油中溶解氣體特征數據進行分類識別，進而判斷變壓器故障類型[7]。本文將電力變壓器溶解氣體特征向量作為輸入，將故障類別標簽作為輸出，得到的線性可分的支持向量機樣本數據為（x1，y1），（x2，y2），…，（xi，yi），（xN，yN），其中xi為特征，yi為樣本的類別標簽（+1或-1），N為樣本集合總數。在SVM分類器的構建過程中，尋找一個超平面ωx+p=0，其中ω為權值，p為偏置。該超平面能夠正確區分2類樣本，并使分類間隔最大化。為了找到SVM分類器的最優超平面，需要根據公式（3）將其轉化為二次優化問題。

（3）

式中：f（ω）為SVM分類器最優超平面參數的目標函數；F為懲罰因子；λi為松弛因子。

約束條件如公式（4）所示。

yi[（ωxi）+p]≥1-λi，λi≥0 （4）

由于電力變壓器油中溶解氣體特征樣本的分類屬于非線性問題，因此本文引入松弛項λi≥0確定最優超平面參數，再將公式（3）所得最佳參數代入ωx+P=0中，即可得最優分類超平面，進而構建SVM分類器。與此同時，由于電力變壓器實際故障檢查是多值分類問題（假設為M分類，且Mgt;2），因此本文以上述二值分類器為基礎，構建M個SVM二值分類器。假設實際電力變壓器故障類別有M類，在訓練過程中，M類樣本可構建的訓練集數量如公式（5）所示。

K=M（M-1）/2 （5）

式中：K為用于電力變壓器故障檢查的SVM分類器的訓練樣本數量。

將公式（5）所求數量的訓練集輸入M個SVM二值分類器中進行學習，即可確定最優參數組合。最后利用訓練好的SVM分類器對實際的電力變壓器油中溶解氣體特征參數進行分類診斷，即可輸出各特征樣本對應的故障類別標簽，至此電力變壓器故障自動檢查完成。

4 試驗分析

4.1 試驗設置

基于支持向量機的電力變壓器故障自動檢查方法的理論設計完成后，需要通過對比試驗來驗證該方法的實際應用性能。本文收集了某型號電力變壓器的495組帶標簽的故障油中溶解氣體特征數據，將其作為試驗樣本，并將各類別樣本數據隨機分為2組，9/10的樣本作為訓練集，1/10的樣本作為測試集。電力變壓器故障試驗樣本分布見表3。

根據訓練樣本集對本文設計方法、文獻[1]方法和文獻[2]方法進行訓練，再應用訓練后的各方法對測試樣本集進行電力變壓器故障自動檢查，并比較檢查結果。

4.2 結果分析

應用本文設計方法、文獻[1]方法和文獻[2]方法完成電力變壓器7種不同類型故障測試樣本分類檢查后，所得檢查結果如圖2所示。

從圖2數據可以看出，在不同類型的電力變壓器故障自動檢查中，與文獻[1]中方法和文獻[2]中方法相比，本文設計方法應用下的各類型樣本被誤分的數量最少。各類型故障樣本檢查結果正確率見表4。

由表4可知，采用本文設計方法的不同類型電力變壓器故障自動檢查結果正確率最高，為95.56%，比文獻[1]中和文獻[2]方法分別提升了8.89%、6.67%。該結果說明，基于支持向量機的電力變壓器故障自動檢查方法是有效的，在電力變壓器故障檢查中，油中溶解氣體特征參數較多且復雜，SVM能夠有效處理這些特征參數，準確率較高。

5 結語

本文提出了基于支持向量機的電力變壓器故障自動檢查方法，采集和分析了變壓器油中溶解氣體的特征，成功構建了能夠自動檢查電力變壓器運行故障的SVM分類器。該方法不僅提高了故障檢測的準確性，也為電力系統的安全、穩定運行提供了有力保障。未來，本文將進一步優化算法參數，提高分類器的性能，并探索更多能夠反映變壓器運行狀態的特征參數，以更全面、更準確地檢測電力變壓器故障。同時，本文也將關注新技術的發展，例如深度學習等，以期在電力變壓器故障自動檢查領域取得更多突破。

參考文獻

[1]郭方洪，劉師碩，吳祥，等.基于聯邦學習的含不平衡樣本數據電力變壓器故障診斷[J].電力系統自動化，2023，47（10）：145-152.

[2]王玉偉，余俊龍，彭平，等.基于多模型融合的變壓器故障在線檢測方法[J].高電壓技術，2023，49（8）：3415-3424.

[3]馬鑫，尚毅梓，胡昊，等.基于數據特征增強和殘差收縮網絡的變壓器故障識別方法[J].電力系統自動化，2022，46（3）：175-183.

[4]謝國民，江海洋.基于Adaboost-INGO-HKELM的變壓器故障辨識[J].電力系統保護與控制，2024，52（5）：94-104.

[5]李平，胡根銘.基于改進神經網絡與比值法融合的變壓器故障診斷方法[J].高電壓技術，2023，49（9）：3898-3906.

[6]杜厚賢，劉昊，雷龍武，等.基于振動信號多特征值的電力變壓器故障檢測研究[J].電工技術學報，2023，38（1）：83-94.

[7]周曉華，馮雨辰，胡旭初，等.基于禿鷹搜索算法優化SVM的變壓器故障診斷[J].南方電網技術，2023，17（6）：99-106，116.