油中溶解气体分析的变压器绝缘故障诊断方法的研究和发展

摘要：总结了近年来人工智能技术在基于油中溶解气体分析(DGA)的变压器绝缘故障诊断方法上的研究和发展,介绍了其中的主要方法和成果,并讨论了该领域的研究趋向。
　　关键词：油中溶解气体分析；变压器；绝缘故障诊断；人工智能
　　0前言
　　充油变压器在运行状态中发生故障将严重影响整个电力系统的可靠运行，其中由于绝缘故障造成的事故占到变压器总事故的85%以上。油中溶解气体分析方法作为一种有效的充油电力设备异常分析手段,在电力系统中得到广泛的应用。本文主要是针对基于DGA的变压器绝缘故障诊断方法进行研究和探讨。传统的基于DGA的变压器绝缘故障诊断方法有：得能堡比值法、三比值法、罗杰斯法、改进罗杰斯法、电研协法等，采用的特征气体是CH4，H2，C2H4，C2H6，C2H2，CO，CO2等七种。这些方法是在大量数据的基础上统计出来的，虽然在形式上比较简单，但正是因为简化了故障因素的复杂性而使得故障诊断正确率只能达到80%左右。
　　本文系统地讨论了近年来国内外学者提出的基于人工智能技术的变压器绝缘故障诊断方法，如基于模糊理论、神经网络、专家系统和灰色理论等技术，这些方法有效地提高了变压器绝缘故障诊断的正确率。最后讨论了今后该领域的研究趋向。
　　 1基于模糊理论的绝缘故障诊断方法
　　传统的基于DGA的变压器绝缘故障诊断方法是根据专家过去的知识和经验总结的。目前用于变压器故障诊断的各种规程和导则中，一般只给出了一个判断故障边界的描述，难以表述故障和各个特征量之间的客观规律。例如：采用IEC/IEEE特征气体三比值法来判断变压器绝缘故障类型时，给出的气体比值的边界是根据大量的统计数据得到的。尽管得到的编码规则基本上是合理的，但边界点的取值仍然具有一定的发散性和模糊性。当气体的比值在边界点附近时，DGA数据的细小变化容易使编码发生很大的变化，从而引起误判绝缘故障类型。为了解决这种在知识表述上所具有的不确定性，因而出现了基于模糊理论的变压器故障诊断方法。模糊理论的基本思想是利用人类对事物的模糊思维及模糊性语言对事物进行识别和判决，具有词语计算和处理不确定性、不精确性和模糊信息的能力，现已被证明是解决许多复杂问题的一种有效方法。
　　1.1基于模糊推理和模糊关系的绝缘故障诊断方法
　　目前，根据对绝缘故障诊断角度的不同，基于模糊理论的故障诊断方法大致分以下两种。
　　(1)模糊推理。模糊推理的核心是模糊化处理和模糊规则，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故障诊断处理方法。针对IEC/IEEE三比值法在气体比值编码区间定义上过于绝对性的缺点，文献［1］中选用梯形函数作为模糊子集的隶属函数，并且提出通过样本学习来自动获取三比值法中不存在的规则，弥补了三比值法在规则缺少方面的缺陷，并且模糊规则和模糊子集的参数采用进化优化算法自动调整，以减少人为设置参数带来的主观性。但文献［1］没有考虑模糊规则集的冗余和样本集合中各个故障类型样本个数对模糊子集和模糊规则参数的影响，因此文献［2］在提出的规则建立算法中加入各个故障类型样本的个数，并且采用遗传算法对产生的模糊规则集进行了精简，剔除了其中不重要的或冗余的规则。基于传统的IEC编码值，文献［3］提出了模糊IEC编码，以半柯西分布函数作为其隶属函数，同时在模糊规则的运算中加入了C2H2、H2和CH4气体含量大小的模糊子集隶属度，通过加权求和的方式得到故障对应的隶属度。加入这3种气体的模糊子集有利于对某些特殊故障的诊断，弥补了三比值法仅考虑气体间比值的不足。
　　(2)模糊关系。模糊关系表征的是两个集合之间的关联程度。由于传统的三比值法在变压器绝缘故障类型和比值编码上是一一对应的关系，而实际上由于变压器绝缘故障类型与特征气体之间关系的复杂性，使得这种对应关系具有一定的模糊性。在对传统比值法的编码组合进行模糊化处理和统计及分析的基础上，文献［4］得到了编码―故障模糊关系矩阵，以待测样本对应的27组编码组合的隶属度作为特征输入矢量，通过模糊综合评判方法求出故障输出矢量，以其中最大隶属度对应的故障类型作为诊断结果。模糊向量是特殊形式的模糊关系，文献［5］中提出了故障的特征模糊向量和故障标准参考值的概念，前者由三比值大小的模糊子集和除CO2外其余六种特征气体含量大小的模糊子集组成。故障的隶属度则由待测样本的模糊向量与特征模糊向量的内积和除以标准参考值得到。
　　基于模糊推理和模糊关系的故障诊断方法来源于长期以来人们对变压器绝缘故障诊断知识的经验总结。这种经验总结由于其本身具有的模糊性和不确定性，因此隶属函数和模糊规则的确定过程存在一定的人为因素。同时在模糊规则的选择上，一方面现有的模糊规则数较少，另一方面若增大模糊子集的个数又会引起规则数的急剧增加，导致计算量的增大和冗余规则的出现。因此，如何减少诊断过程中人为因素对隶属函数的影响并获取高效、精简的模糊规则集是基于模糊推理和模糊关系的故障诊断方法的研究重点。目前数据挖掘技术中的粗糙集等方法因为能够从大量数据中自动学习规则而成为新的研究方向。
　　1.2基于模糊聚类的绝缘故障诊断方法
　　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。文献［6］将迭代自组织数据分析方法(ISODATA)应用到变压器故障诊断中，通过动态聚类的方法构造最优模糊分类矩阵和聚类中心，然后按与中心最近原则确定故障类别。在此基础上，文献［7］结合模糊集理论和各种聚类算法提出模糊模式动态多层聚类算法，选用模糊贴近度作为样本之间的相似性尺度，采用动态分类求取最优分类结构，逐步对样本集进行更为细致的分类，获得了较高诊断正确率。
　　采用模糊聚类方法对故障类型进行分类时，对样本间的距离选用何种计算表达式仍然需要根据实际经验得到。另外，虽然使用的是动态分类方法，但如何评价动态分类的性能仍须进一步的研究。
　　 2基于神经网络的绝缘故障诊断方法
　　神经网络方法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知识。由于它具有并行分布处理、自适应、联想记忆、容错性强等特点，在信息处理、模式识别和智能控制等方面得到了广泛的应用。近年来随着神经网络理论上的不断发展完善，加上模糊理论和小波分析在神经网络中的广泛应用，神经网络方法成为最有前途的变压器绝缘故障诊断方法之一。
　　2.1基于一般的神经网络的绝缘故障诊断方法
　　文献［8］［9］［10］是较早将常规的BP神经网络方法应用到变压器绝缘故障诊断系统中，采用的神经网络模型是三层或多层前向网络，输入节点数采用七种特征气体中的部分或全部。考虑到当把某些特征气体的含量作为神经网络的输入节点时会影响网络的性能，文献［10］对在不同的网络输入节点个数、网络拓扑结构和网络输出节点个数下的网络性能做了比较后，指出输入为五种特征气体、输出为四种诊断类型的神经网络结构具有最好的性能。对五种常规的诊断方法采用文献［8］［9］提出的神经网络方法进行训练和比较后，文献［11］认为具有三层结构和适当隐层单元的神经网络比较适合于变压器绝缘故障诊断，指出网络的正确诊断率取决于所采用的诊断方法。除了应用较广泛的BP神经网络结构外，文献［12］采用的是Kohonen自组织特征映射网络，通过网络中神经元间的交互作用和相互竞争，实现对不同故障类型的聚类分析；文献［13］则采用了在逼近能力、分类能力和学习速度优于BP网络的径向基函数神经网络。
　　2.2基于模糊神经网络的绝缘故障诊断方法
　　常见的模糊神经网络结构是利用神经网络的非线性和自学习功能解决模糊推理中隶属度取值和模糊规则难以获取的问题。因此，基于模糊神经网络的变压器绝缘故障诊断方法的一般方法有两种：①用模糊神经元取代传统的神经元，神经算子由原来的点乘与求和改为模糊逻辑算子［14］［15］；②将BP神经网络的输入量模糊化，依靠BP神经网络的非线性和自学习功能获得输入与输出间的模糊关系［16］。文献［17］则将粗糙集和模糊神经网络结合，其基本思想是利用粗糙集方法对初始数据进行约简，形成精简的规则集，然后据此构造出的模糊神经网络具有良好的拓扑结构，减少了网络规模，而且保持了较好的分类能力。另外，将模糊逻辑引入到其它类型的神经网络结构中，充分发挥各自的优点，为故障诊断方法提供了一个新的途径。文献［18］提出了一种模糊学习向量量化(FLVQ)网络，借助于模糊分类法将样本集分成N个模糊子空间，分别用LVQ网络进行模糊规则的学习，取这N个LVQ网络的最大输出作为诊断结果。在ART-2网络的基础上，文献［19］构造了具有输入隐层的FART网络，对各个特征气体采用不同的隶属函数处理，使网络对不同的特征气体具有不同的灵敏度。文献［20］提出了基于模糊Hebbian学习率的模糊联想记忆（FAM）神经网络模型。
　　2.3基于小波神经网络的绝缘故障诊断方法
　　小波分析是近十几年来发展起来的一种强有力的数学工具，其对非平稳随机信号具有良好的时频局部特性和变焦能力。目前神经网络与小波分析结合主要有两种方式：一是将小波分析作为神经网络的前置处理手段，为神经网络提供输入特征向量；二是将小波分析和神经网络直接融合，用小波函数或尺度函数直接作为神经元的激励函数。文献［21］采用的是第一种方式，小波参数和网络参数采用共轭梯度法学习。文献［22］和文献［23］则属于第二种方式，不同的是文献［22］采用高维二进小波基作为网络隐层的激活函数，小波神经元采用的是各个输入节点小波变换后的乘积；而文献［23］提出了以一维的二进小波基函数作为网络隐层的激活函数，小波神经元则是各个输入节点小波变换后的求和。
　　神经网络方法为变压器的故障诊断问题提供了一种比较好的结构体系，学者们在此基础上提出的方法极大地促进了故障诊断技术的发展。但如何克服神经网络自身的弱点，将它与其他人工智能技术相结合，设计出具有结构简单，良好分类能力，收敛速度快的神经网络模型仍然是学者们今后研究的重点。同时，如何从神经网络的分布式知识表达方式中获取人们容易理解的知识也将有助于对变压器绝缘故障机理的深入分析。
　　 3基于专家系统的绝缘故障诊断方法
　　专家系统方法是把某一专业领域内的多个专家的知识或者经验用计算机可处理的符号形式存放在知识库中，按照专家对知识的推理方法解决复杂的问题。它通常由知识库、数据库、推理机、知识获取系统、解释系统和人机接口等六部分组成。
　　目前国内外所开发的专家诊断系统大都是依据DGA数据、理化数据、电气性能数据等从各方面进行常规诊断，然后再进行综合分析得出结论。而将模糊理论和神经网络技术引入则为专家系统开辟了新的知识获取方法。文献［24］较早提出将产生式规则的条件部分用模糊化的语义规则来代替，丰富了专家知识库。文献［25］提出把基于神经网络的诊断方法引进到专家系统的知识库中，其中神经网络诊断方法是由多个诊断单一故障类型的神经网络组成，待测样本则分别由神经网络和传统的专家系统方法进行诊断，经过综合分析后得到最终的诊断结果。除了在专家知识库获取方面的研究外，改进传统的专家系统结构也是学者研究的重点。由于现有的故障诊断专家系统一般以产生式基本机构以及单一方法诊断为基础，诊断结果的准确度和有效性难以得到保证，因而文献［26］提出了基于多知识源协同求解问题的黑板模型，在此基础上建立多专家合作诊断机制，并提出了在专家意见不一致时的综合分析解决机制。
　　随着模糊理论和神经网络技术不断融入到专家系统故障诊断方法中，原有的仅仅基于产生式规则的知识库中将加入众多的代表不同诊断方法的知识层。但是由于这些方法在诊断结果达到的层次不同，使得原有知识库的结构变得更加复杂，维护起来也变得更加困难。因此，变压器绝缘故障专家系统的发展方向是：在知识库结构上采用开放式的模块化设计，使得其它的故障诊断方法能更容易地嵌入到专家系统中来；在诊断策略上采用高效的多层次搜索策略，提高诊断速度；在推理机制上采取多专家协同推理的方式以减少误判或漏判。
　　 4基于灰色理论的绝缘故障诊断方法
　　灰色系统理论以“部分信息已知，部分信息未知”的“小样本”、“贫信息”不确定性系统为研究对象，主要通过对“部分”已知信息的生成、开发，提取有价值的信息，实现对系统运行行为的正确认识和有效控制。
　　目前，用于变压器故障诊断中的灰色理论方法主要有灰色关联分析［27］［28］和灰色聚类分析［29］。灰色关联分析方法采用对曲线几何形状进行分析比较的方法来研究系统的动态过程，认为几何形状越接近，数据之间的关联度就越大，然后根据关联度的大小，将待诊断数据归类于与之关联度最大的标准故障模式。灰色关联分析用于变压器绝缘故障诊断的基本原理是：用表征系统特征的各种气体参数组成特征状态向量，然后通过样本数据获得对应各个故障模式的标准状态向量集，最后通过计算待检测向量与各个标准状态向量的关联度来判断故障模式。其中关联度的计算模型有距离关联度［27］和面积关联度［28］两种。文献［29］基于灰色聚类分析方法变压器绝缘故障诊断，是将待诊断的变压器的各种油中溶解气体所拥有的白化数，按几个灰类进行归纳，通过计算待诊断样本与所有灰类的聚类系数，根据聚类系数的大小来判断故障类型。
　　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。
　　 5结束语
　　近年来，将人工智能技术应用于变压器绝缘故障诊断已成为学者们研究的热点，各种不同方法的应用有效地提高了绝缘故障的诊断正确率，促进了在线监测与实时故障诊断系统的研究开发。然而基于DGA的变压器绝缘故障诊断方法还不够完善，仍然有一些问题值得进一步研究。
　　（1）基于DGA的绝缘故障诊断方法对特征气体个数和相互之间关系的选取上还没有一个统一的认识，仅仅使用特征气体的比值不能完全表述系统的完整信息。以最少的数据量包含最多的系统信息将有助于各种故障诊断方法进一步提高诊断正确率。
　　（2）对变压器绝缘故障产生的机理还需要进一步深入研究，以消除影响故障诊断的干扰因素。特别是对故障发生的早期阶段的DGA数据的研究将有助于变压器的维护和安全运行。
　　（3）鉴于电力变压器由于在型号上的多样性和运行环境上的复杂性导致发生绝缘故障后DGA数据上的分散性，开发出一个基于因特网的变压器在线“医院”诊断系统，为变压器绝缘故障诊断方法提供一个统一的平台，将大大促进变压器绝缘故障诊断技术的发展。
　　人工智能技术的引入推动了变压器绝缘故障诊断技术的发展，提高了故障诊断正确率。随着人工智能技术向减少复杂化方向的发展和新的智能技术的产生，相信基于DGA的变压器绝缘故障诊断方法必将越来越完善。