王辉

(江苏南通供电公司，江苏 南通 226006)

1 引言

电力变压器是电力系统的重要设备，其稳定可靠运行对整个电网的安全稳定起着重要作用。在变压器运行过程中或者是发生故障时，应该能够进行及时准确的诊断，预测或者是确定变压器的故障类型，为变压器的及时检修和经济运行提供有力支持。

文献［1］将粗糙集理论应用于电力变压器故障诊断，将油中溶解气体分析与电气实验结果等相关信息结合起来，利用粗糙集获得故障类型诊断规则，该方法能够在诊断信息不完备的条件下，避开遗漏信息实现较为准确的故障诊断。文献［2］提出用模糊聚类算法得到最优聚类中心，聚类中心代表典型故障并将其作为参考序列，然后将主成份分析法引入到灰色关联熵理论中来，建立了以模糊聚类和主成份分析为基础的灰色熵关联度变压器故障诊断模型。文献［3］通过对绕组振动信号的小波包分解提取出各频带信号的能量熵，并将其作为误差反传前馈神经网络的输入以实现对变压器绕组的诊断。通过改进的粒子群算法优化BP神经网络能够更加准确地识别变压器绕组是否发生故障及故障的严重程度。文献［4］根据网络的结构和参数的特性采用多值编码方式构造染色体结构，同时确定BP神经网络的结构，优化网络参数。在遗传算法中嵌入一个梯度下降算子，使得混合算法既有较快的收敛性，又能以较大概率得到全局极值。文献［5］提出了控制参数不依赖优化问题而自适应调整，并动态监视种群适应度方差变化的改进微分进化算法和误差反向传播神经网络相结合的变压器故障诊断方法。文献［6］通过建立变压器故障诊断的云物元模型和计算特征云物元与标准云物元之间的关联函数，实现对变压器的故障模式的有效识别。文献［7］提出利用变压器油中五种主要特征气体作为输入量，以七种变压器状态作为输出量，利用基于径向基核的最小二乘支持向量机进行一对一分类运算。文献［8］对传统油中溶解气体三比值法、神经网络法和基于三比值法的模糊神经网络进行了比较分析，对三种方法应用于故障诊断的优缺点进行了总结。

本文在前人工作的基础上，提出基于物元分析理论的电力变压器故障诊断方法，由于该方法所确定的权重值是一种客观型权重，能够使变压器故障诊断更加科学合理。

2 物元分析理论的引入

物元分析理论是一种研究存在矛盾性问题的规律和方法，它是系统科学、思维科学以及数学交叉的边缘学科理论，也是贯穿于自然科学和社会科学并且具有广泛用途的横向学科体系。

物元分析理论的基本框架有两个主要支柱:一方面是研究物元以及物元变化的物元理论;另一方面是基于可拓集合理论的数学研究工具。在物元分析中，我们引入由事物名称、特征量及其对应的量值三个有序元组成的描述事物的基本元，记为R=(P，C，V)。其中，P表示事物的名称，C表示事物的特征，V表示事物的特征值。利用可拓集合来研究对应的可拓性，可拓集合又可以通过物元所具有的对应限制条件和关联函数来计算，最终实现对电力变压器的故障模式识别。

3 变压器故障诊断模型的建立

油中溶解气体分析法是充油型电力变压器状态监测和故障诊断的主要方法。其基本原理是基于特定的某种烃类气体物质的产生速率随温度值的变化而发生改变，也就是说在某一种特定的温度值下，某一种类型的气体通常会具有较大的气体产生速率。经大量的实验研究分析表明:随着温度值的升高，甲烷、乙烷、乙烯、和乙炔的产生气体速率依次增大。所以，油中气体含量和故障温度值之间存在一种对应关系。

油中溶解气体分析法新导则利用已经积累的丰富的实践经验和现场试验，对传统的油中溶解气体分析法进行了改进，对典型的故障分类模式进行了修正。这些修正让修改后的导则相对于旧导则具有更大的灵活性，既能够提高变压器故障的判断正确率，又有效地克服了比值编码边界的绝对化，减少了判断结果的不确定性。新导则典型故障及其判定界限如表1所示。

表1 新导则典型故障及其判定

由此得出变压器故障诊断的经典域物元和节域物元分别为:

4 算例分析

本文通过实际测量，整理得出10台次变压器的运行数据，如表2所示，运用物元分析理论进行故障诊断。

表2 变压器故障数据

得出各样本的物元为:

根据下式计算关联度，得出故障类型:

其中:

最后得出诊断结果见表3。

表3 变压器故障诊断结果

比较实际故障结果和本文所得的结果可知，除序号6误判外，其余样本全部判断正确。因此故障诊断诊断率为90%，具有较高的准确率，符合实际应用的需要。

5 结论

油浸式电力变压器故障诊断技术中，故障类型多样，故障界限具有模糊性和不确定性，各种故障之间的联系紧密使得变压器故障诊断具有较大的难度，仅仅通过某种单一的故障特征量信息进行故障诊断可信度较低。本文提出运用物元分析理论进行电力变压器故障综合判断，该方法既可以从整体上判定故障的类型，又具有较强的适应性，算法简单，便于编程实现，充分利用了各个数据提供的信息，将其应用于电力变压器故障诊断具有较高的准确度。

［1］朱振玉，董春辉.变压器故障诊断的粗集决策新方法［J］.电测与仪表，2010，47(7):21 －23.

［2］曹建，范竞敏，丁家峰，等.改进的灰熵关联度算法用于变压器故障诊断［J］.电力系统及其自动化学报，2009，21(4):25 －29.

［3］贾嵘，李宏斌，康会西，等.改进粒子群优化神经网络在变压器故障诊断中的应用［J］.高压电器，2010，46(5):14 －17.

［4］王南兰，邱德润.基于多值编码混合遗传算法的变压器故障诊断［J］.电气应用，2006，25(6):103 －105.

［5］刘丽，唐杰，刘卓.基于改进微分进化优化神经网络的电力变压器故障诊断［J］.电力系统保护与控制，2010，38(20):106 －109.

［6］谢庆，彭澎，唐山，等.基于云物元分析原理的电力变压器故障诊断方法研究 ［J］高压电器，2009，45(6):74 －77.

［7］肖燕彩，朱衡君.基于最小二乘支持向量机的电力变压器故障诊断［J］.电力自动化设备，2007，27(9):48 －50.

［8］程启明，唐雯.三种变压器故障诊断方法比较研究［J］.电网技术，2006，30(增刊):423－425.

［9］董明，孟源源，徐长响，等.基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究［J］.中国电机工程学报，2003，23(7):88－92.

［10］吕干云，程浩忠，翟海保，等.基于改进灰色关联分析的变压器故障识别［J］.中国电机工程学报，2004，24(10):121 －126.

［11］董明，严璋，杨莉，等.基于证据推理的电力变压器故障诊断策略［J］.中国电机工程学报，2006，26(1):106 －114.

［12］廖瑞金，廖玉祥，杨丽君，等.多神经网络与证据理论融合的变压器故障综合诊断方法研究［J］.中国电机工程学报，2006，26(3):119 －124.

［13］熊浩，孙才新，廖瑞金，等.基于核可能性聚类算法和油中溶解气体分析的电力变压器故障诊断研究［J］.中国电机工程学报，2005，25(20):163－167.

［14］吴立增，朱永利，苑津莎.基于贝叶斯网络分类器的变压器综合故障诊断方法［J］.电工技术学报，2005，20(4):45 －51.

［15］杨兵，丁辉，罗为民，等.基于知识库的变压器故障诊断专家系统［J］.中国电机工程学报，2001，22(10):121 －124.