湖南工业大学电气与信息工程学院 刘林凡

基于机器学习的电力变压器故障诊断的研究进展

湖南工业大学电气与信息工程学院 刘林凡

电力变压器具有电能转换、传输和分配的作用,变压器故障能否准确诊断将直接影响到网供电可靠性和系统的安全运行。综述了支持向量机、极限学习机、深度学习等机器学方法在变压器故障诊断中的应用，并分析了目前阶段变压器故障诊断中应用的的难点，最后展望了变压器故障诊断的研究方向。

机器学习；电力变压器；故障诊断；研究进展

0 引言

电力变压器是电网中能量转换、传输的核心，是电力系统中主要设备之一[1-3]。电力变压器的正常运行关系到电力系统稳定。若发生故障则会造成电力系统发生停电故障，并给用户带来经济损失。随着科技的高速发展，已经可以实时获取变压器的实时状态数据，利用这些数据对变压器故障进行诊断是目前研究的热点。

电力变压器油中溶解气体分析(Dissolved Gas Analysis,DGA)是油浸式变压器故障诊断的有效方法之一。学者在此基础上研究了特征气体法、三比值法和Rogers法等传统方法，近年来支持向量机、极限学习机和深度学习等机器学习方法被应用在电力变压器的故障诊断中。

支持向量机于1995年正式发表。郑蕊蕊等[4]支持向量机和人工免疫算法相结合的电力变压器故障诊断算法,仿真证明，该方法对变压器单一故障和多故障诊断具有优越性能。薛浩然等[5]利用布谷鸟搜索算法优化支持向量机的参数，获得优化的支持向量机分类模型，将电力变压器故障分为4类。……