王一宇，朱大铭，司昌健，安英海

(1.国网吉林省电力有限公司检修公司，长春 130022；2.国网吉林省电力有限公司，长春 130028；3.国网吉林省电力有限公司电力科学研究院，长春 130021)

变压器内部结构复杂、制造工艺要求较高且其运行环境差异较大，如变压器运行过程中内部绝缘发生故障，一旦未及时发现并处理，将造成变压器保护动作甚至爆炸，存在大面积停电等电网安全风险。目前各供电公司普遍采用油色谱定期试验，初步诊断变压器内部是否存在缺陷。但在设备运行、例行试验、故障诊断、故障分析处理等设备管理过程中，设备试验数据、诊断方法、故障分析报告、技术方案等知识点较分散，无法为管理人员和现场人员提供较为系统、完整的支撑信息[1]。

针对上述问题，本文利用基于神经元(neuron)算法的变压器油色谱故障诊断方法，建立电网主设备知识库服务应用，对变压器油色谱试验数据，运用神经元算法智能诊断故障类型，再根据故障类型、设备型号、生产厂家、电压等级等特征标签，自动推送相似故障案例及技术方案，解决了设备管理知识分散、缺少系统性信息支撑等问题，为管理人员制定检修决策和现场人员实施故障处理提供了有效的技术手段。

1 基于神经元算法的变压器油色谱故障诊断方法

采用神经元算法诊断变压器故障的优势:一是神经网络能任意精度逼近任意非线性函数,可利用这一特点建立故障的非线性数学模型进行故障诊断；二是神经网络具有强大的分类能力,让网络进行故障模式的分类与学习,可准确地诊断出故障。

算法原理：先将输入样本送入输入层神经元，逐层将信号进行前传，直到输出层输出结果；然后计算输出层实际输出与预期输出之间的误差；再将误差以逆向传播送至隐藏层神经元；最后利用隐层神经元的误差对权重和阈值给予调整。该迭代过程循环进行，直至达到训练误差满足要求为止。

根据神经元拓扑结构网络(见图1)，对于第i个神经元，x1，x2，…，xj为神经元的输入，w1，w2，…，wj为连接权值调节各个输入量的占量比。θj表示该神经元的阈值，选择S型函数f(x)=1/(1+e-x)作为激活函数。设第一个输入阈值为θj，权值为-1，则得到神经网络输出公式：

图1 神经元拓扑结构

(1)

给定训练集D=(x1,y1)，(x2,y2)，…,(xn,yn),xi∈Rd,yi∈Rl,表示输入示例由d个属性组成，输出l维实值变量。BP神经网络模型中有输入层、隐藏层、输出层，设vih为输入层到隐藏层的权值，γh为隐藏层第h个神经元的阈值，bh为第h个隐藏神经元的输入，αh为隐藏层第h个神经元的输出，whj为隐藏层到输出层的权值，θj为输出层第j个神经元的阈值，βj为第j个输出神经元的输入。则有公式：

(2)

(3)

(4)

输出值与期望值的均方误差为Ek，其公式为：

(5)

以输出的均方误差最小为目标，给定学习率η∈(0,1)，对权值的负梯度方向给予调整：

(6)

而w的更新估计式为：

w=w+Δw

(7)

(8)

所以eh可以看做是“调节后的误差”，gj是经历了神经网络以后调节过后的误差。其中，权值调节量为学习率、调节后误差与上层节点输出的乘积。

选定H2，CH4，C2H6，CH4，C2H25种气体体积分数与其混合后的混合气体体积分数的比值作为输入向量。设计输出向量共6个，分别表示变压器的6种故障类型：低温过热、中温过热、高温过热、局部放电、电弧放电和火花放电。网络输出为1表示属于此类故障，0则表示不属于此类故障。神经元输出越接近1说明变压器属于该类故障的概率越大，反之越小。据此，需建立一个正向映射，输出向量概率在[0,1]，当输入向量越接近1时输出向量也接近1，输入越接近于1时映射的输出越接近于1，反之接近0[2]。

2 电网主设备知识库知识服务的搭建

电网主设备知识库立足于设备知识管理与信息技术整合应用，建立电网设备数据共享接入、数据结构化处理、设备知识智能应用的电网主设备知识管理体系，实现“不知道的查看、不明白的解析、不会做的指导、想不到的推送”目标定位。支持设备运行维护人员、管理人员对不明白的知识提供解释和帮助，如设备色谱试验数据异常，判断是放电还是过热，影响多大、一般发展速度是什么等。

电网主设备知识库整合了目前输变电生产数据、在线监测数据、试验报告、技术标准、企业制度、设备故障异常分析报告等各方面知识，结合变压器油色谱智能诊断算法，当设备诊断为异常故障时，按设备型号、设备类型等特征标签，自动推送同型号、同设备类型故障分析及故障处理信息，辅助现场人员找出各类异常故障的分布、特点，为现场抢修消缺、大修技改、监测维护等提供决策辅助性支持。

2.1 油色谱智能诊断

电网主设备知识库色谱智能功能包含三种智能诊断方法，分别是神经元算法、三比值方法及拆分法。利用三种智能诊断方法，系统自动判断变压器异常故障，给出判断结论，为专家提供辅助诊断依据。

2.2 智能推送案例

为进一步扩展知识服务应用，将设备基础数据、智能诊断结果、故障分析报告、技术标准等多方面知识融合应用，利用智能诊断结果，提取设备特征值，自动推送相关故障案例或技术方案。以设备类别、部件、生产厂家、型号、现象关键词、试验科目等作为特征值，系统通过数据抽取、数据消歧、数据匹配等数据处理过程，将案例库中的故障资料、往期故障案例与输入的特征值进行匹配，计算出匹配相似度，精准推送出故障相关案例和技术方案，并提供设备台账、技术标准等相关知识的快捷链接，为现场人员提供故障处理指导。故障案例推送过程见图2。

图2 故障案例推送过程

3 应用实例

本文选取某供电公司220 kV变电站 66 kV 1号所用变压器2019年4月到2020年5月四次油色谱例行试验数据，数据见表1。

表1 某220 kV变电站 66 kV 1号所用变压器例行试验数据 μL/L

从表1中可以看出，在2020年5月的两次例行试验中，乙炔体积分数均超过2 μL/L，利用系统色谱智能功能，三比值法与神经元算法的诊断结果均为电弧放电。

经专家认定，该220 kV变电站66 kV 1号所用变压器故障为电弧放电。进一步应用辅助诊断功能，将该设备基本信息、油色谱试验数据、智能诊断结果做为基础输入数据，从基础数据中，提取了设备类型、部件、厂家、型号、现象关键词、试验科目6个特征值，通过数据匹配及相似度计算，系统自动推送“春城变电站220 kV变电站3号主变跳闸”等6个相关案例。同时，在相关搜索中可直接查看该设备台账数据、油色谱历史数据、同型号设备说明书、设备资料及相关的技术标准等。

利用系统给出的66 kV 1号所用变压器油色谱智能诊断结果，并结合辅助诊断自动推送的相关案例知识，设备管理人员迅速制定检修方案，对该设备进行故障处理。

4 结束语

利用基于神经元算法的变压器油色谱故障诊断方法，建立电网主设备知识库服务应用，将设备基础数据、智能诊断结果、故障分析报告、技术标准等多方面知识融合应用，构建设备知识管理体系，为设备管理人员、现场人员提供故障诊断、辅助决策、实施方案等多方面知识，实现知识共享与应用，有效提高供电企业设备知识管理水平。在实际应用中，更发挥了智能诊断与知识融合应用的优势，为设备智能化、精益化管理奠定基石。