孙叶， 唐琳， 苏冰， 李玉华

(国网德州供电公司，山东 德州 253000)

0 引言

随着人们生活水平的不断提高，家里电器设备日益增多，每天的用电量也不断增加，同时对电力系统的安全稳定性提出了更高的要求[1]。电力变压器是电力系统的关键设备，其工作状态直接决定了电力系统的性能。在电力变压器的实际工作过程中，由于多种因素的影响和干扰，不可避免产生故障，变压器一旦发生故障，可以导致电网大面积瘫痪，因此电力变压器故障识别研究具有重要的实际价值[2-4]。

最初电力变压器故障识别采用油中溶解气体分析法，通过对变压器油中溶解气体确定电力变压器故障类型，该方法简单、实用，但是在实际应用中，还存在许多局限性，如经常会出现不能识别或者漏识别现象，电力变压器故障识别结果不太可靠[5-6]。随着人工智能技术的不断发展，人们将其应用于电力变压器故障识别和诊断中，出现了基于支持向量机、人工神经网络、相关向量机等电力变压器故障识别方法[7-9]，但是在实际应用中，这些方法均存在一定的缺陷，如人工神经网络要求电力变压器故障识别训练样本数量大，不然就会出现“过拟合”的电力变压器故障识别结果，而且电力变压器故障识别训练过程收敛速度慢。支持向量机的电力变压器故障识别结果良好，但是其训练过程十分耗时，直接影响电力变压器故障识别的实时性[10]。相关向量机的收敛速度虽然要快于人工神经网络，但是电力变压器故障识别正确率有待提升[11]。……