（广东电网有限责任公司佛山顺德供电局 广东顺德 582000）
摘要：电力10KV变压器是导致电力系统发生事故最频繁的设备，其正常运行是电力系统安全运行的重要保障。但在现场运行中，电力10KV变压器发生故障的类型和预兆两者之间的关系并不固定，且错综复杂。因此，为提高电力系统的安全性，研究10KV变压器的故障诊断技术是整个电力工程界的重要课题。本文首先简单介绍了10KV变压器常见的故障，并分析了神经网络法、专家系统法、支持向量机、模糊推理和贝叶斯分类法5种智能诊断技术的优缺点，最后提出了在实际应用时所存在的问题。
关键词：电力变压器；常见故障；智能诊断技术
10KV变压器在电力系统中占据着举足轻重的地位，其正常运行直接关系到整个电网是否能够安全有效地运行。但在实际应用中，因10KV变压器会被持续长时间使用，会导致各种故障的发生。国内外大量数据表明，进行故障诊断的成果是可观的，如英国、日本采用诊断技术后，事故率、维修费均显著降低。因此，诊断10KV变压器的潜伏性故障是必要的。而随着人工智能技术的应用，电力10KV变压器的故障诊断方法也逐渐智能化，弥补了传统技术的不足。但是，电力10KV变压器结构复杂，又由于测试手段和理论知识的局限性，各种诊断方法呈现出各自的优缺点。
一．电力变压器的常见故障
（一）绝缘故障
绝缘系统的故障是导致10KV变压器损坏的主要原因之一。而诱发绝缘故障的原因和形式是相当复杂的。主要包括：绝缘受潮、绝缘油老化、相间绝缘裕度不足以及绝缘成型件表面附有气泡或被污染等等。
（二）磁路故障
引发10KV变压器磁路故障的原因通常有：铁心硅钢片之间或10KV变压器开口压板钉间的绝缘损坏、铁心多点接地或接地太长、铁轭和铁心柱边缘有毛刺或两者接缝不良等等。
（三）绕组故障损坏
该故障类型是较为常见的一种，而引起它的原因不仅复杂，而且相互影响。最为常见的原因包括：绕组结构中段间纠结线和连线接触不良、绕组导线质量不好、10KV变压器长时间负荷、组件密封不良等原因造成的匝间短路。此外，雷击或外界温度过高也会导致绕组故障。
（四）10KV变压器漏油
10KV变压器漏油是一直存在的普遍问题。根据相关统计，在10KV变压器的所有故障中，漏油大约占1/4。而其原因主要有：外界环境温度、焊接缺陷、材料膨胀系数、密封不良以及振动频率加剧等等[1]。
二．智能诊断技术
为提高故障诊断的效率，将人工智能技术与传统的诊断技术相结合，形成一种能够适应多种故障诊断的智能方法，提高了诊断的准确性。目前，智能化的故障诊断技术主要有以下几种。
（一）神经网络
神经网络法是通过模拟人类智能对设备的模式识别来进行故障诊断，具有较好的推理和分类能力。而网络的结构和学习算法决定了其模式的判断性能。其中，BP算法是使用最为广泛的。有专家通过三比值法建成的神经网络证明了BP神经网络的可行性。为进一步提高该方法的诊断效果，专家对BP神经网络做了改进。通过引进动量项、变学习率弥补了小波网络中搜索空间小、收敛速度慢等不足之处。神经网络能对不相容、模糊不清、有噪声的数据进行处理。
缺陷：神经网络不能对隐藏节点处的感知器进行解释，也无法诊断不完整的样本，而且，在目标的标准误差较小时，结果会呈现出“振荡”的现象。
（二）专家系统
该方法属于人工智能的分支，在70年代后期应用于电力工程中。它能应用各种知识模仿专家的逻辑推理过程。其优点有：擅长对不能用数学模型解答的问题进行解答；可对得出的结论进行综合的判断；在制订了基本的规则后，运行时不需要很多的细节数据；它还能在一定的领域对异常复杂的情况进行处理。该方法可以与神经网络结合解决知识获取的问题。
期刊文章分类查询,尽在期刊图书馆
缺陷：当样本较多、空间分布复杂的时候，专家系统法的实用性就会被限制；而且它存在推理单一、知识不牢固等缺陷，获取与表达知识时具有主观性，很难定量。
（三）模糊技术
模糊技术主要是解决发生故障的现象、原因和机理之间的不确定性与模糊性问题。模糊技术无需数据模型即可进行智能化诊断，并且准确性较高。如可通过模糊矩阵来解决比值编码中存在的临界比值判断依据缺失问题，解决了诊断的不准确性，并能定位故障部位。
缺陷：不仅构建模糊矩阵需10KV变压器实际运行时的大量数据，而且数据的丰富度与准确度决定了诊断的效果；此外，构件按准确的隶属函数也是相当困难的。
（四）支持向量机
支持向量机属于机器学习的一种，由统计学的基础理论衍生而来。其结构相对简单，不仅能处理小样本问题，还可以神经网络中存在的局部极值和高维问题。支持向量机的方法已经得到了广泛的应用。翟永杰博士、董明博士分别将其应用于汽轮发电机、大型电力10KV变压器的故障诊断中，均取得了显著效果。
缺陷：支持向量机的性能主要取决于SVM核函数的选择，但是目前该函数的选取方法并没有充分的理论依据；而且，当样本数量增多时，其学习能力并不会明显升高[2]。
（五）贝叶斯分类法
该方法具有简单、效果佳、严密的数学基础等优点。曾有学者通过建立朴素贝叶斯分类器和TAN两种故障诊断模型，完善了样本，明显提高了诊断的效果。此外，在某些数据丢失的情况下，贝叶斯分类器还可利用粗糙集约简算法对故障进行诊断，在实际中已有运用，并取得了显著的效果。
缺陷：与模糊技术一样，贝叶斯分类法也需要大量的样本，但在现场运用中，样本（尤其是故障样本）因受到外界环境和测试条件的制约，数量有限。另外，采用该方法时会因对测试数据的属性进行离散化处理而丢失一些信息，从而使诊断的准确率有所降低[3]。
目前，除上述智能诊断方法外，人工免疫算法、动态聚类、遗传算法、灰关联熵等智能技术也在被逐渐的应用于10KV变压器的故障诊断中。但是，每种方法都有各自的优势和缺点。所以，不能只使用一种诊断技术来检测10KV变压器的状态，需要正确地结合其它诊断方法，才能保证诊断的准确性。
三．应用中的问题
虽然10KV变压器的故障诊断方法已经取得了很大的进步，但是仍然存在很多的问题亟待解决。
（一）对10KV变压器故障诊断技术的研究，多集中于基础理论，而实际应用的较少，所以电力系统的诊断受到限制，因此，开发实用的诊断方法是非常必要的。
（二）目前，10KV变压器故障诊断多在离线状态下通过色谱分析进行，在线进行的诊断技术较少，仅仅依据产气率或者气体含量对几个简单的组分进行诊断，所得的结果并不准确，也只是起到预警的效果。而出现这种现象是由于在线色谱分析的应用局限在较小的范围。为了更加精确的对故障进行诊断，将诊断技术从离线状态转化为在线状态下进行是必要的。
（三）与三比值法相比，改进的IEC三比值方法准确率虽有所升高，但是，因为故障判别区间的不灵活性，会致使一些问题判断失误甚至忽略某些故障，如IEC三比值法不能对122编码进行分析判断。不同的地区、制造厂、电压均会影响监测到的10KV变压器运行数据，若采用一样的判断标准，不可避免的会出现差错。所以，为提高故障诊断精确度，开发出可对不同条件下监测到的数据进行系统分析的新技术迫在眉睫。
（四）神经网络虽然显示了较强的学习能力、信息并行处理能力以及联想记忆能力，但由于故障类型的多样性，仅靠数学模型很难把各种故障与气体相联系，准确率较低，对故障状态的分类、定位、处理能力有限。
结语
10KV变压器发生事故引起的电力故障，可能会导致电力系统瘫痪，所造成人员伤亡与经济损失不可估量。而人工智能技术在10KV变压器故障诊断中的应用，大大提高了故障诊断的效率和准确性，为电力系统的安全运行提供了重要的保障。
参考文献
[1]夏景.电力变压器的智能故障诊断措施阐述[J].工程设计，2015,12:151-155.
[2]王国平，余涛等.基于DGA的变压器故障诊断智能方法分析[J].电力建设，2015,36（6）:34-39.
[3]郑含博，王伟等.基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法[J].高电压技术，2014,11:3424-3429.
论文作者:任国胜
论文发表刊物:《电力设备》2016年第13期
论文发表时间:2016/9/30
标签：变压器论文; 故障论文; 故障诊断论文; 神经网络论文; 方法论文; 技术论文; 比值论文; 《电力设备》2016年第13期论文;