變壓器故障診斷研究的國(guó)內(nèi)外文獻(xiàn)綜述目錄TOC\o"1-3"\h\u19622變壓器故障診斷研究的國(guó)內(nèi)外文獻(xiàn)綜述 1107491.1變壓器油中溶解氣體預(yù)測(cè)研究現(xiàn)狀 1165011.2變壓器故障診斷研究現(xiàn)狀 324327參考文獻(xiàn) 51.1變壓器油中溶解氣體預(yù)測(cè)研究現(xiàn)狀油中氣體的預(yù)測(cè)是依據(jù)氣體含量的歷史數(shù)據(jù)預(yù)測(cè)未來(lái)一段時(shí)間的含量值，以達(dá)到提前預(yù)知變壓器油中的氣體含量變化趨勢(shì)的目的。自21世紀(jì)起，灰色模型、神經(jīng)網(wǎng)絡(luò)分析、時(shí)間序列方法與組合預(yù)測(cè)等被廣泛應(yīng)用于油中氣體含量預(yù)測(cè)當(dāng)中。支持向量回歸(SupportVectorRegressor)模型將原始數(shù)據(jù)映射到高維空間，在高維空間中用核函數(shù)代替線性項(xiàng)來(lái)構(gòu)造線性決策函數(shù)來(lái)實(shí)現(xiàn)線性回歸。文獻(xiàn)[13]和[14]將緩沖算子引入DGA數(shù)據(jù)預(yù)處理過程，從而降低數(shù)據(jù)隨機(jī)性，并結(jié)合區(qū)間參數(shù)估計(jì)與最小二乘支持向量機(jī)建立油中溶解氣體區(qū)間估計(jì)模型，在一定置信區(qū)間下預(yù)測(cè)氣體濃度的變化區(qū)間。文獻(xiàn)[15]分析不同模型的優(yōu)勢(shì)，采用最小二乘支持向量機(jī)作為組合器，將不同算法的預(yù)測(cè)結(jié)果加權(quán)組合，得到7種氣體濃度預(yù)測(cè)模型。文獻(xiàn)[16]通過信號(hào)處理的思路對(duì)油中溶解氣體序列進(jìn)行預(yù)處理，最后使用支持向量機(jī)對(duì)處理后的氣體序列進(jìn)行時(shí)序預(yù)測(cè)，為預(yù)測(cè)模型提供了新思路?；疑Ｐ?GreyModel)是將整個(gè)系統(tǒng)看做一部分信息已知，另一部分未知的系統(tǒng),其研究目標(biāo)是使用已知信息來(lái)預(yù)測(cè)未知信息。在變壓器油中溶解氣體預(yù)測(cè)領(lǐng)域，氣體含量變化的趨勢(shì)可視為一個(gè)灰色過程，以此根據(jù)氣體時(shí)間序列來(lái)建立無(wú)限差異性且近似微分性質(zhì)的方程[17]。灰色模型適用于樣本容量小、信息匱乏以及具有不確定性的系統(tǒng)，具有系統(tǒng)性、關(guān)聯(lián)性、微分性、動(dòng)態(tài)性等特點(diǎn)，目前被廣泛應(yīng)用于變壓器油中溶解氣體的預(yù)測(cè)領(lǐng)域。文獻(xiàn)[17]與文獻(xiàn)[18]分別使用單因素以及多因素的灰色模型對(duì)變壓器油中溶解氣體含量進(jìn)行預(yù)測(cè)，取得較好的效果。時(shí)間序列分析(TimeSeriesAnalysis)在交通流量，氣候變化以及電力系統(tǒng)負(fù)荷預(yù)測(cè)等方面的運(yùn)用已趨近成熟，其核心在于利用歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析與趨勢(shì)預(yù)測(cè)[19]。時(shí)序分析方法的優(yōu)點(diǎn)在于不關(guān)心整個(gè)序列如何產(chǎn)生，而是聚焦于其所具有的時(shí)間先后順序以及自相關(guān)性，并以此來(lái)進(jìn)行建模。對(duì)于變壓器油中氣體預(yù)測(cè)而言，氣體含量的變化與變壓器運(yùn)行狀態(tài)有關(guān)，并且變壓器溶解氣體濃度在一定范圍內(nèi)具有累積效應(yīng)，氣體序列前后具有強(qiáng)相關(guān)性，因此對(duì)于變壓器油中氣體預(yù)測(cè)的研究，其時(shí)序性的分析必不可少。文獻(xiàn)[20]采用遺傳算法對(duì)ARIMA方法的p，q參數(shù)進(jìn)行優(yōu)化定階，使用優(yōu)化后的ARIMA時(shí)序模型對(duì)油中溶解氣體進(jìn)行預(yù)測(cè)。文獻(xiàn)[21]將變壓器油中氣體濃度預(yù)測(cè)問題中的非時(shí)序有監(jiān)督學(xué)習(xí)方法與時(shí)間序列學(xué)習(xí)方法進(jìn)行對(duì)比，證明時(shí)序方法比非時(shí)序有監(jiān)督方法效果更好。人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,ANN)模型模仿了生物中樞神經(jīng)系統(tǒng)，能針對(duì)高度非線性數(shù)據(jù)擬合出復(fù)雜的函數(shù)關(guān)系。ANN在變壓器狀態(tài)量預(yù)測(cè)領(lǐng)域已得到了廣泛應(yīng)用。文獻(xiàn)[22]將核主元分析(kernelprincipalcomponentanalysis,KPCA)與廣義神經(jīng)網(wǎng)絡(luò)(generalizedregressionneuralnetwork,RGNN)相結(jié)合，使用核主元分析法對(duì)氣體序列進(jìn)行特征篩選，并在RGNN中使用果蠅優(yōu)化算法對(duì)光滑因子參數(shù)進(jìn)行尋優(yōu)，從而在保證氣體濃度預(yù)測(cè)精度的同時(shí)兼顧變量之間的相關(guān)關(guān)系。極限學(xué)習(xí)機(jī)(ExtremeLearningMachine,ELM)作為一種單隱藏層ANN算法，通過依次計(jì)算獲得網(wǎng)絡(luò)輸入權(quán)值，可以避免梯度下降訓(xùn)練方法在使用中容易陷入局部值、迭代量大等問題。文獻(xiàn)[23]將非負(fù)矩陣分解方法(nonnegativematrixfactorization,NMF)與ELM相結(jié)合，通過NMF算法對(duì)氣體序列進(jìn)行分解，同時(shí)引入Adaboost算法對(duì)ELM進(jìn)行改進(jìn)；將低維矩陣作為訓(xùn)練數(shù)據(jù)輸入，剔除冗余數(shù)據(jù)，使得模型的輸入更加簡(jiǎn)潔，并提高了預(yù)測(cè)精度。核極限學(xué)習(xí)機(jī)(KernalExtremeLearningMachine,KELM)是將ELM與核函數(shù)相結(jié)合,增強(qiáng)了模型的穩(wěn)定性和泛化能力。文獻(xiàn)[24]將KELM與Bootstrap方法相結(jié)合，使用粒子群優(yōu)化算法(ParticleSwarmOptimization,PSO)進(jìn)行參數(shù)優(yōu)化，最后對(duì)變壓器油溫進(jìn)行區(qū)間預(yù)測(cè)，取得了不錯(cuò)的預(yù)測(cè)效果，其研究思路可以引入氣體預(yù)測(cè)領(lǐng)域。但由于引入了核函數(shù)，導(dǎo)致該算法對(duì)參數(shù)的選擇具有一定的敏感性。組合預(yù)測(cè)方法是氣體預(yù)測(cè)領(lǐng)域的一種新的思路，首先建立不同類別的回歸模型對(duì)同一序列進(jìn)行預(yù)測(cè)，然后對(duì)多種預(yù)測(cè)結(jié)果進(jìn)行加權(quán)求和，相當(dāng)于考慮了不同算法的優(yōu)點(diǎn)并互相結(jié)合，最后取其重構(gòu)值作為最終的預(yù)測(cè)結(jié)果，預(yù)測(cè)結(jié)果可信度更高。文獻(xiàn)[25]對(duì)GM、BPNN、GA和Kalman濾波的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)組合，按照測(cè)量誤差平方和最小原則進(jìn)行權(quán)值計(jì)算，其氣體預(yù)測(cè)結(jié)果優(yōu)于每種單獨(dú)方法。文獻(xiàn)[26]將熵權(quán)法引入各個(gè)單一模型組合權(quán)重的計(jì)算當(dāng)中，結(jié)合RBFNN，LSSVM以及GM三種算法進(jìn)行氣體濃度的區(qū)間組合預(yù)測(cè)，該方法將預(yù)測(cè)的氣體濃度劃分入一定置信水平下的區(qū)間當(dāng)中，有效量化了氣體濃度的波動(dòng)范圍。目前國(guó)內(nèi)外研究學(xué)者對(duì)變壓器油中溶解氣體的預(yù)測(cè)進(jìn)行了諸多有意義的嘗試，但對(duì)于涉及噪聲數(shù)據(jù)以及非平穩(wěn)序列的數(shù)據(jù)預(yù)處理方面涉及較少，并且模型對(duì)于由正常狀態(tài)轉(zhuǎn)為故障狀態(tài)的波動(dòng)氣體序列研究也具有一定的研究空間。1.2變壓器故障診斷研究現(xiàn)狀變壓器故障診斷主要對(duì)已發(fā)生故障或存在征兆的潛伏性故障進(jìn)行故障性質(zhì)、具體模式的識(shí)別判斷，有利于運(yùn)維人員制定針對(duì)性檢修策略，防止變壓器進(jìn)一步惡化[27]。目前廣泛使用的基于油中溶解氣體的變壓器故障診斷方法，主要是以各類氣體組分及含量與變壓器所處運(yùn)行狀態(tài)之間的關(guān)系為理論依據(jù)，按照方法不同可分為兩大類。1.比值診斷法20世紀(jì)70年代，國(guó)外研究者利用不同氣體的相對(duì)含量來(lái)區(qū)分過熱和放電故障，并初步形成了四比值法(CH4/H2、C2H6/CH4、C2H4/C2H6、C2H2/C2H4)，通過四種比值大小判斷變壓器是否處于過熱故障、局部放電或電弧放電[28]。幾年后，由于加入C2H6/CH4效果較差，因此只保留了CH4/H2、C2H4/C2H6、C2H2/C2H4三比值。三比值法界定了故障劃分的邊界，對(duì)相應(yīng)故障編碼進(jìn)行了解釋，使得該方法的診斷結(jié)果更加準(zhǔn)確，三比值法也作為變壓器色譜分析的基礎(chǔ)寫入到IEC60599導(dǎo)則。此外，根據(jù)所使用比值特征中氣體類型的不同，比值法也衍生出多種類型。如以氫氣、乙烯和乙炔比值為基礎(chǔ)的HAE法[29]，以乙烯和乙炔占甲烷、乙炔、乙烯的百分比分別為橫縱坐標(biāo)軸，以氫氣占?xì)錈N的百分比為輔助判據(jù)的Duval坐標(biāo)法[30]，以乙炔/乙烯和甲烷/氫氣分別為橫縱坐標(biāo)形成的TD圖法[31]等等。2.基于機(jī)器學(xué)習(xí)算法的故障診斷技術(shù)近年來(lái)隨著機(jī)器學(xué)習(xí)領(lǐng)域的蓬勃發(fā)展，研究人員將智能算法與DGA技術(shù)相結(jié)合，提出了多種變壓器故障診斷模型，使得變壓器故障診斷技術(shù)可以應(yīng)用于傳統(tǒng)方法受限的場(chǎng)景，并提高了診斷效果。按照方法原理不同，智能診斷方法可分為以下幾類：(1)支持向量機(jī)支持向量機(jī)(SupportVectorMachine,SVM)將數(shù)據(jù)樣本映射到高維空間，然后尋找超平面進(jìn)行分隔，從而實(shí)現(xiàn)分類功能。其最后的決策只由少數(shù)支持向量決定，因此避免了數(shù)據(jù)維度過高造成的運(yùn)算復(fù)雜問題。文獻(xiàn)[32]結(jié)合最小二乘支持向量機(jī)(LS-SVM)與DGA技術(shù)，通過多個(gè)2分類LS-SVM實(shí)現(xiàn)多分類功能，并分別使用組合編碼以及粒子群優(yōu)化算法進(jìn)行優(yōu)化，取得較高的分類準(zhǔn)確率。SVM的性能與其核函數(shù)及其他參數(shù)的選擇有密切關(guān)系，文獻(xiàn)[33]對(duì)針對(duì)SVM的參數(shù)優(yōu)化問題，引入帝國(guó)殖民競(jìng)爭(zhēng)算法，通過計(jì)算各個(gè)帝國(guó)的能量并進(jìn)行殖民競(jìng)爭(zhēng)等手段實(shí)現(xiàn)目標(biāo)函數(shù)的最優(yōu)解，并在國(guó)際電工委員會(huì)的118組變壓器故障數(shù)據(jù)中取得了較好的效果。(2)決策樹決策樹(decisiontree)是一個(gè)樹結(jié)構(gòu)的監(jiān)督學(xué)習(xí)算法，主要用于分類或回歸問題[34]。決策樹算法通過對(duì)特征取值進(jìn)行分類來(lái)實(shí)現(xiàn)節(jié)點(diǎn)的分裂，從而在預(yù)測(cè)時(shí)自動(dòng)到達(dá)葉子節(jié)點(diǎn)所處的類別。目前在變壓器故障診斷領(lǐng)域，決策樹以及以其為基學(xué)習(xí)器的各種集成算法都取得了大量的研究成果。文獻(xiàn)[35]使用以CART樹為基學(xué)習(xí)器的梯度提升樹算法，結(jié)合比值編碼的特征組合構(gòu)建了基于梯度提升樹的變壓器故障診斷方法，在于傳統(tǒng)機(jī)器學(xué)習(xí)算法的比較中取得了優(yōu)勢(shì)。文獻(xiàn)[36]結(jié)合了核主成分分析以及隨機(jī)森林兩種方法，通過核主成分分析方法對(duì)原始特征進(jìn)行升維，選擇不同的特征給隨機(jī)森林進(jìn)行分類器構(gòu)造，提高分類器差異，從而使得準(zhǔn)確率提升。(3)貝葉斯網(wǎng)絡(luò)貝葉斯網(wǎng)絡(luò)(Bayesiannetwork)是一種用有向無(wú)環(huán)圖來(lái)描述數(shù)據(jù)變量間依賴關(guān)系，從而進(jìn)行推理的模型[37]。文獻(xiàn)[38]提出基于貝葉斯網(wǎng)絡(luò)的變壓器故障診斷方法，同時(shí)將診斷結(jié)果與歷史數(shù)據(jù)結(jié)合，使其具有可解釋性。文獻(xiàn)[39]綜合變壓器的故障潛伏性特征以及運(yùn)行狀態(tài)等信息，使用三層貝葉斯網(wǎng)絡(luò)進(jìn)行故障診斷，將網(wǎng)絡(luò)的子節(jié)點(diǎn)視為L(zhǎng)eakyNoisy-Or節(jié)點(diǎn)，提高了運(yùn)行效率。文獻(xiàn)[40]將選擇性貝葉斯分類器引入變壓器故障診斷領(lǐng)域，可直接通過不完整數(shù)據(jù)來(lái)計(jì)算網(wǎng)絡(luò)結(jié)構(gòu)測(cè)度值，使得特征數(shù)目減少，同時(shí)提高了診斷準(zhǔn)確率以及穩(wěn)定性。(4)深度神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)(Deeplearning)是對(duì)ANN的更深層次研究，是人工智能領(lǐng)域最有前景的發(fā)展方向之一，深度神經(jīng)網(wǎng)絡(luò)包含多個(gè)隱藏層，可以更加精確地?cái)M合復(fù)雜函數(shù)[41]。深度學(xué)習(xí)受哺乳動(dòng)物大腦感知外界方式的啟發(fā)，可以逐層將具體特征進(jìn)行抽象化處理，使得抽象化后的特征更加易與分析。文獻(xiàn)[42]對(duì)比了深度信念網(wǎng)絡(luò)(DeepBeliefNets,DBN)與BPNN在故障診斷領(lǐng)域的效果，將多個(gè)受限玻爾茲曼機(jī)(RestrictedBoltzmannMachine,RBM)組合，建立起5層DBN進(jìn)行診斷分析，經(jīng)過參數(shù)調(diào)整后達(dá)到了84%的診斷精度。文獻(xiàn)[43]針對(duì)深度神經(jīng)網(wǎng)絡(luò)的權(quán)重初始化問題，使用棧式自編碼器進(jìn)行初始化模型參數(shù)，進(jìn)而將模型應(yīng)用于變壓器故障診斷領(lǐng)域。文獻(xiàn)[44]將改進(jìn)模糊C均值聚類(ImprovedFuzzyC-MeansClustering,IFCM)與DBN相結(jié)合，利用DBN進(jìn)行抽象化特征提取，對(duì)抽象特征進(jìn)行IFCM故障識(shí)別，通過深度網(wǎng)絡(luò)在特征提取方面的優(yōu)勢(shì)解決了IFCM無(wú)法自主學(xué)習(xí)的問題。目前關(guān)于故障診斷方法的研究聚焦于特征量的選擇以及故障相關(guān)信息的挖掘，由于變壓器內(nèi)部故障的表象與機(jī)理間存在較大的模糊性，目前廣泛使用的比值法具有一定的限制。而故障診斷問題可以抽象為機(jī)器學(xué)習(xí)當(dāng)中的分類或聚類問題，許多研究者將機(jī)器學(xué)習(xí)算法引入變壓器故障診斷領(lǐng)域，這類研究在數(shù)據(jù)處理、模型構(gòu)建以及優(yōu)化等方面都具有很大研究?jī)r(jià)值。參考文獻(xiàn)屈賢明.開放、包容、透明的《中國(guó)制造2025》[J].電氣時(shí)代2018,(07):44-45.中國(guó)電力.國(guó)家電網(wǎng)公司2021年安全生產(chǎn)工作會(huì)議解讀[EB/OL].[2021-02-10]./dww/aqsc/20210210/52051.html潘力強(qiáng),張文磊,湯吉鴻,周勇.2008年湖南電網(wǎng)特大冰災(zāi)事故綜述[J].電網(wǎng)技術(shù),2008,32(S2):20-25.張懷宇,朱松林,張揚(yáng),樓其民,張亮.輸變電設(shè)備狀態(tài)檢修技術(shù)體系研究與實(shí)施[J].電網(wǎng)技術(shù),2009,33(13):70-73.張哲銘,靳宇暉,吳邦,龐培川,李軍浩,楊賢.基于感應(yīng)式振蕩沖擊耐壓試驗(yàn)的變壓器故障診斷技術(shù)[J].高電壓技術(shù),2019,45(02):549-556.JadinMS,TaibS.Recentprogressindiagnosingthereliabilityofelectricalequipmentbyusinginfraredthermography[J].InfraredPhysics&Technology,2012,55(4):236-245.龍方宇,金輝,許毅,楊棟.超高壓電力變壓器的故障分析與診斷[J].電工技術(shù),2018(22):46-47.陳偉根,潘翀,云玉新,王有元,孫才新.基于小波網(wǎng)絡(luò)及油中溶解氣體分析的電力變壓器故障診斷方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2008(07):121-126.王學(xué)磊,李慶民,楊芮,高樹國(guó).基于油色譜分析的變壓器復(fù)合絕緣缺陷多指標(biāo)綜合權(quán)重評(píng)估方法[J].高電壓技術(shù),2015,41(11):3836-3842.許力.電力變壓器狀態(tài)檢修與在線監(jiān)測(cè)的實(shí)際運(yùn)用與探索[D].東南大學(xué),2015.BakarN,Abu-SiAdaA,IslamS.Areviewofdissolvedgasanalysismeasurementandinterpretationtechniques[J].IEEEElectricalInsulationMagazine,2014,30(3):39-49.黃新波,蔣衛(wèi)濤,朱永燦,田毅.基于時(shí)間序列和支持向量機(jī)的變壓器故障預(yù)測(cè)[J].高電壓技術(shù),2020,46(07):2530-2538.LiaoRJ,BianJP,YangLJ,etal.Forecastingdissolvedgasescontentinpowertransformeroilbasedonweakeningbufferoperatorandleastsquaresupportvectormachine–Markov[J].GenerationTransmission&DistributionIet,2012,6(2):142-151.LiaoRJ,ZhengHB,GrzybowskiS,etal.Fuzzyinformationgranulatedparticleswarmoptimisation-supportvectormachineregressionforthetrendforecastingofdissolvedgasesinoil-filledtransformers[J].ElectricPowerApplicationsIet,2011,5(2):230-237.肖燕彩,陳秀海,朱衡君.以最小二乘支持向量機(jī)作組合器的變壓器油中溶解氣體濃度預(yù)測(cè)[J].電力自動(dòng)化設(shè)備,2008,28(7):33-36.肖懷碩,李清泉等.灰色理論–變分模態(tài)分解和NSGA-Ⅱ優(yōu)化的支持向量機(jī)在變壓器油中氣體預(yù)測(cè)中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào),2017(12):3643-3653.羅運(yùn)柏,于萍,宋斌,彭正洪,林曉明.用灰色模型預(yù)測(cè)變壓器油中溶解氣體的含量[J].中國(guó)電機(jī)工程學(xué)報(bào),2001(03):66-70.肖燕彩,朱衡君,陳秀海.用灰色多變量模型預(yù)測(cè)變壓器油中溶解的氣體濃度[J].電力系統(tǒng)自動(dòng)化,2006,30(13):64-67.司守奎,孫璽菁.數(shù)學(xué)建模算法與應(yīng)用[M].國(guó)防工業(yè)出版社,2011.黃新波,蔣衛(wèi)濤,朱永燦,田毅.基于時(shí)間序列和支持向量機(jī)的變壓器故障預(yù)測(cè)[J].高電壓技術(shù),2020,46(07):2530-2538.劉慧鑫,張江龍,連鴻松,鄭東升,賴永華.基于時(shí)間序列模型的變壓器油中溶解氣體預(yù)測(cè)[J].高壓電器,2019,55(12):193-199.蘇磊,陳璐,徐鵬,林峻,盛戈皞,江秀臣.基于GRNN和KPCA組合模型的變壓器油中氣體濃度短期預(yù)測(cè)[J].高壓電器,2021,57(01):82-88.劉亞南,范立新,徐鋼,唐一銘,劉全,都晨.基于非負(fù)矩陣分解與改進(jìn)極端學(xué)習(xí)機(jī)的變壓器油中溶解氣體濃度預(yù)測(cè)模型[J].高壓電器,2016,52(01):162-169.亓孝武,李可軍,于小晏,等.基于核極限學(xué)習(xí)機(jī)和Bootstrap方法的變壓器頂層油溫區(qū)間預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào),2017(19):5821-5828.楊廷方,劉沛,李浙,等.應(yīng)用新型多方法組合預(yù)測(cè)模型估計(jì)變壓器油中溶解氣體濃度[J].中國(guó)電機(jī)工程學(xué)報(bào),2008(31):108-113.林湘寧,黃京,熊衛(wèi)紅,等.變壓器油中溶解氣體濃度的區(qū)間預(yù)測(cè)[J].電力自動(dòng)化設(shè)備,2016,36(04):73-77.DL/T722-2014變壓器油中溶解氣體分析和判斷導(dǎo)則[S].北京:國(guó)家能源局,2014.Duval,M.Dissolvedgasanalysis:Itcansaveyourtransformer[J].ElectricalInsulationMagazine,IEEE,1989,5(6):22-27.MansourD.Anewgraphicaltechniquefortheinterpretationofdissolvedgasanalysisinpowertransformers[C],ElectricalInsulation&DielectricPhenomena.IEEE,2012.DuvalM.Theduvaltriangleforloadtapchangers,non-mineraloilsandlowtemperaturefaultsintransformers[J].IEEEElectricalInsulationMa