人工智能在變壓器參量預(yù)測(cè)和故障診斷的應(yīng)用文獻(xiàn)綜述電力變壓器是變電站以及發(fā)電廠的核心樞紐設(shè)備和重要組成部分，在電力系統(tǒng)中它負(fù)責(zé)電力能量的傳輸以及電壓轉(zhuǎn)換，在整個(gè)電網(wǎng)都發(fā)揮著重要作用。隨著目前社會(huì)的不斷發(fā)展電網(wǎng)的持續(xù)擴(kuò)大，電力變壓器的數(shù)目也在持續(xù)增加。據(jù)統(tǒng)計(jì)，國(guó)家電網(wǎng)和南方電網(wǎng)安裝和運(yùn)行中的大容量電力變壓器數(shù)目達(dá)41167個(gè)。維護(hù)目前大規(guī)模部署的變壓器的穩(wěn)定對(duì)整個(gè)電網(wǎng)的穩(wěn)定有重要意義[]。電力變壓器的故障和運(yùn)行狀態(tài)受到多個(gè)方面影響。自然環(huán)境因素、人為因素以及變壓器及其配套設(shè)備本身的缺陷等都會(huì)影響變壓器的穩(wěn)定運(yùn)行。建立變壓器狀態(tài)預(yù)測(cè)和評(píng)價(jià)體系來提前確定潛在性的故障可明顯提高變壓器的檢修維護(hù)能力。1.1變壓器參量預(yù)測(cè)的研究評(píng)估變壓器是否穩(wěn)定運(yùn)行主要依據(jù)其運(yùn)行中的各項(xiàng)狀態(tài)特征參量進(jìn)行判斷，其特征信息變化將會(huì)根據(jù)發(fā)生故障的類型和嚴(yán)重情況等出現(xiàn)不同程度的變化。大量研究與現(xiàn)場(chǎng)工作表明通過變壓器特征參量的變化趨勢(shì)與變壓器的運(yùn)行狀態(tài)關(guān)系密切，預(yù)測(cè)以及分析變壓器的特征參數(shù)變化狀態(tài)可以有效提前預(yù)知變壓器的故障狀態(tài)，提前了解情況并進(jìn)行預(yù)防措施，達(dá)到狀態(tài)檢修的目的。變壓器中有大量的特征參量可供研究，根據(jù)參量的獲取程度，對(duì)于故障的影響以及數(shù)據(jù)集本身的完整性多多方面考慮。目前研究較多的有油浸式變壓器中的絕緣油，變壓器的擊穿電壓、GIS設(shè)備的分解氣體、局部放電信號(hào)、溫度等參量。文獻(xiàn)[]基于循環(huán)算法結(jié)構(gòu)RNN網(wǎng)絡(luò)對(duì)氣體絕緣開關(guān)（GIS）190天內(nèi)的收集到的振動(dòng)信號(hào)以及局部放電信號(hào)作為歷史數(shù)據(jù)輸入，得到預(yù)測(cè)模型預(yù)測(cè)未來信號(hào)的發(fā)展趨勢(shì)，并就短期預(yù)測(cè)得到了較好的預(yù)測(cè)效果。文獻(xiàn)[]針對(duì)變壓器目前繞組繞點(diǎn)溫度預(yù)測(cè)所存在的不足，通過反向傳播網(wǎng)絡(luò)和遺傳算法進(jìn)行參數(shù)優(yōu)化，解決了神經(jīng)網(wǎng)絡(luò)本身陷入局部收斂的缺陷并簡(jiǎn)化模型結(jié)構(gòu)減少了模型的訓(xùn)練時(shí)間。通過收集的500組變壓器現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行仿真表明改模型的溫度預(yù)測(cè)值基本符合實(shí)際變化。文獻(xiàn)[]建立基于VMD和MGRU相結(jié)合的混合算法，利用模態(tài)分解算法和自適應(yīng)特性來確定VMD中最佳模態(tài)個(gè)數(shù)，同時(shí)改進(jìn)了MGRU模型，相較于SVR、RF、MGR等算法，新算法可以更加有效地追蹤變壓器中高壓套管中的溫度變化趨勢(shì)。文獻(xiàn)[]針對(duì)變壓器中絕緣油的擊穿電壓，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)算法，通過BP神經(jīng)網(wǎng)絡(luò)本身可以處理多維度的數(shù)據(jù)及良好的數(shù)據(jù)適應(yīng)性等特點(diǎn)，充分分析多個(gè)參數(shù)之間的關(guān)聯(lián)性，基于變壓器的絕緣油歷史信息。建立模型預(yù)測(cè)擊穿電壓，取得了較好的預(yù)測(cè)效果。文獻(xiàn)[]利用SVM模型并結(jié)合相關(guān)度線性加權(quán)的原理實(shí)現(xiàn)變壓器的頂層油溫預(yù)測(cè)，采用通徑系數(shù)加權(quán)優(yōu)化分析了電壓負(fù)荷、時(shí)間系數(shù)以及氣象數(shù)據(jù)三種因素得到了綜合相關(guān)系數(shù)。模型以變壓器前兩個(gè)月的油溫?cái)?shù)據(jù)作為輸入，最終仿真結(jié)果表明該模型具有較高的預(yù)測(cè)精度，可以有效預(yù)測(cè)油溫變化。在變壓器的狀態(tài)信息的預(yù)測(cè)中，因其數(shù)據(jù)保存相對(duì)更加完整，檢測(cè)普及程度更高，對(duì)數(shù)據(jù)質(zhì)量要求更低等原因，針對(duì)變壓器的油中溶解氣體預(yù)測(cè)問題的研究最為廣泛。早期應(yīng)用的模型有BP神經(jīng)網(wǎng)絡(luò)[]，支持向量機(jī)[]，遺傳算法[]以及灰色模型[]等算法。而隨著人工智能的不斷發(fā)展，深度學(xué)習(xí)[]、循環(huán)網(wǎng)絡(luò)[]以及多算法組合[]等專門用于處理時(shí)間序列模型也在不斷應(yīng)用于油色譜預(yù)測(cè)問題。文獻(xiàn)[]在支持向量機(jī)的基礎(chǔ)上改進(jìn)了遺傳算法對(duì)模型進(jìn)行參數(shù)尋優(yōu)，并通過仿真數(shù)據(jù)驗(yàn)證了該模型在實(shí)際工作中的可行性。文獻(xiàn)[]首次把VMD方法引入油色譜預(yù)測(cè)中，對(duì)不平穩(wěn)序列進(jìn)行分解，并且對(duì)模型的特點(diǎn)進(jìn)行研究提出一種GM與VMD相結(jié)合的組合預(yù)測(cè)方法，既能真實(shí)反映油中氣體的發(fā)展趨勢(shì)，也可以將波動(dòng)序列分解為一組復(fù)雜程度較低周期性更強(qiáng)分量，降低了整體預(yù)測(cè)難度，為變壓器故障預(yù)測(cè)提供一種新的解決思路。文獻(xiàn)[]基于改進(jìn)版的循環(huán)網(wǎng)絡(luò)LSTM模型對(duì)于油色譜數(shù)據(jù)進(jìn)行預(yù)測(cè)，通過改進(jìn)門控制結(jié)構(gòu)解決梯度爆炸和梯度消失的問題，與傳統(tǒng)的預(yù)測(cè)算法相比，LSTM模型的預(yù)測(cè)精準(zhǔn)度更高，可以對(duì)油色譜變化趨勢(shì)進(jìn)行較長(zhǎng)期的預(yù)測(cè)。文獻(xiàn)[]在傳統(tǒng)的七種特征氣體基礎(chǔ)之上，添加了頂層油溫?cái)?shù)據(jù)以及外部環(huán)境數(shù)據(jù)，提出了一種多維度輸入的預(yù)測(cè)模型，模型以堆疊多層的玻爾曼茲?rùn)C(jī)為基礎(chǔ)實(shí)現(xiàn)參量預(yù)測(cè)，仿真結(jié)果具有較高的精度。文獻(xiàn)[]在長(zhǎng)短周期記憶網(wǎng)絡(luò)的基礎(chǔ)上，利用PSO優(yōu)化算法調(diào)整模型中的超參數(shù)，改善了模型過于依靠歷史數(shù)據(jù)做出判斷從而導(dǎo)致的模型擬合能力不夠以及預(yù)測(cè)精度較低等問題。1.2變壓器故障診斷的研究現(xiàn)場(chǎng)對(duì)與變壓器故障診斷目前主要關(guān)注變壓器自身是否出現(xiàn)故障以及出現(xiàn)故障的原因，在變壓器出現(xiàn)重大事故前，根據(jù)變壓器的異常運(yùn)行數(shù)據(jù)做出正確的故障診斷對(duì)變壓器檢修意義重大。電檢測(cè)法是一種傳統(tǒng)變壓器故障診斷方法，主要利用示波器、局部放電儀或無線電干擾儀等設(shè)備來尋找變壓器中出現(xiàn)放電的波形。電檢測(cè)法靈敏度很高，可以直接監(jiān)測(cè)到視在放電量，這種檢測(cè)方法優(yōu)點(diǎn)在于非常靈敏，缺陷在于當(dāng)檢測(cè)到結(jié)果時(shí)變壓器已進(jìn)入故障比較嚴(yán)重的情況，這種方法并不適用于變壓器提前預(yù)測(cè)狀態(tài)進(jìn)行狀態(tài)維修。文獻(xiàn)[]主要介紹了超聲波檢測(cè)來進(jìn)行變壓器狀態(tài)檢測(cè)，該檢測(cè)法的原理是通過監(jiān)測(cè)放電時(shí)產(chǎn)生的超聲波，將超聲波轉(zhuǎn)化為電信號(hào)并錄制進(jìn)行分析。相較于電檢測(cè)法，超聲波監(jiān)測(cè)方法的靈敏度較低，但是因?yàn)槌暡▊鞲衅鞯念l帶避開了變壓器和鐵芯的噪聲，因此可以有效的避免電磁干擾。且方便進(jìn)行空間定位進(jìn)行在線監(jiān)測(cè)。是目前的變壓器的在線監(jiān)測(cè)和離線檢測(cè)中重要的輔助檢測(cè)方法。油浸式變壓器中的絕緣油在變壓器工作狀態(tài)下會(huì)發(fā)生氧化反應(yīng)，劣化絕緣油并且降低絕緣材料的絕緣性能。文獻(xiàn)[]針對(duì)這類問題提出一種檢測(cè)方法，通過測(cè)量絕緣油中的微水含量，分析游離氫成分來了解變壓器的內(nèi)部絕緣。文獻(xiàn)[]通過Rogowski線圈從變壓器的中性點(diǎn)測(cè)量電信號(hào)，這種方法可以將測(cè)量電流的頻率提高到30000Khz，極大的提高局部放電的測(cè)量頻率的同時(shí)設(shè)備安裝也非常簡(jiǎn)便。但該線圈的測(cè)量原理和傳統(tǒng)的脈沖電流法不相同，因此無法標(biāo)記視在放電量，另外源于變壓器內(nèi)部結(jié)構(gòu)的復(fù)雜性問題導(dǎo)致測(cè)量信號(hào)產(chǎn)生電磁波在內(nèi)部存在大量的折射、反射以及散射等問題導(dǎo)致無法進(jìn)行局部放電的源頭定位。文獻(xiàn)[]對(duì)目前紅外成像對(duì)于變壓器故障診斷的研究現(xiàn)狀進(jìn)行了綜述，紅外成像對(duì)變壓器進(jìn)行測(cè)溫可以做到電氣設(shè)備的帶電檢測(cè)，是電氣設(shè)備絕緣故障檢測(cè)的一種成熟手段，但與電檢測(cè)法類似，這種測(cè)溫方法只能當(dāng)變壓器已出現(xiàn)故障時(shí)進(jìn)行診斷而無法提前預(yù)知變壓器狀態(tài)。此外，僅通過溫度和紅外線成像變化也很難直接確定故障發(fā)生原因。在變壓器的局部放電故障中，不同種類故障時(shí)放電所發(fā)出的光的波長(zhǎng)各不相同，研究表明通過測(cè)定光的波長(zhǎng)來分析局部放電特征以及變壓器固態(tài)絕緣劣化已有很大進(jìn)展[]，然而實(shí)際工作中這類方法的檢測(cè)設(shè)備十分昂貴，而且被檢測(cè)設(shè)備必須對(duì)光是透明的，因此現(xiàn)場(chǎng)應(yīng)用場(chǎng)景十分有限。脈沖電流法[]是通過設(shè)備中的阻抗監(jiān)測(cè)來分析放電現(xiàn)象中產(chǎn)生的脈沖電流數(shù)據(jù)，來得到局部放電時(shí)的詳細(xì)數(shù)據(jù)比如放電次數(shù)、相位等。因?yàn)闄z測(cè)阻抗時(shí)傳感器會(huì)影響到測(cè)量的準(zhǔn)確度和分辨率。因此當(dāng)該故障節(jié)點(diǎn)局部放電的容量過大時(shí),傳感器的測(cè)量靈敏度會(huì)收到阻抗的限制。同時(shí)還存在頻率過低，信息量稍等問題。針對(duì)局部放電產(chǎn)生的無線電干擾，人們通過無線電電壓干擾儀來解決局部放電對(duì)于無線電的通訊和控制的干擾問題[]，電壓干擾儀監(jiān)測(cè)局部放電的檢測(cè)方法和監(jiān)測(cè)線路與脈沖電流法類似。通過檢測(cè)變壓器中油中的化學(xué)氣體成分的方法也稱為油中溶解氣體分析技術(shù)(DissolvedGasAnalysis,DGA)。DGA技術(shù)可通過變壓器的油中氣體的種類以及含量來監(jiān)測(cè)油浸式變壓器的潛在性故障。因?yàn)檫@種技術(shù)可以不受外界電場(chǎng)干擾，并且采集到的數(shù)據(jù)相對(duì)完整便與處理分析，且可在帶電運(yùn)行的情況下檢查變壓器的潛在故障，目前廣泛應(yīng)用于電力設(shè)備的故障診斷。油中溶解氣體分析因?yàn)槠鋽?shù)據(jù)完整，易于處理，被廣泛用來作為算法模型的輸入數(shù)據(jù)來進(jìn)行故障診斷，過去通過油色譜數(shù)據(jù)來進(jìn)行變壓器故障診斷的方式主要是通過三比值法[]。三比值法及后續(xù)的改良三比值法目前被廣泛應(yīng)用于現(xiàn)變壓器故障檢測(cè)[]，然而根據(jù)研究表明，三比值法仍存在如準(zhǔn)確率偏低、比值界限處容易誤報(bào)漏報(bào)等問題[]。隨著機(jī)器學(xué)習(xí)等算法的不斷深入探索，基于油色譜數(shù)據(jù)的智能模型不斷的提出并繼續(xù)優(yōu)化，其診斷精度和效果已經(jīng)超過了傳統(tǒng)的比值法等評(píng)估診斷方法，提高了變壓器的故障診斷能力。文獻(xiàn)[]利用粒子群算法，構(gòu)建了SVM模型，通過核函數(shù)的結(jié)構(gòu)特點(diǎn)對(duì)油色譜數(shù)據(jù)進(jìn)行分析。文獻(xiàn)[]通過構(gòu)建DBN網(wǎng)絡(luò)，對(duì)油色譜數(shù)據(jù)進(jìn)行充分挖掘處理，最后按照概率比例得到變壓器的故障診斷結(jié)果。文獻(xiàn)[]基于SVM和最小二乘法，先通過概率統(tǒng)計(jì)的方法篩選數(shù)據(jù)，并對(duì)全部七種數(shù)據(jù)進(jìn)行分類，可使得在小樣本下得到較好的結(jié)果，這種方法和經(jīng)典的支持向量機(jī)而分類相比，診斷效果更好。文獻(xiàn)[]基于穩(wěn)健統(tǒng)計(jì)理論，通過多元分析法來監(jiān)測(cè)油中溶解氣體中數(shù)據(jù)的異常值，并將異常數(shù)據(jù)同正常數(shù)據(jù)分離，使得統(tǒng)計(jì)規(guī)律更加可靠，同時(shí)進(jìn)行故障診斷時(shí)，由于跟蹤區(qū)分了異常數(shù)據(jù)，也使得模型可以更加靈敏的檢測(cè)出變壓器的運(yùn)行狀態(tài)。文獻(xiàn)[]通過極限學(xué)習(xí)機(jī)進(jìn)行油色譜數(shù)據(jù)訓(xùn)練，這種模型可以有效地提取輸入的特征參數(shù)信息，通過設(shè)定激活函數(shù)的方式調(diào)整系統(tǒng)參數(shù)。從而改善BPNN網(wǎng)絡(luò)中收斂速度較慢，參數(shù)設(shè)置過于冗雜等問題。為了能夠有效診斷變壓器故障時(shí)可能同時(shí)存在多種故障的問題，文獻(xiàn)[]引入云理論，通過變換理論將故障數(shù)據(jù)信息轉(zhuǎn)換成工作人員可以認(rèn)知的定性云概念，基于云模型可以實(shí)現(xiàn)油色譜數(shù)據(jù)的數(shù)值區(qū)域的隸屬度判定，實(shí)現(xiàn)將數(shù)據(jù)保存為多重屬性，這種數(shù)據(jù)處理方式可以實(shí)現(xiàn)多種故障同時(shí)發(fā)生時(shí)的故障判斷。根據(jù)以上文獻(xiàn)中的研究?jī)?nèi)容可以得出，現(xiàn)有的基于數(shù)據(jù)進(jìn)行研究的變壓器含量預(yù)測(cè)和故障診斷模型，大體思路都是將數(shù)據(jù)進(jìn)行一定程度的預(yù)處理，作為輸入端輸入模型進(jìn)行訓(xùn)練，再通過對(duì)比數(shù)據(jù)集進(jìn)行結(jié)果判斷?，F(xiàn)有的模型預(yù)測(cè)準(zhǔn)確率在有足夠的數(shù)據(jù)集的情況下都有良好的表現(xiàn)。但通過文獻(xiàn)[]中的內(nèi)容也發(fā)現(xiàn)，算法在數(shù)據(jù)樣本降低時(shí)，模型的預(yù)測(cè)或者診斷精度會(huì)出現(xiàn)較大幅度的下降，而根據(jù)現(xiàn)場(chǎng)實(shí)際情況來看，變壓器油色譜數(shù)據(jù)的檢測(cè)和記錄頻率不會(huì)太高，實(shí)際工作中獲得的數(shù)據(jù)集相對(duì)較少。此外，以機(jī)器學(xué)習(xí)為基礎(chǔ)的絕大多數(shù)算法有黑箱性質(zhì)，隱含層中的參數(shù)和激活函數(shù)并不能直觀表現(xiàn)出模型做出故障判斷的依據(jù)，一旦現(xiàn)場(chǎng)出現(xiàn)誤判會(huì)影響實(shí)際檢修工作。以循環(huán)網(wǎng)絡(luò)作為基礎(chǔ)的氣體預(yù)測(cè)模型[]過于依賴歷史數(shù)據(jù)作為預(yù)測(cè)標(biāo)準(zhǔn)，導(dǎo)致故障氣體迅速變化時(shí)不能及時(shí)反應(yīng)。參考文獻(xiàn)孫建鋒，葛睿，鄭力，等.2010年國(guó)家電網(wǎng)安全運(yùn)行情況分析[J].中國(guó)電力,2011,44(5):1-4.李睿，曹順安，盛凱.基于BP神經(jīng)網(wǎng)絡(luò)的多參數(shù)關(guān)聯(lián)變壓器油擊穿電壓的預(yù)測(cè)研究[J].四川電力技術(shù),2008,44(5):342-346.LiaoR,ZhengH,GrzybowskiS,etal.Particleswarmoptimization-leastsquaressupportvectorregressionbasedforecastingmodelondissolvedgasesinoil-filledpowertransformers[J].ElectricPowerSystemsResearch,2011,81(12):2074-2080.唐勇波，豐娟.KTA-SVM的變壓器油中溶解氣體濃度預(yù)測(cè)[J].控制工程,2017,24(11):2263-2267.唐勇波，桂衛(wèi)華，彭濤，等.基于互信息變量選擇的變壓器油中溶解氣體濃度預(yù)測(cè)[J].儀器儀表學(xué)報(bào),2013,34(7):1492-1498.毛自娟.基于灰色馬爾可夫模型的變壓器油中溶解氣體體積分?jǐn)?shù)預(yù)測(cè)[J].高壓電器,2012,48(9):47-49.GhunemRA,AssalehK,El-HagAH.Artificialneuralnetworkswithstepwiseregressionforpredictingtransformeroilfurancontent[J].IEEETransactionsonDielectricsandElectricalInsulation,2012,19(2).趙文清,朱永利,張小奇.基于改進(jìn)型灰色理論的變壓器油中溶解氣體預(yù)測(cè)模型[J].電力自動(dòng)化設(shè)備,2008,28(9):23-26.王有元,廖瑞金,孫才新,等.變壓器油中溶解氣體濃度灰色預(yù)測(cè)模型的改進(jìn)[J].高電壓技術(shù),2003,29(4):24-26.肖燕彩.用改進(jìn)的灰色多變量模型預(yù)測(cè)變壓器油中溶解氣體的濃度[J].電網(wǎng)技術(shù),2006,30(10):86-89.肖燕彩，陳秀海.用灰色多變量模型預(yù)測(cè)變壓器油中氣體的方法[J].高電壓技術(shù),2007,33(8):98-101.肖懷碩，李清泉，施亞林，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)，2017,37(12):3643-3653.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),2008,28(31):108-113.[劉航,王有元,梁玄鴻,etal.基于多因素的變壓器油中溶解氣體體積分?jǐn)?shù)預(yù)測(cè)方法[J].高電壓技術(shù),2018,44(4):1114-1121.周湶，孫超，廖瑞金，等.基于云理論的變壓器多重故障診斷及短期預(yù)測(cè)方法[J].高電壓技術(shù),2014,40(5):1453-1460.劉亞南，范立新，徐鋼，等.基于非負(fù)矩陣分解與改進(jìn)極端學(xué)習(xí)機(jī)