我国经济快速发展，对电力系统稳定性的要求也越来越高。变压器是整个电力生产和传输过程中不可或缺的设备，一旦发生故障，将会对整个供电系统产生影响，造成巨大的经济损失，甚至危及人身安全。因此，为了保障电力系统的安全运行，必须尽早对变压器进行故障预判和诊断。电力系统变压器在长时间运行后，由于环境或电气负载等因素会出现以下常见故障：(1)油温和油位异常;(2)铁芯绝缘异常;(3)过电压、过负载异常;(4)变压器漏油等[1-2]。但变压器故障往往是多种异常状态并存，且异常状态具有很强的随机性，因此对其进行故障诊断十分困难。通过对变压器油中溶解的气体进行分析从而判断变压器是否异常是目前变压器内部故障诊断最主要的方法。1952年，学者Martin首先提出了气相色谱分析方法[3]。后来Domenburg等人提出了基于CH4/H2和C2H2/C2H3的经典两比值法来区分变压器常见故障类型。随后多位学者证明了变压器油中溶解气体成分与故障温度存在对应关系。1978年，国际电工委员会(IEC)拟定将三种气体对比值(C2H2/C2H4、CH4/H2、C2H4/C2H6)作为变压器故障诊断方法，从而确立了变压器故障诊断的统一标准。目前，基于DGA(油中溶解气体分析)的三比值法也已经在我国电力生产中得到了大量应用[4]。本文收集了330组变压器三比值样本，共涉及5种常见的故障类型。首先利用ReliefF算法对IEC三比值特征进行重要性计算，得出故障与特征值之间的关联关系，然后利用KNN分类器对故障进行分类，实验结果证实了该方法的有效性。
1变压器故障及三比值法
根据我国颁布的《变压器油中溶解气体分析和判断导则》(GB/T7252—2001)，在变压器内部出现不同类型的故障时，气体的主要和次要成分会出现不同的组合[5]，其对应关系如表1所示。在变压器故障分析中，可以通过气相色谱仪对变压器油中的溶解气体进行分析。发生故障时，气体在线监测仪首先发出声光警报，然后在对变压器油采样后通过气相色谱仪进一步分析油中溶解气体的成分，以确定具体的故障类型。在三对比值中，不同的气体比值对应不同的编码数值。编码数值由0、1、2组成，根据不同的对比值编码组合，可以映射到具体的故障类型。其具体的对应结构如表2所示。为了分析不同故障特征与三对比值之间的关联关系，从而对变压器故障进行分类识别，笔者广泛收集了表1中5种故障状态下的三对比值，并进行了故障标注，共计330例，其数据集组成如图1所示。
2特征关联性分析
为了能够反映出三种特征对比值与故障类别的关联度，采用ReliefF算法对特征进行排序。ReliefF算法是Relief的延伸，是一种用于度量多分类问题下特征重要性的方法。ReliefF的主要思想是有区分度的特征应该靠近相同的类别，并且远离不同的类别。ReliefF选择一个随机的样本cr，并且寻找附近h个相邻的样本cq，这里所有类别集合为C。如果cr和cq为相同的类别Cr，则在第k次计算时特征fi重要性Wk(fi)可由下式表述：式中：pr为类别Cr在总类别中的比值;pq为类别Cq在总类别中的比值;γ为迭代次数;d(cr，cq)为cr和cq之间的距离。初始值W0(fi)=0。
3KNN分类器
KNN分类器作为一种基础的分类算法，通过测量不同特征之间的距离来实现。KNN分类器在训练阶段仅仅将训练样本进行保存，因此与其他分类器相比，其在训练阶段没有可显示的训练过程。在测试阶段，根据测试样本的K个邻近的类别来投票决定其类别，因此，参数K和不同的距离计算方式会对最终的分类结果造成显著的差异。其原理示意图如图2所示。
4实验分析
为了进一步对特征进行重要性分析以及对故障进行分类识别，将330组数据打乱洗牌后，随机选取230组数据为训练集，剩下的100组数据为测试集。随后在Matlab环境下利用ReliefF函数对训练集特征进行分析，函数参数中邻近个数选取为10。特征重要性数值如表3所示。从表3可以看出，特征值中CH4/H2具有更好的区分度，其重要性显著高于其余特征;C2H4/C2H6和C2H2/C2H4区分度较弱，但是仍具备一定的区分度。随后利用KNN分类器对数据集进行分类识别。令K=10，获得测试集的分类结果。最终结果如图3所示，100个测试样本中仅2、4、13、24、66号样本出现预测错误，分类准确率为95%，显示了在三比值法下KNN分类器的有效性。
5结语
本文以电力系统变压器中基于DGA的三比值法为研究对象，收集了5种常见故障，共330组样本，并制作训练集和测试集。首先利用ReliefF算法对三对比值特征进行分析，评价3种特征在故障识别中的区分度，随后利用KNN分类器对测试集进行识别。实验结果表明，相比于C2H4/C2H6和C2H2/C2H4，CH4/H2特征具有更好的区分度，同时KNN分类器也可以对测试集样本进行有效识别，分类准确率为95%，从而验证了三比值法的有效性。
[参考文献]
[1]王桂英，张世军，潘思尧.基于神经网络的变压器故障诊断方法研究[J].计算机测量与控制，2012，20(7)：1760-1762.
[2]李刚，于长海，范辉，等.基于多级决策融合模型的电力变压器故障深度诊断方法[J].电力自动化设备，2017，37(11)：138-144.
[3]黄祥柠，马腾，苏骏.基于故障特征气体与C2H2/C2H4比值分类的反馈型神经网络电力变压器故障诊断[J].电气开关，2014，52(5)：45-48.
[4]闫伟.智能诊断方法在电力变压器故障识别中的应用[J].石化技术，2020，27(9)：241.
[5]刘晨斐.基于多源信息融合的电力设备故障诊断的研究[D].上海：上海电力学院，2018.
《基于三比值法的变压器故障诊断识别》来源：《机电信息》，作者：杨飏 邢光兵