变压器油故障溶解气体诊断法

大型油浸式电力变压器内部结构比较复杂，其故障率相对较高。国际电工委员会(IEC)推荐采用油中溶解气体分析方法判断的充油变压器绝缘状况，因此DGA是评估绝缘故障与否的重要依据，通过对电力变压器的DGA进行故障诊断及预测可以实时评估其状态，有助于及时检测出电力变压器内部的潜伏性故障，减低变压器发生事故的几率。

当前，用于故障诊断的方法主要有神经网络、IEC三比值法等。但是神经网络方法存在容易发生过拟合的不足，故障诊断准确率不高，实际应用效果不佳。而IEC三比值法在处理故障诊断问题中存在着有些故障类型不能诊断的缺点，导致其故障诊断准确率不高。支持向量机方法作为一种成熟的分类算法，可以较好地避免神经网络过拟合的不足，已经在故障诊断领域得到了应用，但是传统的SVM方法只能处理线性二分类模型，并不能处理非线性多分类的变压器故障诊断问题，因此有必要充分剖析传统SVM原理，在此基础上对传统SVM进行非线性化和多分类化。此外，该方法的分类准确率受其参数取值的影响很大，需要用一些优秀的参数寻优方法对支持向量机的参数进行确定。目前比较成熟的参数优化算法主要有遗传算法、粒子群、蚁群算法等，这些优化算法容易陷入局部最优，且寻优时间较长，不利于故障诊断现场应用。殖民竞争算法作为一种较为新颖实用的算法，可以获得比遗传算法、粒子群、蚁群算法等算法更优的参数优化结果，因此本章中拟采用基于殖民竞争算法优化支持向量机方法进行故障诊断，以在较短的故障诊断时间内获得较高的故障诊断准确率。

虽然基于知识学习的智能方法在处理变压器单故障诊断问题上取得了较好的效果，但是在变压器的多故障诊断方面，由于基于多故障样本数据量的严重不足，导致这类方法在处理变压器多故障问题上效果不佳。基于模糊数学等专家系统在处理此类问题上受专家经验的影响太大，不同方法的诊断准确率差距较大。此外，由于油中溶解气体测试技术的不足，气体含量测量误差较大，在采用单故障诊断方法进行故障诊断时容易发生误判，因此有必要寻求一种集知识学习与概率统计为一体的多故障诊断方法，这种方法能够在样本的学习中发现故障诊断的规律，能够给出发生概率较高的故障诊断可能结果，为变压器故障诊断提供建议。云推理方法能够集知识学习与概率统计为一体，在处理此类问题上有较好的效果，因此本章利用云推理理论进行变压器多故障诊断的研究，旨在与基于殖民竞争算法优化支持向量机方法相互协作，对变压器进行准确的故障诊断。

在故障预测方面，目前学者提出的基于时间序列的预测算法(支持向量机、灰色预测)，在数据异常波动较大时误差偏大，鲁棒性较差；无法有效解决非等间隔时间序列数据的预测问题，对不同时间粒度数据分析时其预测性能波动较大；且在可能存在多重故障类型时不能有效预测。云预测模型能有效解决上述问题，通过对临近预测时间点的数据序列利用逆向云算法变换，在描述数据分布的模糊性基础上，发掘变压器状态变化的当前趋势，并求出变压器未来状态的期望值。从而实现变压器的故障预测。