、道非道

电力变压器故障诊断系统的研究

1、绪论

1.1、研究目的和意义

随着我国国民经济的不断发展，对电力的需求也在不断增加。整个电力系统也向 着更高的电压等级，更大的输电容量方向发展，而电力变压器作为系统中最重要的设 备之一，其运行状态直接影响到整个电力系统的安全性和稳定性。由于电力变压器内 部结构的复杂性，运行环境的特殊性，在变压器的长期运行当中，发生故障是不可避 免的。一旦发生故障，将会严重影响社会的生产和人们的生活，造成严重的经济损失， 所以对变压器故障诊断系统进行研究，以及早发现和处理变压器的故障具有重要的意 义。

在现有常规的变压器故障诊断方法中，油中溶解气体分析方法（DGA）是最为有

效的方法之一。DGA诊断方法通过分析变压器发生故障时所产生气体的成分、含量和 速率，就能够诊断出变压器的大部分故障。在我国的DL/T722-2000的导则中，推荐改 良三比值法作为设备内部故障诊断的主要方法。尽管这些方法在实际当中获得了广泛 的应用，但是仍然存在有许多不足之处，例如，故障编码种类有限不能诊断所有可能 的故障，对于相近的故障判断误诊率高，对以往实践中所积累的经验知识不能充分利 用等。所以寻求一种能够克服这些不足的新的诊断方法，以提高诊断的自动化程度、 诊断的精度和诊断的覆盖率具有重要的现实意义。

人工智能理论发展，为变压器故障诊断技术的创新提供了新的思路。人工智能具 有模仿人类思维进行分析问题的能力，擅长于利用实践中积累的经验知识，能从复杂 的历史数据中寻找内在的规律，能随着外部环境的变化调整自己的内部结构。在最近 几年，各种人工智能技术被广泛的运用于设备的故障诊断当中，并取得了良好的成绩。 例如各种类型的专家诊断系统、神经网络诊断系统以及基于模糊理论的诊断系统，这 些智能故障诊断系统的成功应用，充分地说明了人工智能在故障诊断领域的巨大潜力。 本课题着重研究神经网络在变压器故障诊断当中的应用。通过利用聚类法对样本

的合理划分，利用粒子群算法(PSO)对神经网络结构参数的优化，实现了基于神经网络 的变压器故障诊断系统设计，通过与常规方法对比测试表明本文中所采用的方法具有 良好的诊断性能。文中所提出的神经网络训练样本和测试样本的划分方法，以及基于 PSO的神经网络参数优化方法对于今后神经网络在变压器故障诊断领域的应用设计研 究具有一定的理论参考价值。另外，根据清晰、实用原则实现了文中所设计的变压器 故障诊断系统的图形化人机界面。使用者可以容易的实现数据输入，得出诊断结果， 并且系统还可以根据以往的诊断历史数据来提高自己的诊断性能，实现不断学习的过 程，从整体上来看，该系统具有良好的实用价值。上海电力学院硕士学位论文 2

1.2、基于神经网络的变压器故障诊断研究现状

神经网络用于设备的故障诊断还是一个非常新的研究领域。由于神经网络具有很 好地自适应能力、自学习能力和容错能力等，其在故障诊断领域应用相当广泛，表现 出了巨大的应用潜力。当前，神经网络在变压器故障诊断领域的研究主要集中在三个 方向，一是根据不同的诊断问题，选择相应类型的神经网络进行故障诊断系统设计； 二是针对神经网络在应用中所存在的缺点，对其进行优化改进；三是与其它智能故障 诊断方法相结合，形成综合故障诊断系统。

对于第一个研究方向，研究和应用较为广泛的神经网络类型有：BP神经网络、概

率神经网络、RBF神经网络、Elman神经网络、自适应共振网络(ART)、学习矢量神经 网络(LVQ)、支持向量机(SVM)、自组织特征映射(SOM)、小波神经网络和模糊神经网

络等[1]-[17]。这些神经网络各有各的特点，依据不同的诊断模型和诊断对象、不同的样 本规模与结构进行恰当的选择。例如在文献[1]中利用较为成熟的BP神经网络建立了 变压器故障诊断系统，为了克服BP网络训练收敛速度慢，易陷入局部极小值的缺点， 引入了Levenberg-Marquardt算法对神经网络进行训练，从仿真结果看该系统具有较快 的运算速度和拟合精度。在文献[3]中依据Elman神经网络具有动态处理数据及对历史 数据敏感的能力，提出了将它用于变压器故障诊断的新方法，并给出了其具体的实现 方法，同时将Elman网络与BP网络的测试结果进行了比较。结果表明，Elman网络具 有区良好的故障诊断能力。在文献[14]中采用了具有良好收敛性、鲁棒性和时空-频域 定位特性的小波神经网络进行变压器故障诊断系统的设计，诊断系统表现出良好的学 习性能和诊断性能。

对于第二个研究方向，主要体现在对现有的神经网络进行优化改进方面，主要方

法有：遗传算法、蚁群算法、模拟退火算法、粒子群算法、聚类算法、多元统计分析、 主分量分析和模糊理论等[18]-[28]。这些优化改进算法主要从两个方面对神经网络进行改 进，一是从优化学习样本结构方面考虑。例如在文献[18]中，利用多元统计分析技术中 聚类分析和因子分析的概念对油中溶解气体分析的结果进行处理，初步实现了对神经 网络输入特征参量的选取，在文献[19]中利用主成分分析法能保留数据样本最大量信息 的前提下，对数据维数压缩和有效预分类的性能，对用于BP神经网络输入的样本进行 预处理，从而消除输入网络各样本间的相关性，减少网络的输入数，简化网络结构， 提高网络学习速率。二是从优化神经网络结构和学习算法方面考虑。例如在文献[23] 中，针对反向传播算法存在着容易陷入局部极小点、对初值要求高的缺点，提出了利 用遗传算法优化人工神经网络初值，将遗传算法与人工神经网络结合起来，从而迅速 得到最佳人工神经网络权值矩阵和阀值。在文献[25]中提出利用遗传算法来优化支持向 量机网络(SVM)中的参数，并将之应用到变压器故障诊断当中，充分发挥了支持向量 机具有较高泛化能力的优势。通过实验表明，该方法能够在较大范围内准确地找到相

应的优化参数，并能有效地进行变压器的故障诊断。对于第三个研究方向，主要是利用各种智能故障诊断方法优点和缺点的互补性，

设计出综合故障诊断系统。其中主要有三种结合方式，一是神经网络和专家系统的结 合；二是神经网络和模糊逻辑的结合；三是神经网络、专家系统和模糊逻辑三者的结 合[29][30]。对于专家系统而言，其在知识表达、知识处理和知识运用等方面具有其独特 的特性，能利用人类的经验知识来解决问题，同时具有良好的人机交互界面等优点， 但是专家系统确难以自动获取知识，属于串行处理方式，实时性差，容错性能差等缺 点。对于神经网络而言，具有高度的非线性映射能力和自适应、自组织、自学习、容 错及知识获取等能力，但是神经网络难以表达结构化知识，难以实现基于结构化知识 的逻辑推理，难以向使用者提供解释和指导等缺点。对于模糊逻辑而言，易于获得由 语言表达的专家知识，有较强的容错能力和知识表达能力，但是却不能进行自组织学 习。所以神经网络与专家系统和模糊逻辑的结合，形成综合的故障诊断系统，既可以 发挥各自的优势，又可以由一方为另一方提供支持，有利于提高故障诊断的智能化水 平和诊断性能[31]。

1.3、本文主要研究的内容

考虑到传统变压器故障诊断技术的缺陷，本文提出了利用基于粒子群优化(PSO)

算法的径向基函数神经网络(PSO-RBFNN)进行变压器故障诊断系统的设计，为此主要 进行了如下几点内容的研究：

（1）分析变压器油中溶解气体的形成机理，重点研究故障特征气体的含量与种

类跟变压器内部故障的对应关系，另外分析了传统特征气体法和比值法的诊断原理、

诊断过程以及它们的优缺点。

（2）考虑到训练样本对神经网络学习的重要影响，以及测试样本对正确评价神

经网络性能的重要性，深入分析了如何以最优化的方法划分训练样本和测试样本的问 题，并提出了一套完整的基于聚类法的训练样本和测试样本划分技术。

（3）分析径向基函数(RBF)神经网络的结构原理和学习算法，以及粒子群优化

(PSO)算法的原理，利用PSO算法的全局寻优能力，对RBF神经网络的参数进行优化， 解决了以往RBF神经网络学习算法中易收敛于局部最优值的缺陷，从而形成基于 PSO-RBFNN神经网络的变压器故障诊断系统。

（4）对基于PSO-RBFNN神经网络的变压器故障诊断系统进行具体设计，包括

PSO算法中各参数的设置，RBF网络输出权值的计算，RBF网络中径向基函数中心个 数、中心位置以及径向基函数宽度的确定等。对所设计的诊断系统进行多方面的测试， 包括不同训练样本划分方法对诊断正确率的影响测试、不同类型诊断方法的对比测试、 现场实际事故测试，证实本文所采用的方法在变压器故障诊断领域的创新性和有效性。 （5）利用MATLAB/GUI技术对变压器故障诊断系统进行了软件编程实现，设计 出一个易于操作使用的图形化界面。

2、变压器油中溶解气体分析的原理及方法 4

2.1、变压器常见故障与分类

电力变压器按不同的划分标准有不同故障分类方式，按发生故障的性质分可分为 热性故障和电性故障；按变压器的结构分可以分为：绕组故障、铁芯故障、油质故障 和附件故障；按故障发生的回路分可分为：电路故障、磁路故障和油路故障；按故障 发生的部位可分为铁芯故障、分接开关故障、绕组故障、绝缘故障等；按变压器本体 可分为内部故障和外部故障。 （1）热性故障

热性故障是由热应力所造成的绝缘加速劣化，具有中等水平的能量密度。在过热

性故障中，属于分接开关接触不良而引起的热性故障约占50%；铁芯多点接地和局部 短路或漏磁环流所引起的过热故障约占33%；导线过热和接头不良或紧固件松动引起 的过热故障约占14.4%；其余2.6%则为局部油道堵塞，致使局部散热不良而造成的热 性故障[32]。

在热性故障中，根据发生故障所释放的能量以及热点的温度水平，又可以把热性 故障分为三类，分别是：低温过热、中温过热和高温过热。其中低温过热温度一般小 于300摄氏度，中温过热在300-700摄氏度之间，而高温过热温度一般高于700摄氏 度以上。

（2）电性故障

电性故障是在高电应力作用下所造成的绝缘劣化，由于放电时的能量密度不同， 通常，将变压器内部的放电故障分为局部放电、火花放电和电弧放电三类[33]。 局部放电故障是引起火花放电或电弧放电故障的前兆。当变压器在制造或运行时， 油中存在气泡，固体绝缘材料中存在空穴或空腔，某些部位存在尖角、毛刺、漆瘤， 金属部件或导体之间接触不良等都会引发局部放电。放电的部位通常在固体绝缘内部 空穴、电极尖端、油角间隙、油与绝缘纸板中的油隙或者油中沿固体绝缘的表面等地 方。虽然局部放电的能量密度不大，但是一旦发展将会形成高能量放电，并导致绝缘 击穿或损坏。

火花放电一般是低能量放电，是一种间隙性放电。当变压器内部某一金属部件接 触不良并处于高、低压电极之间部位时，因阻抗分压而在该金属部件上产生对地的悬

浮电位。例如，调压绕组在分接开关转换极性时的短暂瞬间，套管均压球和无载分接 开关拨叉等高电位处，铁芯叠片磁屏蔽及紧固螺栓等低电位处与地连接松动脱落，以 及高压套管端部接触不良等均会形成悬浮电位而引起火花放电。同时，变压器油中的 水分多、受潮的纤维多等也将形成杂质“小桥\"而引起火花放电。

电弧放电又称高能放电。其特点是产气急剧而且量大，放电能量密度大，容易导 致绝缘纸穿孔、烧焦或炭化，金属材料变形或熔化等。变压器绕组匝间绝缘击穿、引 线断裂或对地闪络、分接开关飞弧等，都将引起电弧放电故障。

在本文中需要诊断的变压器故障类型是按发生故障的性质来分的，主要是热性故 障中的低温过热、中温过热和高温过热，以及电性故障中的局部放电、火花放电和电 弧放电等六种类型故障。

2.2、变压器油中溶解气体的来源

不论是正常运行中的变压器还是故障中的变压器，在其内部都包含有不同含量的 各种类型气体，例如正常情况下主要溶解的气体是氧气和氮气，而发生故障时主要有 氢气、甲烷、乙烷、乙烯和乙炔等等。这些气体对于利用油中溶解气体(DGA)的方法 进行变压器的故障诊断有着非常重要的意义。归纳起来，变压器中气体来源主要有三 个方面[34]，一是液体绝缘油的分解，二是固体绝缘材料的分解，三是其它来源。 （1）绝缘油的分解

绝缘油是由许多不同分子量的碳氢化合物分子组成的混合物，分子中含有CH3-、 CH2-和CH-化学基团，并由C-C键结合在一起。由电或热故障的结果可以使某些C-H 键和C-C键断裂，伴随生成少量活泼的氢原子和不稳定的碳氢化合物的自由基，这些 氢原子或自由基通过复杂的化学反应重新化合，形成氢气和低烃类气体，如甲烷、乙 烷、乙烯、乙炔等，也可能生成碳的固体颗粒及碳氢聚合物。故障初期，所形成的气 体溶解于油中，当故障能量较大时，也可能聚集成游离气体。碳的固体颗粒及碳氢聚 合物可以沉积在设备的内部。

低能量放电性故障，如局部放电，通过离子反应促使最弱的键C-H键断裂，主要 重新化合成氢气而积累。对C-C键的断裂需要较高的温度，然后迅速以C-C键、C=C 键和C≡C键的形式重新化合成烃类气体，依次需要越来越高的温度和越来越高的能 量。

乙炔是在高于甲烷和乙烷的温度(大约为500℃)下生成的，生产温度一般在800℃

到1200℃之间，而且当温度降低时，反应迅速被抑制，作为重新化合的稳定产物而积 累。因此，大量乙炔是在电弧的弧道中产生的。当然在较低的温度下(低于800℃)也会 有少量乙炔生成。当绝缘油起氧化反应时，伴随生成少量的CO和CO2，并且CO和 CO2能长期积累，成为数量显著的特征气体。 （2）固体绝缘材料的分解

纸、层压板或和木块等固体绝缘材料分子内含有大量的无水右旋糖环和弱的C-O

键及葡萄糖钳键，它们的热稳定性比油中的碳氢键要弱，并能在较低的温度下重新化 合。聚合物裂解的有效温度高于105℃，完全裂解和碳化高于300℃，在生成水的同时， 生成大量的CO和CO2及少量烃类气体和呋喃化合物，同时被油氧化。CO和CO2的形 成不仅随温度而且随油中氧的含量和纸的湿度增加而增加。 （3）其它来源

在某些情况下，有些其它可能不是设备故障造成的，例如油中含有水，可以与铁 作用生成氢。过热的铁心层间油膜裂解也可以产生氢。新的不锈钢中也可能在加工过 程中或焊接时吸附氢而又慢慢释放到油中。特别是在温度较高，油中有溶解氧时，设 备中某些油漆，在某些不锈钢的催化下，甚至可能生成大量的氢。某些改型的聚酰亚

胺型的绝缘材料也可生成某些气体而溶解于油中。油在阳光的照射下也可以生成某些 气体。设备检修时，暴露在空气中的油可以吸收空气中的CO2等。这时，如果不进行 真空滤油，则油中CO2的含量约为300?L /L。

另外，某些操作也可生成故障气体，例如：有载调压变压器中切换开关油室的油 向变压器主油箱渗漏，或选择开关在某个位置动作时，悬浮电位放电的影响；设备曾 经有过故障，而故障排除后绝缘油未经彻底脱气，部分残余气体仍留在油中；设备油 箱带油补焊；原注入的油就含有某些气体等。 2.3、油中溶解气体组分与故障类型的对应关系

从2.1节可知，变压器故障按其故障性质来分有热性故障和电性故障。至于机械故 障，除因运输不慎受震时某些部件松动，线圈位移或引线损伤外，也可能是由于电性 故障引起的电应力作用导致的。不论是什么类型的故障，变压器油和绝缘材料都会在 热和电的作用下产生各种气体，根据产气的原理，不同的故障性质会产生不同类型和 比例的气体，根据这些气体组分就可以诊断出相应的故障类型[35]。 （1）热性故障与油中气体含量的关系

热性故障是由于热力效应所造成的绝缘加速劣化，具有中等水平的能量密度。如 果热应力只引起热源处绝缘油分解时，所产生的特征气体主要是甲烷和乙烯，二者之 和占总烃的80%以上，且随着热点温度的升高，乙烯所占的比例会升高。其次是乙烷 和氢气，乙烷一般不超过烃总量的20%。一般，高中温过热时，氢气占氢烃总量的27% 以下。通常热性故障不产生乙炔的，一般低于500℃的过热时，乙炔的含量不会超过总 烃的2%，而严重过热时，乙炔的最大含量也不超过烃总量的6%。当涉及固体绝缘材 料时，除产生上述气体外，还有大量的一氧化碳和二氧化碳。热性故障与气体组分的 关系如表2-1所示。

（2）电性故障与油中气体含量的关系

变压器的电性故障主要包括三种类型，分别是电弧放电或者高能放电、火花放电 或者低能放电、局部放电。对于不同类型的电性故障所产生的气体组分是不同的。 电弧放电，以线圈匝、层间绝缘击穿为多见，其次为引线断裂或对地闪落和分接 开关飞弧等故障。这种故障产气急剧，产气量大，尤其是匝、层间绝缘故障，因没有 前驱现象，一般难以预测，最终以突发性事故暴露出来。其故障特征气体主要是乙炔 和氢气。其次是大量的乙烯和甲烷。因为这种故障发展速度快，往往气体来不及溶解 于油中就进入气体继电器，所以实际测定到油中气体的含量往往与故障点位置，油流 速和故障持续时间有很大关系。乙烷一般占烃总量的20%-70%，氢占氢烃总量的 30%-90%，并且绝大多数情况下，乙烯的含量高于甲烷的含量。

火花放电，因为其故障能量较小，一般烃总量不会高。油中溶解的乙烷在烃总量

中所占比例可达25%-90%，乙烯的含量约占烃总量的20%以下，氢气占氢烃总量的30% 以上。局部放电产生气体的特征主要依放电能量密度的不同而不同，一般烃总量不高。 其中主要成分是氢气，其次是甲烷。通常氢气占氢烃总量的90%以上，甲烷与烃总量 之比大于90%，当放电能量密度增高时也可以出现乙烷，但乙烷在烃总量中的比例一 般不超过2%。另外，无论是哪一种放电现象，只要有固体绝缘介入时，就都会产生一 氧化碳和二氧化碳气体。电性故障与气体组分的关系如表2-2所示。 （3）受潮与油中气体含量的关系

变压器进水受潮时，油中水分和含湿气的杂质容易形成“小桥”，或者绝缘中含有 气隙均能引起局部放电而产生氢气，另外还因为水分在电场作用下的电解作用和水与 铁的化学反应，也可产生大量氢气。所以在变压器受潮时，氢气占有很高的比例。由 于变压器油正常劣化时也产生少量的甲烷，故在受潮的变压器中也有少量的甲烷，但

其比例有所下降。有时局部放电和受潮同时存在，且它们的特征气体基本相同，故单 靠油中气体分析结果尚难加以区分，必要时要应根据外部检查和其它试验结果加以综 合判断。

综上所述，变压器不同的故障类型产生的主要和次要气体组分如表2-1和表2-2所 所示。另外表2-3列出了已得到公认的变压器油中溶解气体组分与内部状况的对应关 系，这是建立特征气体判断法的基本依据。 2.4、基于油中溶解气体分析的变压器故障诊断

油中溶解气体分析（DGA）的变压器故障诊断方法作为一种经过实践认证的诊断 方法已经在现场中得到了广泛的认可，它在了解变压器的运行现状，查找所发生故障 的原因，预测故障的发展趋势，及时发现变压器设备的内部潜伏性故障等方面都有许 多成功应用的例子。一次完整的油中溶解气体分析过程，主要包括变压器有无故障的 判断，故障严重程度的判断，故障类型诊断以及故障状况的判断[35]。 2.4.1、有无故障的判断

在利用油中溶解气体分析方法，对变压器进行有无发生故障的判断时，主要依据 两点进行判定，一是变压器油中溶解的各种气体的浓度，二是变压器油中溶解气体的 产生速率，即绝对产气率或者相对产气率。

在DL/T722-2000标准当中，对出厂和新投运的变压器设备气体浓度进行了规定如 表2-4所示，同时要求：出厂试验前后的两次分析结果，以及投运前后的两次分析结 果不应有明显区别。另外标准中给出了变压器、电抗器和套管油中溶解气体浓度的注 意值，如表2-5所示。

在实际的判断过程中，首先将油中溶解气体的几个主要特征气体指标与表2-5的

注意值进行比较，例如总烃、乙炔和氢气等含量。如果其中某一种特征气体的含量超 过注意值时，就需要引起注意。但是，DL/T722-2000标准中推荐的注意值只是指导性 的，并不是判断设备故障与否绝对标准，换而言之，如果变压器油中某种气体组分超 出注意值，并不能说明该变压器就一定发生了故障，还需要根据变压器的运行情况， 历史数据，特别是特征气体的增长速率进行进一步的诊断确定。特征气体的增长速率 注意值如表2-6所示。 2.4.2、故障严重程度判断

判断变压器的故障严重程度时，在实际应用当中，主要是依靠产气的速率来进行 分析诊断。因为产气速率与发生故障的部位、故障的能量大小、性质和热点的温度都 密切相关，所以分析计算产气速率不仅可以分析设备是否发生故障，而且还可以近一 步分析故障的严重程度以及故障的发展趋势等问题。

在实际应用以及DL/T722-2000导则中，主要有如下两种产气率计算方法：

（1）绝对产气速率，即每一运行日，产生某种组分气体的平均值，根据式2-1进 行计算：

2.4.3、故障类型判断

在明确了油中溶解气体组分与变压器内部故障性质的对应关系后，人们先后提出 了一系列的诊断方法，用于诊断变压器内部故障的类型，其中主要有特征气体法、比 值法以及其它各种辅助的判断方法。 （1）特征气体法

特征气体法主要根据表2-1和表2-2的对应关系，所设计出的一种故障类型判断的 方法，用它们进行故障类型诊断较为方便有效，但是其缺点是不能对故障状况进行进 一步的判断。表2-7和表2-8 [36]分

别给出了两种不同的特征气体判断方法。11 （2）比值法

在特征气体法的诊断当中，主要依靠油中溶解气体各组分的浓度绝对值进行故障上海电力学院硕士学位论文

类型的判断，但是根据多年的现场应用经验表明，利用各气体组分的相对含量进行诊 断更能反映和诊断故障类型。因此提出了利用气体浓度比值作为判据的诊断方法，即 比值法。比值法有许多种类型，如两比值法，三比值法以及四比值法等等。但在我国 主要是利用IEC三比值法和改良三比值法为主。

IEC三比值法是从罗杰斯的四比值法发展而来的，在罗杰斯四比值法中，考虑到

乙烷和甲烷的比值对于反映热分解的温度范围有限，对于进一步诊断用处不大，所以 将其删除，从而简化得到IEC三比值法。其编码规则和判断方法如表2-9和表2-10所 示。

目前在DL/T722-2000导则中，推荐改良三比值法作为设备内部故障诊断的主要方

法，表2-11和表2-12分别是改良三比值法的编码表和故障类型诊断分析表，在导则中 同时还提出了应用改良三比值的三项原则，即：

1）只有根据气体各组分含量的注意值或气体增长率的注意值有理由判断设备可

能存在故障时，气体比值才是有效的，并进行计算。对气体含量正常，且无增长趋势 的设备，比值没有意义。

2）假如气体的比值与以前的不同，可能有新的故障重叠在老故障和正常老化上。 为了得到仅仅相应于新故障的气体比值，要从最后一次的分析结果中减去上一次的分 析数据，并重新计算比值（尤其是在CO和CO2含量较大的情况下）。在进行比较时， 要注意在相同的负荷和温度等情况下和在相同的位置取样。

3）由于溶解气体分析本身存在的试验误差，导致气体比值也存在某些不确定性。 对气体浓度大于10?L /L的气体，两次的测试误差不应大于平均值的10％，而在计算 气体比值时，误差提高到20％。当气体浓度低于10?L /L时，误差会更大，使比值的 精确度迅速降低。因此在使用比值法判断设备故障性质时，应注意各种可能降低精确 度的因素。

（3）其它辅助方法

当要判断故障是否涉及到固体绝缘时，可以利用一氧化碳和二氧化碳含量的变化

进行诊断。在导则中推荐，当怀疑设备固体绝缘材料老化时，一般CO2/CO>7。当怀疑 故障涉及到固体绝缘材料时（高于200℃），可能CO2/CO<3，必要时，应从最后一次 的测试结果中减去上一次的测试数据，重新计算比值，以确定故障是否涉及到了固体 绝缘。当怀疑纸或纸板过度老化时，应适当地测试油中糠醛含量。

另外，如利用改良三比值法或IEC三比值不能得出确切的故障时，还可以利用另 一种三比值诊断方法，即溶解气体解释表，如果还难以判断，可以使用三角图或立体 图的方法进行判断。 2.4.4、故障状况判断

对故障类型进行判断后，就需要对故障的状况进行进一步的了解，分析出故障的 严重程度、故障的发展趋势、故障热源的温度、故障源的功率、故障点的面积以及油 中溶解气体饱和程度等等，以便维护者能够根据这些情况制定合理的维护措施和补救 方法，以达到防止故障的进一步恶化，导致出现严重的事故。 （1）故障热源温度估算

从各种三比值法以及四比值法等诊断方法中可以看出，各种比值与热源的温度存 在一定的依赖关系，所以根据这些关系，人们得出了一系列的经验公式用于估算故障

热源的温度。

当故障不涉及固体绝缘热分解的情况，并且温度在400℃以上，可以利用公式2-3、 公式2-4和公式2-5进行热源温度计算：

（3）油中气体饱和程度和达到饱和释放所需时间的估算

当油中溶解气体达到饱和时，气体就会从油中游离出来，以气泡的形式释放出来， 在电场的作用下，这些气泡可能会发生局部放电现象，从而导致绝缘的闪络。所以对 油中溶解气体的饱和程度以及释放所需要的时间进行估计是非常有必要的。

对于油中溶解气体的饱和程度可以用式2-11进行估算，而释放所需要的时间可以 用公式2-12进行估算。 （4）故障源面积的估算

故障源面积的估算可以利用公式（2-13）进行计算，其中单位时间的产气量可以

按照油中溶解气体的追踪数据分析得到，并根据故障点的温度估算结果，而单位面积 的产气速率可以根据图2-1进行查找。 2.5、本章小结

本章介绍了变压器内部各种典型的故障类型，以及变压器油中溶解气体的产生机 理，重点分析了变压器热性故障和电性故障与油中溶解气体组分的对应关系。最后， 详细介绍了基于油中溶解气体诊断方法的典型步骤，包括有无故障、故障严重程度、 故障类型判断以及故障状况认定等几个步骤。为后续进一步采用基于粒子群优化(PSO) 算法的径向基函数(RBF)神经网络进行变压器故障诊断系统的设计奠定了基础。 3、基于聚类法的变压器故障样本划分

基于本文所采用的故障诊断方法是神经网络技术，而对于神经网络而言，输入样 本的结构、神经网络的内部结构和神经网络的算法，这三者对神经网络的推理泛化能 力有着至关重要的影响。而泛化能力作为衡量神经网络性能的主要指标之一，其泛化 误差主要包括两个方面[37]，一是逼近误差，来源于神经网络表示一个目标函数的能力 是有限的，二是估计误差，来源于样本中包含的目标函数信息是有限的。另外，在相 关文献中[38]经过分析认为，样本对网络泛化能力的影响甚至超过网络结构对泛化能力 的影响。针对样本的结构对神经网络推理泛化能力的重要性，所以对所收集到的变压 器故障样本数据进行优化处理是非常有必要的。 3.1、样本优化处理概述

在各个领域中，由于神经网络的优秀性能，使其得到了广泛的应用。同时人们提 出了各种各样的改进方法，过去主要集中在学习算法和确定网络结构等方面的改进， 对于输入样本的处理研究甚少。随着神经网络应用研究的深入，越来越意识到训练样 本对其性能影响的重要性，提出了许多处理的方法，其中主要有：输入样本维数的确 定、特征向量的选择、冗余信息的删除以及孤立样本处理等方面。

在文献[39]中利用因子分析法对输入样本维数进行降低维数处理，因子分析在处理 多指标样本数据时，将具有错综复杂关系的指标综合为数量较少的几个因子，以再现 原始变量与因子之间的相互关系。在文献[40]中利用改进的最近邻规则对样本中的冗余 信息进行处理，这种方法可以有效的去除训练样本中的冗余信息，并使保留下来的样 本能更好的表达全部样本所包含的信息，能达到以较少的样本得到更高的识别率。该 方法非常适用于具有大规模训练样本的情况。在文献[41]中利用动态聚类的方法对样本 进行处理，去除了样本中孤立样本对诊断系统性能的影响，从结果上分析，去除孤立 样本后使系统性能得到了较大的提高。

总的来看，大多数对样本处理的研究工作主要集中在对样本本身的优化，然而对 于神经网络而言，如何从庞大的样本集中挑选出合适的训练样本以及测试样本也同样

重要。用于神经网络学习的经验知识是以数据的形式存在样本当中的，这就导致经验 知识分布的随机性。如果像以往所采用的随机选取方法，从总的样本集中随机挑选出 训练样本和测试样本的话，就有可能导致获取知识不全面或极端化，从而导致神经网 络的推理泛化能力下降。为解决这个问题，在本章中利用聚类的方法对搜集到的变压 器样本数据进行合理的划分，使挑选出来的训练样本中包含尽可能全面的经验知识， 以提高神经网络的推理泛化能力，提高变压器故障诊断系统的诊断正确率。 3.2、聚类分析介绍

3.2.1、聚类分析基本概念

聚类就是按照一定的规律和要求对事物进行区分和分类的过程，在这一过程中没 有任何关于分类的先验知识，即没有教师指导，仅仅依靠事物的内在的相似性作为分 类的准则，因此聚类属于无监督分类的范畴。聚类分析则是指用数学的方法研究和处 理给定对象的分类。

聚类分析是多元统计分析的一种，也是非监督模式识别的一个重要分支。它把一 个没有类别标记的样本集按照某准则划分成若干个子集，使相似的样本尽可能的归为 一类，而不相似的样本尽量划分到不同的类中。传统的聚类分析是一种硬划分，它把 每个待辨识的对象都严格地划分到某类中，具有非此即彼的性质，因此这种类别划分 的界限是分明的。而实际上大多数对象没有严格的属性，它们在性质和属类方面存在 着中介性，具有亦此亦彼的性质，因此适合进行软划分。模糊集理论的提出为这种软 划分提供了有力的分析工具，人们开始用模糊的方法来处理聚类的问题，并称之为模 糊聚类分析。由于模糊聚类得到了样本属于各个类别的不确定性程度，表达了样本类 属的中介性，即建立起了样本对于类别的不确定性描述，更能客观地反映现实世界， 从而成为分析聚类的主流[42]。

聚类在模式识别的应用时间虽然不长，但是由于其可以在没有教师的情况下进行 良好的分类，以及其它一些优秀的性能，使其在该领域内得到了快速的发展。在应用 方面，它可以单独的应用于分类问题，也可以与其它模式识别方法综合使用。 3.2.2、聚类分析的数学模型

对聚类分析过程用数学模型表示，可以如下表示：设公式3-1中的X矩阵为待分 析对象的全体，其中行向量1 2 [,,,] k k k kn

x ?x x ?x，k ?(1,2,?N)， n k

x ?R，表示一个对

象，即一个样本，样本维数为n，样本总数为N。 3.3.2、基于聚类法的样本优化划分

以神经网络作为故障诊断的工具，其前期工作主要对样本的收集整理，划分出训 练样本集和测试样本集。由于神经网络所有的知识信息都来源于训练样本，训练样本 结构质量的好坏直接影响着神经网络的最终诊断推理性能，同时测试样本集的好坏也 影响着对神经网络有效性的正确评价。本节主要内容就是如何利用聚类的方法有效的 解决训练样本和测试样本的划分问题。

为解决这一划分问题，其前提必须对整个样本的空间分布情况有较为深入的了解。 为说明这一情况，选取一个较为简单直观的二维问题进行分析，然后举一反三。如图

3-1所示，所有样本以不均匀的随机的方式分布在椭圆内。如果像传统方法一样不去研 究样本的分布，而直接利用随机的方法从这些样本中选取训练样本和测试样本，当总 样本集不是无限大时，选取的训练样本很有可能是不全面的，缺少代表性。例如较为 极端的情况，所有的训练样本都落在图中所示的矩形内，这种情况下，在椭圆左边区 域的样本就得不到训练，从而这一区域的样本经验知识就不能被神经网络学习，导致 神经网络对这一区域的泛化能力降低。假如在划分训练样本和测试样本之前，对整个 样本空间的分布进行深入分析，然后再进行样本划分。如图3-2是用聚类法对图3-1的 样本进行分析后得到样本空间分布，从图中可以看出，聚类法根据某一相似性度量， 把原样本划分了三类，如果现在从这三类中按一定的方法和比例挑选训练样本和测试 样本，这样所得到的训练样本和测试样本，就完全可以避免以往由于随机挑选训练样 本和测试样本所带来的问题。

对于二维样本集的以上问题的处理和分析都是较为简单的，然而，现在变压器DGA 的样本数据是五维的，属于高维数的样本集又应该如何划分呢？在本文中首先选用在 3.2.5节中介绍的K-means方法对DGA样本进行空间分布状况分析，然后在各子类中 利用样本到聚类中心的距离作为依据来进行训练样本挑选和测试样本的挑选。在本章 中以所搜集到的48组高能放电（即电弧放电）的样本作为例子进行分析，其它类型的 故障样本采用与其相同的方式处理，表3-1为48组高能放电样本。

对于48组高能放电样本的训练样本和测试集样本划分，主要采用以下几个步骤进 行：

（1）对样本进行规范化。利用公式3-25对这些样本进行规范处理，处理后各个 样本的取值范围在0和1之间。

（2）分析样本集在空间的分布情况。为了对样本集的空间分布有一个全面的认

识，利用K-means聚类方法对这些样本进行聚类，由于该算法在使用前，需要确定聚 类的类别数，在本文中根据文献[41]所提的方法进行确定。该方法首先使聚类数K从 小到大逐步增加，同时针对每一个不同K值所产生的分类结果，计算各样本与其所属 子集中心的距离平方和J(K)，如式3-17所示。该距离平方和是随着K的增大而减小的， 而最佳聚类数Ka的选择，可取为该距离平方和J(K)变化曲线的曲率变化最大点对应的 子集数，该子集数即为Ka值，具体的计算过程如图3-3所示。 3.4、本章小结

在本章中，首先说明了对样本优化、科学合理划分训练样本和测试样本的重要性， 介绍了聚类分析的相关知识。针对利用神经网络工具进行的故障诊断时遇到的问题， 本章重点分析如何对样本进行划分，从而得出用于神经网络训练和测试的训练样本和 测试样本。可以看出，本章中所提出的利用聚类法对变压器故障样本进行优化划分的 方法，比以往采用的随机方法更加合理科学，基于聚类的划分方法能够以最大限度在 有限的样本数中，获取更为全面的经验知识。从而保证神经网络学习的完整性和高效 性，对于提高故障诊断系统的诊断能力和准确性有着非常重要的作用。通过论文4.3.3 节的验证对比，证明本章中所提方法的可行性和有效性。 4、基于PSO-RBFNN神经网络的变压器故障诊断系统

变压器油中溶解气体的形成过程复杂、受影响因素繁多，虽然人们得出了油中溶 解气体与变压器内部故障的关系，同时也提出了基于这一关系的诊断方法，例如特征 气体法和比值法，但是这些方法总的诊断正确率都不高，其主要原因在于它们都没有 充分利用以往所积累的经验知识。而神经网络具有强大的自学习能力、自适应能力和 推理泛化能力，能够在不清楚故障现象和故障原因对应关系的情况，利用以往积累的 样本数据，就能够实现从故障现象到故障原因的映射，也就是说，神经网络能够从历

史数据中学习到经验知识，并利用这些经验知识去诊断未知的事件。

径向基神经网络（RBFNN）是近年来应用较多的网络之一，它能够实现以任意精 度逼近任意一个连续函数。对于模式分类问题，它是把输入样本以非线性的方式变换 到一个高维空间，然后再进行分类的，这种分类方法符合Cover定理，即将复杂的模 式分类问题非线性的投射到高维空间比投射到低维空间更有可能线性可分。所以利用 RBFNN进行变压器故障诊断是非常合适的。 4.1、径向基函数(RBF)神经网络 4.1.1、RBF神经网络的结构原理

径向基函数（RBF）网络是一种前馈神经网络，它的网络结构如图4-1所示。具有 三层结构，分别是输入层、隐藏层和输出层，其中1 2 (,,,)T n

x ?x x ?x表示网络的n维输 入，1 2 (,,,)T m

y ?y y ?y表示网络的m维输出，[1 ,2,] T m

b ?b b ?b是网络的阀值向量， 1 2 [,,]T h

c ?c c ?c是由隐藏层的基函数中心组成的矩阵， m h mh W R ?

?是网络的权值矩阵， (|||),1,2,, k k

?x ?c k ??h是隐藏层的径向基函数。径向基函数的类型有多种，其中最 为常用的是高斯函数，如式4-1所示，其曲线如图4-2所示。 5、基于MATLAB/GUI的变压器故障诊断系统程序设计

对于一个完整的可以应用于实际的变压器故障诊断系统，一个友好的人机交互界

面是非常必要的，它可以让用户轻松实现数据的输入，非常明了地观察各种诊断结果， 让用户不需要了解诊断程序本身的工作方式就可以方便的使用它。同时，将故障诊断 算法转化成具有实际意义的变压器故障诊断系统，有利于研究成果的产业化。在本论 文中所设计的变压器故障诊断系统，是采用基于MATLAB/GUI的新型图形界面开发工 具开发的。

5.1、MATLAB的GUI编程介绍 Graphical User Interfaces（GUI），即图形用户界面，是一种包含有多种图像对象的

界面，典型的图像对象有菜单、工具栏、按钮、文本框和滚动条等。用户只要根据具 体问题的需要对这些图形对象进行布局和编程，最后保存和发布所创建的GUI即可实 现图形用户界面的开发。

在MATLAB中，对于GUI的创建，提供了两种方法，一是利用MATLAB所提供 的图形用户界面开发环境GUIDE（MATLAB’S Graphical User Interfaces Development Environment）进行开发；二是用户自己编写代码实现。第一种方法对于中小型程序， 用其来开发是非常简单高效的，第二种方法对于复杂的图形界面开发可以实现精确控 制，但是要求使用者有一定的编程基础。在本文中采用GUIDE图形用户界面开发环境 进行变压器故障诊断系统的开发。 GUIDE主要是一个界面设计工具集 [49]

，如图5-1所示，MATLAB将所有GUI支

持的用户控件都集成在这个开发环境中，并提供界面外观、属性和行为响应方式的设 置方法。GUIDE将用户保存设计好的GUI界面保存在一个FIG资源文件中，同时还能 够生成包含GUI初始化和组件界面布局控制代码的M文件。这个M文件为实现回调 函数（当用户激活GUI某一组件时执行的函数）提供了一个参考框架。

（1）FIG文件：该文件是一个二进制文件，包括GUI图像窗口和其所有后裔的

完全描述，以及所有对象的属性值。MATLAB通过读取FIG能够重新构造图形窗口对 象及其所有后裔。所有对象的属性都被设置为图形窗口创建时保存的属性。 （2）M文件：该文件包括GUI设计、控制函数以及定义为子函数的用户控件回

调函数，主要用于控制GUI展开时的各种特征。该M文件由两部分组成，分别是GUI 初始化和回调函数，用户控件的回调函数根据用户与GUI的具体交互行为分别调用。 该文件中不包括用户界面设计的任何代码，这些代码完全由FIG文件保存。 5.2、变压器故障诊断系统

5.2.1故障诊断系统界面结构介绍

本文所设计的变压器故障诊断系统，从功能结构上分，主要包括两部分，一是对

输入DGA数据进行诊断；二是根据诊断情况，使系统内部的RBF神经网络不断进行 学习完善，从而使变压器诊断系统越来越精确。

系统的人机界面如图5-2所示。特征气体输入栏：即输入变压器油中溶解气体数

据。故障诊断输出栏：这里包括两部分，一是对诊断类型的描述，例如高温过热，高 能放电等，二是发生该类故障可能的原因。这些可能原因是根据现场发生的实际故障 情况所总结出来的。故障确认栏：当一次诊断中，本系统所诊断的结果与检查后发现 的实际故障不相符，即发生了诊断错误现象，则把该诊断错误的输入特征气体数据和 正确的故障类型组合成一个新的训练样本，通过“更新数据库”按钮把该新的样本加 入到RBF神经网络的内部数据库（即训练样本集）当中，并单击“重新训练”按钮对 诊断系统进行重新训练，从而达到对该新样本知识的获取，以完善诊断系统的性能， 从而使该变压器故障诊断系统越用越“聪明”。 5.2.2故障诊断系统使用测试

针对故障诊断系统的两个不同功能，本节设计了两次不同测试试验，一是诊断系 统能够进行正确诊断的情况；二是诊断系统诊断错误的情况。从而验证该诊断系统的 功能是否能够正常实现。

（1）诊断系统能够正确诊断的情况

从表4-11中抽取第一组和第二组故障数据进行试验，输入特征气体分别是：[980， 570，37，480，54]和[73，520，140，1230，7]，按右上角的“进行诊断”按钮进行诊

断，得出的结果分别如图5-3和图5-4所示。从诊断过程和结果可以看出，所设计的系 统操作简单，输出结果清晰明了，诊断的效果良好。

6、总结与展望

传统的比值法变压器故障诊断方法，虽然在原理上和使用上较为简单，但是也存 在较多的缺陷，例如故障编码不全面，故障区间划分过于绝对等。因此本文采用径向 基函数(RBF)神经网络进行变压器故障诊断系统的设计，以解决传统诊断方法的不足之 处，其中主要的结论和贡献有：

（1）提出基于K-means聚类法的神经网络训练样本和测试样本的划分方法。 良好的训练样本能够使神经网络得到更为全面的学习，在有限的训练样本中获得 尽可能多的先验知识，从而提高神经网络整体的推理泛化能力。而良好的测试样本能 够对神经网络进行更为完整的测试，从而确保神经网络得到正确合理的评价。针对传 统的随机划分方法的不足，本文提出了基于K-means聚类法的神经网络训练样本和测 试样本的划分方法。该法能够较为均匀地从总的样本中划分出训练样本和测试样本， 试验结果表明了该方法的可行性与有效性。另外，该方法具有良好的通用性，对于其 他类似问题也可以采用该法处理。

（2）提出基于粒子群(PSO)算法的径向基函数神经网络(PSO-RBFNN)。

利用径向基函数(RBF)神经网络进行变压器故障诊断系统的设计，其中一个难点是 隐藏层中径向基函数的参数确定问题。传统的学习算法，如聚类法，梯度下降法等都 容易收敛于局部最优值，从而降低了系统的诊断正确率。本文采用了具有全局寻优能 力的粒子群优化(PSO)算法，把该算法应用到RBF神经网络的学习当中，从而提出了 基于PSO-RBFNN的变压器故障诊断系统。与三比值法、BP神经网络法进行对比测试， 表明该方法能够有效的提高变压器故障诊断系统的诊断正确率。

（3）设计开发出具有友好人机界面的变压器故障诊断系统应用程序。

由于基于PSO-RBFNN的变压器故障诊断系统结构原理复杂，如果没有一个友好

的人机界面，将难以在现场实际当中得到广泛应用。所以本文利用MATLAB/GUI工具 设计开发出具有友好人机界面的变压器故障诊断系统应用程序，该应用程序界面布局 合理清晰，数据的输入和结果的输出都非常明了，而且使用者不需要深入了解 PSO-RBFNN的结构原理就可以使用。

虽然本文在利用PSO-RBFNN神经网络进行变压器的故障诊断取得了一些成果， 但是限于研究的时间有限，还存在以下问题有待进一步的深入研究和完善。 （1）粒子群优化(PSO)算法的寻优能力很大程度上依赖于算法中各参数的选择， 例如最大速度、惯性因子、加速常数和粒子群规模等，而实际应用中这些参数的选择 缺少实用的指导原则，从而影响到PSO算法的全局寻优能力。今后的研究可以对PSO 算法进行一定的改进，从而减少其对参数的依赖程度，或者制订较为合理的参数选择 原则。

（2）利用神经网络技术对变压器故障进行进一步的定位。从目前的研究现状来

看，对于该问题如果仅仅依赖于油中溶解气体来进行分析，是比较困难的。笔者也曾 做了些尝试，但效果不理想，今后可以考虑结合其它物理量进行综合判断，例如有文 献中提出把油中溶解气体和油中金属成分及其含量这两方面综合考虑，诊断出故障的 具体位置。

（3）在本文中所设计的变压器故障诊断系统没有充分利用气体的产气速率，而

产气速率在判断故障的严重程度，故障的发展趋势，乃至于判断变压器是否发生故障 都有着重要的作用。所以今后的研究可以把各类特征气体的产气速率结合进来，进行 综合判断，从而使故障诊断系统更加完善。

随着理论的发展，技术的进步，使得变压器故障诊断向着越来越智能，越来越精 确的方向发展。前沿理论与先进技术的结合，使变压器故障诊断技术向着多个不同的 方向发展，例如远红外诊断、超声波诊断、在线监测等等，又如模糊诊断、专家系统 诊断、信息融合故障诊断、智能体故障诊断、智能结构故障诊断等等。所有这些都将 推动变压器故障诊断技术的不断发展。

致谢

研究生学习生涯转眼间即将过去，在这两年多的时间里，不仅学习到了丰富的理

论知识，更为重要的是学会了如何去学习，而这些都离不开老师、同学和亲友的帮忙。 首先特别需要感谢的是我的导师钱虹老师，不论是在学习上还是在生活上都给予 了我无尽的关怀与指导。在参与项目研究初期，由于对相关领域知识和科研经验的不 足，入手相对较为困难，是导师的细心教导让我顺利的度过了难关，同时她严谨的科 研态度让我在今后的研究过程中获益匪浅。另外，在我做论文的期间，从题目的选择， 到相关资料的收集，到论文的审稿，无不凝聚着导师的心血与辛劳。在这里衷心感谢 导师这两年多来的培养、教导和关怀。

其次，非常感谢叶建华、薛阳、杨旭红、刘刚老师，在我参与项目研究期间，都 给予了很大的帮助，提供了良好的实践平台。他们严谨的工作态度，深厚的专业知识 以及良好的做事风格都是我学习的榜样。

另外，实验室中的季华艳、易金明、王学奎、严振杰等同学，是他们陪伴着我走 过了两年多的学习生涯，是他们在我有困难的时候给予了我无私的帮助，是他们创造 了良好的实验室氛围，让我的学习过程充满了欢笑，由衷的感谢他们。

最后，深深的感谢我的家人，他们的理解，他们的支持和他们的关爱，是我前进 的最大动力。