摘要：变压器是电力系统中的中的重要设备，它的正常运行对电力系统起着至关重要的作用。针对变压器的故障诊断方法，主要有传统比值法以及各种智能诊断方法。针对传统比值法和各种智能诊断方法编码不全，编码与故障类型对应关系太过绝对等缺点。本文将支持向量机、遗传算法和粗糙集相结合，应用到变压器故障诊断中。经过实例证明，该方法切实可行，诊断结果证明了本方法的有效性。
关键词：变压器 故障诊断 粗糙集 支持向量机 遗传算法
变压器是电力系统中分布最广泛、造价高昂、结构复杂的电气设备之一，担负着电能传送和电压转换的重任，它的安全运行直接影响了整个电力系统的安全性和稳定性。随着电力网络的负荷加重，变压器发生故障的概率越来越高。另一个方面由于变压器结构复杂，发生问题时判断故障及检修故障也很复杂。因此研究变压器的故障，对变压器早期出现的故障进行诊断研究，提高整个电力系统供电的可靠性，有着十分重要的作用。目前最有效的手段是对油中溶解气体的分析。对油中气体分析的判断变压器故障类型的方法，由以往常用的三比值法逐渐过渡到智能诊断方法。本文首先对基于油中溶解气体分析变压器故障类型的方法进行了研究，分析了传统比值法的优缺点，进而提出了利用遗传算法对支持向量机进行参数寻优，探索了一种新的智能变压器故障诊断方法。
1 变压器故障诊断现状研究
对油浸式变压器来说，现状都是用油作为散热和绝缘材料，在运行中，油与中间的固体有机材料因故障会逐渐老化和分解，同时油中会产生少量的各种气体。因为不同故障，产生的气体比例、含量不同，所以就可以利用对油中气体的分析，来判断故障类型。利用这种方法对油中溶解气体进行实时监测，就可以及时发现故障信息，避免灾难性隐患的出现。这种方法，能在变压器带电工作时进行监测，不受电磁干扰的影响。基于油中溶解气体分析的变压器故障诊断有一些传统方法，最常见的是三比值法。传统方法对故障诊断有一定效果，但也有一些问题，比如编码的设定、编码范围边界的区分太过绝对、编码与故障类型的对应太刻板，反而不利于故障诊断。随着人工智能的发展，对变压器故障诊断的研究也进入了智能诊断阶段。对于智能诊断方法来说，需要大量的样本信息来保证模型的建立。但是变压器因为自身的复杂性，以及现场采集手段单一而导致变压器试验样本信息不完备、试验样本少，导致了智能判断不能进行完善的判断。鉴于此，我单位在故障诊断中适当应用了智能算法，以确保故障诊断准确无误。
2 常用变压器故障诊断方法
2.1 基于粗糙集的变压器故障样本的处理 以油中溶解气体的分析作为基础，利用支持向量机算法建立一个模型。该模型的输入是油中溶解气体，输出是变压器故障类型。利用粗糙集的方法对变压器故障样本进行处理和分析，为了对输入特征进行优化，应该以约简后的故障样本作为新样本用于模型诊断。首先利用基于粗糙集理论的工具Rosetta对搜集到的故障数据样本进行处理。其次，经处理的数据可通过等频率离散法进行离散化。最后，应用Genetic algorithm算法约简离散后的原始决策表来优化原始决策表的条件属性，做好数据预处理，为诊断变压器故障创造条件。
2.2 基于遗传支持向量机在变压器故障诊断中的应
用 在小样本的情况下，传统的变压器智能诊断方法效果还不理想。但现行测试手段尚有不完善之处，无法获取更多的样本用于变压器的智能故障诊断。鉴于此，我们将支持向量机算法引入变压器故障诊断中。另一方面，鉴于支持向量机的参数寻优具体依赖于网格搜索、经验选择等。这些方法有准确率不高、训练时间过长等缺点。针对此，为提高诊断模型的正确判断率，又在支持向量机参数寻优中引入了遗传算法。
2.3 基于粗糙集和遗传支持向量机的变压器故障诊断模型实现及结果对比分析 利用建立的基于粗糙集和遗传支持向量机的模型，对获取的300个变压器原始故障样本，在条件属性中加入了16个气体比值，决策属性采用六种常见的变压器故障类型，通过连续气体比值等频离散化后，构建原始决策表，规格为300*17。另一方面，针对原始决策表，应用Genetic algorithm属性约简算法对其进行属性约简和规则合并。同时为了证明所选方法的优越性，将基于粗糙集和遗传支持向量机的变压器故障诊断模型和传统的智能判断方法进行对比，经过多次实验、分析比较，得到了随着本文算法的加入，对故障的分类和判断的准确率得到了大幅提高。
3 结语
利用基于粗糙集和遗传支持向量机的变压器故障诊断模型对变压器进行故障诊断，能使故障分类准确率得到大幅提高。在同样的输入条件下，诊断结果要优于传统三比值法及智能判断方法。通过对8组经过有关部门提取的数据进行判断，能达到100%的正确判断率。不过虽然基于粗糙集和遗传支持向量机的变压器故障诊断模型能够得到较为理想的诊断效果，但是还有一些方面需要探讨，比如现在只是讨论了对单一故障类型的判断，如果多种类型故障同时出现，还没有进行研究。我相信，随着科学技术的不断发展，对油浸式变压器的故障诊断方法一定会得到进一步的应用。
