摘要：總結了近年來人工智能技術在基于油中溶解氣體分析(DGA)的變壓器絕緣故障診斷方法上的研究和發展,介紹了其中的主要方法和成果,并討論了該領域的研究趨向。
　　關鍵詞：油中溶解氣體分析；變壓器；絕緣故障診斷；人工智能
　　0前言
　　充油變壓器在運行狀態中發生故障將嚴重影響整個電力系統的可靠運行，其中由于絕緣故障造成的事故占到變壓器總事故的85%以上。油中溶解氣體分析方法作為一種有效的充油電力設備異常分析手段,在電力系統中得到廣泛的應用。本文主要是針對基于DGA的變壓器絕緣故障診斷方法進行研究和探討。傳統的基于DGA的變壓器絕緣故障診斷方法有：得能堡比值法、三比值法、羅杰斯法、改進羅杰斯法、電研協法等，采用的特征氣體是CH4，H2，C2H4，C2H6，C2H2，CO，CO2等七種。這些方法是在大量數據的基礎上統計出來的，雖然在形式上比較簡單，但正是因為簡化了故障因素的復雜性而使得故障診斷正確率只能達到80%左右。
　　本文系統地討論了近年來國內外學者提出的基于人工智能技術的變壓器絕緣故障診斷方法，如基于模糊理論、神經網絡、專家系統和灰色理論等技術，這些方法有效地提高了變壓器絕緣故障診斷的正確率。最后討論了今后該領域的研究趨向。
　　 1基于模糊理論的絕緣故障診斷方法
　　傳統的基于DGA的變壓器絕緣故障診斷方法是根據專家過去的知識和經驗總結的。目前用于變壓器故障診斷的各種規程和導則中，一般只給出了一個判斷故障邊界的描述，難以表述故障和各個特征量之間的客觀規律。例如：采用IEC/IEEE特征氣體三比值法來判斷變壓器絕緣故障類型時，給出的氣體比值的邊界是根據大量的統計數據得到的。盡管得到的編碼規則基本上是合理的，但邊界點的取值仍然具有一定的發散性和模糊性。當氣體的比值在邊界點附近時，DGA數據的細小變化容易使編碼發生很大的變化，從而引起誤判絕緣故障類型。為了解決這種在知識表述上所具有的不確定性，因而出現了基于模糊理論的變壓器故障診斷方法。模糊理論的基本思想是利用人類對事物的模糊思維及模糊性語言對事物進行識別和判決，具有詞語計算和處理不確定性、不精確性和模糊信息的能力，現已被證明是解決許多復雜問題的一種有效方法。
　　1.1基于模糊推理和模糊關系的絕緣故障診斷方法
　　目前，根據對絕緣故障診斷角度的不同，基于模糊理論的故障診斷方法大致分以下兩種。
　　(1)模糊推理。模糊推理的核心是模糊化處理和模糊規則，對DGA數據采用不同的模糊化處理方法和模糊規則形成不同的故障診斷處理方法。針對IEC/IEEE三比值法在氣體比值編碼區間定義上過于絕對性的缺點，文獻［1］中選用梯形函數作為模糊子集的隸屬函數，并且提出通過樣本學習來自動獲取三比值法中不存在的規則，彌補了三比值法在規則缺少方面的缺陷，并且模糊規則和模糊子集的參數采用進化優化算法自動調整，以減少人為設置參數帶來的主觀性。但文獻［1］沒有考慮模糊規則集的冗余和樣本集合中各個故障類型樣本個數對模糊子集和模糊規則參數的影響，因此文獻［2］在提出的規則建立算法中加入各個故障類型樣本的個數，并且采用遺傳算法對產生的模糊規則集進行了精簡，剔除了其中不重要的或冗余的規則?；趥鹘y的IEC編碼值，文獻［3］提出了模糊IEC編碼，以半柯西分布函數作為其隸屬函數，同時在模糊規則的運算中加入了C2H2、H2和CH4氣體含量大小的模糊子集隸屬度，通過加權求和的方式得到故障對應的隸屬度。加入這3種氣體的模糊子集有利于對某些特殊故障的診斷，彌補了三比值法僅考慮氣體間比值的不足。
　　(2)模糊關系。模糊關系表征的是兩個集合之間的關聯程度。由于傳統的三比值法在變壓器絕緣故障類型和比值編碼上是一一對應的關系，而實際上由于變壓器絕緣故障類型與特征氣體之間關系的復雜性，使得這種對應關系具有一定的模糊性。在對傳統比值法的編碼組合進行模糊化處理和統計及分析的基礎上，文獻［4］得到了編碼―故障模糊關系矩陣，以待測樣本對應的27組編碼組合的隸屬度作為特征輸入矢量，通過模糊綜合評判方法求出故障輸出矢量，以其中最大隸屬度對應的故障類型作為診斷結果。模糊向量是特殊形式的模糊關系，文獻［5］中提出了故障的特征模糊向量和故障標準參考值的概念，前者由三比值大小的模糊子集和除CO2外其余六種特征氣體含量大小的模糊子集組成。故障的隸屬度則由待測樣本的模糊向量與特征模糊向量的內積和除以標準參考值得到。
　　基于模糊推理和模糊關系的故障診斷方法來源于長期以來人們對變壓器絕緣故障診斷知識的經驗總結。這種經驗總結由于其本身具有的模糊性和不確定性，因此隸屬函數和模糊規則的確定過程存在一定的人為因素。同時在模糊規則的選擇上，一方面現有的模糊規則數較少，另一方面若增大模糊子集的個數又會引起規則數的急劇增加，導致計算量的增大和冗余規則的出現。因此，如何減少診斷過程中人為因素對隸屬函數的影響并獲取高效、精簡的模糊規則集是基于模糊推理和模糊關系的故障診斷方法的研究重點。目前數據挖掘技術中的粗糙集等方法因為能夠從大量數據中自動學習規則而成為新的研究方向。
　　1.2基于模糊聚類的絕緣故障診斷方法
　　模糊聚類方法的原理是在沒有先驗知識的情況下，基于“物以類聚”的觀點，應用模糊數學的方法確定各個樣本之間的距離及分散程度，按照樣本的距離或者某個目標函數來實現分類的一種方法。文獻［6］將迭代自組織數據分析方法(ISODATA)應用到變壓器故障診斷中，通過動態聚類的方法構造最優模糊分類矩陣和聚類中心，然后按與中心最近原則確定故障類別。在此基礎上，文獻［7］結合模糊集理論和各種聚類算法提出模糊模式動態多層聚類算法，選用模糊貼近度作為樣本之間的相似性尺度，采用動態分類求取最優分類結構，逐步對樣本集進行更為細致的分類，獲得了較高診斷正確率。
　　采用模糊聚類方法對故障類型進行分類時，對樣本間的距離選用何種計算表達式仍然需要根據實際經驗得到。另外，雖然使用的是動態分類方法，但如何評價動態分類的性能仍須進一步的研究。
　　 2基于神經網絡的絕緣故障診斷方法
　　神經網絡方法是通過模擬人腦神經元活動的過程，用神經元的特性及連接模式來學習和表達知識。由于它具有并行分布處理、自適應、聯想記憶、容錯性強等特點，在信息處理、模式識別和智能控制等方面得到了廣泛的應用。近年來隨著神經網絡理論上的不斷發展完善，加上模糊理論和小波分析在神經網絡中的廣泛應用，神經網絡方法成為最有前途的變壓器絕緣故障診斷方法之一。
　　2.1基于一般的神經網絡的絕緣故障診斷方法
　　文獻［8］［9］［10］是較早將常規的BP神經網絡方法應用到變壓器絕緣故障診斷系統中，采用的神經網絡模型是三層或多層前向網絡，輸入節點數采用七種特征氣體中的部分或全部?？紤]到當把某些特征氣體的含量作為神經網絡的輸入節點時會影響網絡的性能，文獻［10］對在不同的網絡輸入節點個數、網絡拓撲結構和網絡輸出節點個數下的網絡性能做了比較后，指出輸入為五種特征氣體、輸出為四種診斷類型的神經網絡結構具有最好的性能。對五種常規的診斷方法采用文獻［8］［9］提出的神經網絡方法進行訓練和比較后，文獻［11］認為具有三層結構和適當隱層單元的神經網絡比較適合于變壓器絕緣故障診斷，指出網絡的正確診斷率取決于所采用的診斷方法。除了應用較廣泛的BP神經網絡結構外，文獻［12］采用的是Kohonen自組織特征映射網絡，通過網絡中神經元間的交互作用和相互競爭，實現對不同故障類型的聚類分析；文獻［13］則采用了在逼近能力、分類能力和學習速度優于BP網絡的徑向基函數神經網絡。
　　2.2基于模糊神經網絡的絕緣故障診斷方法
　　常見的模糊神經網絡結構是利用神經網絡的非線性和自學習功能解決模糊推理中隸屬度取值和模糊規則難以獲取的問題。因此，基于模糊神經網絡的變壓器絕緣故障診斷方法的一般方法有兩種：①用模糊神經元取代傳統的神經元，神經算子由原來的點乘與求和改為模糊邏輯算子［14］［15］；②將BP神經網絡的輸入量模糊化，依靠BP神經網絡的非線性和自學習功能獲得輸入與輸出間的模糊關系［16］。文獻［17］則將粗糙集和模糊神經網絡結合，其基本思想是利用粗糙集方法對初始數據進行約簡，形成精簡的規則集，然后據此構造出的模糊神經網絡具有良好的拓撲結構，減少了網絡規模，而且保持了較好的分類能力。另外，將模糊邏輯引入到其它類型的神經網絡結構中，充分發揮各自的優點，為故障診斷方法提供了一個新的途徑。文獻［18］提出了一種模糊學習向量量化(FLVQ)網絡，借助于模糊分類法將樣本集分成N個模糊子空間，分別用LVQ網絡進行模糊規則的學習，取這N個LVQ網絡的最大輸出作為診斷結果。在ART-2網絡的基礎上，文獻［19］構造了具有輸入隱層的FART網絡，對各個特征氣體采用不同的隸屬函數處理，使網絡對不同的特征氣體具有不同的靈敏度。文獻［20］提出了基于模糊Hebbian學習率的模糊聯想記憶（FAM）神經網絡模型。
　　2.3基于小波神經網絡的絕緣故障診斷方法
　　小波分析是近十幾年來發展起來的一種強有力的數學工具，其對非平穩隨機信號具有良好的時頻局部特性和變焦能力。目前神經網絡與小波分析結合主要有兩種方式：一是將小波分析作為神經網絡的前置處理手段，為神經網絡提供輸入特征向量；二是將小波分析和神經網絡直接融合，用小波函數或尺度函數直接作為神經元的激勵函數。文獻［21］采用的是第一種方式，小波參數和網絡參數采用共軛梯度法學習。文獻［22］和文獻［23］則屬于第二種方式，不同的是文獻［22］采用高維二進小波基作為網絡隱層的激活函數，小波神經元采用的是各個輸入節點小波變換后的乘積；而文獻［23］提出了以一維的二進小波基函數作為網絡隱層的激活函數，小波神經元則是各個輸入節點小波變換后的求和。
　　神經網絡方法為變壓器的故障診斷問題提供了一種比較好的結構體系，學者們在此基礎上提出的方法極大地促進了故障診斷技術的發展。但如何克服神經網絡自身的弱點，將它與其他人工智能技術相結合，設計出具有結構簡單，良好分類能力，收斂速度快的神經網絡模型仍然是學者們今后研究的重點。同時，如何從神經網絡的分布式知識表達方式中獲取人們容易理解的知識也將有助于對變壓器絕緣故障機理的深入分析。
　　 3基于專家系統的絕緣故障診斷方法
　　專家系統方法是把某一專業領域內的多個專家的知識或者經驗用計算機可處理的符號形式存放在知識庫中，按照專家對知識的推理方法解決復雜的問題。它通常由知識庫、數據庫、推理機、知識獲取系統、解釋系統和人機接口等六部分組成。
　　目前國內外所開發的專家診斷系統大都是依據DGA數據、理化數據、電氣性能數據等從各方面進行常規診斷，然后再進行綜合分析得出結論。而將模糊理論和神經網絡技術引入則為專家系統開辟了新的知識獲取方法。文獻［24］較早提出將產生式規則的條件部分用模糊化的語義規則來代替，豐富了專家知識庫。文獻［25］提出把基于神經網絡的診斷方法引進到專家系統的知識庫中，其中神經網絡診斷方法是由多個診斷單一故障類型的神經網絡組成，待測樣本則分別由神經網絡和傳統的專家系統方法進行診斷，經過綜合分析后得到最終的診斷結果。除了在專家知識庫獲取方面的研究外，改進傳統的專家系統結構也是學者研究的重點。由于現有的故障診斷專家系統一般以產生式基本機構以及單一方法診斷為基礎，診斷結果的準確度和有效性難以得到保證，因而文獻［26］提出了基于多知識源協同求解問題的黑板模型，在此基礎上建立多專家合作診斷機制，并提出了在專家意見不一致時的綜合分析解決機制。
　　隨著模糊理論和神經網絡技術不斷融入到專家系統故障診斷方法中，原有的僅僅基于產生式規則的知識庫中將加入眾多的代表不同診斷方法的知識層。但是由于這些方法在診斷結果達到的層次不同，使得原有知識庫的結構變得更加復雜，維護起來也變得更加困難。因此，變壓器絕緣故障專家系統的發展方向是：在知識庫結構上采用開放式的模塊化設計，使得其它的故障診斷方法能更容易地嵌入到專家系統中來；在診斷策略上采用高效的多層次搜索策略，提高診斷速度；在推理機制上采取多專家協同推理的方式以減少誤判或漏判。
　　 4基于灰色理論的絕緣故障診斷方法
　　灰色系統理論以“部分信息已知，部分信息未知”的“小樣本”、“貧信息”不確定性系統為研究對象，主要通過對“部分”已知信息的生成、開發，提取有價值的信息，實現對系統運行行為的正確認識和有效控制。
　　目前，用于變壓器故障診斷中的灰色理論方法主要有灰色關聯分析［27］［28］和灰色聚類分析［29］?；疑P聯分析方法采用對曲線幾何形狀進行分析比較的方法來研究系統的動態過程，認為幾何形狀越接近，數據之間的關聯度就越大，然后根據關聯度的大小，將待診斷數據歸類于與之關聯度最大的標準故障模式?；疑P聯分析用于變壓器絕緣故障診斷的基本原理是：用表征系統特征的各種氣體參數組成特征狀態向量，然后通過樣本數據獲得對應各個故障模式的標準狀態向量集，最后通過計算待檢測向量與各個標準狀態向量的關聯度來判斷故障模式。其中關聯度的計算模型有距離關聯度［27］和面積關聯度［28］兩種。文獻［29］基于灰色聚類分析方法變壓器絕緣故障診斷，是將待診斷的變壓器的各種油中溶解氣體所擁有的白化數，按幾個灰類進行歸納，通過計算待診斷樣本與所有灰類的聚類系數，根據聚類系數的大小來判斷故障類型。
　　灰色理論能夠依據少量的樣本數據尋找影響變壓器絕緣故障的各個因素間的主要關系，通過影響系統行為的主要特征變量之間的灰色關系來建立系統的簡化模型，它為變壓器絕緣故障診斷方法開辟了一個新的研究方向。
　　 5結束語
　　近年來，將人工智能技術應用于變壓器絕緣故障診斷已成為學者們研究的熱點，各種不同方法的應用有效地提高了絕緣故障的診斷正確率，促進了在線監測與實時故障診斷系統的研究開發。然而基于DGA的變壓器絕緣故障診斷方法還不夠完善，仍然有一些問題值得進一步研究。
　　（1）基于DGA的絕緣故障診斷方法對特征氣體個數和相互之間關系的選取上還沒有一個統一的認識，僅僅使用特征氣體的比值不能完全表述系統的完整信息。以最少的數據量包含最多的系統信息將有助于各種故障診斷方法進一步提高診斷正確率。
　?。?）對變壓器絕緣故障產生的機理還需要進一步深入研究，以消除影響故障診斷的干擾因素。特別是對故障發生的早期階段的DGA數據的研究將有助于變壓器的維護和安全運行。
　?。?）鑒于電力變壓器由于在型號上的多樣性和運行環境上的復雜性導致發生絕緣故障后DGA數據上的分散性，開發出一個基于因特網的變壓器在線“醫院”診斷系統，為變壓器絕緣故障診斷方法提供一個統一的平臺，將大大促進變壓器絕緣故障診斷技術的發展。
　　人工智能技術的引入推動了變壓器絕緣故障診斷技術的發展，提高了故障診斷正確率。隨著人工智能技術向減少復雜化方向的發展和新的智能技術的產生，相信基于DGA的變壓器絕緣故障診斷方法必將越來越完善。