变压器故障

Buchholz relay was the first transformer protection device which used mechanical action only.It did not detect a difference of a current,voltage,or power. State of the Art in 1927：Buchholz relay,Siemens-Schuckertwerke,Germany：

随着电力信息化的提高，智能算法结合历史数据进行变压器故障诊断的方法越来越受到关注。在溶解气体分析法基础上借助少数类样本过采样（SMOTE）算法合成新样本，实现样本多维度扩充，并以贝叶斯优化算法寻找长短期记忆（LSTM）网络模型参数的最优设置值，以降低训练集错误率，进而建立了变压器故障诊断模型。结果表明：样本扩充后的变压器故障诊断模型过拟合度降低约20%，测试集准确率提升约10%。

针对目前变压器故障诊断准确率低的问题，提出一种多策略集成模型。首先通过等度量映射(isometric mapping, Isomap)对高维非线性不可分的变压器故障数据进行降维处理。其次，利用混合核极限学习机(hybrid kernel based extreme learning machine, HKELM)进行训练学习，考虑到HKELM模型易受参数影响，所以利用北方苍鹰优化算法(northern goshawk optimization, NGO)对其参数进行寻优。但由于NGO收敛速度较慢，易陷入局部最优，引入切比雪夫混沌映射、择优学习、自适应t分布联合策略对其进行改进。同时为了提高模型整体的准确率，通过结合Adaboost集成算法，构建Adaboost-INGO-HKELM变压器故障辨识模型。最后，将提出的Adaboost- INGO-HKELM模型与未进行降维处理的INGO-HKELM模型、Isomap-INGO-KELM模型、Adaboost-Isomap- GWO-SVM等7种模型的测试准确率进行对比。提出的Adaboost-INGO-HKELM模型的准确率可达96%，均高于其他模型，验证了该模型对变压器故障辨识具有很好的效果。

为了保证油浸式变压器故障诊断的可靠性，提出了一种基于多策略改进蜣螂算法(multi-strategy improved dung beetle optimizer, MIDBO)优化双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)的变压器故障诊断方法。由于蜣螂算法存在全局搜索能力较差、容易陷入局部最优解的缺点，首先通过Bernoulli混沌映射、引入自适应因子和Levy飞行策略融合动态权重系数进行改进，并对其性能进行评估。然后针对BiLSTM的诸多超参数利用MIDBO进行优化，形成MIDBO-BiLSTM故障诊断模型。通过核主成分分析(kernel principal component analysis, KPCA)提取特征值，进而深入分析特征值与故障类型之间的关联性，提高模型的收敛速度。最终实验结果表明所提出的MIDBO-BiLSTM变压器故障诊断方法准确率高、泛化能力强。其准确率高达94.67%，适用于变压器的故障诊断。

频率响应法是目前公认的检测绕组变形最为有效的技术手段，在变压器绕组变形离线检测方面取得了良好的应用效果。但一方面，现有频响法绕组变形检测技术在离线测试准确性、一致性及效率方面亟待改进、优化；另一方面，现有频响法绕组变形检测技术无法实现对运行变压器绕组状态的在线监测。上述两方面问题导致电力运维单位无法对大型电力变压器的绕组状态进行准确评估与故障预警，绕组变形导致的变压器故障占比居高不下。 本议题就目前中国电科院在频响法绕组变形感知方面开展的技术路线探索、关键组部件研制、系统性能校验及测试验证等工作进行交流。

为解决变压器故障样本类内不平衡与人为确定深度信念网络（deep belief network，DBN）的网络参数导致故障诊断精度低的问题，提出一种基于样本均衡和改进DBN的变压器故障诊断方法。首先，针对合成少数类过采样算法（synthesis minority oversampling technique，SMOTE）生成样本加剧类内不平衡的问题，提出基于改进K均值（improved K-means，IK-means）的IK-means SMOTE算法，据此得到类间、类内均衡的故障样本；其次，利用Tent混沌映射改进的鹈鹕优化算法（chaotic hybrid pelican optimization algorithm，CHPOA）对DBN的隐含层节点数、反向微调学习率寻优，构建CHPOA-DBN变压器故障诊断模型；最后，基于实验数据，分别将经典过采样算法、经典故障诊断模型与所提方法进行对比分析，结果表明：所提方法故障诊断准确率达到96.25%，可以为变压器故障样本不均衡条件下的故障智能诊断提供重要参考。

针对使用支持向量机(support vector machine, SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题，提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。首先，使用核主成分分析(kernel principal component analysis, KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。其次，使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization, NGO)进行改进。通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization, INGO)进行性能测试，验证了INGO算法的优越性。然后，基于KPCA提取的低维敏感特征，使用INGO对SVM的参数进行组合寻优，建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。最后，对不同变压器故障诊断模型进行实例仿真对比实验。结果表明：所提方法故障诊断精度高、稳定性好，更适用于变压器的故障诊断。

变压器是电力系统中重要的也是昂贵的关键设备，它承担着电压变换，电能分配和转移的重任，变压器的正常运行是电力系统安全、可靠地经济运行和供用电的重要保证，因此，必须大限度地防止和减少变压嚣故障或事故的发生。但由于变压器在长期运行中由于绝缘老化、材质劣化、外部破坏、以及安装、检修、维护中存在的问题和制造过程中留下的设备缺陷等因素的影响，变压器故障和事故是不可能完全避免的。

为提高变压器故障诊断的准确性，提出一种基于数据增强和特征注意力机制的灰狼优化算法（grey wolf optimization，GWO）−残差神经网络（residual neural network，ResNet）故障诊断方法。针对变压器不平衡数据集对故障诊断模型产生的影响，利用带梯度惩罚的Wasserstein生成对抗网络（generative adversarial network with gradient penalty ，WGANGP）对变压器数据进行数据增强。其次，在诊断模型的输入侧引入特征注意力机制，提升模型对平衡数据集中关键特征的敏感性。然后，为加速模型的收敛性，在训练的早期利用GWO-ResNet。最后基于某实测变压器数据集对所提出WGANGP-ATT-GWO-ResNet故障诊断模型的有效性进行验证。

变压器一且发生故障，易导致器身起火爆炸，造成大面积停电，严重威胁人身、财产安全。2008-2013年，南方电网64起变压器严重故障中，长油隙击穿、匹绝缘失效、突发短路损坏、重瓦斯误动等故障占比达70%，该类故障存在作用规律复杂、现场有效检测方法缺失、累积效应难以评估、故障预警困难的问题，严重影响变压器运行可靠性，成为函待解决的重大课题。 成果大规模应用于南网、国网近1200台变压器，成功避免2起500kV变压器重瓦斯误动、1起220ky变压器绝缘失效、1起220kV变压器短路损坏等重大故障。成果应用效果显著，南网110kV-500kV变压器故障率下降89%，500kV变压器未再发生突发破坏性故障。节支效益5.1亿元经济社会效益巨大，推广应用前景广阔。