（国网新疆电力有限公司和田供电公司 新疆和田 848000）
摘要：随着我国经济在快速发展，社会在不断进步，人们的生活质量在不断提高，电力变压器故障识别能够有效地提升故障维修效率，智能诊断方法是利用大数据技术构建的远程监测系统，通过运用智能诊断方法可以精准对变压器故障进行识别，以此提高变压器的工作效率。
关键词：智能诊断方法；变压器；故障识别；应用
引言
电力变压器是电力系统中容量最大、故障率较高的设备，其运行状态的安全与否直接关系到整个电力系统的安全性和经济性。因此，对电力变压器的运行状态进行监测，及时发现变压器的早期故障前兆，预测故障趋势以防止故障带来的损失一直是电力部门追求的目标。基于此，变压器的故障诊断技术便成为电力系统工程界和学术界重点关注的课题。目前在现有的变压器故障诊断中，基本上是基于油中溶解气体分析（DGA）的特征气体法、IEC三比值法、Rogers四比值法等，这些方法是通过先确定故障类型（故障模式），然后把故障样本按照一定的规则或经验分配到模式中去，并对同一模式中的样本提取模式特征量来实现的。然而这些传统的检测方法在实际应用中仍存在着一定的不完善性和局限性，如对于同一组试验数据，采用不同诊断方法，有时会得到不同的诊断结果。随着人工智能技术的发展，变压器故障诊断技术也取得了很大进展，人工神经网络中的误差反向传播（BP）网络结构简单、可塑性强，具有很强的学习能力和模式分类能力，可以采用BP网络根据变压器油中的溶解气体的组成成分来对变压器故障进行诊断，这已经有成功的先例。但BP网络采用的网络权值学习算法大多是BP算法，其网络训练费时，而且存在局部极小值的固有缺陷，从而影响了故障诊断的准确性、快速性和有效性。为此，提出一种改进遗传算法（IGA）与BP算法相结合的IGA-BP算法来优化BP网络的权值和阈值，并将经IGA-BP优化的BP网络应用于电力变压器数据分析，实现了变压器的故障诊断。实例分析表明，该方法结构简单，容易收敛，且能很好地区分多种故障特征，有效地提高了变压器故障的正判率。
1回归模型的参数选取
在建构支撑向量回归模型的过程中，尚有3个参数需要由研究者自行决定，这3个参数分别是：C、2和ε。C为惩罚常数、2为高斯核函数的带宽、ε为不敏感区域的宽度。任意的选取这些参数，虽然也可以很容易的经由计算而得到训练资料的训练误差，但是它隐含着具有过度配适的风险。为了避免过度配适的现象发生，可使用交叉验证技术，但是交叉验证的过程则是相当耗时的。可运用k-fold交叉验证技术于分类辨识的领域，得到了不错的效果，且该技术能于计算的时间成本和参数估计的可信度间取得适当的平衡。Duan同时也建议k取5，因为在他的实验里使用5-fold交叉验证技术来训练样本资料时，能很适当的估计出支撑向量回归模型的预测误差。在此，所谓5-fold交叉验证技术，即是将训练资料集分成5等份，每等份具有相同个数的输入资料，且无任何交集，然后利用其中的4等份以某一参数组合，来训练支撑向量回归模型，训练完成后所得到的模型再用来测试剩余的另一等份，并评估其预测误差，重复此类实验共5次，最后求得这5次预测的平均误差，并以这平均误差当作在该特定参数组合下所建构的模型的交叉验证误差，依参数组合的不同进行多次实验，并分别记录各不同参数组合下所得到的交叉验证误差，取具有最小交叉验证误差时的参数组合，做为未来建构支撑向量回归模型的最佳参数组合，该研究也利用此种法则，将训练样本数据100组分为5个组别来进行5-fold交叉验证，评估及选取参数组合。设定2的取值范围在1到100之间，而C的取值范围在10到100之间时，所建构的支撑向量回归模型将得到较佳的预测结果。为能更广泛的寻找最佳状态时的参数，在此将使用格子点法搜寻最佳参数组合。实验将利用各格子点上3个参数的组合，以5-fold交叉验证技术训练支撑向量回归模型，最后求取各格子点上的交叉验证所得的最佳参数组合。
2智能诊断方法在电力变压器故障识别中的应用研究
2.1遗传算法的编码方式改进
神经网络的权重、阈值学习是一个复杂的连续参数优化问题，每个遗传码串代表一种神经网络结构中的权重和阈值。如果采用二进制编码形式，每一个权重和阈值究竟用几个二进制表示就是一个较难决定的问题，位数太少，则训练时间可能很长或可能找不到解；如果位数太多，则染色体长度又很长，训练时间就很长或者不能实现，而且二进制编码占用空间较大，在求解适应度值时还会遇到一个解码问题，这也在某种程度上增加算法计算时间，所以本文采用浮点数编码方式。
2.2智能诊断方法在电力变压器故障识别中的实例分析
随着互联网技术、大数据技术以及云计算等技术的发展，智能诊断方法越来越完善。结合多年的工作实践，目前电力系统中的智能诊断方法主要包括以下几方面：（1）基于专家系统的方法。基于专家系统的诊断方法是电力故障诊断常会用到的方法，其主要是通过利用交互性的知识库实现对不确切信息的推理，以此解决复杂的故障问题；（2）基于模糊推理方法。基于模糊推理就是利用故障的特征对其进行诊断；（3）基于智能计算的方法。智能计算是诊断前沿技术，最典型的是遗传算法；（4）贝叶斯网络概述。贝叶斯网络就是拥有扎实的理论基础，通过选用图形简单易懂地描述概率分布。贝叶斯网络故障诊断流程：第一步，采集样本数据，选择好训练样本数和测试样本数。第二步，使用weka中的各种离散方法对数据样本进行离散化。第三步，利用离散后的样本数据进行贝叶斯网络学习，建好贝叶斯网络模型。第四步，对测试样本集进行分类预测。
2.3基于专家系统的方法
此类方法不依靠于某一具体的数学模型，仅仅运用所记忆的过往知识经验，由其来处理一系列工程应用中的故障诊断难题。随着计算机科学和人工智能的发展所形成的专家系统己经是故障诊断中被常常用到的技术方法。首次构建了应用多专家合作的电力变压器诊断黑板模型，提出了多专家合作的故障分析结构。基于模糊逻辑与神经网络的变压器复杂故障分析的专家系统模型。专家系统灵活透明，具有丰富的交互性知识库，能够根据不确切的信息进行知识推理以期解决复杂的故障诊断问题。然而因为现实条件的多样性和复杂性，某些情况下使得专家系统的知识库较难总结出规则，出现推理错误以致得不到正确的故障诊断结果，这在一定程度上阻碍了专家系统进一步的完善与发展。
结语
本文提出一种改进遗传算法（IGA）与BP算法相结合而形成的IGA-BP混合算法，该混合算法有效地解决常规BP算法收敛速度慢、容易陷入极小和传统GA单独训练神经网络速度缓慢等问题与不足，具有较强的全局和局部搜索能力。将该算法应用于变压器的智能故障诊断，诊断速度快、准确率高，为今后变压器的智能故障诊断提供了一种切实可行的技术方案。
参考文献：
［1］林光．浅析电力变压器智能故障诊断方法［J］．电子制作，2015（04）．
［2］李本锌．智能算法在油浸式变压器故障诊断中的应用研究［D］．华东交通大学，2015．
［3］赵洋．智能诊断方法在电力变压器故障识别中的应用研究［D］．西安工程大学，2018．
［4］钱政，严璋.用可靠性数据分析及BP网络诊断变压器故障［J］.高电压技术，1999（3）：13-15.
［5］乔维德.BP神经网络在车辆类型识别中的应用［J］.电气传动自动化，2006（6）：49-51.