人工智能在电力变压器故障诊断中的应用

摘 要：长期以来，电力变压器一直受到电力部门专家学者的普遍重视，针对变压器的研究也取得了一定的成果，随着大型变压器制造水平的不断提高，变压器的可靠性也越来越高。在我国，电力系统变电设备的定期维修制度是以时间为基础的，即不管设备的实际状况如何，到期必修，缺乏对设备的综合分析，这往往导致不是维修不足，就是过度维修。过度维修不仅造成大量人力和物力的浪费，还可能引入新的故障隐患，存在因拆装导致产品性能降低，降低供电可靠性，进而发展成为重大故障的可能。人工智能（Artificial Intelligence，简称AI）理论的出现及其在故障诊断中的成功应用，为变压器故障诊断技术的发展开拓了新的途径。

关键词：电力变压器；人工智能；故障诊断

一、发展历程

用于电力变压器故障诊断的专家系统最早见于Riese在1986年公布的TOGA系统，其后有很多类似的系统被应用到实际工程当中。任何专家系统的有效性完全取决于它所采用的判断规则。但实际上故障诊断知识的获取是非常困难的，这一直是阻碍传统专家系统应用的“瓶颈”问题。

目前在变压器故障诊断的研究中采用最多的是BP（Back Propagation）网络。Y.Zhang等研究了BP网络结构对色谱诊断结果的影响，在比较了具有不同隐层层数和相同输入、输出节点数的网络的收敛速度及训练误差后，认为具有单隐层的神经网络分类效果最理想，它在具有最小运算量的同时能完全满足故障现象和原因之间的非线性映射的要求。由于BP算法在训练过程中容易收敛于局部最优解，为此徐文提出一种结合遗传算法的多层前馈网络，首先在全解空间中搜寻代表映射知识的权值矩阵的最优解，然后以此作为初始权值进行网络训练，以避免某些陷入局部最优的情况。而高宁采用在学习算法中加入随机扰动的方法，在改善局部最优解方面也取得了良好的效果。

二、专家系统的构建与应用

专家系统(Expert System，简记为ES)是一个在某些特定领域内能以人类专家的水平解决困难问题的计算机程序，专家系统也称为基于知识的系统，是人工智能的一个最为重要的应用领域。

在专家系统中，求解问题的知识已不再隐含在程序和数据结构中，而是单独构成一个知识库，即传统的“数据结构+算法=程序”的应用程序模式发生了改变，使之成为“知识+推理=系统”的模式。它能运用领域专家多年积累的经验与专门知识，模拟人类专家的思维过程求解需要专家才能解决的困难问题。专家系统一般由知识库，推理机，知识获取机构，数据库，解释机构，人机界面构成，其系统结构框图如下所示：

由于变压器故障涉及面较广，具体类型的划分方式较多，很难以某一范畴规范划分变压器故障的类型，因此按比较普遍和常见的变压器故障将其分为短路故障、铁心故障、放电故障、分接开关故障、绝缘故障等几个方面，并按各自故障的成因、影响、判断方法及应采取的相应技术措施等，分别加以描述。变压器故障的专家系统技术是准确诊断故障的方法之一，在数据库中应综合各种有效的检测手段和方法，对现场采集到的各种检测结果要进行综合分析和评判。然后将故障变压器的主要表现输入专家系统中，专家系统就能够根据用户提供的数据推理以及对用户的反馈得出具体的故障。

以变压器发热故障为例，主要分类为以下几点：

1、环流或涡流在导体和金属构件种引起的过热故障

2、金属部件之间接触不良引起的过热

3、散热效果差引起的过热

4、异常运行或诱发因素引起的过热

建立知识库及选取特征参量：

通过数据库导入常见的故障分析及各种实验数据指标建立好知识库。变压器常见的发热故障有短路故障、铁心故障、放电故障、分接开关故障、绝缘故障等；检测技术主要包括油中气体的色谱分析、直流电阻检测、绝缘电阻及吸收比、极化指数检测、绝缘介质损失角正切检测、油质检测、局部放电检测及绝缘耐压试验等。

对输入特征参量的选择问题上，作为一种最基本的选择方案，有人提出可直接以七种特征气体含量作为网络输入参量；而其他人则认为CO2与CO的意义基本相同，且可能导致训练次数增加、网络分类能力下降，所以选择除CO2外的六种特征气体为好。采用C2H2/C2H4、CH4/H2、C2H4/C2H6和C2H2/(CO2+CO)的比值作为输入特征参量的方法，在气体主导型图法的基础上，以十三种气体主导图作为基本的输入模式，其本质是基于特征气体各组份间的相对含量，对故障类型作出更细致的划分。

经现场测试和取样分析后，通过专家系统分析和推理，找出故障结果。

/*下面是推理机部分*/

go (HISTORY, Mygoal):-drule (RND, Mygoal, NY, COND), check (RND,HISTORY,COND),go ([RND| HISTORY],NY).

check(RNO,HISTORY,[BND|REST]): -yes (BND),!,check (RNO,HISTORY,REST).

check (_,_,[BNO|_]): - no (BNO),!,fail.

check (RND,HISTORY, [BNO|REST]):-dcond(BNO1,COND),fronttoken (NCOND,"不是",-COND),frontchar(_COND,_,COND),dcond(BON1,COND),notest(BNO1),!,check (RNO,HISTORY,COND),

check(_,_, [BNO | _]): - dcond (BNO,NCOND),fronttoken (NCOND,"不是", _ COND),

frontchar(_COND,_,COND),

dcond(BNO1,COND),yes (BNO1),!,fail.

check(RNO,HISTORY,[BNO|REST]):-dcond(BNO,TEXT),inpq(HISTORY,RNO,BNO,TEXT),check (RNO,HISTORY,REST).

check(_,_, []).

notest (BNO): - no (BNO),!.

do_answer (_,_,_,_,0): - exit,!.

do_answer (_,_,_ BNO,1): - assert (yes (BNO)),shiftwindow (1),write ("是"),n1.

do_answer (_,_,_ BNO,1): - assert (no (BNO)),write ("不是"),n1,fail.

erase: -retract (_),fail.

erase.

clear: - retract (yes(_)), retract (no (_)),fail,!.clear.

/*程序结束*/

变压器故障诊断专家系统的实现是基于prolog语言的功能来实现的，这种语言相对于其他的语言来讲，具有更加简洁，更加容易实现的优点。

三、结论：

变压器故障诊断专家系统是一个庞大而复杂的系统，迄今为止，变压器故障智能诊断技术的研究还远不够完善，特别是在所使用的分析方法与具体诊断领域知识的有效结合方面还存在诸多问题，此研究还有待于进一步深入。