變壓器故障診斷的國內外文獻綜述對于變壓器運行時的監(jiān)測與故障診斷一直以來都是國內外研究的熱點內容。目前，國內外基于變壓器故障診斷研究的實現方式主要分為兩大類別[10-12],一類以檢測實驗數據為依據，由不同變壓器故障類型的特征數據來判別故障，其結果寬泛且誤差較大；另一類以模式識別理論為依據，聯(lián)合智能算法理論實現故障類型的精準判斷，其故障判別的速度和精度較高具有參考價值。1.1傳統(tǒng)方式的變壓器故障診斷方法傳統(tǒng)方式下的故障診斷方法經由行業(yè)相關人員大量的實驗研究和經驗總結，得出的診斷的理論依據和簡單的判斷方法，主要包含了油中溶解氣體分析與預防性試驗。當前電網及設備運行維護的電氣試驗法通常情況下，運用交流耐壓實驗、局放實驗等可檢測出變壓器所存在的問題，該方式對于操作環(huán)境和實驗程序有著較高的要求，試驗時間長且特殊地理環(huán)境下無法進行，操作的困難程度和繁瑣程度隨著變壓器等級和容量增加而成倍數正相關，多次實驗下還可能對變壓器造成一定的損害。對于檢測變壓器故障的基礎方式絕大多數采取預防性試驗，通過各種有效的物理實驗獲取可靠的實驗結果。例如油中水、氣的含量檢測、絕緣油試驗等能夠有效的反應老化程度。下面將介紹幾種常見預防性試驗內容：(1)變壓器絕緣油檢測電力變壓器由于受潮、老化、以及長期運行損耗等原因導致的故障將釋放一定的物質在油中，因為充油的電力變壓器通過油來達到散熱和絕緣的功效，加之釋放的物質具有可溶性，所以檢測人員可通過含氣、水量的多少及物質成分分析，并且綜合電氣試驗分析達到檢測故障的目的[13]。(2)阻抗測量實驗，變壓器空載試驗、短路實驗這類實驗用于檢測變壓器的繞組變形。繞組的直流電阻測量利用不平衡系數在3%以內為標準，用于反映匝間短路、分接頭開關的接觸不良等問題。若阻抗電流、空載電流數值發(fā)生變化時，結合歷史故障數據額比較進一步判斷故障發(fā)生原因。(3)繞組的分接頭電壓比檢測該實驗是預防性試驗必不可少的內容，利用變壓器的運行規(guī)定及出廠銘牌給出的數據，檢測繞組分接頭的電壓比是否在標稱范圍內，繞組分接頭的電壓比測量能有效反應變壓器匝間短路以及連接組別的正確與否等故障，同時為選擇變壓器分接頭提供一項指標。預防性試驗作為定期檢修的主要內容在防止設備事故發(fā)生、保證安全可靠地供電方面起著很好的作用。定期檢修是依照預試規(guī)程確定的試驗周期，到期必修，不考慮電氣設備絕緣等實際狀況,具有盲目性和強制性。容易導致過修和失修的弊端從而造成新的安全隱患。另一方面，由于電力系統(tǒng)是逐步發(fā)展的，各時期變壓器的設備型號及制造工藝等均有所不同，對于預防性試驗的耐受程度也不盡相同，這也給建立通用的物理性診斷方法造成了較大困難。大型的電力變壓器目前以充油形式為主，油中溶解氣體分析法、局放檢測法、老化分解物的檢測法等[13-14]，各方法中目前應用最多的是基于油中溶解氣體分析技術，通過對氣體的成分分析判斷故障類型。除了常規(guī)的受潮等故障以外，隨著運行時間的增加，油中雜質增加引起局放，使得局部溫升過高等問題也加速絕緣介質的分解從而引起一系列的問題，利用油中溶解氣體分析也成為了更好的選擇。其中的改良IEC法，故障特征氣體數據結構法都是應用檢測異常及故障運行狀況的發(fā)生的常用方法，其中改良IEC法對潛伏性故障的捕捉較可靠。本文第二章會著重對油中溶解氣體分析進行介紹。1.2智能方式的變壓器故障診斷方法由于傳統(tǒng)方式下的診斷效果不理想，加之人工智能、計算機等相關學科的普及推廣，使得變壓器故障診斷領域引入人工智能的方法成為熱門研究方向。比如專家系統(tǒng)、模糊理論、神經網絡等智能方法及多種智能方法的綜合運用，都成為智能方式下熱門的應用研究，且故障診斷的效果顯著。(1)基于神經網絡的故障診斷人工神經網絡是一種具有自主學習能力和信息處理能力的一種無監(jiān)督學習，效率高且善于歸納推廣。具有良好的自組織、自學習、自適應的特點，因此被人們應用在各個領域[14]。神經網絡技術應用在變壓器故障診斷中有兩類，一種是將人工神經網絡直接用作故障判別分類器的模型，而另一種則是將多種診斷技術與人工神經網絡混合應用的綜合模型。利用文獻[15]利用傳感器技術應用在神經網絡中形成變壓器故障診斷，并通過實驗結果證明該方法時有效的。(2)支持向量機支持向量機是一種基于有監(jiān)督的機器學習的方法，在各個行業(yè)領域被經常應用。文獻[16]提出基于多分類的相關向量機作為變壓器故障診斷的方法，輸入量為溶解氣體量的比，利用最大似然法與期望估計法對模型推斷，輸出量為各個故障類型的概率，最終取概率值最大的故障類型為最終結果。分析實例得到的結果，該方式下工程需求可以滿足且診斷效率較高，但支持向量機法也存在一定的弊端，對于大量樣本的學習能力差，且由于核函數是隨即進行選取的，從而影響故障診斷的能力。（3）極限學習機極限學習機是一種結構簡單易操作的的前饋神經網絡。綜合了前面兩種方法以及機器學習的思想，克服支持向量機訓練時間長且運行參數多的問題[17]，解決了傳統(tǒng)神經網絡結果容易陷入局部最優(yōu)解的問題，文獻[18]提出基于多分類算法自適應的極限學習機方法與反正切變換的綜合運用，且自適應學習機運用節(jié)點偏差與輸出權重模擬非線性函數的能力，結合油中溶解氣體分析法來提高診斷的精度。（4）基于模糊推理的故障診斷在變壓器故障診斷中模糊理論的應用主要有三大方面，即為：基于模糊聚類的診斷方法、基于模糊關系的評判方法、邊界值的模糊化處理[19-21]。文獻[19]中分別從模糊聚類與徑向基神經網絡聯(lián)合應用實現優(yōu)勢互補，文獻[20][21]利用模糊聚類處理油色譜數據，再利用灰色聚類處理故障分類系數，從而使得診斷結果更加準確。（5）貝葉斯分類器要求各個特征均為獨立特征，具有獨立性，分類器可使得分類誤差最小化，所以貝葉斯分類器又有了最優(yōu)分類的特性。文獻[22]運用嵌入式知識對故障的關系進行分析利用貝葉斯網絡量化故障類型，提出應用程序框架，再使用貝葉斯分類器進行故障判別。貝葉斯方法的由于需要投入大量的故障樣本，而無法得到很好的推廣?？v觀整個電力行業(yè)，盡管現代化的智能診斷方法廣泛的應用于變壓器故障診斷方面，但這些方法仍舊存在著自身的弊端，而基于傳統(tǒng)方式油中溶解氣體分析進行故障判斷也是層出不窮。實踐證明，綜合多種方法聯(lián)立判斷的結果才能夠取長補短，診斷結果更加準確。伴隨著人工智能與計算機的發(fā)展，多種方法的融合診斷成為今后研究發(fā)展的主流，具有非凡意義。1.3變壓器故障診斷的分析變壓器存在不同程度的故障時，會產生一定的故障信息及異?，F象，故障特征的準確分析和故障類型的準確診斷對于電網安全運行具有重要意義?；谟椭腥芙鈿怏w分析法對變壓器故障進行分析目前已取得一定成果，是一種可信賴的診斷方法。依據《變壓器油中溶解氣體分析和判斷導則》顯示，改良IEC法診斷故障的正確識別率在80%左右，經過改進后準確率高于運用較多的普通三比值法，并能夠較好判斷出潛伏性故障，但在實際的應用中仍存在著較多問題。一方面，當變壓器內部出現一種以上的故障時會出比值編碼找不到的情況及出現誤診編碼的問題，另一方面，實際發(fā)生的故障類型并未出現在給定的編碼范圍等。雖然改良IEC法有著可靠的診斷策略在故障初期診斷效果好，但隨著故障時間的增加多故障同時作用時容易誤判且診斷的即時性不夠好。隨著人工智能應用的崛起，加入具有學習改進能力的智能診斷方法參與可以提升診斷效率和精度。因此，本文提出將智能算法的概率神經網絡與油中溶解氣體分析法相融合的方法等一系列措施建立變壓器故障診斷系統(tǒng)，從而提升故障診斷的精度和速度。未來的變壓器故障診斷技術也應朝著智能化、融合多元化、多功能集成化的方向發(fā)展。參考文獻[1]胡青，杜林，楊麗君，等.PCA與BP神經網絡相結合的變壓器故障診斷[J].計算機應用研究，2010，27(02)：580-581.[2]曹海洋,張玉成,朱啟偉,趙強.基于紅外成像技術的變壓器熱故障在線檢測與診斷[J].實驗室研究與探索,2012,31(02):30-40.[3]郭英軍,孫麗華,孫會琴,冉海潮.電力變壓器熱故障的在線診斷技術[J].河北科技大學學報,2007(02):147-149.[4]胡發(fā)明.幾起變壓器油色譜異常的分析[J].電氣技術,2012(05):74-76.[6]袁海滿.基于多維特征量的電力變壓器故障診斷技術研究[D].成都:西南交通大學,2017,5.[7]代杰杰，宋輝，楊祎，等．基于油中氣體分析的變壓器故障診斷ReLU-DBN方法[J].電網技術，2018，42(02)：658-664.[8]劉云鵬，許自強，李剛，等.人工智能驅動的數據分析技術在電力變壓器狀態(tài)檢修中的應用綜述[J].高電壓技術，2019，45(02)：337-348.[9]孫才新，陳偉根，李儉，等．電氣設備油中氣體在線監(jiān)測與故障診斷技術[M]．北京：科學出版社，2003：1-89．[10]程加堂，段志梅，熊燕，等．基于DGA的QPSO-BP模型變壓器故障診斷方法研究[J]．高壓電器，2016(2)：57-61．[11]楊鳳春，賈本巖，張麗娟.電力變壓器故障診斷方法研究[J]．科技創(chuàng)新與應用，2016，(04):55－56.[13]H.Lin.W.H.Tang,A.NovelApproachtoPowerTransformerFaultDiagnosisBasedonOntologyandBayesian[J].Network978-1-4799-7537-2/14/2014IEEE．[14]胡義鵬，唐賢敏.電氣設備中的絕緣油試驗探討[J].貴州電力技術，2016.19(3)：88-89.[15]遇炳杰．基于極限學習機的變壓器故障診斷[M].華北電力大學碩士論文，2014．[16]S.Li.G.Wu.InterpretationofDGAforTransformerFaultDiagnosiswithComplementarySaE-ELMandArctangentTransform.Manuscriptreceivedon15May2015,infinalform8August2015,accepted19August2015.[17]BhallaD,BansalRK,GuptaHO.TransformerincipientfaultdiagnosisbasedonDGAusingfuzzylogic[C].//IndiaInternationalConferenceonPowerElectronics,IICPE.2010,2011:1-5.[18]熊浩,孫才新,廖瑞金,等.基于核可能性聚類算法和油中溶解氣體分析的電力變壓器故障診斷研究[J].中國電機工程學報,2005,25(20):162-166.[19]李儉,孫才新,陳偉根,等.灰色聚類與模糊聚類集成診斷變壓器內部故障的方法研究[J].中國電機工程學報,2003,23(2):116-119.[20]尹金良，朱永利，俞國勤．基于多分類相關向量機的變壓器故障診斷新方法[J]．電力系統(tǒng)保護與控制，2013．[21]熊浩,孫才新,廖瑞金,等.基于核可能性聚類算法和油中溶解氣體分析的電力變壓器故障診斷研究[J].中國電機工程學報,2005,25(20):162-166.[22]李儉,孫才新,陳偉根,等.灰色聚類與模糊聚類集成診斷變壓器內部故障的方法研究[J].中國電機工程學報,2003,23(2):116-119.[23]尹金良，朱永利，俞國勤．基于多分類相關向量機的變壓器故障診斷新方法[J]．電力系統(tǒng)保護與控制，2013．[24]趙家禮，張慶達，等.變壓器故障診斷與修理[M].北京:機械工業(yè)出版社，2008:38-39.[25]胡青，杜林，楊麗君，等.KernelPCA與BP神經網絡相結合的變壓器故障診斷[J].計算機應用研究，2010，27(02)：580-581.[26]曹海洋,張玉成,朱啟偉,趙強.基于紅外成像技術的變壓器熱故障在線檢測與診斷[J].實驗室研究與探索,2012,31(02):30-40.[27]郭英軍,孫麗華,孫會琴,冉海潮.電力變壓器熱故障的在線診斷技術[J].河北科技大學學報,2007(02):147-149.[28]王霞.基于油中溶解氣體分析的變壓器故障診斷方法的研究[D].華北電力大學.2003：12-13.[29]張利剛.變壓器油中溶解氣體的成分和含量與充油電力設備絕緣故障診斷的關系[J].變壓器,2000,37(03:39-42.[30]董其國.電力變壓器故障診斷[M].中國電力出版社,2000.[31]蔣宗禮.人工神經網絡導論[M].高等教育出版社,北京2001.[32]韓金華,張健壯.大型電力變壓器典型故障案例分析與處理[M].北京：中國電力出版社,2012.[33]MATLAB中文論壇著.M