基于改进Elman神经网络的变压器故障诊断方法*

王英洁，曹铁男

(中国南方电网有限责任公司 科学研究院，广州 510663)

电力变压器作为电力系统的重要组成部分，其运行状态对整个电网的运行起着至关重要的作用.变压器在运行过程中通常会受到热应力、过载、绝缘材料老化、外部环境变化等因素的影响，从而产生故障，因此，及时对变压器进行故障诊断是检测变压器故障、保证变压器正常运行的重要措施，是维护电网安全运行的必要保证[1].

变压器实行状态监测过程中，一般会获得大量的监测数据，同时这些数据呈现显著的多样性，反映了相应的变压器状态信息，而这些状态信息可以从不同方面表征电力变压器的运行状态.采集变压器的状态监测数据，并对数据中所包含能够反映变压器运行状态的状态信息进行有效分析，这对于提高变压器状态评估的准确性具有重要意义[2-3].目前，对于变压器的故障诊断主要采用油中溶解气体分析(dissolved gas analysis，DGA)，通常利用三比值法对油中溶解气体进行分析，但该方法存在编码不完全、编码边界过于绝对等缺点.随着信息技术与人工智能的发展，新的电力变压器故障诊断技术不断被提出，其包括：人工神经网络[4-5]、贝叶斯网络[6-7]、聚类分析和模糊理论[8-9].Miranda等[5]采用均值漂移法生成虚拟数据，增加神经网络训练样本，提高变压器故障诊断的准确性；白翠粉等[7]通过分析非理想工作条件、故障模式和异常状态的因果关系，建立了三级贝叶斯网络模型；Izakian等[8]提出了用固定长度的滑动窗口生成一组序列，并用模糊c均值聚类方法分析序列中的结构，找出序列中的异常；……