1 电力变压器DGA分析方法的研究现状
所有运行中的变压器，包括一直运行良好的轻负载设备，都会产生一定数量的H2和CH4，总的气体含量一般取决于运行时间和负载情况。从1968年起，英国的CEGB就开始对数量不断增加的超高压变压器进行常规的DGA分析，截止到1970年每年检查的总设备量已超过了1000台。根据这些检查结果的统计分析，曾尝试建立了一个油中溶解气体含量的注意值标准，该标准是基于90%的变压器是运行正常的，而将其余10%高于此标准的设备认为内部存在着可能引发事故的早期故障。对于运行设备来说，溶解气体的不安全或不可接受的水平至今仍是一个有争议的问题，最近Duval等提出了更为合理的方法［3］，该方法是基于对运行变压器所发生的故障和事故真实几率的分析而得出的。
Halstead在1973年发表的报告中，对油中分解的碳氢气态化合物的产生过程进行了热动力学理论分析，认为对应于不同温度下的平衡压力，一种碳氢气体相对于另一种碳氢气体的比例取决于热点的温度［4］。因此建立了如下假设：特定碳氢气体的析出速率随温度而变化，每种气体在不同的温度下达到其最大析出速率，在特定温度下各类气体的相对析出速率是固定的。根据这一假设，随着温度升高，析出速率达到最大值的次序依次为：H2、CH4、C2H6、C2H4和C2H2。Halstead假说是应用油中溶解气体比值法诊断设备故障类型并估计热点温度的理论基础。根据这一假设，随温度的变化，故障点产生的各气体组分间的相对比例是不同的。Rogers由此选择5种特征气体的4个相对比例CH4/H2、C2H6/CH4、C2H4/C2H6和C2H2/C2H4来进行故障诊断［5］。
由于C2H6/CH4只能反映油纸分解的极有限的温度范围，所以在后来的IEC标准中将此比值删去，修改后的三比值法被普遍认为是最为简明的解释［6］，这些比值将已知故障按从早期故障到重大故障的顺序作了较合理的排列。Rogers对IEEE和IEC的编码和使用方法作了详细的说明［7］。 此后，IEC三比值法一直是利用DGA结果对充油电力设备进行故障诊断的最基本的方法。但在长期的实践中发现IEC599所提供的编码是不完全的，实际应用中有相当一部分DGA结果落在所提出的编码之外，以至于对某些情况无法进行诊断。日本电气协同研究会提出的电协研法［8］和我国湖北电力试验研究所提出的改良电协研法［9］都对IEC编码作了进一步的补充。其他一些利用DGA结果分析变压器故障的较直观的图形方法在现场也得到了广泛的应用，如以CH4、C2H4和C2H2三组分相对含量为基础的三角图法［10］，以H2、CH4、C2H4、C2H6和C2H2相对浓度比为基础的气体主导型图法［11］等。这些方法大多仍局限于阈值诊断的范畴。
2 AI技术在绝缘故障诊断中的应用
近年来，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。
熟练维修人员的高龄化和年轻维修人员的培养不足是当前电力运行单位所面临的一个主要问题。专家系统是一种具有大量专门知识的程序系统，它根据多个专家提供的专业知识进行推理，解决通常需要专家才能解决的复杂问题。借助专家系统的帮助，使运行和维护人员可以迅速、准确地将异常设备分选出来，从而在一定程度上缓解了现场对维修人员在经验方面的要求。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［12］，其后有很多类似的系统被应用到实际工程当中［13］。任何专家系统的有效性完全取决于它所采用的判断规则和领域经验的质量。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。
由于人工神经网络（Artificial Neural Network，简称 ANN）具有自组织、自学习的能力，使其成为最有前途的故障诊断知识的获取途径。人工神经网络不包含具体的诊断规则，而是将诊断规则隐含于其权值矩阵中，主要通过对已知故障样本的学习，来获得对未知故障进行诊断的能力。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［14］，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［15］，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［16］，在改善局部最优解方面也取得了良好的效果。有关ANN应用的另一个研究热点是对输入特征参量的选择，作为一种最基本的选择方案，黄鞠明认为可直接以七种特征气体含量作为网络输入参量［17］；而Y.Zhang则认为CO2与CO的意义基本相同［15］，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。王财胜以Halstead假说为基础采用C2H2/C2H4、CH4/H2、C2H4/C2H6和C2H2/(CO2+CO)的比值作为输入特征参量的方法［18］，也是一种非常有价值的尝试。O.Vanegas在气体主导型图法的基础上［19］，以十三种气体主导图作为基本的输入模式，其本质仍是基于特征气体各组份间的相对含量，但对故障类型作了更细致的划分。此外，D.G.Esp等人利用Kohonen自组织网络对英国NGC约600台变压器的色谱数据进行了聚类分析［20］，结果表明通过对原始数据进行适当的变换可以将电弧性故障和过热性故障非常简便、直观地分离开来。
由于在使用DGA进行故障诊断时，存在各种不确定性。为此，部分研究者更倾向于将模糊数学的推理方法应用于变电设备绝缘诊断的研究中。模糊集合论的应用，其背景在于如何用数学的手段，把人类对复杂事物进行的描述、模糊判断、推理及决策等能力移植到自动诊断过程中。将模糊数学用于故障的诊断中，可以用精确的数学方法把模糊不清的概念或自然语言清晰化，从而对故障现象能够合理地加以量化。Tomsovic K构造了一种针对电力变压器的模糊推理机，允许对各种诊断结果（如溶解气体分析、超声检查、电气试验等）建立开放式的组合方案［21］。C. E. Lin针对常规DGA诊断方法中对特征气体含量所规定的注意值和IEC三比值法标准过于绝对的缺陷［22］，在统计某电力公司大量试验数据的基础上，提出了与各种故障相对应的特征气体含量及其比值的隶属函数，为保证科学地确定隶属函数作出了努力。Huang Yann-Chang进一步开发了模糊评估系统对初始诊断结论进行优化处理［23］。模糊数学作为一种处理不精确信息的有效工具，毫无疑问它将有助于提高诊断系统的准确性和稳定性。但是还应看到，目前确定隶属函数的方法还较简单，缺乏令人信服的客观依据。
结合各种人工智能技术的综合诊断方法也相继被提出，何跃英等初步实现了模糊推理方法和专家系统的结合［24］；徐文等尝试将专家系统与ANN通过协商机制结合起来［25］，以克服二者单独进行诊断的“脆弱性”这些方法在应用中都取得了一定的效果。
3 讨论与展望
具有一定规模的电力系统总是逐步发展起来的，往往陆续装备了各个时期制造的型号、材质及工艺不同的变压器，这就给建立通用的诊断方法造成了很大的困难。迄今为止，变压器故障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，主要表现在以下几个方面:
1） 现有的诊断方法都未将诊断对象看成一个有机的整体。大多利用诊断对象所表现出的特定信号来诊断特定类型的故障，未能有效地考虑各种故障现象之间可能存在的相互关联。
2） 目前大部分研究者在根据DGA结果判断变压器故障类型方面，仍主要局限于IEC三比值法的分析思想，仅从分析故障点的物理特性出发，最终的判断结果实际上仅能给出故障所表现的征兆（如过热或放电），对维修策略的制定缺乏指导意义。
3） 由于油中溶解气体的累积效应和取样分析时的误差影响，目前常规的DGA诊断方法很难在溶解气体含量较小的情况下对故障进行分析，只有当某些特征气体含量超过“注意值”时，根据DGA结果的判断才被认为是有意义的。这无疑对潜伏性故障的发现和分析是非常不利的。
另外，基于绝缘诊断的设备残余寿命预测以及与在线监测相关的故障分析方法也将是DGA诊断技术今后的主要研究方向。虽然这方面的研究工作才刚刚开始，有的甚至仅仅是一些尝试，但前景无疑是令人鼓舞的。■
本文关键字：变压器 电工文摘，电工技术 - 电工文摘
