譚翼坤 陳 明 黃 騰 喬蘇朋 李志軍

基于氣體成分分析的變壓器過熱隱患預(yù)警方法

譚翼坤1陳 明1黃 騰1喬蘇朋2李志軍2

（1. 福建華電可門發(fā)電有限公司，福州 350500； 2. 國電南京自動化股份有限公司，南京 211106）

目前，油中溶解氣體分析是油浸式變壓器狀態(tài)分析最為可靠的方法之一。本文針對變壓器過熱隱患，提出一種基于氣體成分分析的變壓器過熱隱患預(yù)警方法。首先，采用級差分法及一分類支持向量機(jī)建立能夠識別變壓器早期隱患的預(yù)警模型；其次，遵循特定的告警觸發(fā)機(jī)制，綜合判斷當(dāng)前變壓器是否存在過熱隱患；最后，經(jīng)過變壓器真實(shí)數(shù)據(jù)驗(yàn)證表明，本文所述方法具有較高的辨識靈敏度。

油中溶解氣體分析（DGA）；一分類支持向量機(jī)；預(yù)警

0 引言

隨著電力工業(yè)的飛速發(fā)展，電力變壓器不斷向大體量方向發(fā)展；同時(shí)，重要設(shè)備的擴(kuò)容增加了單個(gè)設(shè)備缺陷對電網(wǎng)安全性的影響。因此，及時(shí)有效地發(fā)現(xiàn)、識別變壓器的隱患是電網(wǎng)運(yùn)維的關(guān)鍵問題。隨著現(xiàn)場檢測和在線監(jiān)測技術(shù)的普及和推廣，已實(shí)現(xiàn)了對變壓器狀態(tài)的實(shí)時(shí)監(jiān)測，如何將監(jiān)測數(shù)據(jù)應(yīng)用于變壓器狀態(tài)分析已成為該領(lǐng)域的研究熱點(diǎn)。

變壓器在線監(jiān)測方法包括油中溶解氣體分析（dissolved gas analysis, DGA）[1-4]、鐵心接地電流分析[5]、局部放電分析[6]、繞組溫度分析[7]、振動分析[8]等，其中，DGA是當(dāng)下辨識油浸式變壓器潛伏性缺陷應(yīng)用最為廣泛的方法之一。多年來，專家學(xué)者們提出眾多基于DGA的電力變壓器故障診斷分析方法。常見的DGA包括特征氣體法[9]、三比值 法[10-11]、羅杰斯比值方法[12]、大衛(wèi)三角形法[13]等，這些方法采用不同氣體的比值或者氣體的濃度來分析故障類型。

嚴(yán)格來講，變壓器故障診斷多屬于事后處理，當(dāng)各方法精準(zhǔn)判定設(shè)備為故障時(shí)，設(shè)備內(nèi)部已經(jīng)存在一定的損傷，甚至已形成危及設(shè)備安全運(yùn)行的態(tài)勢。從時(shí)效性來看，故障診斷較為滯后，發(fā)現(xiàn)隱患的敏感性不足。此外，限制變壓器故障診斷發(fā)展的因素眾多，例如特征氣體的分布特性完全不同，這使標(biāo)簽數(shù)據(jù)庫的構(gòu)建非常困難，無法支撐機(jī)器學(xué)習(xí)模型的建立；同型號設(shè)備之間的橫向?qū)Ρ纫膊痪邆溥^多的內(nèi)在關(guān)聯(lián)性，缺乏類比性的指導(dǎo)建議。鑒于此，本文立足于提前發(fā)現(xiàn)設(shè)備隱患這一根本思路，圍繞變壓器油中溶解氣體異常預(yù)警開展相關(guān)研究，力求提升人員對設(shè)備管理的主動性。

本文提出一種新的變壓器過熱隱患預(yù)警方法，結(jié)合人工經(jīng)驗(yàn)和機(jī)器學(xué)習(xí)的優(yōu)勢來分析變壓器狀態(tài)。研究內(nèi)容主要分為以下兩部分：

1）數(shù)據(jù)預(yù)處理。采用多級差分法從不同時(shí)間尺度衡量氣體的變化程度，一方面，多參量、多時(shí)間尺度的分析能夠提供更豐富的信息量；另一方面，差分處理使時(shí)間序列曲線變得更為平穩(wěn)，緩解離散數(shù)據(jù)對分析結(jié)果的影響。

2）預(yù)警模型建立。應(yīng)用一分類支持向量機(jī)（one- class support vector machine, OCSVM）算法構(gòu)建預(yù)警模型，并結(jié)合特定的預(yù)警觸發(fā)機(jī)制，在提升隱患預(yù)警能力的同時(shí)能避免誤報(bào)信息的頻發(fā)。

1 基于DGA的變壓器過熱隱患理論分析

變壓器過熱故障是最常見的故障之一，它對變壓器的安全運(yùn)行和使用壽命構(gòu)成了嚴(yán)重威脅。變壓器帶電時(shí)會產(chǎn)生能量的轉(zhuǎn)移和損耗，絕大部分能量以電能的方式輸送出去，剩下的能量以損耗的形式作用于變壓器繞組、鐵心和金屬結(jié)構(gòu)件中。損耗會轉(zhuǎn)化為熱量，分散在變壓器各個(gè)部位，如果發(fā)熱量大于散熱量，達(dá)到一個(gè)較正常熱平衡更高的發(fā)熱和散熱平衡，即產(chǎn)生過熱現(xiàn)象，也稱為變壓器過熱故障。

據(jù)相關(guān)統(tǒng)計(jì)，引起變壓器過熱的原因多種多樣，主要有分接開關(guān)接觸不良，鐵心多點(diǎn)接地、短路或漏磁環(huán)流，導(dǎo)線接頭不良或緊固件松動，局部油道堵塞造成局部散熱不良等情況。參照DL/T 722—2014《變壓器油中溶解氣體分析和判斷導(dǎo)則》[14]可知，變壓器過熱故障主要分為油過熱、油和絕緣紙過熱。油過熱產(chǎn)生的主要?dú)怏w為甲烷（CH4）、乙烯（C2H4），次要?dú)怏w為氫氣（H2）、乙烷（C2H6）；油和絕緣紙過熱產(chǎn)生的主要?dú)怏w為甲烷（CH4）、乙烯（C2H4）、一氧化碳（CO）、二氧化碳（CO2），次要?dú)怏w為氫氣（H2）、乙烷（C2H6）。

本文采用與變壓器過熱相關(guān)的CH4、C2H4、CO、CO2、H2、C2H6六種氣體組分作為主要分析對象，旨在于常規(guī)診斷方法之前發(fā)現(xiàn)變壓器內(nèi)部早期隱患，輔助運(yùn)維人員進(jìn)行科學(xué)、有效、精準(zhǔn)的日常管理工作。

2 精細(xì)化預(yù)警方法

2.1 變壓器油中溶解氣體數(shù)據(jù)預(yù)處理

變壓器油中溶解氣體的含量受設(shè)備持續(xù)運(yùn)行時(shí)長、負(fù)荷大小、絕緣強(qiáng)度、環(huán)境溫度、故障缺陷等因素的影響，并伴隨著氣體產(chǎn)生、溶解、析出現(xiàn)象的發(fā)生，最終其歷史數(shù)據(jù)曲線呈現(xiàn)出一定的不規(guī)則性，這對依賴數(shù)據(jù)分析而診斷出的結(jié)果造成極大干擾。為減輕數(shù)據(jù)之間不規(guī)律波動造成的影響，使波動曲線相對平穩(wěn)，同時(shí)最大限度地保留數(shù)據(jù)的內(nèi)在價(jià)值信息，本文采用級差分法處理油中溶解氣體的原始數(shù)據(jù)，從多個(gè)時(shí)間尺度衡量氣體的變化程度，洞察變壓器內(nèi)部隱患。

對于值的選擇，需要結(jié)合采樣頻率。理論上，值越大，可對比的時(shí)間尺度越多，洞悉氣體含量微小變化的能力就越強(qiáng)。然而，取值過大，構(gòu)造的差分序列表就越多，這將增大計(jì)算量，對后續(xù)建模會產(chǎn)生影響。因此，值選擇的原則為：若采樣頻率高，則值應(yīng)越大，反之則越小。

2.2 基于OCSVM的預(yù)警模型構(gòu)建

1）預(yù)警理念

本文所述的預(yù)警理念屬于異常檢測的范疇。異常檢測的一般實(shí)現(xiàn)方式為：首先基于歷史大數(shù)據(jù)構(gòu)建一個(gè)正常運(yùn)行的狀態(tài)模型，然后將用戶行為與所建立的狀態(tài)模型進(jìn)行對比，若偏離正常行為，則為異常。異常檢測方法更關(guān)注用戶行為與正常模型的匹配程度，這就要求用于構(gòu)建模型的原始數(shù)據(jù)具備兩個(gè)特性，即多樣性和準(zhǔn)確性。其中，多樣性表示數(shù)據(jù)需涵蓋用戶的主要或全部行為模式，準(zhǔn)確性則表示數(shù)據(jù)均為正常運(yùn)行的數(shù)據(jù)，不包括異?；蚬收蠑?shù)據(jù)。具體數(shù)據(jù)的選擇可通過機(jī)理研究、專家經(jīng)驗(yàn)、大數(shù)據(jù)關(guān)聯(lián)性分析等多種途徑獲取，本文不詳細(xì)敘述。

OCSVM算法是異常檢測領(lǐng)域應(yīng)用較為廣泛的一種方法，特別適用于負(fù)樣本（非正常樣本）難以獲取的問題的建模。在本文中，采用OCSVM對正常運(yùn)行數(shù)據(jù)構(gòu)建模型，當(dāng)新的用戶行為產(chǎn)生時(shí)，模型可輸出一個(gè)衡量該行為是否具有歸屬關(guān)系的結(jié)果，倘若不具歸屬關(guān)系或關(guān)聯(lián)性不緊密，模型將對偏差行為進(jìn)行標(biāo)識，提前告知用戶可能存在缺陷。本文采用OCSVM作為辨識變壓器油中溶解氣體含量異常的方法。

2）OCSVM算法原理

OCSVM是由Scholkopf B.等[15]在支持向量機(jī)的基礎(chǔ)上提出的一種用于解決單分類問題的算法，其基本思想是構(gòu)造一個(gè)與原點(diǎn)距離最大的超平面，所有數(shù)據(jù)點(diǎn)都位于超平面的另一側(cè)，且邊距為正。實(shí)現(xiàn)方法是通過單類樣本進(jìn)行訓(xùn)練，得到由支持向量表示的超平面，且盡量最大化該超平面到原點(diǎn)的距離。OCSVM的原理如圖1所示。

圖1 OCSVM的原理

構(gòu)建拉格朗日函數(shù)求解上述優(yōu)化問題。由核函數(shù)理論可知，采用非線性映射后，特征空間中兩個(gè)向量的內(nèi)積可以用原始輸入空間中的核函數(shù)表示為

因此可得到優(yōu)化問題的對偶形式為

式中，和為拉格朗日乘子。

本文采用徑向基函數(shù)（radial basis function, RBF）高斯核函數(shù)，形式為

在OCSVM的原始問題中，是模型復(fù)雜度和訓(xùn)練誤差之間的折中參數(shù)，一般被視為訓(xùn)練數(shù)據(jù)集中負(fù)類樣本部分的先驗(yàn)估計(jì)。的選擇超出了本文的研究范圍，本文中被設(shè)置為0.05。

3）預(yù)警模型構(gòu)建

本文采用CH4、C2H4、CO、CO2、H2、C2H6六種氣體組分作為主要分析對象。預(yù)警模型構(gòu)建流程為：首先，參照2.1節(jié)所述級差分法對各氣體含量的歷史數(shù)據(jù)進(jìn)行預(yù)處理，每種氣體均可得到+1個(gè)不同時(shí)間尺度的差分序列；其次，在相同時(shí)間尺度下，組合各參量的差分序列于同一集合，共可獲取到+1個(gè)訓(xùn)練樣本集；最后，采用不同訓(xùn)練樣本集訓(xùn)練多個(gè)OCSVM單分類模型，即為預(yù)警子模型。

當(dāng)有新數(shù)據(jù)產(chǎn)生時(shí)，依據(jù)級差分法獲取預(yù)處理數(shù)據(jù)，各預(yù)警子模型就該數(shù)據(jù)做出相應(yīng)判定，若為目標(biāo)對象，輸出為正樣本，否則為負(fù)樣本。針對+1個(gè)預(yù)警子模型輸出的正樣本或負(fù)樣本的判定，新數(shù)據(jù)是否為異常還需進(jìn)一步分析，詳見2.3節(jié)。

2.3 預(yù)警信號觸發(fā)機(jī)制

預(yù)警信號觸發(fā)機(jī)制遵循無漏報(bào)、少誤報(bào)的設(shè)計(jì)原則。在復(fù)雜的運(yùn)行條件下，各時(shí)間尺度下的預(yù)警子模型可能存在一個(gè)或多個(gè)模型把測試樣本判為負(fù)樣本的情況。在不區(qū)分判為負(fù)樣本的模型個(gè)數(shù)的情況下，若設(shè)定一旦存在一個(gè)負(fù)樣本的判定結(jié)果就發(fā)出預(yù)警，則將大大增加誤報(bào)概率；反之，若全部子模型均輸出為負(fù)樣本再觸發(fā)預(yù)警，則又大大增加漏報(bào)的概率。為提升預(yù)警的有效性，本文制定一種有效的預(yù)警觸發(fā)機(jī)制，其中觸發(fā)基本條件為

依照本文設(shè)計(jì)的預(yù)警觸發(fā)機(jī)制，一旦子模型中有不少于個(gè)模型對測試樣本判定為負(fù)樣本，則觸發(fā)預(yù)警指示信號。采用本文所述方法的益處主要體現(xiàn)在兩個(gè)方面：①取值未嚴(yán)格受控，靈活應(yīng)對不同的應(yīng)用場景；②可有效規(guī)避誤報(bào)和漏報(bào)現(xiàn)象的發(fā)生，提升預(yù)警信息的有效性、可靠性。

3 預(yù)警診斷流程

本文提出一種基于油中溶解氣體分析的變壓器過熱隱患預(yù)警方法，緊貼當(dāng)下實(shí)際工程應(yīng)用的現(xiàn)狀，力求提升人員對設(shè)備管理的主動性。所提變壓器過熱隱患預(yù)警診斷流程如圖2所示，具體步驟如下：

圖2 變壓器過熱隱患預(yù)警診斷流程

1）明確引起變壓器過熱故障相關(guān)的氣體參量，選為分析對象；對于訓(xùn)練數(shù)據(jù)的選取，應(yīng)從上一次濾油開始時(shí)間選取。

2）對于訓(xùn)練數(shù)據(jù)中的缺失值、異常值，采用三次樣條插值法進(jìn)行補(bǔ)全或刪除。

3）對數(shù)據(jù)進(jìn)行預(yù)處理，劃分成多個(gè)時(shí)間間隔不等的序列；其中，對于級差分法中值的選擇，限于每臺變壓器運(yùn)行特性不一致，需經(jīng)多次實(shí)驗(yàn)獲取最優(yōu)值。

4）采用OCSVM算法構(gòu)建預(yù)警模型組，對于算法中的超參數(shù)，利用網(wǎng)格搜索法獲取合適值。

5）當(dāng)新數(shù)據(jù)輸入模型時(shí)，OCSVM模型組輸出一組判斷結(jié)果，遵循預(yù)警信息觸發(fā)機(jī)制，最終可判定變壓器是否異常。

4 實(shí)驗(yàn)分析與結(jié)果

為了驗(yàn)證所提預(yù)警方法的有效性，選用某火電廠500kV變壓器油中溶解的CH4、C2H4、CO、CO2、H2、C2H6六種氣體組分作為分析對象，取樣時(shí)間段為2020年1月1日至2020年5月2日，每天取樣1次，每種氣體共123組數(shù)據(jù)。實(shí)驗(yàn)內(nèi)容主要從兩個(gè)角度進(jìn)行分析：①圍繞正常樣本構(gòu)建預(yù)警模型；②在所提方法下，對比趨勢型樣本與正常樣本的差異。

4.1 構(gòu)建預(yù)警模型

變壓器正常運(yùn)行情況下，各氣體含量處在動態(tài)穩(wěn)定狀態(tài)，溶解與溢出相對平衡。本實(shí)驗(yàn)選取相對穩(wěn)定的氣體作為訓(xùn)練數(shù)據(jù)，以甲烷（CH4）為例，其歷史數(shù)據(jù)曲線如圖3所示，氣體含量介于0.5～1.25μL/L之間，無大幅增長，且長期動態(tài)穩(wěn)定變化。

圖3 CH4歷史數(shù)據(jù)曲線

采用級差分法對CH4氣體歷史數(shù)據(jù)進(jìn)行預(yù)處理，可獲得+1個(gè)差分序列。以=3為例，圖4展示了四組CH4氣體差分序列，其中各序列的時(shí)間間隔分別為1、2、4、8。同圖3中的CH4原始序列相比，構(gòu)造的四組新序列同樣保持動態(tài)穩(wěn)定的狀態(tài)，均值接近于0，說明在不同時(shí)間尺度下對CH4氣體變化的觀測結(jié)果基本一致，變壓器內(nèi)部無與該氣體相關(guān)的故障產(chǎn)生。

以此類推，對C2H4、CO、CO2、H2、C2H6五種氣體組分進(jìn)行相應(yīng)的預(yù)處理。鑒于各氣體組分的量綱不同，需對各氣體組分的差分序列進(jìn)行標(biāo)準(zhǔn)化處理，本實(shí)驗(yàn)利用差分序列中的最大值和最小值把原始數(shù)據(jù)變換到[0, 1]范圍內(nèi)。

在完成對所有氣體差分序列的標(biāo)準(zhǔn)化處理之后，將處在同一時(shí)間尺度下的各氣體差分序列組合在一起，共構(gòu)造出+1組6×大小的訓(xùn)練數(shù)據(jù)集，其中表示差分序列中有效值的數(shù)量，因差分間隔不同，每種尺度下的值不盡相同。對于值的選擇，可通過后續(xù)多次實(shí)驗(yàn)選擇相對較優(yōu)的結(jié)果。

表1 預(yù)警模型不同參數(shù)下負(fù)樣本的占比 單位: %

4.2 測試預(yù)警模型

為驗(yàn)證構(gòu)建模型的有效性，本實(shí)驗(yàn)在原數(shù)據(jù)的基礎(chǔ)上加入一定的趨勢分量及噪聲分量，使構(gòu)造的新數(shù)據(jù)序列蘊(yùn)含變壓器內(nèi)部過熱缺陷問題。值得注意的是，趨勢分量及噪聲分量不足以被傳統(tǒng)產(chǎn)氣率的方法判別出來。同樣以CH4為例，氣體測試數(shù)據(jù)序列如圖5所示，其中構(gòu)造的樣本數(shù)量同訓(xùn)練樣本數(shù)相同，均為123組。與圖3所示的變壓器正常運(yùn)行的氣體含量趨勢相比，圖5中氣體含量有輕微的上升趨勢，以此方式構(gòu)造變壓器缺陷數(shù)據(jù)，并作為測試樣本驗(yàn)證預(yù)警模型的有效性。

圖5 CH4氣體測試數(shù)據(jù)序列

圖6展示了對CH4氣體測試數(shù)據(jù)按=5時(shí)構(gòu)造的不同時(shí)間間隔的差分序列。不難發(fā)現(xiàn)，圖5中上升趨勢的時(shí)間序列經(jīng)過差分計(jì)算后，各新序列變得動態(tài)平穩(wěn)。此外，間隔1、2、4、8、16、32的差分序列波動大小也不盡相同，特別是間隔為32的差分序列，其平衡范圍大約為0～0.5mL/L，與其他序列有所區(qū)別。各新序列雖然把原數(shù)據(jù)的上升趨勢特性掩蓋，但卻以更精細(xì)的形式分散在差分序列中，這有益于提取原數(shù)據(jù)序列的特征，降低單一時(shí)間序列分析的復(fù)雜度。

類似構(gòu)造CH4測試樣本的方式，分別對C2H4、CO、CO2、H2、C2H6五種氣體構(gòu)造缺陷數(shù)據(jù)，再通過數(shù)據(jù)預(yù)處理，把數(shù)據(jù)整理成能夠被預(yù)警模型識別的差分序列。在測試實(shí)驗(yàn)中，測試樣本集又分為兩種情形：①僅針對CH4氣體組分構(gòu)造缺陷數(shù)據(jù)，其余五種氣體不改變；②六種氣體組分均構(gòu)造缺陷數(shù)據(jù)。針對以上兩種數(shù)據(jù)集，分別采用已構(gòu)建好的預(yù)警子模型對相應(yīng)的差分序列進(jìn)行測試，以每個(gè)預(yù)警子模型判定負(fù)樣本的數(shù)量占模型總輸入樣本數(shù)的百分比作為指標(biāo)，測試結(jié)果如圖7所示。由圖7可知，多組分氣體缺陷具備更高的辨識度，最高超過93%的樣本被判為負(fù)樣本。模型0和模型1的異常辨識度相對偏低，這主要與時(shí)間間隔過小有關(guān)，其包含的長期信息量較少。在實(shí)際中，變壓器過熱隱患并非單一氣體組分的產(chǎn)生，多參量整體分析對異常辨識度有較大幫助。

圖7 各預(yù)警子模型測試結(jié)果

圖8 測試樣本判為負(fù)樣本的預(yù)警子模型數(shù)量

5 結(jié)論

本文提出了一種基于油中溶解氣體分析的變壓器過熱隱患預(yù)警診斷方法，可實(shí)現(xiàn)針對設(shè)備早期隱患的辨識，提升人員對設(shè)備管理的主動性。所提方法具有如下特點(diǎn)：

1）提出了基于級差分法與OCSVM結(jié)合的預(yù)警方法，從多參量、多時(shí)間尺度兩個(gè)方向擴(kuò)充了訓(xùn)練集的感受域，使構(gòu)建的整體模型更具魯棒性，同時(shí)也極大地提升了洞悉設(shè)備早期隱患的敏感度。

2）制定了一種預(yù)警信息觸發(fā)機(jī)制，在提升預(yù)警模型敏感度的前提下，能緩解誤報(bào)信息的頻發(fā)，保障預(yù)警信息的有效性。

[1] 郭兆龍. 基于油色譜數(shù)據(jù)的變壓器故障狀態(tài)預(yù)測方法研究[D]. 西安: 西安理工大學(xué), 2021.

[2] 代杰杰. 基于深度學(xué)習(xí)的變壓器狀態(tài)評估技術(shù)研究[D]. 上海: 上海交通大學(xué), 2018.

[3] 茍家萁. 基于深度學(xué)習(xí)的變壓器油中溶解氣體濃度預(yù)測研究[D]. 昆明: 昆明理工大學(xué), 2021.

[4] 張燕, 方瑞明. 基于油中溶解氣體動態(tài)網(wǎng)絡(luò)標(biāo)志物模型的變壓器缺陷預(yù)警與辨識[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(9): 2032-2041.

[5] 付文光, 劉志林. 一起典型變壓器鐵心多點(diǎn)接地故障的跟蹤分析與現(xiàn)場處理[J]. 電氣技術(shù), 2020, 21(10): 114-116.

[6] 王云皓, 厲偉. 變壓器局部放電超聲波信號處理方法研究[J]. 電氣開關(guān), 2021, 59(2): 32-36.

[7] 殷健. 大型油浸式變壓器繞組溫度場分布特征提取方法研究[J]. 機(jī)械與電子, 2022, 40(3): 21-24.

[8] 張勇, 李勇, 楊應(yīng)昊, 等. 變壓器空載合閘振動信號遞歸圖分析[J]. 電氣技術(shù), 2021, 22(8): 34-38.

[9] 梁永亮, 郭漢琮, 薛永端. 基于特征氣體關(guān)聯(lián)特征的變壓器故障診斷方法[J]. 高電壓技術(shù), 2019, 45(2): 386-392.

[10] 楊飏, 邢光兵. 基于三比值法的變壓器故障診斷識別[J]. 機(jī)電信息, 2021(11): 11-12.

[11] 王健一, 李金忠, 凌愍, 等. 新版電力行業(yè)標(biāo)準(zhǔn)《變壓器油中溶解氣體分析判斷導(dǎo)則》解讀[J]. 變壓器, 2014, 51(12): 49-53.

[12] 張峪維. 基于模糊羅杰斯四比值法的變壓器故障診斷[J]. 電工技術(shù), 2021(12): 89-92.

[13] 苑津莎, 秦英, 何亞軍. 變壓器大衛(wèi)三角形法故障診斷結(jié)果的基本信任分配函數(shù)研究[J]. 電測與儀表, 2015, 52(1): 13-18.

[14] 變壓器油中溶解氣體分析和判斷導(dǎo)則: DL/T 722—2014[S]. 北京: 中國電力出版社, 2014.

[15] SCHOLKOPF B, PLATT J C, SHAWE-TAYLOR J, et al. Estimating the support of a high-dimensional dis- tribution[J]. Neural Computation, 2001, 13(7): 1443- 1471.

[16] XIAO Yingchao, WANG Huangang, XU Wenli. Para- meter selection of Gaussian kernel for one-class SVM[J]. IEEE Transactions on Cybernetics, 2015, 45(5): 927-939.

An early warning method for transformer overheating based on gas composition analysis

TAN Yikun1CHEN Ming1HUANG Teng1QIAO Supeng2LI Zhijun2

(1. Fujian Huadian Kemen Power Generation Co., Ltd, Fuzhou 350500; 2. Guodian Nanjing Automation Co., Ltd, Nanjing 211106)

At present, the analysis of dissolved gas in oil is one of the most reliable methods for the condition analysis of oil-immersed transformers. Aiming at the hidden danger of transformer overheating, this paper proposes an early warning method for the hidden danger of transformer overheating based on gas composition analysis. Firstly, the-level difference method and one-class support vector machine are used to establish an early warning model that can identify the early hidden dangers of transformers. Secondly, following a unique alarm triggering mechanism, it is com- prehensively judged whether the current transformer has hidden dangers of overheating. Finally, the verification of real transformer data shows that the proposed method has high identification sensitivity.

dissolved gas analysis (DGA) in oil; one-class support vector machine; early warning

2022-05-22

2022-06-29

譚翼坤（1992—），男，湖南株洲人，本科，助理工程師，主要從事燃煤電廠電氣配電檢修維護(hù)、電氣高壓試驗(yàn)等方面研究工作。