摘要：变压器的动态可靠性分析是实现对变压器的整修处理以及风险评估的重要依据。本文首先阐述了反映变压器可靠性的因素，选择油中溶解气体分析（DGA）数据中特征气体含量、气体总量产气速率、设备役龄为关键影响因素等等，其次我们选择合适的动态可靠性模型对变压器进行动态评估，检测故障率，最终我们对影响因素和模型进行总结分析。
关键词：变压器；可靠性分析；设备老化；模型
引言
随着我国经济的发展，用电也是越来越多，所以极大的影响了我国电力行业的趋势，加大了电力系统的维护维修工作，变压器动态可靠性分析显得尤为重要。其中的装置装备的风险预测、寿命检测、维护维修都与设备的故障率有直接关系。随着科学技术方法的快速发展，传统老式的以统计时间为基础的故障率模型因其已经无法适应当前的新设备，以及不能准确测得新设备状态而导致淘汰。现今的故障率模型可以对整个设备进行检测判断并评估。但是其检测结果时间较长，因此不会频繁的检测，一般企业基本都是一年检测一次，或者在装置整体置换后进行一次检测，所以故障率不能提供有效的实时动态监测以致于不能及时的解决设备问题带来的损失。变压器部位的自身损耗老化导致运行效率变低都会使得故障率产生或多或少的变化，所以对变压器的动态检测可以有效的排除因设备损坏不能及时维护维修带来的相关问题，这也是当前研究的一大热门。
目前国内研究现状中在变压器动态可靠性方面的成果不是非常显著，分析其主要原因为检测的时间跨度较大的问题。变压器油中溶解气体分析的技术已经非常的成熟，使用率也很高，常用来进行状态预估以及故障的诊断工作。在文章中我们考虑到变压器油色谱监测数据中特征气体含量以及气体总量产气速率同时也考虑的设备的老化问题，建立合适的模型，实现对变压器进行动态评估判断，为变压器的短期评估以及及时维护维修提供可靠保障。
1.影响变压器故障率的主要因素
1.1油色谱数据中特征气体的含量
油浸式变压器的绝缘与冷却均与油有关，在变压器处于高功率发热以及下雨受潮或雷击时，变压器的油质会发生物理化学反应分解并产生各式各样的气体。举例来说，电击时烃含量低，氢含量偏高；发热严重时会分解出更多的乙烯和甲烷等气体。所以我们可以利用油色谱数据中的特征气体的不同以及含有率分析变压器的状态，判断变压器的故障问题。
1.2气体总产气速率
变压器正常工作时随着时间的推移会发生老化现象，同时还会分解出一些可燃性的气体，由于初步阶段，分解的气体很少不直观，按照油色谱中气体的含量来判断故障的方法不是很标准，不能准确的判断变压器的老化程度，所以我们可以观察变压器的产气速率，产气速率可以更加最直观的判断变压器的老化严重程度。对此我们首先根据检测到的油色谱数据的特征气体含量确定变压器的状态变化，根据变压器状态变化，以及产气的速率最终确定变压器的运行状态，正常情况下每年一次，每月一次应该加强在注意，每周一次就要进行维护了，每天一次变压器就是出现了故障需要尽快维修或更换。根据以上方法我们可以得到油色谱数据中特征气体含量和产气速率的状态转移率，然后在利用合适的模型计算故障率。
1.3设备老化
在大量数据的研究下，设备的工龄对变压器的正常工作也会长生很大影响。
有研究表明在设计故障率模型时，将设备的工龄工作时长等考虑在内，模型会更加准确接近现实情况。国内外对于变压器动态可靠性的研究发现，不同工龄的变压器，即使在相同的工作状态下，故障率也会有不同，说明变压器的工作时长对故障率确实有很大影响。
2.变压器模型的选择和建立
2.1模型的选择
对于变压器故障率和上述影响因素之间是并非是线性关系，没有线性函数可以解决，所以只能用非线性方法解决问题。目前我们可以使用机器学习的方法进行建模，神经网络作为最传统的方法广泛应用于变压器模型的建立，但是该方法的训练方式需要非常的大量的数据以及很长的时间来训练模型，确保该模型的准确性。随着科学方法的不断进步，加上变压器性能的提高使得其有很好的实用性故障率明显降低，导致传统的神经网络学习方法来研究变压器的动态可靠性变得不太现实，因此出现更加方便可靠的利用数学的统计学习方法。统计学习方法的优点是整体全面，对于数据不是非常充足的样本，也可以在理论上确保得到全局最优解，比神经网络中得到的局部最优解更加可。与此同时统计理论兼容向量机理论，兼并很强的非线性逼近性质和泛化函数性质，对数据不是非常充足的样本来说非常适合。我们可以选择最小二乘法支持向量机建立模型，该方法的优点是训练过程中可以把误差的平方和softmax函数作为经验损失，将其最终化为解线性方程的问题，简化求解问题，提高了准确度。
2.2建立变压器动态建模
利用最小二乘法支持向量机对变压器故障率进行建模分为以下几个步骤：首先设置输入输出，输入为变压器的油色谱中特征气体含量、产气速率以及设备工龄，输出为故障率参数，以此作为模型的训练样本。其次我们选择合适的函数训练样本数据，并得到输入与输出函数关系。最后根据函数关系输入我们测得的数据，可以得到我们想要的预估故障率。
3.结语
根据目前研究分析总结：影响变压器的因素主要有三点：一是变压器中油色谱监测的特征气体含量，二是气体的产气速率，三是设备的工龄导致老化问题。同时为了更加准确的测得故障率，也需要对建模的模型进行更加细致的选择。传统的模型不仅需要大量数据以及庞大的计算量，而且所得的结果也不尽人意，不能很好的反应准确的导致故障率变化的原因。而对于统计法中应用支持向量机模型来对小样本数据建立的非线性模型而言，该模型对于变压器动态检测的可靠性高，且因为数据不是非常庞大，计算速度快且准确。但是还有一点应该说明，变压器的热性能也是影响变压器故障率的指标之一，所以线圈绕组热点温度也非常值得我们关注，然而在实际工程中的准确可靠的测量线圈绕组的方式荧光式光纤测量方法，但是该测量方法并没有普及开来，目前在国内基本是测量变压器的顶层油温等来预估线圈绕组的温度。
参考文献
[1]多神经网络与证据理论的变压器故障诊断方法[J].张文元,赵卫国,晋涛,俞华,王伟.高压电器.2018(08)
[2]基于粒子群与多分类相关向量机的变压器故障诊断[J].刘益岑,袁海满,范松海,李帅兵,甘德刚,高波.高压电器.2018(05)
[3]基于有源气室结构的光声光谱技术[J].李志军,陈伟根,邓硕,曹玲燕,万福,张建学.高电压技术.2018(05）
第一作者：胡蝶（1991.09-），女,研究生，工程师，主要从事高压绝缘评估等工作；第二作者：李昀（1989.07-），男，研究生，高级工程师，主要从事电网运行调度等工作