安洪群
（特变电工沈阳变压器集团有限公司 辽宁 沈阳 110144）
摘要：在电力系统中，电力变压器是最常见也是最关键的电气设备之一。对于电力部门而言，应当对电力变压器的潜在故障进行分析、诊断，从而保证变压器的安全稳定运行。在电力变压器运行过程中，其故障类型与故障证照存在一定不确定性，并且各个故障间联系较为复杂。基于此，本文对智能信息融合技术以及变压器故障的常见信息分类进行阐述，并对智能信息融合技术在变压器故障诊断中的应用做作出阐述。
关键词：智能信息融合技术；变压器故障诊断；绕组故障；模糊诊断
前言：在电力系统运行过程中，电力变压器是否稳定运行对于供电质量有着直接影响。然而不管是国内电力部门还是国外电力部门对于变压器故障的监测及诊断都具有较高关注度，在变压器运行过程中，多种因素会影响到电力变压器稳定性，且故障因素及故障类型较多，如何对各类信息进行处理运用，从而强化变压器故障诊断技术，成为了需要重点研究的问题
一、智能信息融合技术概述
智能信息融合技术是采用多个传感器发挥不同传感器间的差异性以及互补性，从而对单一传感器信息采集不充分的现象加以改善。智能信息融合技术其在内容上包含了多方面的技术及理论，例如：模糊理论、估计理论、信号处理以及人工智能和神经网络等。
根据信息抽象性不同，智能信息融合主要分为三个层次：其一，融合数据。即在所采集数据信息未处理之前就对信息进行分析，融合数据的传感器要求是匹配的，能够在初始数据中实现关联。其二，融合特征。通过将原始信息中所提取的特征信息进行融合分析、处理。在这一过程中，所提取的特征信息应当是原始信息的充分统计量，进而根据多信息数据源进行分类、综合。其三，融合决策。决策层融合结果面对决策目标，能够为指挥控制奠定基础。同时，在信息源失效的情况下，决策层融合依据其容错性能够保证继续工作。其所应用的主要办法有：证据理论、模糊理论等。
二、变压器故障的信息分类
变压器故障按照故障发生部位的不同，主要分为外部故障和内部故障，本文以内部故障为重点，展开研究。利用变压器信息可以为故障诊断提供一定依据。
（一）变压器油溶解所产生的气体信息
在变压器内部由于局部放电、过热和电弧现象，导致变压器油或者绝缘固体溶解、开裂，进而产生一氧化碳、二氧化碳或者烃类气体。根据各种气体在变压器油中的含量以及产生速率可以分析出变压器存在内部故障。通过应用三比值法、四比值法等油色谱分析方法即可对故障定性[1]。
（二）变压器油中的微量水分含量
在那变压器运行过程中，由于电热、光热等一系列外部因素影响会导致变压器油或者纤维材料发生老化现象，从而形成微量水分。在变压器油中的微水含量一定程度反应出变压器绝缘情况，通过库仑法可对变压器中微量水分含量加以测定。现如今，在测量变压器油中为微水含量时，通常应用高分子薄膜电容传感器。
（三）绕组电阻
变压器绕组电阻能够对绕组间短路、断股接头接触不良等故障表征出来，同时，通过绕组电阻还能对各项绕组电阻平衡、调压开关档位正确性加以判断。通过将绕组的绝缘电阻与泄漏电流、吸收比等结合可以判断出绕组的绝缘水平。
三、依靠智能信息融合技术的变压器故障诊断系统
（一）融合规则
如下图一所示为智能信息融合模型，该模型是由N1、N2、Nm等子模块和决策融合网络所组成，其中X1是N1的特征向量，Y1为N1的故障向量。
.png)
图一：智能信息融合模型
（二）智能信息故障诊断模型
智能信息融合故障诊断模型、变压器通过多个传感器将故障信息分别传递给数据层融合、特征层融合，并对故障数据进行挖掘，进而通过决策层融合版对故障信息进行诊断，若诊断后故障再现，则回到数据挖掘流程。
（三）应用智能信息融合技术的故障诊断过程
在进行融入诊断前，需要做好故障信息的连续性记录，并通过数据检验对各个传感器所采集的特征量进行检验，例如：电气参数、气体含量以及变压器油温等，从而将采集的不合理数据剔除。
在有效特征量进行数据层融合时，主要实现对于数据的标准化处理和数据越界时的报警。对于变压器的故障模式，可以在假设的前提下将观测空间划分为两个区域，若传感器信息的特征量转换后在第一个区域时，则说明没有故障，反之则表明有故障发生。
通过特征层和决策层智能信息融合对变压器故障进行诊断是，是利用模糊专家系统对故障内在因素进行分析，通过匹配知识的原则，开展模糊推理，其推理流程为：IF--THEN--以及IF--THEN--WHEN CF>W，两种规则，分别对准确的和模糊的理论进行表述。例如：IF在高压侧C相绕组存在放电信号，THEN高压侧C相绕组存在放电故障。或者IF通过油色谱测定后，变压器乙炔含量严重超标，且以较快速度增长，THEN变压器存在高能量放电故障，WHEN CF>0.7，则说明特征量与故障信息间存在关联性，从而对故障进行初步诊断，（其中CF为高能量放电故障的隶属函数，其与乙炔含量和增长速度关联，0.7为阈值）[2]。
所谓故障机理内在因素为有效特征量和故障间的关系。例如：在变压器油中溶解气体的组成及含量不同，所对应的故障情况存在一定差异。诊断知识则由先验知识与数据挖掘所得到的知识组合而成。在故障诊断模型中，特征层和决策层的智能信息融合所依据的是同意套专家系统和数据挖掘模块，并且其共同给出故障诊断结果和故障处理对策。
操作人员借助于人机接口提供环境信息，并对针对结果进行核实、校正。
在变压器故障诊断结束之后，将这一过程中特征量实测值、标准化编码以及推理过程和结果录入到数据库中，并通过数据挖掘将数据以编码形式存在专家系统规则库中，以备以后决策融合使用。
结束语：综上所述，在变压器故障诊断过程中，通过一种信息虽然可以判定出变压器故障，但并不具有代表性、可靠性。通过智能信息融合技术，将多个传感器所获取的信息融合，作为变压器故障判断依据，从而一定程度上提升故障诊断准确率。
参考文献：
[1] 袁海满,吴广宁. 基于多信息融合的变压器故障诊断[J]. 高压电器,2018,54(9):103-110.
[2] 黄新波,王享,田毅,等. 基于PSO-ELM融合动态加权AdaBoost的变压器故障诊断方法[J]. 高压电器,2020,56(5):39-46.