电工电能新技术

作者：辜超1， 杨祎1， 张晓星2， 金淼2， 周思远2

单位：1. 国网山东省电力公司电力科学研究院， 山东 济南 250002；
\r\n2. 武汉大学电气工程学院， 湖北 武汉 430072

关键词：电力变压器, 故障诊断, 溶解气体分析, 最大相关最小冗余

基金：国家高技术研究发展计划（863计划）项目（2015AA050402）

电力变压器油中溶解气体分析（DGA）技术广泛应用于变压器内典型故障诊断，其中基于DGA数据的人工智能诊断方法在变压器故障诊断领域具有较高的识别率，但该类方法在选择故障特征量时尚无统一的标准。鉴于此，本文尝试引入最大相关最小冗余算法（mRMR），以互信息理论为基础挖掘变压器故障特征量之间以及特征量与故障类型之间的关联关系，通过分析大量的DGA在线监测数据挖掘出最优的变压器故障特征量集，并采用支持向量机(SVM)分类器对比优选特征量集和传统的特征量集合在变压器故障诊断的效率。最后，通过与SVM智能分类、IEC推荐的三比值分类方法的对比测试表明该方案的故障诊断准确率优于传统的故障诊断方案，故障识别效率高于新型的人工智能诊断方案，更适合于现场的工程应用及推广。

来源：2018年第7期

《电工电能新技术》期刊编辑部

查看电工电能新技术杂志2018年第7期