—24 引言
节能
ENERGYCONSERVATION
2012年第12期（总第363期）
基于GA优化支持向量机的变压器故障诊断
张春龙，吴楠，王涛，陈宇
（东北电力大学自动化工程学院，吉林吉林132012）
摘要：针对变压器故障诊断中出现的多故障分类问题，为提高支持向量机的多故障分类的准确率，利用遗传算法(GA)对支持向量机的相关参数进行了优化。将利用遗传算法优化的支持向量机(GA-SVM)应用于变压器故障诊断中，并与利用粒子群算法优化的支持向量机(PSO-SVM)的识别结果进行比较。对比试验结果可以看出，GA-SVM算法能够更为有效地选择支持向量机的相关参数，在很大程度上提高了变压器多故障分类的准确性。
关键调：支持向量机；通传算法；参数优化；变压器；款障诊断
中图分类号：TM41文献标识码：A文章编号：1004-7948(2012)12-0024-04 doi:103969/j. issn. 1004 7948.2012. 12.008
行故障诊断。而后的研究对IEC三比值编码进行了进一步的补充，如由日本电气协同研究会提出的
随者我国工业快速地发展，对电力的需求也日益增多。整个电力系统正朝着大电网、超高压、大容量、自动化的方向转变，越来越多的电气设备被使用，对发电、输电、供电的可靠性要求也越来越高。因此，电气设备运行的可靠性便显得尤为重要，提高电气设备运行的可靠性成为当务之急。
电力变压器是电力系统中不可缺少的设备之
一，它的运行状态直接或间接关系到电力系统的安全性与经济性。但是，由于电力变压器内部结构复杂，运行环境特殊，易发生故障。一且发生故障，将会对整个社会造成巨大的经济损失，同时也将影响人们的日常生活。因此，研究电力变压器敬诊断技术，提早预测可能出现的异常情况（即潜伏性故障），对提高设备稳定性具有深远而重大的意义。
变压器油中溶解气体分析(DGA)技术是诊断电力变压器早期故障较为有效的手段。它能够及早发现变压器内部存在的潜伏性故障，对定期维修方式过渡到状态维修方式的进程起到促进作用，从而被广泛应用于变压器故障诊断中。国内外众多专象学者大量研究了油中溶解气体的分析方法，并取得了很多有价值的成果，得到了一些实用性的方法。而被普遍认为最为简明的解释是IEC标准中的三比值法，它是基于5种特征气体的相对比值 CH/H、CH/C,H、C,H,/CH来编码，从而进
万方数据
电协研法以及我国湖北电力试验研究所提出的改良电协研法等，现已成为运行现场应用较为广泛的方法。
以上基于DGA故障诊断方法的共同特点是对变压器油中溶解的几种特征气体H、CH4、 C,Hz、C,H、C,H、CO、CO,相对含量的比值进行编码，然后由相应的编码表查出对应的故障。但是，这些方法大多属于阔值诊断的范畴，只是给定一个判定的边界，不能确实描述出表现特征与对应故障间的规律，并且当出现溶解气体含量较小的情况时就很难对变压器状态进行确定分析，即只有当某些特征气体相对含量超过某一特定值时，判断结果才被认为是有意义的。由于传统方法存在这些缺点，用其来发现和分析变压器中潜伏性故障是无法满足实际要求的。
许多专家都在致力于探索一条变压器故障诊断的全新途径，即在上述传统诊断方法的基础上，把故障诊断和人工智能的相关理论与方法结合起来，提出薪新的、智能化的故障诊断方法。目前很多人工智能的方法如专家系统、神经网络、聚类分析、粗集、灰色理论、模糊集理论、支持向量机等，它们中的一种方法或几种方法的集成，被应用于电力变压器故障诊断中，并取得了较为理想的诊断效果。支持向量机（SupportVectorMachine，SVM）