前言
在一个完整的电力系统中，变压器在变电站的能够平稳的安全运行是整个系统能够正常工作的基本保障。实地进行检测在一定程度上虽然可以降低设备发生故障的机率，但是在当前的许多情况下，如果继续采用这种维护方式，将会造成人力与物力的浪费，并且无法实现设备的实时监控以及运行维护，因此需要推进设备的智能化进程。目前许多国家都在大发展变电站一次设备的智能化，利用在线监测技术，监测设备当前的运行数据，判断设备运行状况的好坏，来及时实现设备的状态检修。
一、智能变电站变压器故障检测方法
1基于油中溶解气体组分的比值检测方法
该方法的基本原理是通过分析变压器内部溶解气体的组分含量以及比值，得到能够表征故障点的故障模式的信息。在文献[1]中，Dornenburg首先研究并提出基于油中溶解气体组分的比值判断方法，并基于该方法，采集实例的数据，对变压器的故障进行了诊断，开创了该方法的先河。之后，Barraclough等研究人员研究并提出了基于四种气体的比值方法进行故障诊断，这四种比值分别为CH4/H2, C2H6/CH4, C2H4/C2H6和C2H2/C2H4，通过应用效果分析表明，在这四种比值之中，其中的C2H6/CH4比值在表征油纸分解温度范围时效果有限，因此，对该方法进行了改进，去掉了该比值，形成了修正后的三比值法[2]。在文献[3]中，Rogers更深入地对气体组分比值编码方法进行了分析和论述，并对其使用方法进行了规范和说明，从而推动了该方法的推广。近年来，伴随着该方法的应用不断深入，研究发现了该方法在编码这一关键问题中的不完备性，也就是说，常常会出现不在编码值之内的故障类型，这样就很难对这种故障进行诊断，产生了诊断的误判，针对该问题，有许多相关文献也进行了改进研究。
2基于模糊逻辑的检测方法
模糊逻辑以模糊理论为基础，能够对不确定的信息以及边界信息进行具体的描述和表达，通过隶属度对模糊的信息进行处理。进而对实际中存在的一些不确定性问题进行解决。在电力变压器的应用中，故障表象以及故障机理之间往往存在着一定的模糊管理，而传统的数学分析方法难以对这种规律进行反映，通过模糊逻辑则能够针对性的解决这种模糊的关系，从而为变压器的故障诊断提供了一种有效的方法。基于模糊逻辑的诊断方法也存在着一定的不足，主要在于模糊理论中的模糊隶属度函数的确定需要借助专家经验和实验。
文献[4]在变压器的故障诊断研究中，基于传统的比值法展开分析，在处理比值的边界时，引入了模糊逻辑方法，有效地将边界进行模糊化处理，这种处理结果得到了更为科学的可以描述的诊断结果。但模糊逻辑技术的引入也带来了新的问题；文献[5]分析了常用的变压器诊断方法的优缺点，针对专家系统、人工神经网络以及模糊数学理论的缺点，将模糊数学以及节约覆盖集理论应用到故障诊断之中，开展了变压器电气试验，采集了油中溶解气体并对气体的组分谁行分析，构建了一种全新的变压器故障综合诊断模型，取得了良好的应用效果；文献[6]提出基于模糊粗糙集的信息决策系统，该方法融入了数据挖掘技术，能够对变压器进行有效的故障模式诊断；文献[7]在电力变压器故障诊断研究中，首先分析了无监督的模糊C均值聚类算法，对该方法应用过程中存在的一些问题进行总结，引入了一种加权模糊核聚类方法，并将其应用到电力变压器的故障诊断中。与模糊C均值聚类方法相比，加权模糊核聚类方法充分地考虑了数据样本中不同特征对聚类结果的影响因素，建立了基于样本相似度的加权方法，最后实现了核聚类。实践表明，该方法能够将不同的特征对聚类的效果进行加权分析，可以提高故障诊断的准确率。
3基于专家系统的检测方法
专家系统是人工智能的一个重要研究领域。能够充分地对专家的经验和推理进行模拟，具有一定的容错能力和适应度。由于专家系统以自身的知识库为推理的基础，因此，通过完善知识库并进行修正，保持知识库的丰富性和完备性，可以有效地解决多种类型的变压器的故障诊断应用。
文献[8]在基于专家系统的变压器故障诊断应用中，充分地考虑了面向对象方法，构建了内部为面向对象结构的变压器绝缘故障诊断知识库，具有一定的研究价值；文献[9]研究并建立了一种基于行为的模糊故障诊断专家系统，该系统能够自适应地调整自身的推理结构，并对系统的知识库进行模糊化处理，形成个性化的判别效果，取得了良好的应用效果，诊断准确率也得到了提高；文献[10]在基于专家系统的变压器故障诊断应用中，引入了黑板模型结构，构建了适合于多专家合作诊断的结构。
4基于人工神经网络的检测方法
人工神经网络(artificial neural network，ANN)在人工智能的故障诊断模型中应用较早，也得到了广泛的应用。该模型具有良好的非线性映射能力，模型的自学习能力、自适应性能力均是该模型的优点。近年来，人工神经网络被研究人员应用到变压器的故障诊断中，得到了较好地效果。
文献[11]提出并构建了组合神经网络分层结构模型，基于大量的变压器油中溶解气体数据进行实例分析和验证，结果表明了该方法的有效性；文献[12]将径向基函数神经网络(Radical Basis Function)RBF引入到电力变压器的故障诊断之中，并在应用过程中采用了组合诊断的思路，结果表明，RBF神经网络在分类准确率和运行速度方面均要由于传统的BP神经网络；文献[21]将模糊诊断方法与神经网络技术相结合，提出基于模糊神经网络的故障诊断方法，取得了较好的应用效果；文献[13]建立了Super SAB神经网络算法，并通过实例验证了该方法的有效性；文献[14]引入了弹性反馈( Resilient Propagation RPROP)神经网络，并将该模型应用到基于变压器油中溶解气体的故障诊断模型之中，取得了较好的应用效果；文献[15]将自构形的神经网络模型应用到了变压器故障诊断实践中；文献[16]研究了前馈小波神经网络，并基于该模型对电力变压器的绝缘故障进行了诊断。实践表明，该方法在收敛速度、分类性能与分类准确率上均能取得良好的效果。
5其他检测方法
除了上述几种典型故障诊断方法，在相关研究中，也存在一些较为成功的方法。例如文献[17]充分结合了神经网络与证据理论，基于色谱数据进行了变压器故障诊断；文献[18]建立了基于基因多点交叉遗传算法优化的神经网络模型，有效地对电力变压器进行了故障诊断；文献[19]应用了组合诊断方法对变压器进行故障诊断。除此之外，一些信息处理与人工智能领域的模型和方法也应用到电力变压器故障诊断问题中，较为典型的包括信息融合、粗糙集理论、组合决策树、贝叶斯网络、人工免疫、新径向基函数网络及支持向量机的变压器故障诊断法。
二、变电站变压器故障诊断的实现
变压器上装有压力表、温度表、密度继电器等辅助管理仪表仪器，对变电站运行状态可以起到监测作用，但对于设备故障的检测却不能胜任。通常，可采用规律检查、带电测量和红外线诊断等检测方式。
规律检查：定期对设备开展比较有规律性的检查，从而发现一次设备在日常的运行中出现的各种中小型故障例如变压器的油温、绕组温度，电流、有功、无功的负荷；变压器绕组是否有变形、扭曲、鼓包;套管有无渗漏现象，有无粉尘污染等；冷却装置信号指示灯是否完好，油流继电器档板是否脱落等各种异常状况，定期检测并做好记录。
超声波法：在变压器内部如果有局部放电现象，这时对应形成超声波信号，球面波就会迅速向外膨胀与扩张，利用所安装的超声传感器即可感应到放电所形成的信号，实现故障检测效果。
脉冲电流法：铁芯、绕组浸渍在变压器内部的绝缘液体中，内有分布电容，向外发射的是高辐射能量的(几百千赫至几兆赫)信号，根据分布电容的特点，能通过定子绕组与铁芯之间的耦合，因此，将高频电流传感器安装在铁芯上可以实现脉冲电流检测
电、声综合法检测：将上述两种方法综合使用，变压器局部放电带电检测中对电、声综合法的检测应用可以最大化结合两种方式的优点，去除干扰信号，利用声、电时间差对故障变压器局部放电位置进行精确定位，及时发现潜在绝缘威胁，更精确、更简洁、更方便
红外线诊断技术：红外检测属于一种非接触性的动态测量的仪器，其操作简便、精确性较高、已经成为变电一次设备的故障检测常用技术。通过红外线诊断技术进行检测时，为及时、精准地执行检测工作，要严格按照下述注意事项：
(1)检测设备属于带电状态时应躲离视线中的遮蔽物，如盖板、门等
(2)红外线镜头不要长时间受太阳光照射，当夜间进行一次设备故障检测作业时，则需要关闭灯光。
(3)周围空气最佳温度以及红外线检测仪本身温度都不能低于50℃，湿度不超过为85%，风速不超过0.5m/s。在恶劣的气候条件下，应对检测时间进行更换。
(4)均衡背景辐射是红外线检测的必要条件，因此，在检测一次设备故障时应杜绝人的热源辐射干扰。
结束语
在整个电力系统中，变压器是重要而昂贵的设备。只有变压器安全运行才能保证电网系统的可靠和稳定。一旦发生故障，直接会影响整个电网的运转，轻则发生造成工程延期，影响生活，重则造成严重的经济损失和人员伤亡。尽管近年来国内的电力系统的安全性得到了很大的提升，但仍然会出现关于变压器的安全事故。因此，为了提高电力变压器的安全可靠性，采用科学的方法对其运行状态进行监测，进而评估其运行状态，值得相关人员深入的研究。
参考文献
[1]苏鹏生,王欢.电力系统设备状态监测与故障诊断技术分析[J].电力系统自动化,2003,27(1):61-65.
[2]吴万笛.色谱仪器维护与故障排查[M].北京北学工业出版社，2005:23-99.
[3]Lin C.,Ling J. M..Expert system for transformer fault diagnosis using dissolved gas analysis[J].IEEE Transactions on Power Delivery,2005,8(1):231-238.
[4]廖瑞金,孙才新.多专家合作诊断变压器绝缘故障的黑板型专家系统[J].电工技术学报,2002,17(1):85-90.
[5]孙向飞,于继来.粗糙集理论在电力系统中的应用[J].电力系统自动化，2004,28(3):90-95.
[6]闻冰,李文.基于粗糙集属性的重要数据简约[J].电子测量技术，2008,31(5):117-119.
[7]郭磊.基于神经网络的变压器故障诊断技术的研究[D].成都:西华大学,2008:25-32.
[8]王美刚.基于模糊理论的电力变压器状态评[D].北京:华北电力大学，2008:5-30.
[9]张哲.基于支持向量机的变压器状态评估与故障诊断的研究[D].北京:华北电力大学,2009:10-25.
[10]吴晓辉,刘彤.支持向量机在电力变压器故障诊断中的应用[J].西安交通大学报,2007,41(6):722-726.
[11] P. F. Pai, W. C. Hong. Forecasting regional electrical load based on recurrent support vector machine with genetric algorithms Electric System,2005,74(3):417-425.
[12]刘晓津.基于支持向量机和油中溶解气体分析的变压器故障诊断[D].天津:天津大学,2007:5-17.
[13]章政.基于遗传编程的电力变压器绝缘故障诊断模型研究[D].上海:上海交通大学,2007:31-40.
[14]余杰,周浩.变压器油气体分析故障的免疫算法诊断模型[J].高电压技术，2006,32(3):49-50.
[15]王昌长，李福其.电力设备的在线监测与故障诊断[M].北京:清华大学出版社,2006:3-15.
[16]李俭.大型电力变压器以油中溶解气体为特征量的内部故障诊断模型研究[D].重庆:重庆大学,2006:3-20.
[17]陈根.以油中多种气体为特征量的变压器绝缘在线监测及故障诊断技术研究[D].重庆:重庆大学,2003:13-22.
[18]吴立增.变压器状态评估方法的研究[D].保定:华北电力大学,2008:18-25.
[19]张立刚，刘欣.变压器油中溶解气体的成分和含量与充油电力设备绝缘故障之间的关系[J].变压器,2008,45(3):41-45.