基于组合决策树的油浸式电力变压器故障诊断

摘要：油浸式电力变压器故障诊断在保障电力系统运行安全性和稳定性中发挥着重要作用，通过采用逐级划分方法构建起组合决策树模型，能够对变压器故障类型作出准确诊断，便于变压器故障维修。本文介绍了组合决策模型与变压器常见故障分类，提出了基于组合决策树的油浸式电力变压器故障诊断模型，旨在为提高变压器故障诊断准确率提供借鉴参考。

关键词：组合决策树；油浸式电力变压器；故障诊断

在油浸式电力变压器故障诊断中，传统的IEC三比值法的诊断准确率不高，并且很难细分变压器故障类型，导致变压器故障诊断技术水平偏低。不同类型、不同容量、不同电压等级的变压器，在不同运行工况的情况下会发生有所差异的故障，为提高变压器故障诊断的准确性和精细度，可以借助组合决策树模型精确划分故障类型，根据特征值识别故障细类，为故障维修提供可靠依据。

1组合决策模型与变压器常见故障分类

决策树是一种具有树状结构特征的分类模型，在该模型中利用决策节点将数据集划分为相应的子集，每个子集对应一个决策结果[1]。将决策树应用到油浸式电力变压器的故障诊断中，能够为梳理故障类型提供清晰表述。但是，变压器的故障类型较多，按照故障原因分类可以分为直接原因故障、间接原因故障和扩展性原因故障，而决策树很难细化分解复杂原因的故障类型。故此，本文提出组合决策树模型，结合采用逐级划分方法分析故障。

变压器常见故障类型包括将以下13种：围屏放电（F1）、匝间绝缘（F2）、引线对地放电（F4）、油流带电（F4）、有载分接开关箱渗漏油（F5）、铁芯局部短路（F6）、漏磁引起过热（F7）、分接开关接触不良（F8）、绕组引线接触不良（F9）、绕组过热（F10）、油中气泡引发局部放电（F11）、进水受潮（F12）、悬浮电位引起放电（F13）。

在组合决策树模型中，树节点1划分为三种类型故障，分别为放电性故障（树节点2-1）、氢气主导型故障（树节点2-2）和过热性故障（树节点2-3）：①树节点2-1划分为两类型故障，分别为与固体绝缘有关故障（树节点3-1-1）、与固体绝缘无关故障（树节点3-1-2），树节点3-1-1对应F1、F2、F3故障，树节点3-1-2对应F4、F5、F6故障；②树节点2-2对应F7、F8故障；③树节点2-3划分为两类型故障，分别为电路故障（树节点3-2-1）、磁路故障（树节点3-2-2），树节点3-2-1对应F9、F10、F11故障，树节点3-2-2对应F12、F13故障

2基于组合决策树的油浸式电力变压器故障诊断

2.1样本集构成

在电力变压器故障诊断前，要搜集足够样本，以保证决策结果的准确性。故障样本来源于不同类型变压器在不同运行状态下发生的故障。其中，F1-F13对应的训练样本集分别为23、34、36、52、24、8、18、20、115、75、13、125、58，F1-F13对应的检验样本集分别为11、21、16、25、12、7、16、9、26、36、7、54、27。在样本集构成中，训练样本覆盖了变压器不同型式、不同容量、不同运行环境、不同制造厂家、不同电压等级和不同地区的故障样本，检验样本是样本库中随机选取的样本，不包含训练样本[2]。在样本训练前，还可以对样本进行修正，进一步去掉冗余样本，以保证分类决策的准确性。

2.2特征参数选择

特征度量X应包含极少冗余度，要求故障识别分类结果对X不具备敏感性。特征向量X的每一个参量xj都可以在不同程度上反映出故障信息内容，当变量总数n越大时，决策树分析过程越复杂。在变压器故障诊断中，为简化决策树的分析过程，应选择具有代表性的特征参数，采用机械学习算法、相关性分析方法、主成因分析方法等方法对特征参数的重要性进行评估，从中优选出特征子集，保留特征子集的故障信息。在基于组合决策树模型的特征参数选取中，选取7种特征气体作为特征子集，分别为氢气、二氧化碳、一氧化碳、甲烷、乙烷、乙烯、乙炔。这些特征气体都属于变压器故障时产生的气体，根据故障产气机理，组合排列特征参量，建立起故障特征集，增强决策树分类的针对性。

将气体特征参量对应树节点，生成每一树节点的计算模型，形成决策网络系统[3]。以树节点1为例，选取乙炔、氢气、乙烯、一氧化碳作为比值参量的原始特征量，C代表氢气、甲烷、乙烷、乙烯、乙炔气体之和。当乙炔与C的比值≤0.039时，划分为过热性故障、氢气主导型故障。当氢气与C的比值≤0.62时判定为过热性故障，当氢气与C的比值＞0.62时，判定为氢气主导型故障；当乙炔与C的比值＞0.039时，归类为放电性故障及其他故障。当乙炔与乙烯比值＞0.93时判定为放电性故障，当乙炔与乙烯比值≤0.93时判定为其他故障。对其他故障继续细分，当一氧化碳＞70时判定为放电性故障，当一氧化碳≤70时判定为过热性故障。

2.3组合决策树模型检验

在组合决策树模型中对样本集进行训练和检验，将检验结果与基于三比值法的故障分类方法检测结果进行对比分析。检验结果显示：基于三比值法的故障诊断模型的总判断正确率为35.2%，对F1-F13故障细分诊断的判断正确率在15.4%-66.6%之间；基于组合决策树的故障诊断模型的总判断正确率为91.8%，对F1-F13故障细分诊断的一级树节点判断正确率在95.2%-95.8%之间，二级树节点的判断正确率在78.5%-94.5%之间，三级树节点的判断正确率在73.2%-92.1%之间。由此表明，基于组合决策树的油浸式电力变压器故障诊断模型的诊断准确度较高，具备应用可行性。

3结论

综上所述，在油浸式电力变压器故障诊断中应用组合决策树模型，能够准确诊断出变压器故障类型，提高故障识别效果。组合决策模型能够克服单决策树结构复杂的缺陷，并结合特征偏置构建起完善的决策网络结构，以特征值为依据细化诊断故障类型，从而保证了变压器故障诊断的准确性。

参考文献

[1]王娜娜，栗文义，李小龙.基于不均衡小样本DGA数据与改进CatBoost决策树的油浸式变压器故障诊断方法[J].电力系统保护与控制，2024（23）：167-176.

[2]咸日常，李云淏，王玮.电力变压器内部故障的递进分层诊断方法[J].电网技术，2025（4）：1726-1734.

[3]王小军.油浸式变压器故障诊断探究[J].产业创新研究，2024（24）：44-46.