在配網(wǎng)中，配電變壓器（簡稱配變）數(shù)量龐大，保證其安全性是電網(wǎng)穩(wěn)定可靠運行的基礎，對其狀態(tài)的精確感知、故障的準確診斷、風險的及時排查，在保障供電可靠性、實現(xiàn)風險預警、降低事故發(fā)生概率等方面意義重大。

近年來，隨著大數(shù)據(jù)、數(shù)據(jù)挖掘等技術(shù)的迅速發(fā)展，其在變壓器故障診斷方面得到了廣泛的應用。研究主要集中在故障特征量的智能化提取、故障類型與影響因素之間的關聯(lián)性挖掘、故障診斷的高精度算法設計、故障類型的高效快速檢出、非結(jié)構(gòu)化數(shù)據(jù)在故障診斷中的應用等方面。

該類研究的故障診斷對象主要是輸電變壓器（指110kV及以上的主變壓器，簡稱輸變），在實際中，輸變與配變在運行工況、監(jiān)測手段、診斷周期等方面均存在較大差異。輸變通常不會過載運行，運行工況良好，所以一般不考慮外界環(huán)境對其故障的影響，且由于造價昂貴、更換周期長，對其內(nèi)部狀態(tài)量的監(jiān)測一般是全方位的，用于故障診斷的數(shù)據(jù)量是豐富的；而配變數(shù)量龐大，質(zhì)量參差不齊，更新?lián)Q代快，數(shù)據(jù)監(jiān)測量不全面，天氣和負載率等運行工況對配變健康水平均會造成較大影響。

通過上述分析，輸變與配變的故障誘因存在差異，監(jiān)測狀態(tài)量有所不同，數(shù)據(jù)豐富度區(qū)別明顯，不能將輸變的故障診斷方法簡單移植到配變。

針對上述問題，國內(nèi)外學者對配變的故障診斷方法展開了一定的研究。文獻[15]將多變量灰色預測模型和改進證據(jù)理論融合多時段狀態(tài)信息相結(jié)合，構(gòu)建了配變的運行狀態(tài)評估模型。文獻[16]通過在線測量，計算出變壓器的短路電抗值，提出了一種配變繞組變形故障的在線監(jiān)測新方法。

在基于大數(shù)據(jù)技術(shù)的配變狀態(tài)評估及故障診斷領域研究尚少。文獻[17]提出了配變運行狀態(tài)的大數(shù)據(jù)分析評估方法，構(gòu)建了常規(guī)評估方法與大數(shù)據(jù)方法結(jié)合的業(yè)務流程架構(gòu)。文獻[18]利用梅爾頻率系數(shù)挖掘故障特征參量，并利用隱式馬爾科夫模型進行故障類型的識別。影響配變運行狀態(tài)的因素種類繁多，在配變的故障診斷中，需要計及變壓器內(nèi)外多因素的影響，這對數(shù)據(jù)質(zhì)量和數(shù)量等方面均提出了較高要求。

上述研究一般假設數(shù)據(jù)獲取是全面的，然而在實際中，配變數(shù)量多、分布廣、監(jiān)測手段不到位、巡檢工作不及時，導致可獲取的數(shù)據(jù)質(zhì)量不高、類別不全；同時，配變運行工況惡劣，可能長期過載運行，健康水平惡化較快，運行態(tài)勢不斷變化，新的故障誘因?qū)映霾桓F，因此原本數(shù)量不多的故障數(shù)據(jù)還存在數(shù)據(jù)過期的問題，難以用于新狀態(tài)下故障診斷模型的訓練。這兩方面問題與配變故障診斷對數(shù)據(jù)的要求相矛盾。

遷移學習是一種近年來發(fā)展迅速的數(shù)據(jù)挖掘方法，其目標是將一個環(huán)境中學到的知識進行有效的信息提取，用以幫助新環(huán)境中的學習任務[19]。本文旨在利用遷移學習方法訓練配網(wǎng)故障診斷模型，以解決配變狀態(tài)數(shù)據(jù)少和數(shù)據(jù)過期的問題，具體分為兩個層面：

①單個配變的故障信息有限，利用這些信息難以訓練出一個泛化能力很強的故障診斷器，但是配變數(shù)量多，總體數(shù)據(jù)繁雜，需要將輔助配變的有效故障信息遷移至目標配變故障診斷模型的訓練中，建立基于信息遷移的配變故障診斷模型；

②針對數(shù)據(jù)過期的問題，對配變的健康狀態(tài)進行分級，將其他狀態(tài)的有效故障信息遷移至目標狀態(tài)的配變故障診斷，建立針對數(shù)據(jù)過期的配變故障診斷模型。

本文首先對影響變壓器故障的關鍵狀態(tài)量進行挖掘；然后考慮不同配變故障信息的差異性，建立基于信息遷移的配變故障診斷模型；考慮配變運行的態(tài)勢演變，建立針對數(shù)據(jù)過期的配變故障診斷模型；通過算例分析，驗證了本文所建立模型的精確性。

圖2 配變故障診斷流程

圖4 配變狀態(tài)量與故障的關聯(lián)規(guī)則

結(jié)論

針對配變故障數(shù)據(jù)有限及數(shù)據(jù)過期的問題，本文提出了一種考慮多元因素態(tài)勢演變的配變遷移學習故障診斷模型。通過理論推導與算例分析，得到下述結(jié)論：

1）在利用配變狀態(tài)量進行故障診斷時，應對狀態(tài)量的關鍵程度進行評判，若將非關鍵狀態(tài)量引入診斷器中，將會降低故障診斷精確度。

2）本文所構(gòu)建的M1和M2模型與傳統(tǒng)的故障診斷器相比均具有更強的泛化能力，目標與輔助故障數(shù)據(jù)的相似度決定了故障診斷的精確度，在故障診斷時應根據(jù)遷移度閾值等方法對輔助數(shù)據(jù)進行篩選，以保證目標與輔助故障數(shù)據(jù)的高相似度。

3）在目標故障數(shù)據(jù)量一定時，輔助數(shù)據(jù)越多，故障診斷精確度越高，遷移學習越有利，但訓練診斷器所需的迭代次數(shù)越多。