六、 結論

6.1

套 以

斷無線型監測系統，此電力變壓器監測系統可以收集與監測線上運轉 中變壓器的即時電力參數（包括電壓、電流、實功率與功率因數）、變 壓器高低壓側外殼振動模式、以及油中主要氣體含量，並藉由所建立 的無線型監測系統中之線上油中氣體監視器（Hydran 201i）將檢測出 的油中可燃性氣體總濃度 TCG，作初期預先的判斷，當該線上油中氣體 監視器檢測到的 TCG 值大於依 IEC 599/IEEE C57 Std 所設定的「須注 意（Caution）」及「異常（Warning）」產生警報時，即顯示被監測的 變壓器可能已發生故障的先期徵兆，此時將線上油中氣體監視器

線通信發出警訊即時通知運轉人員，並將該 TCG 資料及 TCG 異常超過

設定 適

當處

供專業人員適時前來採樣該變壓器之油中氣體，進一步做檢驗及進行 可燃

模型 的報告交由運轉人員針

對診斷結果作為後續該變壓器如何處置

行相關維護程序，以有效降低變壓器維護成本，延長變壓器運轉壽命 與提昇變電所之可靠度。

而支撐向量機（SVM）是以統計的學習理論為基礎的一個先進的機 械學習方法，它對於一些存在著取樣不容易的小量樣本數據、非線性 的及具有高維度的實務性問題的解決，具有很強的能力，本論文提出

一個 電力 壓 故 斷的方 ，這個方法

在本論文中分別採用5層（SVM1）及6層（SVM2）兩種的SVM分類器來對 具體成果

本研究成功地利用高港局 5CY 變電站的主變壓器研製與建立一 GSM 資料收集模組及線上油中氣體監視器建構的電力變壓器故障診

（Hydran 201i）所產生的警報信息及所擷取到的 TCG 值，經由 GSM 無

警戒值的警報信號傳送至監視電腦的資料蒐集器中儲存，並經 理後與電力監視系統 SCADA 整合後，做即時的警示輸出，可以提

性氣體成份的分析，並將分析資料利用多層 SVM 分類器網路診斷

，進行故障類型的診斷，最後將診斷結果

的決策依據，必要時並停機進

具有多層SVM分類器，作為 變 器 障診 法

種及7種變壓器故障類型做有效的診斷，而它顯現出具有診斷高精確 度及快

類 下列之優點：

也具

3. 求解SVM分類器是一個二次線性規劃的問題，所以它沒有局部最佳 化

1. 本

電所之可靠度，應有具體 正

6

速反應的出色特性，SVM作為變壓器故障診斷方法，比起倒傳遞 神經網路（BPNN）及其他人工智慧網路它更具有

1. 它的網路構造具有最小化風險的特點是令人滿意的，而且它 有很強健的分類能力，與非常高的辨識正確率。

2. SVM分類器網路具有非常快速的訓練速度（10秒以內）。

的問題。

4. 多層SVM分類器作為變壓器故障診斷，只需要少許的樣本數據資料 及訓練時間，就能夠得到很好的診斷輸出可靠度，所以它很適合 被採用當為變壓器故障線上診斷系統的網路，故它具有非常大的 實用性潛力。

基於上述的優點，本論文可歸納如下幾項具體成果：

研究成功地利用高港局5CY變電站的主變壓器研製與建立一套 以GSM資料收集模組及線上油中氣體監視器建構的電力變壓器故 障診斷無線型監測系統，應用於實際運轉的系統中，未來將可具 體提供運轉操作人員即時的變壓器各種運轉資訊，作為擬定變壓 器保養、維護、停機或運轉的決策依據，對於有效降低變壓器維 護成本，延長變壓器運轉壽命與提升變

面的助益。

2. 在本論文中分別採用5層（SVM1）及6層（SVM2）兩種的SVM分類器 來對6種及7種變壓器故障類型做有效的診斷，比較文獻[22]僅針 對4種故障類型做診斷更具實用性，且診斷精確度達95.86﹪以 上，可以確認本研究所提的方法具有實用性及精確度的優勢。

3. 以SVM分類器網路做為變壓器故障類型診斷，比其他的AI網路更具 強健性及訓練迅速之優勢。

4. 鑒於變壓器故障案例的樣本數據蒐集不易，以往以AI網路進行 障診斷，常陷於無法收斂或出現局部最佳解的窘況，以SVMs網路 建構的診斷系統則有效克服前述問題。

5. 本論文成功地分別以IEC TC 10 資料庫及TPC&KHB實際的故障案例 進行故障分析，可印證本研究所提方法的可行性。

此外，本論文所提出的 SVM 診斷方法，對於參數變化不大的系 統因具有廣泛的適用性，而對於變壓器故障利用油中氣體診斷的資 料複雜性，在系統結構研究尚欠清晰的條件下，這類模型往往能獲 得可以接受的模擬和預測效果，正是基於此種具體成果，本論文把 支撐向量機方法引入到變壓器故障診斷中來，經過與人工神經網路 方法比較分析可知，支撐向量機方法能充分利用訓練樣本的分布特 性，根據部分訓練樣本建構判別函數，不需要過多的先期檢驗信息 和使用技巧，而類神經網路方法更像一門計算藝術，往往需要過多 的使用技巧才能得出比較滿意的結果；且 SVM 演算法最終轉化為二 次尋優問題，從理論上來說，得到的將是全域最佳解，有效避免了 神經網路容易陷入的局部極值（較優值）問題，同時通過非線性變 換和核函數巧妙解決了高維數

故

問題，使得其演算法複雜度與樣本維 數無關，加速了訓練學習速度；另外，它能根據有限的樣本信息在 模型的複雜性和學習能力之間尋求最佳折衷，保證其有較好的泛化 性能，故它確實很適合被採用作為變壓器故障診斷網路模型。

.2 未來的研究方向

當然本論文所提出來的多層SVM分類器，它仍然還遺留一些尚待 未來繼續努力及解決的問題，諸如：

1. 核函數（Kernel Function）的取用及參數最佳化（包括ε、C及 σ²等）問題。

6

2. 樣本數據如何分群，才能使訓練得到較佳的網路模型及結果，提 度。

3

4. 本研究之目標輸出（及故障類型）係分別設定診斷出6種及7種故 障結果，其中6種診斷輸出的網路模型是以IEC 60599 Std為分類 準則（包括Normal、PD、T1&T2、T3、D1、D2），7種的診斷輸出 的網路模型是以IEC 60599 Std，將T1&T2類型（700℃以下過熱 故障）再區分為T1（300℃以下過熱故障）與T2（300-700℃過熱 高診斷精確

. Feature Vector（特徵向量）的選用，目前是使用IEC 599三比 值法，如何利用輸入樣本，改採其他方式的特徵向量達到再提高 診斷精確度的目的。

故障）兩種類型，但實際上T1（300℃以下過熱故障）應該可以 再進一步區分為「低於150-300℃的熱故障」及「150-300℃低溫 範圍過熱故障」兩類，另局部放電（PD）也可以再區分為低能量 密度（PD1）及高能量密度局部放電（PD2）兩類型故障，另外故 障類型所對應的發生故障原因（例如：絕緣紙燒損、絕緣油過熱、

裸露金屬過熱、過載過熱、絕緣物放電、絕緣油電弧放電…等等）

的議題，應可再繼續探究，具體釐清故障類型與故障原因之間的 對應關係，俾使本故障診斷系統更臻實用性。

參考文獻

[1] IEC Publication 599, “Interpretation of The Analysis of Gases in Transformers And

[2] “IEEE Guide for The Interpretation of Gases Generated In Oil-Imme Other Oil-Filled Electrical Equipment In Service,” Fisrt Edition, 1978.

rsed

[3] R rmers Using Gas in

Oil Analysis,” IEEE Trans Electron. Insulat. 13 (5), pp.349–354,1978.

[4] sis,” IEEE

[5] N.C.Wang,”Development of Monitoring and On-line Diagnosing System for Large P （Power Reserch Institute,TPC）.

[6]

T

[7] C.L.Wang,＂支撐向量機在地下水位預報中的應用研究,＂（2002-05-29）（0559-9350

（

[8] ”BECTA”,Power Station Magazine in Russia,No.6,1998。

[9] er Fault

[10] Y lt

Diagnosis System Through Evolutionary Fuzzy Logic,” IEEE Trans. Power Delivery, v

[11] H Anal Oct. 1999.

[12] Y

to iagnosis,” IEEE Trans. Power Delivery, vol. 11, pp. 1836–1841, Oct. 1997.

[13

T ,

O

[14] C.H. Yann, “Evolving Neural Nets for Fault Diagnosis of Power Transformers,” IEEE T

[15

Diagnosis,” IEE Proceedings-Generation, Trans. Distrib. 150 (6) ,pp.679–685,2003.

[16] Yann-Chan ing Wavelet Networks for Power

Transformers,” IEEE Std.C57.104-1991.

.R. Rogers, “IEEE And IEC Codes to Interpret Faults in Transfo

M.H. Wang, “A Novel Extension Method for Transformer Fault Diagno Trans. Power Deliv. 18 (1),pp.164–169,2003.

ower Transformers,”

Yuanping.Ni, “One Intelligent Method for Fault Diagnosis and Its Application,” IEEE rans. Power Deliv, pp755-758,2000.

2003）05-0122-07）（http://www.cws.net.cn/Journal/slxb/200305/22.html）

C. E. Lin, J. M. Ling, and C. L. Huang, “An Expert System for Transform

Diagnosis and Maintenance Using Dissolved Gas Analysis,”IEEE Trans. Power Delivery, vol. 8, pp. 231–238, Jan. 1993.

. C. Huang, H. T. Yang, and C. L. Huang, “Developing A New Transformer Fau

ol. 12, pp. 761–767, Apr. 1997.

. T. Yang and C. C. Liao, “Adaptive Fuzzy Diagnosis System for Dissolved Gas ysis of Power Transformers,” IEEE Trans. Power Delivery,vol. 14, pp. 1342–1350,

. Zhang, X. Ding, Y. Liu, and P. J. Griffin, “An Artificial Neural Network Approach Transformer Fault D

] Z.Wang, Y. Liu, and P. J. Griffin, “A Combined ANN and Expert System Tool for ransformer Fault Diagnosis,” IEEE Trans. Power Delivery, vol.13, pp. 1224–1229 ct. 1998.

rans. Power Del. 18 (3), pp.843–848,2003.

] M.H. Wang, “Extension Neural Network for Power Transformer Incipient Fault

g Huang, Chao-Ming Huang, “Evolv

Transformer Condition Monitoring,” IEEE TRANSACTIONS ON POWER

.Y. Wang, Y.L. Liu, P.J. Griffin, “A Combined ANN and Expert System Tool for ransformer Fault Diagnosis,” IEEE Trans. Power Del.13 (4)

DELIVERY, VOL. 17, NO. 2, pp.412-416, APRIL 2002.

[17] Z

T pp.1224–1229, 1998.

[18

p

[19] J. J. Kelly, “Transformer Fault Diagnosis By Dissolved-gas Analysis,” IEEE Trans. Ind.

App [20

Analysis,” Brown Boveri Rev., vol. 61, pp. 238–274, 1974.

[21

[22

Research 75,” 9–15, 2005 Elsevier B.V. All rights reserved.

[23

[24

[25] F.E.H. Tay, L.J. Cao, “Application of Support Vector Machines in Financial Time

[26

Automation, 10–14 Shanghai, China, pp. 2697–2670, June 2002.

[27

s. 16 (2–3), pp.373–390, 2002.

[28] C.W. Chan, K.C. Cheung, C.J. Harris, “On The Modeling of Nonlinear Support Vector Neural Networks,” Eng. Appl. Artif. Intell. 14, pp.1

[29] V.N. Vapnik, “The Nature of Statistical Learning Theory,” Springer-Verlag, New York,

[30]

[31] 張學工, ＂關於統計學習理論與支撐向量機＂, [J].自動化學報 pp.32-42, 2000.

] K.F. Thang, R.K. Aggarwal, A.J. McGrail, D.G. Esp, “Analysis of Power Transformer Dissolved Gas Data Using The Self-organizing Map,” IEEE Trans. Power Del. 18 (4)

p.1241–1248, 2003.

licat., vol. 16, pp. 777–782, Nov. 1980.

] E. Dornenburg and W. Strittmater, “Monitoring Oil Cooling Transformers by Gas

] “Interpretation of The Analysis of Gases in Transformers and Other Oil filled Electrical Equipment in Service,” IEC Pub. 599, 1978.

] Ganyun Lv., Haozhong Cheng, Haibao Zhai, Lixin Dong, “Electric Power Systems

] C. Cortes, V. Vapnik, “Support Vector Networks,” Mach Learning 20 (3) pp.273–295, 1995.

] J.W. Lu, K.N. Plataniotis, A.N. Venetsanopoulos, “Face Recognition Using Feature Optimization and Support Vector Learning Neural Networks for Signal Processing XI,” 2001. Proceedings of the 2001 IEEE Signal, Processing Society Workshop, 10–12 pp. 373–382, September 2001.

Series Forecasting,” Omega, August, 29 (4), pp.309–317, 2001.

] W.W. Yan, H.H. Shao, “Application of Support Vector Machine Nonlinear Classifier to Fault Diagnoses,” Proceedings of the Fourth World Congress Intelligent Control and

] L.B. Jack, A.K. Nandi, “Fault Detection Using Support Vector Machines and Artificial Neural Networks: Augmented by Genetic Algorithms,”Mech. Syst. Signal Proces

W.C. Chan,

Dynamic Systems Using 05–113,2001.

1995.

Vapnik V N. The Nature of Statistical Learning Theory. NY: Springer-Verlag, 1995.

Jordan M, Petsche T (eds). Neural Information Processing Systems [M]. MIT Press, 19

[33]

[34] 馬云潜，

學報(自然科學版),pp.76-78,2000.

[35] M G, et al. “Predicting Time Series With Support Vector

pp.999-10 [36] J.R

Im [37] Kuan-y

Tourism Demand,” Tourism Management Research Vol.4 No.1, pp.81~97,Jine 2004.

[38] “ htt

[39] K. K. Tan, S. N. Huang, and H. L. Seet, “Geometrical Error Compens-ation of Pre

Ins [40] 趙

Networks,” July 2003 (Thesis for the Degree of Master).

[41] M (T

[42] Mark J. L. Orr, “Introduction to Radial Basis Function Networks,” April 1996.

[43] Chang,C.C.

Re ering, Nation Taiwan

University, Available at http://www.csie.edu.tw/~cjlin/papers/libsvm.pdf,2001.

[44]

Duan, K., Keerthi, S. & Poo, A., “Evaluation of Simple Performance Measures for Tuning SVM Hyperparameters.” Technical Report, Department of Mechanical Engineering, National University of Singapore, 2001.

[45]

Michel Duval, ”Interpretation of Gas-In-Oil Analysis Using New IEC Publication 60599 and IEC TC 10 Databases,” IEEE Electrical Insulation Magazine, March/April 2001 — Vol. 17, No. 2

6] “IEC Publication 60599,” March 1999.

7] M,Dong, ”Fault Diagnosis Model Power Transformer Based on Statistical Learning Theory and Dissolved Gas Analysis,”IEEE 2004 Internation Symposium on Electrical Insulation,p85-88.

8] 羅華強, ＂類神經網路─MATLAB的應用,＂（清蔚科技出版）。

Approximation, Regression Estimation, And Signal Processing [A].” In: Mozer M,

97, 9.

李凱，＂郭子雪.一種基於SVM的函數模擬方法,＂ [J].微機發展,pp.5-6, 2001.

張學工,＂支撐向量機函數擬合在分形插值中的應用,＂ [J].中國清華大學

üller K-R, Smola A J, Ra tsch

Machines [Z].” In: Proc. of ICANN'97, Springer Lecture Notes in Computer Science,

.Huang,”Using Support Vector Machine to Category Images Variation for the age Query,”20,July 2004(Thesis for the Degree of Master).

u,Chen, “Application of Support Vector Regression in Forecasting International 使 用 放 射 性 基 底 函 數 進 行 精 密 運 動 之 幾 何 誤 差 補 償 ,＂ （ 機 密 加 工 原 理 p://www.me.ntou.edu.tw/~pml/err.doc）。

u,Chen, “Application of Support Vector Regression in Forecasting International 使 用 放 射 性 基 底 函 數 進 行 精 密 運 動 之 幾 何 誤 差 補 償 ,＂ （ 機 密 加 工 原 理 p://www.me.ntou.edu.tw/~pml/err.doc）。

在文檔中 利用GSM資料收集模組與多層支撐向量機分類器建構電力變壓器故障診斷系統 (頁 117-123)