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

近年來，隨著大數據、數據挖掘等技術的迅速發展，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、非結構化數據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境對其故障的影響，且由于造價昂貴、更換周期長，對其內部狀態量的監測一般是全方位的，用于故障診斷的數據量是豐富的；而配變數量龐大，質量參差不齊，更新換代快，數據監測量不全面，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，監測狀態量有所不同，數據豐富度區別明顯，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理論融合多時段狀態信息相結合，構建了配變的運行狀態評估模型。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測新方法。

在基于大數據技術的配變狀態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的大數據分析評估方法，構建了常規評估方法與大數據方法結合的業務流程架構。文獻[18]利用梅爾頻率系數挖掘故障特征參量，并利用隱式馬爾科夫模型進行故障類型的識別。影響配變運行狀態的因素種類繁多，在配變的故障診斷中，需要計及變壓器內外多因素的影響，這對數據質量和數量等方面均提出了較高要求。

上述研究一般假設數據獲取是全面的，然而在實際中，配變數量多、分布廣、監測手段不到位、巡檢工作不及時，導致可獲取的數據質量不高、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，運行態勢不斷變化，新的故障誘因層出不窮，因此原本數量不多的故障數據還存在數據過期的問題，難以用于新狀態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據的要求相矛盾。

遷移學習是一種近年來發展迅速的數據挖掘方法，其目標是將一個環境中學到的知識進行有效的信息提取，用以幫助新環境中的學習任務[19]。本文旨在利用遷移學習方法訓練配網故障診斷模型，以解決配變狀態數據少和數據過期的問題，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，但是配變數量多，總體數據繁雜，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針對數據過期的問題，對配變的健康狀態進行分級，將其他狀態的有效故障信息遷移至目標狀態的配變故障診斷，建立針對數據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；考慮配變運行的態勢演變，建立針對數據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 配變狀態量與故障的關聯規則

結論

針對配變故障數據有限及數據過期的問題，本文提出了一種考慮多元因素態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，得到下述結論：

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

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

3）在目標故障數據量一定時，輔助數據越多，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越多。