电力变压器绕组故障诊断新方法：融合逻辑回归、离散小波变换与神经网络

本研究针对电力变压器绕组故障检测难题，提出一种融合逻辑回归(Logistic Regression)、离散小波变换(Discrete Wavelet Transform, DWT)和人工神经网络(Artificial Neural Network, ANN)的混合模型，成功实现97%的故障检测成功率，为电力系统可靠性提升提供新思路。

　　电力变压器作为电力系统中的关键设备，其绕组故障检测一直是行业难题。传统方法如频率响应分析(Frequency Response Analysis, FRA)存在局限性，难以准确诊断故障。为解决这一问题，法萨大学的研究人员提出了一种创新的混合模型，通过融合逻辑回归、离散小波变换和人工神经网络，显著提高了故障检测的准确性和效率。该研究发表在《Heliyon》杂志上，为电力系统的可靠性和故障诊断领域带来了新的突破。

电力变压器的绕组故障可能导致严重的经济损失和社会影响，因此准确、早期的故障检测至关重要。传统方法如FRA虽然被广泛应用，但存在无法识别轻微和初始绕组变形等问题。此外，溶解气体分析(Dissolved Gas Analysis, DGA)等方法也存在局限性，无法涵盖所有相关气体，导致诊断不准确。为克服这些挑战，研究人员探索了多种人工智能方法，如模糊逻辑分类器、人工神经网络和贝叶斯分类器等，但这些方法在特征提取和数据处理上仍存在不足。

为了解决这些问题，法萨大学的研究人员提出了一种创新的混合模型，将逻辑回归、离散小波变换和人工神经网络相结合。该模型利用离散小波变换对频率响应数据进行特征提取，通过逻辑回归评估小波分解的影响，选择最有效的波基，减少数据量并提高计算效率。最终，提取的特征被输入到人工神经网络中进行故障检测和分类。研究结果表明，该模型在故障检测方面取得了97%的成功率，将误分类率降低到2.9%。

在技术方法方面，研究人员首先采用离散小波变换对信号进行分解，提取近似和细节特征。随后，利用逻辑回归结合Lindeman-Merenda-Gold (LMG)指标评估各小波系数的重要性，并选择最具影响力的波基。最后，通过多层感知器神经网络对故障进行分类，网络结构经过优化，包含三个隐藏层，分别包含15、30和8个神经元，采用Levenberg-Marquardt算法进行训练。

研究结果表明，该混合模型在故障检测和分类方面表现出色。在实验中，研究人员模拟了多种故障类型，包括轴向位移(Axial Displacement, AD)、径向变形(Radial Deformation, RD)和短路故障(Short Circuit, SC)。通过对比不同小波基的性能，发现Db4和Sym4等小波基在故障检测中表现最佳，其分类准确率接近98%，误分类率仅为2%。此外，该方法在检测高压端短路故障时表现出色，几乎达到了98%的成功率。

研究结论强调了该混合模型在电力变压器绕组故障检测中的重要性。与传统方法相比，该模型不仅提高了检测精度，还显著降低了计算复杂度。此外，通过逻辑回归优化小波分解过程，减少了输入数据量，提高了系统的整体性能。未来的研究方向包括开发在线监测系统、优化深度学习算法以及利用大数据技术进一步提升故障检测的准确性和效率。该研究为电力系统的可靠性和故障诊断领域提供了新的思路和方法，具有重要的实际应用价值。