西安交通大学电力设备与电气绝缘国家重点实验室、西安交通大学陕西省智能电网重点实验室的研究人员张立石、梁得亮、刘桦、柳轶彬、李大伟，在2021年《电工技术学报》增刊2上撰文，针对混合式配电变压器故障情况下的变压器故障和电力电子故障的辨识问题，提出了一种基于小波变换和逻辑斯蒂回归的混合式配电变压器故障辨识方法。该故障辨识方法能够正确地辨识出是发生了变压器内部故障还是电力电子故障，大大地提高了混合式配电变压器运行过程中的可靠性和稳定性。
近年来，随着配电网智能化建设水平的提高，配电系统的运行与控制将受到大量不确定因素的影响。由于将来大量的直流设备会接入配电网中，给配电网的电能质量的治理带来新的困难。
针对配电网中出现的电能质量、谐波、电压跌落等问题，有学者就提出利用混合式配电变压器（Hybrid Distribution Transformer, HDT）来解决。西安交通大学科研人员研究的混合式配电变压器实现了配电变压器与电力电子装置的集成一体化，不仅能够在未来智能配电网中代替传统配电变压器实现无功功率补偿、谐波治理、电压调节等功能，同时使二者协调工作，方便维护，总体成本较低，现场应用更加方便。
混合式配电变压器主体仍为传统配电变压器，通过并联电力电子器件实现对传输功率的调节，因此可用于配电网电压调节。当发生故障时，通过切除电力电子器件，混合式配电变压器仍可作为传统配电变压器使用。
然而电力电子装置的可靠性和使用寿命都远远低于传统配电变压器，混合式配电变压器作为一种新型的配电变压器，目前没有相关的研究来鉴别混合式配电变压器的电力电子故障和变压器故障，所以混合式配电变压器发生电力电子故障的时候就会触发继电保护。如果能够针对混合式配电变压器的故障做出正确的辨识，当发生电力电子故障的时候，及时地切除电力电子装置，使混合式配电变压器仍工作在传统变压器工况，就能大大地提高混合式配电变压器运行的可靠性和稳定性。
鉴于变压器本身客观存在的非线性特性和模糊状态，近年来随着神经网络、机器学习、深度学习等人工智能技术的发展，国内外学者不断地将模糊数学、神经网络、小波变换、机器学习和深度学习等智能技术应用到变压器故障辨识领域。
然而目前几乎没有学者针对混合式配电变压器同时做变压器和电力电子装置的相关故障辨识研究工作。发生在混合式配电变压器中的变压器内部故障和电力电子装置故障在很多情况下具有很大的相似性，所以如何正确地辨识混合式配电变压器的电力电子故障和变压器内部故障就成为一个制约混合式配电变压器使用可靠性和稳定性的难点问题。
西安交通大学的科研人员在利用各种人工智能方法研究传统配电变压器故障的基础上，提出了一种基于小波变换和逻辑斯蒂回归的混合式配电变压器故障辨识方法。一共考虑五个种类的混合式配电变压器故障类型，分别为相间短路故障、匝地短路故障、单相匝间短路故障、IGBT短路故障和IGBT开路故障。
研究人员首先通过搭建的实验平台的实验波形与仿真波形的对比，验证了仿真模型得到的数据的正确性和有效性。然后通过在Simulink中搭建的混合式配电变压器仿真模型遍历运行不同的故障参数，获得了大量的不同类型的故障数据。接着将故障数据经过四层离散小波变换，将小波域下的第四层小波分解的归一化能量与归一化能量矩和第二层小波分解的样本熵作为原始时域信号在小波域下的三个特征，组成特征向量输入逻辑斯蒂回归模型中。
图1 混合式配电变压器实验样机
他们根据给定的损失函数，利用梯度下降法完成机器学习模型的训练过程，得到了受试看工作特征（Receiver Operator Characteristic, ROC）曲线和测试集混淆矩阵表现较好的混合式配电变压器故障辨识模型。最后多次通过随机抽取数据的方式测试出得到的模型故障辨识准确率。
研究结果表明，当混合式配电变压器发生故障时，所提出的基于四层离散小波变换和归一化能量矩等特征提取方法能够有效地提取混合式配电变压器在两种不同故障情况下的特征信号在小波域下的特征，并且具有很好的可区分性；构建的训练后的逻辑斯蒂回归分类器在故障数据集上对于混合式配电变压器故障辨识多次测试的准确率均在90%左右，能够有效地辨识出混合式配电变压器故障情况下的故障类型，提高了混合式配电变压器运行过程中的可靠性和稳定性。
本文编自2021年《电工技术学报》增刊2，论文标题为“基于小波变换与逻辑斯蒂回归的混合式配电变压器故障辨识”，作者为张立石、梁得亮 等。
,
