基于基因表达编程的DGA诊断模型

油中溶解气体分析(DGA)是目前最为常用的变压器内部故障诊断依据，但传统的各种DGA方法适用情况

目前国内油浸式变压器状态检测技术中较为常用的方法为变压器油中溶解气体分析(Dissolved Gases Analysis, DGA)，即根据变压器油中溶解气体的组成与含量， 及早发现潜伏性的变压器内部故障[1] [2] [3] [4]。

但是，特征气体法只能粗略判断早期故障是否存在，而不能确定故障性质及变压器状态[3]，也不能识别比值落在编码范围外所对应的故障类型，且只能由特征气体法确定故障存在后才能保证其判断的准确性[5]。大卫三角形法对于一些IEC 比值法漏判的数据，能在三角形区域内得出一种诊断结果且具有较低的错误率，但由于没有正常状态对应的区域，所以在应用大卫三角形法前也需先判断特征气体是否处于正常状态[6]。

由于传统DGA 方法存在“缺编码，编码规则边界绝对化，故障分类模糊，范围局限”等不足，近年来，专家系统，人工神经网络，模糊理论，遗传算法等多种机器学习算法也被大量应用于变压器故障诊断，如文献[7]提出的模糊C 均值聚类和改进相关向量机的变压器故障诊断；文献[8]提出的粒子群–自组织映射–学习矢量化混合算法对变压器进行故障诊断；文献[9]构建了贝叶斯网络的变压器故障推理算法；文献[10]结合遗传算法提升支持向量机对变压器故障诊断的准确性， 然而这些机器学习算法构建的模型对于在训练集、故障案例集依赖性较高， 通常自适应性较差， 且大部分缺乏对特征气体浓度实时性的考虑。

因此， 考虑到DGA 仍然是实践中较为常用的变压器故障诊断依据， 故本文提出基于基因表达式编程算法的DGA 诊断模型，该模型融合几种传统的DGA 方法，考虑特征气体产气速率实时变化情况，且通过样本学习具有参数自适应调整能力。

2. 基因表达编程 基因表达编程(GEP)是一种融合了遗传算法(GA)和遗传编程(GP)优点的提升算法。GEP 基因用长度固定的符号串来表示，由头、尾组成，由头和尾两部分组成，头部一般可以表征任意符号及变量，而尾部一般只用于表征实际变量。尾部长度t 和头部长度h 之间满足以下关系： ()thn11=×−+ (1) 其中，n 代表函数符集中的最大操作目数。

GEP 变程主要分为表达式和表达树，每个基因对应一个K 表达式和一棵表达式树，两者之间可以互换。以下式：