图14　检验用故障波形
Fig.14　Fault data for checking

图15　检验用涌流波形
Fig.15　Inrush data for checking

表2　鲁棒性检验结果
Table 2　Result of robust test

4　结论
　　本文利用离散HMM对变压器内部故障电流和励磁涌流分别进行建模，其数字仿真实验结果表明，离散HMM可以很好地分辨故障电流和励磁涌流，并且具有足够大的安全裕度。同时，由于HMM用概率模型来描述波形特征，在训练得到的模型中可以综合地反映两者的区别，而不局限于涌流波形和故障波形在某个特征参数上的不同，因此能够更好地对两者进行准确识别。只要训练集选择得充分、合理，有理由期望HMM能够在复杂的实际运行环境中对故障和涌流做出正确区分。而且，HMM的计算量相对较少，可以满足保护快速性的要求。
　　在判据性能上，由于判据采用概率数值相对大小的比较，避免了定值整定的复杂性。关于连续HMM在变压器内部故障电流和励磁涌流的识别问题中的应用，研究结果将在其他文章中论述。
　　在变压器保护的涌流识别问题中，HMM是一个很有潜力的方法，值得进一步探讨和应用。■

［1］唐跃中，徐进亮，郭　勇，等(Tang Yuezhong, Xu Jinliang, Guo Yong, et al).变压器保护中的几种励磁涌流判别方法的分析和评价(Analysis and Valuation of Several Inrush Current Differentiation in Transformer Protection).电力自动化设备(Electric Power Automation Equipment)，1995(1)
［2］梁国坚，梁冠安(Liang Guojian, Liang Guanan).用模糊贴近度识别变压器的故障电流和励磁涌流(Identify the Fault Currents and Inrush Current of a Transformer Using the Fuzzy Degree of Nearness).电工技术学报(Transactions of China Electrotechnical Society)，1998，13(3)：59～64
［3］段玉倩，贺家李，贺继红(Duan Yuqian, He Jiali, He Jihong).基于人工神经网络方法的微机变压器保护(Computerized Transformer Protection Based on Artificial Neural Network).中国电机工程学报(Proceedings of the CSEE)，1998，18(3)：190～194
［4］焦邵华，刘万顺，刘建飞，等(Jiao Shaohua, Liu Wanshun, Liu Jianfei, et al).用小波理论区分变压器的励磁涌流和内部短路的新原理(A New Principle to Detect Magnetizing Inrush Current and Internal Fault of Transformer Using Wavelet Theory).见：全国高等学校电力系统及其自动化专业第十四届学术年会论文集(In: Proceedings 14th CUS-EPSA).哈尔滨(Harbin)：1998.1032～1037
［5］谢锦辉(Xie Jinhui).隐马尔科夫模型及其在语音处理中的应用(Hidden Markov Model with Its Application in Speech Signal Processing).武汉：华中理工大学出版社(Wuhan: Huazhong Science & Technology University Press)，1995
［6］Rabiner L R. A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition. Proceedings of IEEE, 1989, 77(2): 257～285

上一页  [1] [2]